Redes neuronales de memoria a corto y largo plazo con mecanismo de atención para la estimación temprana del rendimiento de arroz en el condado de Qian Gorlos, noreste de China
Autores: Li, Jian; Xie, Yichen; Liu, Lushi; Song, Kaishan; Zhu, Bingxue
Idioma: Inglés
Editor: MDPI
Año: 2025
Acceso abierto
Artículo científico
2025
Redes neuronales de memoria a corto y largo plazo con mecanismo de atención para la estimación temprana del rendimiento de arroz en el condado de Qian Gorlos, noreste de China
Categoría
Ciencias Agrícolas y Biológicas
Subcategoría
Ciencias Agrícolas y Biológicas Generales
Palabras clave
Arroz
Estimación de rendimiento
Marco de aprendizaje profundo
Variables de características de series temporales
Noreste de China
ALSTM
Licencia
CC BY-SA – Atribución – Compartir Igual
Consultas: 21
Citaciones: Sin citaciones
El arroz es uno de los cultivos alimentarios más extensamente cultivados en el noreste de China. La estimación de rendimiento de arroz antes de la cosecha es importante para formular estrategias de manejo de campos con precisión y evaluar rápidamente la producción total de arroz. Esto se puede lograr utilizando un modelo a escala de píxeles, que estima el rendimiento del cultivo en función de la información de cada píxel. Los estudios previos predominantemente emplearon índices de teledetección, datos climáticos y estadísticas de rendimiento de arroz en períodos de crecimiento únicos o en todos los períodos de crecimiento para la estimación de rendimiento. Estos enfoques están limitados por un retraso en la estimación de rendimiento y son insuficientes en la exploración de variables de características de series temporales a escala de píxeles. Este estudio presenta el desarrollo de un nuevo marco de aprendizaje profundo diseñado para la estimación temprana del rendimiento de arroz en el condado de Qian Gorlos, noreste de China. El marco utiliza una red neuronal de memoria a corto y largo plazo integrada con un mecanismo de atención (ALSTM). En este marco, la etapa de encañado- etapa de maduración de la leche es la ventana de tiempo para la estimación temprana del rendimiento, y los índices de vegetación Normalized Difference Red Edge (NDRE), Green Chlorophyll Vegetation Index (GCVI) y Normalized Difference Water Index (NDWI) desde el trasplante de arroz hasta la etapa de maduración de la leche son variables de características de series temporales. La precisión de la estimación de rendimiento es R = 0.88, RMSE = 341.82 kg/ha, MAE = 280.29 kg/ha, superando a LASSO (R = 0.71, RMSE = 567.10 kg/ha, MAE = 487.38 kg/ha), RF (R = 0.79, RMSE = 506.70 kg/ha, MAE = 418.90 kg/ha) y LSTM (R = 0.83, RMSE = 451.11 kg/ha, MAE = 326.31 kg/ha). El ALSTM presentado en este documento demuestra su robustez después de ser generalizado a la temporada de crecimiento de 2022. Puede predecir el rendimiento de arroz del año en curso dos meses antes de la cosecha, proporcionando una referencia valiosa para desarrollar estrategias de manejo de campos para mejorar la productividad del arroz.
Descripción
El arroz es uno de los cultivos alimentarios más extensamente cultivados en el noreste de China. La estimación de rendimiento de arroz antes de la cosecha es importante para formular estrategias de manejo de campos con precisión y evaluar rápidamente la producción total de arroz. Esto se puede lograr utilizando un modelo a escala de píxeles, que estima el rendimiento del cultivo en función de la información de cada píxel. Los estudios previos predominantemente emplearon índices de teledetección, datos climáticos y estadísticas de rendimiento de arroz en períodos de crecimiento únicos o en todos los períodos de crecimiento para la estimación de rendimiento. Estos enfoques están limitados por un retraso en la estimación de rendimiento y son insuficientes en la exploración de variables de características de series temporales a escala de píxeles. Este estudio presenta el desarrollo de un nuevo marco de aprendizaje profundo diseñado para la estimación temprana del rendimiento de arroz en el condado de Qian Gorlos, noreste de China. El marco utiliza una red neuronal de memoria a corto y largo plazo integrada con un mecanismo de atención (ALSTM). En este marco, la etapa de encañado- etapa de maduración de la leche es la ventana de tiempo para la estimación temprana del rendimiento, y los índices de vegetación Normalized Difference Red Edge (NDRE), Green Chlorophyll Vegetation Index (GCVI) y Normalized Difference Water Index (NDWI) desde el trasplante de arroz hasta la etapa de maduración de la leche son variables de características de series temporales. La precisión de la estimación de rendimiento es R = 0.88, RMSE = 341.82 kg/ha, MAE = 280.29 kg/ha, superando a LASSO (R = 0.71, RMSE = 567.10 kg/ha, MAE = 487.38 kg/ha), RF (R = 0.79, RMSE = 506.70 kg/ha, MAE = 418.90 kg/ha) y LSTM (R = 0.83, RMSE = 451.11 kg/ha, MAE = 326.31 kg/ha). El ALSTM presentado en este documento demuestra su robustez después de ser generalizado a la temporada de crecimiento de 2022. Puede predecir el rendimiento de arroz del año en curso dos meses antes de la cosecha, proporcionando una referencia valiosa para desarrollar estrategias de manejo de campos para mejorar la productividad del arroz.