应用多式数据融合和可解释的人工智能来分类甜中的水应力

科学领域:

• 农业科学 农业科学
• 计算机科学 计算机科学
• 遥感 遥感 遥感 遥感

背景情况:

• 甜 (Ipomoea batatas L.) 在全球范围内具有重要意义,但易受气候变化和水压的影响,影响产量和质量.
• 异常的气候事件需要先进的监测和管理策略来种植甜.

研究的目的:

• 开发和评估机器学习 (ML) 和深度学习 (DL) 模型,用于对甜的水应激水平进行分类.
• 加强水应力分类在开放场地条件下的实际应用,以实现智能农业.

主要方法:

• 利用来自低海拔平台的RGB热图像和增长指标来训练视觉变压器-卷积神经网络 (ViT-CNN) 模型.
• 将K-最近邻居 (KNN) 与其他ML模型进行比较,并将DL分类从5级简化到3级.
• 集成的梯度加权类激活映射 (Grad-CAM) 和可解释的人工智能 (XAI) 具有图形用户界面 (GUI).

主要成果:

• K-最近邻居 (KNN) 模型在所有生长阶段对水压力进行分类时表现出了卓越的表现.
• 通过将DL模型简化为三个压力级别,提高了对极端条件的敏感性和整体性能.
• 新定义的环境变量增强了作物水压力指数 (CWSI),用于实际的开放场应用.

结论:

• 开发的ViT-CNN模型,特别是KNN,为甜水压力分类提供了有效的工具.
• 集成的XAI系统支持用于农业管理的直观解释和决策.
• 未来对在线和固定摄像机平台的扩展将扩大各种作物智能农业的适用性.