来源:市场资讯
(来源:智慧农业期刊)
引用格式:王毅, 薛蓉, 韩文霆, 邵国敏, 侯艳巧, 崔茜彤. 基于CNN-LSTM-SA的玉米地上生物量估算[J]. 智慧农业(中英文), 2025, 7(4): 159-173.
WANG Yi, XUE Rong, HAN Wenting, SHAO Guomin, HOU Yanqiao, CUI Xitong. Estimation of Maize Aboveground Biomass Based on CNN-LSTM-SA[J]. Smart Agriculture, 2025, 7(4): 159-173.
DOI: 10.12133/j.smartag.SA202412004
基于CNN-LSTM-SA的玉米地上生物量估算
王毅1, 薛蓉1, 韩文霆2*, 邵国敏3, 侯艳巧1, 崔茜彤1
(1.西安财经大学 信息学院,陕西西安 710100,中国; 2.西北农林科技大学 机械与电子工程学院,陕西杨凌 712100,中国; 3.西安理工大学西北旱区生态水利国家重点实验室,陕西西安 710048,中国)
摘要:
[目的/意义]玉米地上生物量(Above Ground Biomass, AGB)反映了玉米的生长状况,但其形成受多种动态因素的影响,导致AGB在空间和时间上的变化较为复杂。因此,本研究引入卷积神经网络(Convolutional Neural Network, CNN)、长短期记忆网络(Long Short-Term Memory, LSTM)和自注意力机制(Self-Attention, SA)结合的模型架构,用于估算田间尺度的玉米AGB。
[方法]首先,利用该架构构建CNN-LSTM-SA优化模型。分析影响因子与玉米AGB之间的皮尔逊相关系数,并通过递归特征消除法确定模型的最佳输入特征。其次,使用局部可解释模型无关解释方法对单个样本进行解释。最后,通过消融实验,探讨引入CNN和SA对CNN-LSTM-SA模型的影响,并与随机森林(Random Forest, RF)和支持向量机(Support Vector Machine, SVM)模型进行对比。
[结果和讨论]CNN-LSTM-SA模型的决定系数(R2)为0.92,均方根误差(Root Mean Square Error, RMSE)和平均绝对误差(Mean Absolute Error, MAE)为107.53和55.19 g/m2,优于单一类型的LSTM模型、CNN-LSTM模型和LSTM-SA模型。同时,在各项指标上比RF模型和SVM模型效果更好。
[结论]该模型从时空角度出发,提升了玉米AGB估算的准确性,具有可解释性。该研究为作物AGB的动态建模提供了思路与方法,具有一定参考价值。
关键词: 玉米;地上生物量;卷积神经网络;长短期记忆网络;自注意力机制
文章图片
![]()
图1 2019年内蒙古自治区鄂尔多斯市达拉特旗昭君镇实验区域采样点
Fig. 1 Sampling sites in the experimental area of Zhaojun town, Dalad banner, Ordos city, Inner Mongolia Autonomous Region
![]()
图2 不同区域的玉米AGB影响因子的时间序列变化
Fig. 2 Time series variation of maize AGB influence factors across different experimental plots
![]()
图3 CNN-LSTM-SA模型结构
Fig.3 Structural diagram of the CNN-LSTM-SA model
![]()
图4 特征提取模块的卷积与池化过程
Fig. 4 Convolution and pooling process within the feature extraction module
![]()
图5 玉米AGB估算中影响因子相关性分析
Fig. 5 Correlation analysis of factors of influence maize AGB estimation
![]()
图6 不同数据源组合下CNN-LSTM-SA模型估算玉米AGB的结果
Fig. 6 Estimation of maize AGB by CNN-LSTM-SA model with different data source combination
![]()
图7 不同阶段不同区域玉米单样本特征贡献的可解释性分析
Fig. 7 Interpretability analysis of single sample feature contributions of maize from different growth stages and experimental plots
![]()
图8 不同模块组合下模型估算玉米AGB结果
Fig.8 Estimation of maize AGB by different models with multiple model combination
![]()
图9 RF与SVM模型估算玉米AGB结果
Fig. 9 Estimation of maize AGB by RF and SVM models
来源:《智慧农业(中英文)》2025年第4期
特别声明:以上内容(如有图片或视频亦包括在内)为自媒体平台“网易号”用户上传并发布,本平台仅提供信息存储服务。
Notice: The content above (including the pictures and videos if any) is uploaded and posted by a user of NetEase Hao, which is a social media platform and only provides information storage services.