【摘 要】
：
针对传统的作物产量估算方法在模型泛化方面的不足及缺少时序特征和空间特征的问题,该研究以机采棉为研究对象,结合无人机遥感平台与深度学习技术对棉花进行多期遥感观测与估产.以棉花苗期、蕾期和花期的影像为时间序列数据集,构建基于卷积神经网络(Convolutional Neural Network,CNN)和双向长短期记忆(Bidirectional Long Short-Term Memory,BiLSTM)的混合模型(CNN-BiLSTM)进行棉花产量预估,提高时间维度和空间维度方面的特征提取能力,并分别验证
【机 构】
：
石河子大学信息科学与技术学院,石河子 832003;兵团空间信息工程技术研究中心,石河子 832003
论文部分内容阅读
针对传统的作物产量估算方法在模型泛化方面的不足及缺少时序特征和空间特征的问题,该研究以机采棉为研究对象,结合无人机遥感平台与深度学习技术对棉花进行多期遥感观测与估产.以棉花苗期、蕾期和花期的影像为时间序列数据集,构建基于卷积神经网络(Convolutional Neural Network,CNN)和双向长短期记忆(Bidirectional Long Short-Term Memory,BiLSTM)的混合模型(CNN-BiLSTM)进行棉花产量预估,提高时间维度和空间维度方面的特征提取能力,并分别验证CNN和BiLSTM的性能以及不同网络深度对估产的影响.研究结果表明,CNN和BiLSTM深度分别为14和1的CNN14-BiLSTM模型准确率最高,对比单一结构的BiLSTM该模型决定系数从0.851提升至0.885,其均方根误差和平均绝对百分比误差也均明显下降,在2.3 m×2.3 m的样方内,结果分别为147.167 g和6.711％.该研究实现了基于时间序列的棉花产量估算,可为类似的作物产量估算提供参考.
其他文献
在大范围内快速、准确地预估作物产量,对作物管理、粮食安全、粮食贸易和决策有重要意义.遥感为大规模作物估产提供了便利,大多数研究者结合深度学习和遥感影像取得了较好的结果.然而,农作物生长状态随时间变化,其产量具有非线性时空特征,单一的深度学习方法无法充分利用影像信息.因此,该研究提出了一种基于卷积神经网络(Convolutional Neural Networks,CNN)和门控循环单元(Gated Recurrent Unit,GRU)混合神经网络估产模型(CNN-GRU),利用CNN从多光谱遥感影像中提
果树容易受病虫害或自然因素的影响,使得树干内部产生腐烂和空洞,甚至危及果树寿命,影响果实的品质和果农的经济效益,故有必要对果树进行定期检查.探地雷达是一种有效的无损检测技术,能够在不破坏被测树干的情况下,检测出树干内部空洞的位置和大小.该研究提出了基于偏移成像的树干内部空洞图像重建方法,在各测量点利用对应的雷达回波信号重建树干内部的空洞情况.然而,对于不规则形状树干,难以确定探地雷达测量点在树干表面的位置,为此,提出了一种重建测量截面轮廓和定位测量点的方法.为了证明提出方案的有效性,以实际区域与重建区域的
为探明不同改良措施对设施蔬菜土壤及番茄果实品质的影响,该研究以陕西省太白县秦西蔬菜种植示范园大棚为研究试点,选取草木灰、生物炭、EM菌(Effective Microorganisms)3种改良剂,设置了EM菌(E)、生物炭(S)、生物炭+EM菌(SE)、草木灰(C)、草木灰+生物炭(CS)、草木灰+生物炭+EM菌(CSE)和不施加任何改良剂的空白对照(CK)7个处理.结果表明:各处理均能改善土壤理化性质,其中草木灰+生物炭+EM菌(CSE)处理在提高土壤pH值、有机质、全氮、碱解氮、全磷、速效磷、全钾及