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
打开网易新闻 查看精彩图片
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
打开网易新闻 查看精彩图片
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
打开网易新闻 查看精彩图片
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
打开网易新闻 查看精彩图片
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
打开网易新闻 查看精彩图片
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
打开网易新闻 查看精彩图片
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
打开网易新闻 查看精彩图片
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
打开网易新闻 查看精彩图片
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
打开网易新闻 查看精彩图片
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