无人机(UAV)配备多光谱传感器可提供空间和时间高分辨率图像，用于监测作物生长早期阶段的胁迫。利用先进的机器学习模型对无人机衍生数据进行分析，可以改进农业系统的实时管理，但目前对这种集成的指导有限。因此，本文比较了两种基于深度学习的作物胁迫预警检测策略，并使用整个生长季节的多时段图像来预测Arkansas东部灌溉水稻的大田规模产量。结果表明，这两种深度学习方法都优于传统机器学习方法(包括线性回归和梯度增强决策树)。
首先，本研究使用3D卷积神经网络(CNN)架构清晰阐明了不同发育阶段的变化，该架构捕获了来自整个生长季节多时段的无人机图像的空间和时间维度。
结果表明，3DCNNs在测试集上的预测误差较低，均方根误差(RMSE)为8.8%。
对于第二种策略，即2D-CNN，本研究只考虑了在单次飞行中获取的图像特征像素之间的空间关系。当UAV在启飞阶段或之后拍摄图像时，根据单日图像训练的2D-CNN最准确，RMSE范围为7.4%至8.2%。
卷积自编码器模型(基于预测图和特征重要性分析)的一个主要优点是空间去噪效果，它根据附近像素的植被指数和热特征值校正单个像素的产量预测。本结果突出了卷积自编码器在基于无人机的水稻产量预测中的前景。
本研究强调了相对简单的CNN结构在利用遥感图像预测水稻产量方面的优势。将这些模型纳入数据分析系统可以平衡数据采集和模型训练的总体成本，并展示了深度学习对可持续农业和精确管理的潜在益处。
本文提出了一种类似于自编码器的CNN结构，用于水稻田间产量预测。此外，该研究结果还表明，通过合并邻近像素的信息，自编码器的2D-CNN在产量预测的空间去噪方面具有优势。随着无人机在农业遥感领域应用的持续增长，本研究为未来大规模数据采集和模型训练工作及其与深度学习模型开发的整合提供了及时的指导。
来源：doi: 10.3389/fpls.2022.716506
公众号：农业之巅
更多信息请关注智农云芯(AgriBrain)：www.agribrain.cn