基于多模态数据表型特征提取的番茄生长高度预测方法(英文)

文献类型： 中文期刊

第一作者： 宫宇

作者： 宫宇;王玲;赵荣强;尤海波;周沫;刘劼

作者机构：

关键词： 番茄生长预测;深度学习;表型特征提取;多模态数据;递归神经网络;长短期记忆网络;大语言模型

期刊名称： 智慧农业(中英文)

ISSN： 2096-8094

年卷期： 2025 年 7 卷 001 期

页码： 97-110

摘要： [目的/意义]准确预测番茄的生长高度对优化智能农业中的生产环境至关重要。然而，目前的预测方法大多依赖于经验模型、机制模型或基于学习的模型，这些模型主要利用图像数据或环境数据，未能充分利用多模态数据，无法全面捕捉植物生长的各个方面。[方法]为了解决这一限制，本研究提出了一种基于深度学习算法的两阶段表型特征提取（Phenotypic Feature Extraction, PFE）模型，该模型结合了番茄植物的环境信息和植物本身的信息，提供了对生长过程的全面理解。PFE模型采用表型特征和时间特征提取器，综合捕捉两类特征，从而深入理解番茄植物与环境之间的相互作用，最终实现对生长高度的高精度预测。[结果和讨论]实验结果表明，该模型具有显著效果：在基于过去五天数据预测接下来的两天时，PFE-RNN (Phenotypic Feature Extraction with Recurrent Neural Network)模型和PFE-LSTM (Phenotypic Feature Extraction with Long Short-Term Memory)模型的平均绝对百分比误差（Mean Absolute Percentage Error, MAPE）分别为0.81%和0.40%，显著低于大语言模型（Large language model, LLM）模型的8.00%和基于Transformer的模型的6.72%。在较长期预测中，PFE-RNN模型在10天预测4天后和30天预测12天后的表现持续优于其他两个基准模型，MAPE分别为2.66%和14.05%。[结论]所提出的基于表型-时间协同的预测方法展示了其在智能化、数据驱动的番茄种植管理中的巨大潜力，是提升智能番茄种植管理效率和精准度的一种有前景的方法。

分类号： TP18%S641.2

  • 相关文献

[1]深度学习在农业领域的研究与应用. 梁美静,毛克彪,郭中华,袁紫晋. 2024

[2]GPT技术驱动的农业发展范式研究与展望. 李灯华,李干琼,许世卫,陈威. 2023

[3]基于无人机和遥感技术的蔬菜表型信息采集与监测研究. 班甜甜,蔡家斌,马超,陈跃威. 2024

[4]基于LSTM神经网络的肉牛动态称重算法研究. 马聪,李锋,张建华,陈学东,张学俭,朱丹. 2020

[5]基于小波包去噪和深度学习的电力行业碳排放预测模型研究. 曾一鸣,曹姗姗,孔繁涛,古丽米拉·克孜尔别克. 2024

[6]基于GWO-LSTM的设施蔬菜温室温度预测. 毛晓娟,鲍彤,荀广连,李德翠,王宝佳,任妮. 2023

[7]基于多模态融合大模型架构Agri-QA Net的作物知识问答系统. 吴华瑞,赵春江,李静晨. 2025

[8]基于大语言模型的个性化作物水肥管理智能决策方法. 吴华瑞,李静晨,杨雨森. 2025

[9]农业垂直领域大语言模型构建流程和技术展望. 张宇芹,朱景全,董薇,李富忠,郭雷风. 2024

[10]基于大语言模型的智能问答系统研究综述. 任海玉,刘建平,王健,顾勋勋,陈曦,张越,赵昌顼. 2025

[11]基于大语言模型推理的数字孪生平台蔬菜作物生长模型研究. 赵春江,李静晨,吴华瑞,杨雨森. 2024

[12]基于大语言模型的《中国小麦品种志》信息提取. 韦一金,陈彦清,王秀东,樊景超. 2025

[13]大语言模型在蛋白质设计中的应用综述. 张锦雄,孟雪莉,陈燕,韦松键,吕丽兰,胡小春. 2024

[14]深度学习方法在农业领域的研究及应用. 马聪,张建华,陈学东,朱丹. 2020

[15]基于深度卷积神经网络的红树林物种无人机监测研究. 黄亦其,刘琪,赵建晔,黄文善,孙中宇,乔曦. 2020

[16]基于卷积神经网络的农机图像自动识别研究. 雷雪梅,张光强,姚旗,刘伟渭,邱帅. 2022

[17]基于迁移学习和金字塔卷积网络的河蟹个体图像识别方法研究. 冯裕清,杨信廷,徐大明,罗娜,陈枫,孙传恒. 2022

[18]基于词向量的检索扩展方法与农业领域实证. 吴蕾,梁晓贺,乌吉斯古楞,王瑞. 2019

[19]基于神经网络的文献主题国别标引方法研究. 王新. 2019

[20]基于无人机遥感的盛花期薇甘菊爆发点识别与监测. 孙中宇,荆文龙,乔曦,杨龙. 2019

作者其他论文 更多>>

微信小程序