利用深度前馈神经网络解析春小麦光谱-产量的复杂非线性关系模型

《Smart Agricultural Technology》:Modeling nonlinear spectral-yield relationships in spring wheat using a developed deep feed-forward neural architecture

【字体: 大 中 小 】 时间:2026年04月03日 来源:Smart Agricultural Technology 5.7

编辑推荐:

  为解决春小麦产量预测中复杂非线性关系建模的难题,研究人员开发了深度前馈神经网络架构,并结合地统计插值方法,对高分辨率无人机多光谱影像和产量数据进行分析。该研究对比了随机森林、支持向量机等传统机器学习模型,结果表明所开发的深度学习方法在预测精度上更优,为商业小麦生产系统提供了可解释、可扩展的高分辨率产量预测框架。

  
精准预测春小麦(Triticum aestivum L.)整个生长季的产量,对于优化田间管理、提高经济效益和支持可持续生产至关重要。然而,由于温度、土壤湿度和氮动态等环境、生理和管理因素之间存在复杂且非线性的相互作用,准确预测其潜在产量颇具挑战。现代农业已转向将现代遥感解决方案与传统机器学习模型相结合,通过整合多光谱和时序信息来推进产量预测。但常用的随机森林或支持向量机等模型,依赖于有限的特征变换和浅层非线性映射,限制了其在异质田块条件下的泛化能力,导致其在面对时空多样性数据时预测性能下降。为了克服这些挑战,并捕捉驱动产量变异的复杂基因型×环境互作,研究人员开展了此项研究。
本研究旨在通过开发一种新颖的深度前馈神经网络架构,并系统评估插值方法和正射影像类型对预测精度的影响,来推进春小麦的产量预测。这项研究提供了一个将地统计插值与深度学习模型相结合的集成方法,以期在商业小麦生产系统中为特定地点的产量预报提供一个稳健的框架。
本研究论文发表在《Smart Agricultural Technology》期刊上。
研究人员采用了一项集数据采集、统计与影像处理、优化技术及最终预测模型应用于一体的综合方法。关键技术方法包括:1) 数据采集与预处理:在美国北达科他州的一个商业农场,于春小麦的三个关键物候期,使用配备多光谱相机的无人机系统采集高分辨率影像。同时,利用联合收割机记录的产量监测数据,经过地理坐标校正、异常值清洗后,形成最终数据集。2) 空间插值与特征工程:对离散的产量监测点数据,系统应用了经验贝叶斯克里金法、反距离加权法和普通克里金法三种空间插值方法生成连续的产量表面。并从多光谱影像中提取了五个光谱波段和二十三个广泛使用的植被指数作为预测因子。3) 特征选择与模型开发:采用了逐步前向特征选择、最小绝对收缩和选择算子以及主成分分析三种方法进行特征选择,以识别最相关的预测因子并缓解冗余问题。开发了一个深度前馈神经网络模型,其架构包含五个隐藏层,并以此为基础,与梯度提升、支持向量机和随机森林三种广泛使用的机器学习模型进行性能对比基准测试。4) 模型训练与评估:数据集被划分为85%的训练集和15%的测试集。使用Adam优化器对FFNN模型进行训练,并以确定系数和均方根误差作为模型性能的核心评估指标。预测结果进一步在ArcGIS Pro中被空间投影成图,以可视化实际与预测的产量空间分布模式。
2.1. 研究区域位置与田间设计
研究于2023年生长季在美国北达科他州东罗莱特的一个商业农场进行。该田块被划分为174个试验小区,播种了硬红春小麦,并施用了六种不同水平的氮肥处理。研究捕获区域限制在约167米×270米的范围内,以确保数据采集的集中性和可比性。
2.2. 飞行规划与辐射校准
使用大疆P4多光谱无人机和D-RTK2高精度GNSS移动站,在春小麦三个不同物候期(茎杆伸长、开花、成熟)进行了航拍。每次飞行前使用校准板,确保不同日期采集影像间的可比性。飞行遵循预设任务路径,确保了影像的高分辨率和几何精度。
2.3. 产量监测数据、清理与预处理步骤
利用Case IH联合收割机记录产量数据。原始数据经过地理信息系统校正、清理异常值(如零值和重叠点)后,最终得到3404个具有正态分布的数据点。该数据集随后使用反距离加权法、克里金法和经验贝叶斯克里金法进行了空间插值,以创建三种不同的产量分布图。
2.4. 正射影像创建与预处理
使用Pix4Dmapper软件从多光谱影像生成了透明度和反射率两种正射影像。反射率影像经过辐射校正,代表真实地表反射率,适用于定量分析;而透明度影像是经过色彩平衡优化的合成影像,主要用于可视化。本研究比较了两种影像类型对预测模型性能的影响。
2.5.1. 计算植被指数以进行光谱特征提取
为量化光谱变化并评估其与小麦产量的关系,研究计算了二十三个广泛使用的植被指数。这些指数基于其在预测生物量、叶绿素含量和作物健康状况方面的有效性而被选择。计算在ArcGIS Pro中使用ArcPy完成。这些指数源自所采集光谱波段的算术组合。
2.5.2. 通过特征选择方法优化光谱特征
鉴于植被指数和光谱波段的高维特性,研究采用了系统的特征选择流程以识别最相关的预测因子,同时缓解冗余和多重共线性问题。评估了三种特征选择方法:逐步前向特征选择、最小绝对收缩和选择算子以及主成分分析。最终,SFFS因其在动态细化特征集、保留关键光谱指数和提高模型准确性方面的卓越表现而被选为后续分析的方法。
2.5.3. 机器学习和深度学习模型开发
为建立产量预测性能的比较基线,实现了梯度提升、支持向量机和随机森林三种机器学习模型。其中随机森林模型经过了系统的超参数优化。研究开发了一个用于春小麦产量预测的深度学习前馈神经网络。该FFNN架构包含五个隐藏层,分别有512、256、128、64和32个神经元,每个都采用线性整流函数作为激活函数,输出层包含一个用于预测产量的神经元。模型使用Adam优化器进行训练。
2.6. 评估模型性能
模型性能使用均方根误差和决定系数进行评估。预测数据在ArcGIS Pro中被空间投影成图,以增强实际和预测产量空间分布模式的可视化与比较。
3.1. 特征选择:逐步前向特征选择
特征选择技术的评估表明,SFFS能够动态细化特征集,保留关键光谱指数。分析发现,归一化差异红边指数和归一化红色指数等出现在多个选择中,而过绿植被指数和增强型归一化差异植被指数也频繁被保留。整个生长季中,所选指数存在明显的时间变化。不同插值方法之间也存在差异,普通克里金法和反距离加权法更频繁地选择了叶绿素指数绿光和修正叶绿素吸收反射率指数1,而经验贝叶斯克里金法则倾向于在后期包含宽动态范围植被指数和重归一化差异植被指数。
3.3. 机器学习与深度学习性能表现
随机森林、梯度提升和支持向量机模型使用三种插值技术进行评估。结果表明,普通克里金法在所有模型中都取得了最高的R2值,显示出在产量估算方面卓越的预测能力。具体来说,普通克里金法为支持向量机、梯度提升和随机森林模型产生了最高的R2分数,并且均方根误差最低。相比之下,经验贝叶斯克里金法和反距离加权法表现出略高的均方根误差值。由于普通克里金法的优越性能,该方法被用作前馈神经网络模型的数据集。使用所有可用特征导致调整后R2为0.69,均方根误差为0.26吨/公顷。当仅使用该特定日期从普通克里金法插值得出的选定特征时,R2略微下降至0.67,而均方根误差保持不变。这些模式表明,插值方法和机器学习算法都会影响模型准确性。结果一致表明,支持向量机与普通克里金法插值结合,在实验背景下提供了最可靠的预测。实际产量值与所有机器学习和深度学习模型的预测产量值被绘制成图以可视化其性能。这些图显示,深度学习模型表现出最佳的拟合效果,而支持向量机在其他机器学习模型中表现良好。误差在其他使用的模型中逐渐增加,其中存在明显远离截距线的数据点,并且使用前馈神经网络、支持向量机、梯度提升和随机森林预测的产量值显示出更大的离散性。然而,产量分布图的变化取决于所使用的模型。原产量图作为比较预测产量模型的参考。深度学习模型的结果呈现出最佳的预测性能。同时,机器学习模型生成的分布图也一并展示。
4.1. 评估插值技术在产量估算相关性中的重要性
选择合适的插值技术对于确定精准农业中产量预测的准确性和可靠性起着至关重要的作用。研究结果表明,普通克里金法在R2和均方根误差方面 consistently优于经验贝叶斯克里金法和反距离加权法,突显了其在捕捉小麦产量分布空间变异性方面的卓越能力。这与先前验证普通克里金法作为插值农业数据的稳健地质统计学方法的研究相符。普通克里金法的优势在于利用数据点之间的距离和空间排列来生成精确预测。相比之下,反距离加权法仅依赖采样点的邻近性,忽略了空间依赖性。经验贝叶斯克里金法虽然通过自动估计半变异函数参数对普通克里金法有所改进,但对数据分布可能高度敏感。尽管将机器学习模型与地质统计学插值技术结合用于空间预测尚未广泛应用,但本研究中使用普通克里金法插值数据时观察到的预测准确性提高表明,插值方法可能会影响提取特征的质量。模型复杂性必须与可解释性仔细权衡。过度的超参数调整可能导致过参数化,掩盖田间真实的时空变异性。这在大型农业系统中尤其重要,因为插值错误可能导致管理决策失误。研究结果表明,将普通克里金法与机器学习和深度学习模型相结合,可以为预测小麦产量提供一个可靠且可扩展的框架。
4.2. 评估植被指数对小麦产量建模的影响
植被指数的选择在决定产量预测模型的准确性方面起着至关重要的作用。在整个研究过程中,几个光谱波段始终对预测性能有贡献,而其他波段的相关性则因生长阶段而异。近红外波段是所有选定植被指数中的主导特征,强化了其在评估植物活力和生物量积累方面的重要性。在最常被选定的植被指数中,归一化差异红边指数和归一化红色指数 consistently出现在所有方法中,突显了它们与作物发育和生产力的密切关系。所选指数在整个生长季存在明显的时间变化。在早期营养阶段(7月22日),修正简单比率、修正叶绿素吸收反射率指数1、修正叶绿素吸收反射率指数1和绿度土壤调节植被指数等指数更受青睐,反映了它们对叶绿素含量和植物活力的敏感性。这些指数严重依赖绿光和红光波段,这对于检测相对叶绿素变化至关重要。到了8月4日,归一化差异植被指数、宽动态范围植被指数和重归一化差异植被指数仍然占主导地位,突显了它们与生物量积累和光合活性的强烈关联。在后期阶段(8月25日),归一化差异红边指数、绿度归一化差异植被指数和叶绿素指数绿光等指数 consistently被选定,强调了红边和近红外波段在监测衰老和籽粒灌浆过程中的重要性。虽然整合蓝光和红边波段的指数被选中的频率较低,但它们在产量预测中的作用尚未确定。然而,本研究中蓝光和红边指数选择有限并不意味着它们缺乏预测价值,而是表明它们在不同小麦生长阶段和作物中的潜在贡献值得进一步探索。
4.3. 该研究在商业农场上的潜在应用
遥感技术和植被指数的集成增强了精准农业分析的可扩展性。这些工具能够对广阔的农场区域进行连续和全面的监测,这对于大型商业运营至关重要。植被指数的使用通过优化产量图促进更有效的资源管理,允许基于空间生产区域更精确地分配投入——例如氮肥。这种方法不仅提高了投入品的使用效率,还降低了成本和环境影响,有助于更可持续的农业实践。尽管有这些优势,但将土壤水分或气候数据等额外环境变量整合到产量预测模型中,在商业农业环境中存在显著的物流和经济限制。以高时空分辨率获取此类数据通常需要大量的田间仪器、定期维护和劳动密集型采样,这对大多数生产者来说可能不切实际或难以扩展。本研究方法反映了一种优先考虑快速、非侵入性工具的情景。虽然此类变量可以丰富预测模型,但必须仔细考虑其整合,特别是在数据获取通常受规模、成本和物流复杂性限制的商业环境中。
5. 局限性与未来方向
空间分辨率与覆盖范围:由于电池限制影响无人机飞行时间,拍摄整个研究田块的影像是不可行的。未来的研究应考虑影像分辨率与田间覆盖范围之间的反比关系,承认在调查真实作物田块时的权衡。虽然更高的分辨率提供了对特定区域的详细洞察,但更广泛的覆盖对于理解整体生产动态和满足多样化需求至关重要。此外,虽然蓝光和红边波段在我们的结果中在最重要特征中出现的频率较低,但它们在作物不同物候期和环境条件下的光谱相关性可能不同。因此,未来的工作还应结合空间分辨率策略,研究这些波段在不同作物物候期的影响,以了解其作用。
作物-环境相互作用:本研究专门关注无人机衍生的光谱数据,以评估反射率特征在商业耕作条件下的预测能力。虽然这种方法显示出有希望的结果,但由于在大型运营中以高分辨率收集此类数据的物流和经济限制,它没有整合土壤特性或气候等关键环境变量。因此,该模型捕捉了冠层中可观察到的生理反应,但可能无法完全代表产量的潜在环境驱动因素。此外,该研究是在单一的商业田块上进行的,这虽然代表了真实的农业场景,但可能限制模型的更广泛泛化。未来的研究应考虑在不同地理区域验证模型,并在可行的情况下整合互补的环境数据,以增强其适应性和解释力。
模型复杂性及其在商业田块中的实用性:保持模型的简洁性对于评估商业田块至关重要,以确保可重复性并避免数据过拟合。复杂的模型需要更大的计算开销,并且可能由于商业田块间的低变异性而导致过参数化,使其在实际应用中不切实际。此外,过拟合可能导致严重的不准确性。在商业农业中,这些不准确性可能导致严重的财务影响,可能造成重大经济损失或对作物产量产生错误预期,最终影响农业运营的盈利能力和可持续性。
软件集成挑战:本研究需要使用四个不同的软件程序,其中三个需要付费许可证。这对商业生产者构成了重大限制,因为相关的费用和有效使用每个软件所需的广泛培训。虽然这种方法为识别小麦产量预测和地图生成中的关键因素提供了一个有价值的起点,但它强调了未来开发需要将这些功能整合到一个单一且更易访问的软件中的必要性。未来的研究应侧重于将先进的地理信息系统工具集成到支持多种功能的统一环境中,从而简化分析和绘图过程。此外,需要继续推进这些工具与Python等编程语言的集成,这将进一步提高农业数据分析的灵活性和效率。
利用卫星和无人机数据优化小麦产量预测:卫星影像和无人机收集数据的集成是未来小麦产量预测研究的一个有前景的组合。虽然这些数据源各自提供了独特的优势并面临特定的限制,但它们的同时使用可以显著提高预测模型的准确性和可靠性。卫星影像提供了广泛的空间覆盖和一致的时序监测,使得能够进行大规模的时间序列分析。然而,其较低的空间分辨率和对大气条件的敏感性可能限制地理定位数据的精度。另一方面,无人机提供了高分辨率的数据收集,在捕获特定感兴趣区域方面具有更大的灵活性,尽管其覆盖范围有限且运营成本较高。对于未来的研究,这种方法可以减少每种方法的局限性,从而在商业田块上形成更稳健、更准确的小麦产量预测模型。
6. 结论
本研究评估了正射影像类型和空间插值方法对使用机器学习和深度学习模型预测小麦产量的影响。保留辐射测量完整性的反射率正射影像,在植被指数准确性和预测性能方面显著优于透明度正射影像。这突出了使用经过辐射校正的影像进行可靠产量估算的重要性,特别是在为机器学习和深度学习模型推导光谱特征时。在所评估的插值技术中,普通克里金法 consistently在反距离加权法和经验贝叶斯克里金法上产生更优的结果,提高了所有预测算法的空间准确性和模型性能。普通克里金法插值与深度学习前馈神经网络模型相结合实现了最高的准确性,R2为0.69,均方根误差为0.26吨/公顷,而支持向量机模型在经典机器学习模型中表现最佳,R2为0.63。这些结果证明了将优化的空间预处理与光谱特征相结合以实现稳健产量预测的有效性。使用逐步前向特征选择法进行特征选择,通过识别时间上相关的植被指数,提高了模型的可解释性。其中,归一化差异红边指数、归一化红色指数和修正简单比率等指数在不同的插值方法和生长阶段 consistently出现。这强调了光谱响应的动态性质以及物候时机在预测建模中的重要性。总体而言,本研究提出了一种在商业耕作系统中使用光谱特征和遥感技术进行小麦产量估算的方法。该框架提供了一个可扩展的解决方案,并展示了高分辨率光谱影像、优化空间插值、机器学习和深度学习模型的集成。
相关新闻
生物通微信公众号
微信
新浪微博

热点排行

    今日动态 | 人才市场 | 新技术专栏 | 中国科学人 | 云展台 | BioHot | 云讲堂直播 | 会展中心 | 特价专栏 | 技术快讯 | 免费试用

    版权所有 生物通

    Copyright© eBiotrade.com, All Rights Reserved

    联系信箱:

    粤ICP备09063491号