基于机器学习、深度学习和遥感数据的水稻分蘖茎数和叶龄预测研究OA

为了解决当前水稻分蘖茎数和叶龄模拟研究薄弱的问题,本研究借助机器学习、深度学习技术与遥感数据,实现对水稻生长状态的精准模拟,进而支撑农田科学管理与作物产量提升。以黑龙江省双鸭山市和佳木斯市15个农场的344块水稻大田试验观测数据和遥感植被指数数据为基础,全面评估了随机森林(Random Forest,RF)、极致梯度提升树(eXtreme Gradient Boosting,XGBoost)、长短期记忆网络(Long Short-Term Memory,LSTM)以及深度神经网络(Deep Neural Network,DNN)四种算法对水稻分蘖茎数和叶龄的模拟精度。结果显示,基于四种算法构建的预测模型都可以为水稻分蘖茎数和叶龄生长预测提供工具支持,但不同模型的模拟精度存在差异,树状结构模型(XGBoost和RF)的模拟精度较高,而神经网络结构模型(LSTM和DNN)的模拟精度相对较低。综上,本研究推荐使用XGBoost和RF模型模拟东北地区水稻分蘖茎数和叶龄的生长变化规律。