期刊文献+
任意字段
题名或关键词
题名
关键词
文摘
作者
第一作者
机构
刊名
分类号
参考文献
作者简介
基金资助
栏目信息
共找到1篇文章
< 1 >
每页显示 20 50 100
已选择0条
导出题录 引用分析
参考文献
引证文献
 统计分析
检索结果
已选文献
显示方式：
基于CNN-RNN网络的中国冬小麦估产 被引量：8
1
作者 赫晓慧 罗浩田 +2 位作者 乔梦佳 田智慧 周广胜 《农业工程学报》 EI CAS CSCD 北大核心 2021年第17期124-132,共9页
在大范围内快速、准确地预估作物产量,对作物管理、粮食安全、粮食贸易和决策有重要意义。遥感为大规模作物估产提供了便利,大多数研究者结合深度学习和遥感影像取得了较好的结果。然而,农作物生长状态随时间变化,其产量具有非线性时空... 在大范围内快速、准确地预估作物产量,对作物管理、粮食安全、粮食贸易和决策有重要意义。遥感为大规模作物估产提供了便利,大多数研究者结合深度学习和遥感影像取得了较好的结果。然而,农作物生长状态随时间变化,其产量具有非线性时空特征,单一的深度学习方法无法充分利用影像信息。因此,该研究提出了一种基于卷积神经网络(Convolutional Neural Networks,CNN)和门控循环单元(Gated Recurrent Unit,GRU)混合神经网络估产模型(CNN-GRU),利用CNN从多光谱遥感影像中提取丰富的空间-光谱特征,在此基础上,结合GRU从多时相遥感影像中自适应学习冬小麦生育期各阶段之间的时间依赖,从多尺度融合冬小麦的生长特征并对其产量进行回归预测。该研究以全国冬小麦主产区为研究区,选取2001—2018年MODIS影像和冬小麦产量数据,构建了冬小麦估产数据集,并验证了CNN-GRU估产模型的性能。结果表明:1)以2016—2018年估产样本作为测试集,CNN-GRU估产模型的均方根误差(Root Mean Square Error,RMSE)年平均值为818.3 kg/hm^(2),相较于CNN、GRU、支持向量回归(Support Vector Regression,SVR)、随机森林(Random Forest,RF)和决策树(Decision Tree,DT)模型分别降低了20.13%、18.81%、29.51%、34.84%和36.57%;2)将冬小麦整个生育期划分为6个时间窗,CNN-GRU估产模型在灌浆-成熟期时精度最高,RMSE为817 kg/hm^(2),而抽穗-开花期的RMSE为823 kg/hm^(2),相较于灌浆-成熟期低0.7%。因此,该估产模型有能力提前2个月预测全国冬小麦主产区产量。 展开更多
关键词 产量 模型 卷积神经网络 循环神经网络 冬小麦 预测 多时相遥感影像
下载PDF
已选择0条
导出题录 引用分析
参考文献
引证文献
 统计分析
检索结果
已选文献
上一页 1 下一页 到第 页
使用帮助 返回顶部