研究图像时间序列观测对花菜收获准备期预测的贡献
Jana Kierdorf1, Timo Tjarden Stomberg1, Lukas Drees1
1Remote Sensing Group, Institute of Geodesy and Geoinformation, University of Bonn, Bonn, Germany.
Frontiers in artificial intelligence
|October 3, 2024
概括
精确的花菜收获时间是至关重要的. 使用选定的图像时间点进行植物表型化可以提高预测的准确性,减少收集数据的需要,以更好地管理作物.
科学领域:
- 农业科学 农业科学
- 计算机视觉 计算机视觉
- 机器学习 机器学习
背景情况:
- 在花种植中,准确的收获时间对于销售质量控制至关重要.
- 使用时间序列数据进行植物表型化,与单个观测相比,可以提供更好的收获预测.
- 资源密集型的每日/每周数据采集需要战略性选择观察日.
研究的目的:
- 确定最佳的数据采集日和发展阶段,以改进花菜收获准备期预测模型.
- 为在作物管理中有效的未来数据采集规划提供洞察力.
- 为了减少数据收集所需的资源,同时保持预测准确性.
主要方法:
- 分析GrowliFlower数据集的花菜图像时间序列.
- 使用调整后的ResNet18分类模型,对日期信息进行位置编码.
- 使用GroupSHAP可解释的机器学习方法来分析时间点贡献.
主要成果:
- 图像时间序列数据在单个时间点上提高了4%的预测准确性.
- GroupSHAP确定了关键时间点,这些关键时间点显著提高了模型准确性.
- 选择七个最佳时间点,而不是全部11个,精度增加了4%至89.3%.
结论:
- 数据采集时间点的战略选择提高了花菜收获预测的准确性.
- 像GroupSHAP这样的可解释的人工智能方法对于优化数据收集策略是有价值的.
- 通过智能时间点选择减少数据收集,可以在农业中节省大量资源.
