CN116030345A - 基于机器学习模型的叶龄预测方法 - Google Patents
基于机器学习模型的叶龄预测方法 Download PDFInfo
- Publication number
- CN116030345A CN116030345A CN202211731181.6A CN202211731181A CN116030345A CN 116030345 A CN116030345 A CN 116030345A CN 202211731181 A CN202211731181 A CN 202211731181A CN 116030345 A CN116030345 A CN 116030345A
- Authority
- CN
- China
- Prior art keywords
- model
- leaf age
- lightgbm
- machine learning
- catboost
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
- 238000000034 method Methods 0.000 title claims abstract description 32
- 238000010801 machine learning Methods 0.000 title claims abstract description 18
- 238000012549 training Methods 0.000 claims abstract description 30
- 238000012795 verification Methods 0.000 claims abstract description 22
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 15
- 238000012360 testing method Methods 0.000 claims abstract description 14
- 238000005070 sampling Methods 0.000 claims abstract description 7
- 238000012935 Averaging Methods 0.000 claims abstract description 5
- 238000011160 research Methods 0.000 claims abstract description 5
- 238000012545 processing Methods 0.000 claims abstract description 4
- 238000011156 evaluation Methods 0.000 claims description 9
- 238000004364 calculation method Methods 0.000 claims description 8
- 230000007613 environmental effect Effects 0.000 claims description 5
- 239000002689 soil Substances 0.000 claims description 4
- 230000005068 transpiration Effects 0.000 claims description 4
- 238000003066 decision tree Methods 0.000 claims description 3
- 230000008020 evaporation Effects 0.000 claims description 3
- 238000001704 evaporation Methods 0.000 claims description 3
- 230000003750 conditioning effect Effects 0.000 claims description 2
- 208000027066 STING-associated vasculopathy with onset in infancy Diseases 0.000 claims 1
- 239000000463 material Substances 0.000 abstract description 3
- 241000209094 Oryza Species 0.000 description 23
- 235000007164 Oryza sativa Nutrition 0.000 description 23
- 235000009566 rice Nutrition 0.000 description 23
- 238000001514 detection method Methods 0.000 description 3
- 238000012544 monitoring process Methods 0.000 description 3
- 230000008569 process Effects 0.000 description 3
- 238000012271 agricultural production Methods 0.000 description 2
- 238000004458 analytical method Methods 0.000 description 2
- 239000002131 composite material Substances 0.000 description 2
- 238000011161 development Methods 0.000 description 2
- 238000005315 distribution function Methods 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 238000001228 spectrum Methods 0.000 description 2
- 239000002352 surface water Substances 0.000 description 2
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 2
- 230000002159 abnormal effect Effects 0.000 description 1
- 238000009825 accumulation Methods 0.000 description 1
- 230000009471 action Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000008901 benefit Effects 0.000 description 1
- 230000002457 bidirectional effect Effects 0.000 description 1
- 235000013339 cereals Nutrition 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 230000004069 differentiation Effects 0.000 description 1
- 239000003337 fertilizer Substances 0.000 description 1
- 230000004907 flux Effects 0.000 description 1
- 230000036541 health Effects 0.000 description 1
- 230000005802 health problem Effects 0.000 description 1
- 238000011065 in-situ storage Methods 0.000 description 1
- 238000002329 infrared spectrum Methods 0.000 description 1
- 238000011835 investigation Methods 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 210000000056 organ Anatomy 0.000 description 1
- 230000001105 regulatory effect Effects 0.000 description 1
- 230000004044 response Effects 0.000 description 1
- 238000004088 simulation Methods 0.000 description 1
- 238000009331 sowing Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
Images
Landscapes
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开了一种基于机器学习模型的叶龄预测方法，包括如下步骤：测量获取研究区作物的叶龄数据、遥感影像数据，并对遥感影像数据进行处理，将处理后的遥感影像数据以及叶龄数据划分为训练集、验证集和测试集；构建用于预测作物叶龄的LightGBM模型和CatBoost模型，并采样训练集、验证集和测试集对上述模型的参数进行率定验证，优选出精度最高的模型参数作为优化后的LightGBM模型和CatBoost模型的模型参数；采用贝叶斯模型平均算法BMA将优化后的LightGBM模型和CatBoost模型进行融合，并采用融合后的模型预测叶龄。本发明省去了繁复的人工抽样，通过获取的遥感影像数据就可以得到作物的叶龄数据，大大节省了人力物力。
Description
技术领域
本发明属于农业的技术领域，具体涉及一种基于机器学习模型的叶龄预测方法。
背景技术
水稻是中国主要的粮食作物，其种植区域广、品种类型多。水稻品种生育期受种植地温度和日照长度的影响，同一品种在不同地区和季节种植生育期变化较大，因此，不同地区引种要根据品种的光温反应特性和当地的日长和温度确定。水稻叶片与茎、根系的生长和穗发育存在以水稻叶片为指标的器官同伸关系。水稻栽培中提出叶龄模式，按主茎总叶龄(N)和伸长节间数将品种进行归类，确定有效分蘖临界期、拔节叶龄期和穗分化叶龄期等关键叶龄期的规律，为水稻肥水管理、群体调控提供叶龄指标。水稻主茎叶片数在不同水稻种植地区和种植季节差异很大，同一地区水稻播期推移也会减少水稻总叶片数。叶龄是品种特性，受温度和日长等环境因素的影响。环境因素对水稻叶龄影响的研究结果表明，温度升高会提高水稻的出叶速率，有效积温和主茎叶片数具有显著的正相关关系。
伴随着“3S”集成应用技术、高分辨率卫星资料和大数据计算技术等的快速发展，农作物长势遥感监测信息已成为指导农业生产不可或缺的重要信息。在实际农业生产活动中，为了作物产量的最大化，种植者必须对作物可能出现的健康状况进行实时监测并提前采取措施。在农田现场勘察虽然可以发现已经肉眼可见的问题，但当问题已经肉眼可见时，作物可能已经受到严重损害。而通过利用卫星图像的多光谱分析，种植者可以在作物健康问题变得明显可见之前就监测到对应变化，从而能有更多的时间来解决即将出现的问题，更好地管理农田，达到最佳的经济效益。
目前，国内水稻种植生产实践中叶龄检测大多采用的是抽样检测法，这种人工操作方式在面临大区域多时域检测时对人力物力的投入较大。因此，急需开发一种能够简便快捷地获取叶龄数据的方法。
发明内容
本发明的目的在于针对现有技术的不足之处，提供一种基于机器学习模型的叶龄预测方法，该方法无需繁琐地人力多时域观测，通过遥感影像数据即可方便快捷地获取作物叶龄数据。
为解决上述技术问题，本发明采用如下技术方案：
一种基于机器学习模型的叶龄预测方法，包括如下步骤：
步骤1，测量获取研究区作物的叶龄数据、遥感影像数据，并对遥感影像数据进行处理，将处理后的遥感影像数据以及叶龄数据划分为训练集、验证集和测试集；
步骤2，构建用于预测作物叶龄的LightGBM模型和CatBoost模型，采用训练集分别训练LightGBM模型和CatBoost模型的模型参数并在验证集上进行验证，最后采用测试集分别对验证后的LightGBM模型和CatBoost模型的模型参数进行精度评价，优选出精度最高的模型参数作为优化后的LightGBM模型和CatBoost模型的模型参数；
步骤3，采用贝叶斯模型平均算法BMA将优化后的LightGBM模型和CatBoost模型进行融合，并采用融合后的模型预测叶龄。
进一步地，采用抽样法在作物生长的多个时间点观测叶龄数据。
进一步地，步骤1中，对遥感影像数据进行处理计算获得植被指数、叶面积指数LAI以及作物蒸发蒸腾速率ET。
进一步地，植被指数包括差值环境植被指数DVI、地表水分指数LSWI、归一化植被指数NDVI、比值植被指数RVI、土壤调节植被指数SAVI和三角植被指数TVI。
进一步地，步骤2中，LightGBM模型的模型参数包括迭代次数、迭代学习率和是否选择使用随机树。
进一步地，根据是否选择使用随机树将LightGBM模型分为LightGBMXT模型和LightGBM模型，其中，LightGBMXT模型选择使用随机树，LightGBM模型不使用随机树。
进一步地，CatBoost模型的模型参数包括最大决策树数量和学习率。
进一步地，精度评价指标包括决定系数R2和均方根误差RMSE。
进一步地，步骤3具体方法为：
运用BMA算法计算各模型的后验概率，再依据后验概率等比例赋予各模型权重；
在叶龄预测时，将输入特征数据分别输入到各模型中对叶龄进行预测，依据BMA算法得到的权重对各模型的叶龄预测结果进行加权求和，得到最终的叶龄预测结果。
进一步地，后验概率的计算方法为：
式中，Ns为集成模型个数，R为各观测值的观测多次结果的均方根误差，y0为观测值，yk为模型预测值。
与现有技术相比，本发明的有益效果为：以往的叶龄监测选用的是人工实地采样，本发明省去了这一步骤，通过获取的遥感影像数据就可以得到作物的叶龄数据；这不仅可以将叶龄监测应用于更大尺度的范围，大大节省了人力物力，而且使用处理过的遥感数据也能保证预测结果的精度和数据时间序列的完整性。
附图说明
图1为本发明实施例基于机器学习模型的叶龄预测方法的流程图。
具体实施方式
下面将结合本发明实施例对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有作出创造性劳动的前提下所获得的所有其他实施例，都属于本发明保护的范围。
需要说明的是，在不冲突的情况下，本发明中的实施例及实施例中的特征可以相互组合。
下面结合具体实施例对本发明作进一步说明，但不作为本发明的限定。
如图1所示，本发明实施例公开了一种基于机器学习模型的叶龄预测方法，包括如下步骤：
步骤1，测量获取研究区作物的叶龄数据、遥感影像数据，并对遥感影像数据进行处理，将处理后的遥感影像数据以及叶龄数据划分为训练集、验证集和测试集；
在本实施例中，选取黑龙江省八五九农场、胜利农场、七星农场、勤得利农场、大兴农场、青龙山农场、前进农场、创业农场、红卫农场、前哨农场、前锋农场、洪河农场、鸭绿河农场、二道河农场和浓江农场，于6月5日至7月20日之间采用抽样法实地观测水稻叶龄数据，其中，每隔5天观测一次，观测的水稻类型可以根据总叶片数量分为11叶水稻和12叶水稻。
遥感影像数据包括MCD43A4 V6天底双向反射分布函数调整反射(NBAR)的源数据、MODIS的产品MOD15A2H V6.1数据集以及MOD16A2 V6数据集。在本实施例中，根据MCD43A4V6天底双向反射分布函数调整反射(NBAR)的源数据获得研究区的相关植被指数：差值环境植被指数(DVI)、地表水分指数(LSWI)、归一化植被指数(NDVI)、比值植被指数(RVI)、土壤调节植被指数(SAVI)和三角植被指数(TVI)，其中，上述植被指数的计算公式见表1。
表1植被指数计算公式表
其中，表1中NIR表示近红外光谱；R表示红色光谱；SWIR表示短波红外；L表示土壤调节系数，取值范围0～1；G表示绿色光谱。
选用MODIS的产品MOD15A2H V6.1是500m分辨率的8天复合数据集，根据其数据集提供的数据计算叶面积指数(LAI)。而作物蒸发蒸腾速率(ET)来源的则是MOD16A2 V6数据集，该数据集是一种8天复合产品，以500米像素分辨率生产。MOD16数据产品的算法基于Penman-Monteith方程，产品包括每日气象再分析数据以及MODIS遥感数据产品，如植被特性动态、反照率和土地覆盖。利用遥感和全球气象数据的结合，采用基于彭曼-蒙蒂斯方法，计算ET，并剔除了表面温度计算，得到ET的计算公式：
式中：
饱和水汽压-温度曲线的斜率；A′为在地表感热和潜热流量之间划分的可用能量；VPD为蒸汽压差；ra为气动阻力；rs为地表对空气的阻力；γ为湿度常数。MOD16 ET算法基于上式。
将不同农场对应不同时间的水稻叶龄、日序数、积温、作物蒸腾量(ET)、叶面积指数(LAI)和各遥感植被特征指数整理成表格的形式。将信息残缺或数据大小异常的行数据去除，只保留必要信息完善的行数据。以其中的八五三农场的示例数据进行展示说明，见表2所示。
表2为八五三农场数据示例表
本实施例水稻叶龄预测的输入数据组合为日序数、积温和遥感产品信息，遥感产品信息包括DOY、AcTem、LAI、ET、DVI、LSWI、NDVI、RVI、SAVI、TVI。将整理好的输入数据集按照6:1:3的比例随机划分为训练集，验证集和测试集，分别用于模型参数的率定、模型超参数的选择以及精度的评定。
步骤2，构建用于预测作物叶龄的LightGBM模型和CatBoost模型，采用训练集分别训练LightGBM模型和CatBoost模型的模型参数并在验证集上进行验证，最后采用测试集分别对验证后的LightGBM模型和CatBoost模型的模型参数进行精度评价，优选出精度最高的模型参数作为优化后的LightGBM模型和CatBoost模型的模型参数；
构建用于预测叶龄的LightGBM模型，该模型的整体框架采用Boosting算法框架，该LightGBM模型的输入为日序数、积温和遥感产品信息的特征数据，输出为叶龄。为了使得LightGBM模型的预测精度更高，需要对LightGBM模型的超参数进行训练验证，在本实施例中选取比较重要的超参数进行训练验证，上述超参数包括迭代次数(num_boost_round)、迭代学习率(lr)和是否选择使用随机树(extra-tree)。迭代次数和迭代学习率会影响迭代速度和模型迭代时间，选择使用随机树可以降低模型出现过拟合的可能性。其中，根据是否选择使用随机树将LightGBM模型分为LightGBMXT模型(使用随机数)和LightGBM模型(不使用随机数)，本实施例中LightGBMXT模型和LightGBM模型优选出最优的超参数的方法为：
(1)设定超参数初始值，选取num_boost_round为100，lr为0.5，extra-tree选取False，依据超参数构建模型框架，并初始化模型待训练超参数；
(2)在模型的训练过程中，将训练集中日序数和日序数、积温和遥感产品信息等特征数据作为输入数据，实测平均叶龄作为标签值；
(3)将验证集中的日序数和日序数、积温和遥感产品信息等特征数据输入到训练好的模型中且输出预测叶龄，并与验证集的标签值评价其精度，变换超参数取值，num_boost_round取50-500，lr取0.01-1，extra-tree选择True和False，改变超参数取值组成新的超参数组合构建新的模型结构，在本实施例中按照随机生成组合的方式得到50组，将新构建的模型框架代入训练集训练并用验证集评价，找到精度最高的超参数组合；
(4)将精度最高的超参数组合应用于模型构建并使用训练集数据进行训练拟合，将测试集中的日序数和日序数、积温和遥感产品信息等特征数据导入模型中输出预测结果，并结合测试集中的标签值进行精度评价。其中，精度评价指标包括决定系数(R2)和均方根误差(RMSE)，计算公式分别如下：
式中，yi、
和
分别为样本的真实值、预测值以及平均值，n为样本个数。R2值越大说明模型拟合效果越好，而RMSE的值越小，则说明模型预测的准确度越高。
在本实施例中，经过上述步骤，最终训练验证得到的LightGBMXT模型的超参数及其取值见表3，LightGBM模型的超参数及其取值见表4。
表3为LightGBMXT模型的超参数
表4为LightGBM模型的超参数及其取值
本实施例还构建用于预测叶龄的CatBoost模型，该CatBoost模型采用Boosting算法框架，其输入为日序数、积温和遥感产品信息的特征数据，输出为叶龄。为了使得CatBoost模型的预测精度更高，需要对CatBoost模型的超参数进行训练验证，在本实施例中选择比较重要的超参数包括最大决策树数量(n_estimators)和学习率(learning_rate)进行训练验证。由于CatBoost模型可以判断当接近过拟合的时候更早的停止训练，具有较好的鲁棒性，故不考虑更多超参数。Catboost模型训练验证的过程为：
(1)设定超参数初始值，选取n_estimators为100，learning_rate为0.5，依据超参数构建CatBoost模型框架，并初始化模型待训练参数；
(2)在模型的训练过程中，将训练集中日序数和日序数、积温和遥感产品信息等特征数据作为输入数据，实测平均叶龄作为标签值。
(3)将验证集的输入特征数据输入到训练好的Catboost模型中以输出预测叶龄，并与验证集的标签值评价其精度，变换超参数取值，n_estimators取10-1000，learning_rate取0.01-1；改变超参数取值组成新的超参数组合带入训练集中重新计算，这里按照随机生成组合的方式得到50组，并找到精度最高的超参数变量组合；
(4)将精度最高的超参数组合应用于CatBoost模型中并使用训练集数据进行训练拟合，并将测试集的输入特征数据导入CatBoost模型中输出预测结果，并结合测试集中的标签值进行精度评价。其中，精度评价指标包括决定系数(R2)和均方根误差(RMSE)。
在本实施例中，使用日序数、积温、LAI、ET、DVI、LSWI、NDVI、RVI、SAVI和TVI变量组合作为上述模型的输入数据，分别输入到优化后的LightGBMXT模型、LightGBM模型和CatBoost模型中预测叶龄，并将叶龄的预测结果与实测结果进行对比，得到LightGBMXT模型模拟叶龄的R2为0.9633、RMSE为0.1454；LightGBM模型模拟叶龄的R2为0.9642、RMSE为0.1418；CatBoost模型模拟叶龄的R2为0.9640、RMSE为0.1427，由此可见上述三种模型对叶龄均具有较高的模拟精度。
步骤3，采用贝叶斯模型平均算法BMA将优化后的LightGBM模型和CatBoost模型进行融合，并采用融合后的模型预测叶龄；
本实施例中，运用采用贝叶斯模型平均算法BMA将优化后的的LightGBMXT模型、LightGBM模型和CatBoost模型进行融合，再采用融合后的模型预测水稻叶龄，具体地：
运用BMA算法计算LightGBMXT模型、LightGBM模型和CatBoost模型的后验概率，然后依据后验概率等比例赋予各模型权重，其中，后验概率的计算方法为：
式中，Ns为集成模型个数，R为各观测值的观测多次结果的均方根误差，y0为观测值，yk为模型预测值；
在叶龄预测时，将日序数和日序数、积温和遥感产品信息等特征数据分别输入到LightGBMXT模型、LightGBM模型和CatBoost模型中对叶龄进行预测，之后依据BMA算法得到的权重对各模型的叶龄预测结果进行加权求和，最后得到最终的叶龄预测结果。
在本实施例中，采用上述融合后的模型模拟叶龄的R2为0.9663、RMSE为0.1411，相对于上述三种模型单独预测精度有所提高。综上，采用日序数、积温、LAI、ET、DVI、LSWI、NDVI、RVI、SAVI和TVI为输入变量，利用BMA方法融合LightGBMXT、LightGBM和CatBoost，能够高精度预测水稻叶龄。
以上仅为本发明较佳的实施例，并非因此限制本发明的实施方式及保护范围，对于本领域技术人员而言，应当能够意识到凡运用本发明说明书内容所作出的等同替换和显而易见的变化所得到的方案，均应当包含在本发明的保护范围内。
Claims (10)
1.一种基于机器学习模型的叶龄预测方法，其特征在于，包括如下步骤：
步骤1，测量获取研究区作物的叶龄数据、遥感影像数据，并对遥感影像数据进行处理，将处理后的遥感影像数据以及叶龄数据划分为训练集、验证集和测试集；
步骤2，构建用于预测作物叶龄的LightGBM模型和CatBoost模型，采用训练集分别训练LightGBM模型和CatBoost模型的模型参数并在验证集上进行验证，最后采用测试集分别对验证后的LightGBM模型和CatBoost模型的模型参数进行精度评价，优选出精度最高的模型参数作为优化后的LightGBM模型和CatBoost模型的模型参数；
步骤3，采用贝叶斯模型平均算法BMA将优化后的LightGBM模型和CatBoost模型进行融合，并采用融合后的模型预测叶龄。
2.根据权利要求1所述的基于机器学习模型的叶龄预测方法，其特征在于，采用抽样法在作物生长的多个时间点观测叶龄数据。
3.根据权利要求1所述的基于机器学习模型的叶龄预测方法，其特征在于，步骤1中，对遥感影像数据进行处理计算获得植被指数、叶面积指数LAI以及作物蒸发蒸腾速率ET。
4.根据权利要求3所述的基于机器学习模型的叶龄预测方法，其特征在于，植被指数包括差值环境植被指数DVI、地表水分指数LSWI、归一化植被指数NDVI、比值植被指数RVI、土壤调节植被指数SAVI和三角植被指数TVI。
5.根据权利要求1所述的基于机器学习模型的叶龄预测方法，其特征在于，步骤2中，LightGBM模型的模型参数包括迭代次数、迭代学习率和是否选择使用随机树。
6.根据权利要求5所述的基于机器学习模型的叶龄预测方法，其特征在于，根据是否选择使用随机树将LightGBM模型分为LightGBMXT模型和LightGBM模型，其中，LightGBMXT模型选择使用随机树，LightGBM模型不使用随机树。
7.根据权利要求1所述的基于机器学习模型的叶龄预测方法，其特征在于，CatBoost模型的模型参数包括最大决策树数量和学习率。
8.根据权利要求1所述的基于机器学习模型的叶龄预测方法，其特征在于，精度评价指标包括决定系数R2和均方根误差RMSE。
9.根据权利要求1所述的基于机器学习模型的叶龄预测方法，其特征在于，步骤3具体方法为：
运用BMA算法计算各模型的后验概率，再依据后验概率等比例赋予各模型权重；
在叶龄预测时，将输入特征数据分别输入到各模型中对叶龄进行预测，依据BMA算法得到的权重对各模型的叶龄预测结果进行加权求和，得到最终的叶龄预测结果。
10.根据权利要求9所述的基于机器学习模型的叶龄预测方法，其特征在于，后验概率的计算方法为：
式中，Ns为集成模型个数，R为各观测值的观测多次结果的均方根误差，y0为观测值，yk为模型预测值。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202211731181.6A CN116030345A (zh) | 2022-12-30 | 2022-12-30 | 基于机器学习模型的叶龄预测方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202211731181.6A CN116030345A (zh) | 2022-12-30 | 2022-12-30 | 基于机器学习模型的叶龄预测方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN116030345A true CN116030345A (zh) | 2023-04-28 |
Family
ID=86073626
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202211731181.6A Pending CN116030345A (zh) | 2022-12-30 | 2022-12-30 | 基于机器学习模型的叶龄预测方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN116030345A (zh) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN116310844A (zh) * | 2023-05-18 | 2023-06-23 | 四川凯普顿信息技术股份有限公司 | 一种农业作物生长监测系统 |
-
2022
- 2022-12-30 CN CN202211731181.6A patent/CN116030345A/zh active Pending
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN116310844A (zh) * | 2023-05-18 | 2023-06-23 | 四川凯普顿信息技术股份有限公司 | 一种农业作物生长监测系统 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Huang et al. | Improving winter wheat yield estimation by assimilation of the leaf area index from Landsat TM and MODIS data into the WOFOST model | |
| Li et al. | Estimating genetic parameters of DSSAT-CERES model with the GLUE method for winter wheat (Triticum aestivum L.) production | |
| CN106372592B (zh) | 一种基于冬小麦面积指数的冬小麦种植面积计算方法 | |
| Tatsumi et al. | Prediction of plant-level tomato biomass and yield using machine learning with unmanned aerial vehicle imagery | |
| Luo et al. | Nondestructive estimation of potato yield using relative variables derived from multi-period LAI and hyperspectral data based on weighted growth stage | |
| Bannayan et al. | A stochastic modelling approach for real-time forecasting of winter wheat yield | |
| Zhuo et al. | Assimilating remote sensing-based VPM GPP into the WOFOST model for improving regional winter wheat yield estimation | |
| Corrales et al. | A surrogate model based on feature selection techniques and regression learners to improve soybean yield prediction in southern France | |
| Adnan et al. | CERES-Maize model for simulating genotype-by-environment interaction of maize and its stability in the dry and wet savannas of Nigeria | |
| Zhan et al. | Two for one: Partitioning CO2 fluxes and understanding the relationship between solar-induced chlorophyll fluorescence and gross primary productivity using machine learning | |
| Wang et al. | Evaluating model-based strategies for in-season nitrogen management of maize using weather data fusion | |
| Daniel et al. | A survey of artificial neural network-based modeling in agroecology | |
| Ghamghami et al. | Comparison of data mining and GDD-based models in discrimination of maize phenology | |
| Bregaglio et al. | Improving crop yield prediction accuracy by embedding phenological heterogeneity into model parameter sets | |
| CN116030345A (zh) | 基于机器学习模型的叶龄预测方法 | |
| Shi et al. | Yield estimation of Lycium barbarum L. based on the WOFOST model | |
| Chen et al. | A novel framework to assess apple leaf nitrogen content: Fusion of hyperspectral reflectance and phenology information through deep learning | |
| Adeboye et al. | Evaluation of AccuPAR LP 80 in estimating leaf area index of soybeans canopy in Ile-Ife, Nigeria | |
| de Lima Silva et al. | AI-Based Prediction of Carrot Yield and Quality on Tropical Agriculture | |
| Liu et al. | A method for estimating yield of maize inbred lines by assimilating WOFOST model with Sentinel-2 satellite data | |
| Jamali et al. | Development of machine learning models for estimating wheat biophysical variables using satellite-based vegetation indices | |
| Chen et al. | Weather records from recent years performed better than analogue years when merging with real-time weather measurements for dynamic within-season predictions of rainfed maize yield | |
| Casaroli et al. | Using crop models, a decline factor, and a “multi-model” approach to estimate sugarcane yield compared to on-farm data | |
| Wang et al. | Sensitivity analysis of simulated Lycium barbarum L. yield in the WOFOST model under different climate conditions | |
| Kirui et al. | Calibration and parameterization of APSIM-wheat using earth observation data for wheat simulation in Kenya |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| PB01 | Publication | ||
| PB01 | Publication | ||
| SE01 | Entry into force of request for substantive examination | ||
| SE01 | Entry into force of request for substantive examination |