文献类型： 中文期刊

作者： 宫宇 ¹ ; 王玲 ¹ ; 赵荣强 ¹ ; 尤海波 ² ; 周沫 ² ; 刘劼 ¹ ;

作者机构： 1.哈尔滨工业大学计算机科学与技术学院

2.黑龙江省农业科学院园艺分院

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。