基于深度学习的植物高度和蔬菜作物冠面积的预测,使用LiDAR点云
Reji J1,2, Rama Rao Nidamanuri3
1Department of Earth and Space Sciences, Indian Institute of Space Science and Technology, Department of Space, Government of India, Thiruvananthapuram, 695 547, India.
Scientific reports
|June 28, 2024
概括
使用LiDAR数据的混合深度学习模型准确地预测了精准农业中的作物高度和冠状面积. 该框架提供了对植物生长的早期见解,有助于动态农场管理,准确度超过80%.
科学领域:
- 农业科学 农业科学
- 遥感 遥感 遥感 遥感
- 深度学习 (Deep Learning) 是一种深度学习.
背景情况:
- 精准农业越来越多地使用遥感来详细监测作物.
- 立达点云数据使作物结构参数的建模成为可能.
- 早期预测作物生长有助于动态的农业管理.
研究的目的:
- 开发和应用一个深度学习框架来预测植物级作物高度和冠面积.
- 评估框架在蔬菜作物的不同生长阶段的表现.
主要方法:
- 使用地面激光扫描仪获取LiDAR点云,用于番茄,茄子和卷心菜.
- 实施混合深度学习框架,结合长期短期记忆 (LSTM) 和门式循环单元 (GRU) 模型.
- 根据地面真相测量对预测的验证.
主要成果:
- 混合深度学习模型在预测工厂级结构参数方面达到约80%的准确性.
- 高度预测的错误率在5-12%之间,与单个LSTM/GRU模型相比,冠面积预测得到了改进.
- 该模型有效地捕获了时间增长模式,尽管预测质量在收获附近下降.
结论:
- 深度学习,特别是混合LSTM-GRU方法,显示了精准农业应用的巨大潜力.
- 激光雷达数据与深度学习相结合,能够对植物层面的作物结构和生长进行强有力的描述.
- 开发的框架使作物参数的早期预测成为可能,支持知情的农业决策.
