基于ConvLSTM多特征融合的农田杂草群落扩散模型研究

作者：权龙哲; 姜浩; 夏福霖

来源：东北农业大学学报, 2023, 54(09): 53-66.

DOI：10.19720/j.cnki.issn.1005-9369.2023.09.006

• ConvLSTM
• 无人机
• 杂草群落扩散
• 时空预测
• 农业信息
• 精准农业

杂草在作物生长初期受环境变化影响快速扩散，严重压缩作物生长环境。为有效管理农田并准确获取杂草群落扩散位置和生长状况，采用深度学习技术，基于卷积长短期记忆网络（Convolutional long short term memory,ConvLSTM）模型及多特征融合对农田杂草群落扩散准确预测，通过无人机获取具有时间序列的数字正射图像（Digital orthophoto map,DOM）数据，数据预处理后，优化土壤调节植被指数（Optimizing soil adjustment vegetation index,OSAVI）阈值法，构建多种输入特征制作数据集。将ConvLSTM模型与多种输入特征融合并对模型进行堆叠优化，构建多特征融合卷积长短期记忆网络（Multi-feature convolutional long short term memory networks,MFConvLSTM）模型，实现多步预测，使用制作数据集进行网络训练，综合对比MF-ConvLSTM、ConvLSTM、深度神经网络（Deep neural network,DNN）、全连接长短期记忆网络（Fully-connected long short term memory networks,FCLSTM） 4个模型。结果表明，构建的MF-ConvLSTM模型预测效果较好，其综合性能优于ConvLSTM、DNN和FCLSTM，均方误差（Mean square error,MSE）值为0.019 1，较传统FC-LSTM模型下降0.008 7、POD提高0.070 2、CSI提高0.058 3、FAR降低0.072 7。在不同覆盖度和降雨量条件下，MF-ConvLSTM模型杂草群落扩散预测结果较为平均，拥有较稳定MSE值及预测精度，体现模型较好的鲁棒性。此外，根据试验可知特征输入和预测步长对MFConvLSTM模型有不同程度影响。研究提出MF-ConvLSTM模型能自适应学习短期时空依赖关系，在多特征共同输入和短期预测步长情况下达到最佳性能。研究为准确获取农田杂草群落扩散位置和生长状况提供思路和方法，也可为后续农田精准除草和制作杂草处方图提供参考。

• 单位
  安徽农业大学; 东北农业大学