基于深度遥感与双分支解耦的园艺作物生长异常和安全风险协同感知方法

《Horticulturae》:Dual-Branch Deep Remote Sensing for Growth Anomaly and Risk Perception in Smart Horticultural Systems Yan Bai, Ceteng Fu, Shen Liu, Xichen Wang, Jibo Fan, Yuecheng Li and Yihong Song

【字体: 大 中 小 】 时间:2026年04月09日 来源:Horticulturae 3

编辑推荐:

  为了解决现有园艺遥感监测方法在弱异常识别、风险区分和复杂时空扰动建模上的不足,本文提出了一种创新的双分支深度遥感框架。该研究构建了生长状态建模分支与异常感知分支,通过能量联合判别模块,实现了从生长异常检测到安全风险评估的集成分析。在跨区域、多作物的数据集上,该方法在异常检测和风险识别双任务中取得了约0.91的准确率和0.88的F1分数,显著优于传统阈值法、支持向量机、随机森林、自编码器、ConvLSTM及时序Transformer等基线模型,为智能园艺的风险感知型监测提供了新基准。

  
在智慧园艺快速发展的背景下,确保作物生长的稳定是产量与品质控制的核心。然而,全球气候变化加剧,极端天气频发,加上管理不当等因素,使得作物生长过程中的异常变化与潜在安全风险显著增加。传统的遥感监测方法,如依赖植被指数(如NDVI、EVI)阈值分析或经验模型,主要关注长势评估或单任务的异常检测,难以有效区分生理异常与真正的生产风险,对微弱的异常信号和复杂的时序干扰也缺乏足够的敏感性。深度学习模型虽然展现了强大的特征提取能力,但多数研究仍聚焦于分类、病害识别等单任务,且通常假设有充足、平衡的标签数据,这与农业生产中异常样本稀缺、边界模糊的现实相悖。更重要的是,如何在一个统一框架内,协同建模正常的生长轨迹、异常偏差特征及其潜在的风险后果,从而实现从“异常识别”到“风险预警”的贯通分析,成为了一个亟待解决的科学挑战。
本文发表在《Horticulturae》上的研究,针对上述挑战,提出了一种基于深度遥感技术的园艺作物生长异常与安全风险双重检测方法。为了回答这些问题,研究人员主要应用了多源遥感数据融合与预处理、双分支深度神经网络架构设计、以及基于能量的风险联合判别机制等关键技术。研究数据主要来源于中国内蒙古自治区巴彦淖尔市临河区(河套灌区核心区)的多时相卫星(Sentinel-2)和无人机(UAV)遥感影像,涵盖了番茄、辣椒、黄瓜、苹果、梨等多种园艺作物,确保了作物类型和管理实践的多样性。
研究结果
3.1. 数据收集
研究人员在典型异质性的河套灌区核心区收集了多时相、多源(卫星与无人机)遥感数据,并联合实地管理日志、气象灾害记录等,由专家团队严格区分了“生长异常”(生理轨迹偏离)和“安全风险”(导致实质农学后果的异常),为模型训练提供了高质量标注。这为构建可同时识别生理应激及其系统性后果的模型奠定了基础。
3.2. 数据预处理与增强策略
研究实施了严格的辐射定标、云噪声处理和时空配准等预处理流程。通过数学公式(如 R = α·D + β 校正传感器响应,X?t= (1/|??(t)|) ∑k∈??(t)Xk进行时间插值补全缺失值)消除了非生理性干扰,确保了输入数据的时空一致性与可比性。这项系统性的预处理是后续模型能够感知微弱真实生长异常信号的关键前提。
(文档中“4. Method”及后续实验部分未在提供内容中,因此基于现有内容归纳)
系统性实验验证
研究在跨区域、多作物的园艺遥感数据集上进行了系统实验。结果表明,所提出的双分支方法在园艺作物生长异常检测与安全风险识别的双重任务中,取得了约0.91的准确率和0.88的F1分数,其性能显著优于传统的阈值方法、支持向量机(SVM)、随机森林(RF)、自编码器(AE)、ConvLSTM以及时序Transformer模型。进一步的异常类型感知实验显示,该方法在气候胁迫、病害引发异常及管理失误等多种真实生产场景下均能保持一致的性能,证明了其更高的异常识别精度和更稳定的风险判别能力。
研究结论与讨论
本研究成功构建了一个层次化感知框架,弥合了生理异常检测与农业风险评估之间的鸿沟。通过提出的双分支解耦架构,分别对稳定的生长轨迹和微弱的异常残差进行建模,并引入基于门控融合与因果-并行Transformer主干的能量风险联合判别模块,实现了在统一框架内对正常作物生长模式、异常变异特征及潜在农业安全风险的联合建模与综合分析。该方法不仅显著提升了对微弱异常信号的敏感性,而且通过量化从潜在生长偏差到实质性农业危害的内在转变,将传统遥感监测范式扩展至风险感知的新高度。实验证实,该方法为精准园艺中的风险感知型监测设立了新的性能基准,其结构创新也提供了优于黑箱多任务分类器的可解释性。这项工作为推动智能园艺和农业可持续发展中的主动式、预警式管理提供了有效的关键技术支撑。
相关新闻
生物通微信公众号
微信
新浪微博

热点排行

    今日动态 | 人才市场 | 新技术专栏 | 中国科学人 | 云展台 | BioHot | 云讲堂直播 | 会展中心 | 特价专栏 | 技术快讯 | 免费试用

    版权所有 生物通

    Copyright© eBiotrade.com, All Rights Reserved

    联系信箱:

    粤ICP备09063491号