基于迁移学习与堆叠集成的智能手机图像牧草生物量估算研究

《Journal of Agriculture and Food Research》:Transfer learning and stacking ensembles for biomass estimation from smartphone imagery in pasture-based dairy systems

【字体: 大 中 小 】 时间:2026年04月15日 来源:Journal of Agriculture and Food Research 6.2

编辑推荐:

  本研究针对牧场生物量估算劳动密集、传统方法不适用于高频监测的问题,开展了基于智能手机图像、融合迁移学习与堆叠集成方法的牧草生物量预测研究。结果表明,结合多架构特征与天气数据的堆叠集成模型性能最佳(R2=0.561,MAE=351 kg DM ha-1),较基线提升48%,为牧场精准管理提供了高效、可扩展的解决方案。

  
在现代化的牧场管理中,准确估算牧草生物量是优化饲料分配、提高放牧效率的关键。然而,传统方法如升降盘计(RPM)依赖人工实地测量,不仅耗时耗力,而且结果受操作者主观影响大。卫星或无人机遥感虽提供了替代方案,却常受云层干扰和高昂成本的限制。那么,有没有一种既便捷又准确的方法,能让牧场主们轻松掌握草场状况呢?一项发表于《Journal of Agriculture and Food Research》的研究给出了肯定的答案。该研究创新性地利用普及的智能手机,结合前沿的机器学习技术,为牧场生物量的自动化监测开辟了新路径。
为了攻克这一难题,研究团队在澳大利亚新南威尔士州的15个商业奶牛场展开工作。他们收集了3291张地面RGB图像,并同步记录了RPM测量的生物量数据以及天气信息。通过系统的技术方法整合——包括使用SegFormer-B0模型进行图像预处理以移除天空和树木背景,从四类预训练的卷积神经网络(ResNet50, VGG16, MobileNetV2, DenseNet121)中提取深度学习特征,计算一系列手工特征(如颜色统计、植被指数、纹理特征),并结合天气变量与时间元数据——构建了一个包含4959个特征的高维数据集。随后,利用互信息回归进行特征选择,并系统地评估了21种机器学习配置,其中性能最佳的堆叠集成模型,通过5折交叉验证生成元特征,并训练岭回归元学习器来优化基学习器(随机森林、极限梯度提升、梯度提升机)的预测组合。
3.1. 建模方法的比较性能
在评估的21种配置中,堆叠集成结合天气数据的模型(实验17)表现最佳,测试集R2达到0.561,平均绝对误差(MAE)为351 kg DM ha-1,均方根误差(RMSE)为437 kg DM ha-1,相较于仅使用手工特征的基线模型,性能提升了48%。迁移学习方法显著优于从零开始训练的深度学习模型,而结合了多架构卷积神经网络特征的集成模型又优于任何单一架构的模型。
3.2. 最佳模型架构与性能
最佳模型采用了两层堆叠集成架构。三个经过超参数优化的基学习器在5折交叉验证中表现出稳定且良好的预测能力。岭回归元学习器为梯度提升机、极限梯度提升和随机森林分配的权重分别为0.617、0.340和0.155,这种加权组合产生的测试集性能优于任一基学习器单独的表现,证明了集成方法在降低预测方差方面的价值。
3.3. 特征重要性分析
互信息分析筛选出的前120个最重要特征中,手工构建的植被指数和来自DenseNet121的深度学习特征占据了主导地位。绿度比率排名最高,其次是DenseNet121的特定特征和过量绿色指数均值。天气变量显示了中等的重要性,其中最高温度排名第20位,证实了其在图像特征之外提供了补充性的预测价值。
3.4. 时间性能分析
模型性能随季节变化显著。春季(R2=0.701,MAE=308 kg DM ha-1)准确率最高,此时黑麦草生长旺盛,植被指数与生物量的相关性最强。冬季(R2=0.456,MAE=375 kg DM ha-1)性能最低,与生长速率慢、绿量减少以及光照条件挑战有关。尽管R2存在季节性波动,但各季节的MAE均低于380 kg DM ha-1,表明在整个生产周期中预测误差相对稳定。
3.5. 空间性能与泛化分析
在常规的随机划分测试集上,模型在不同农场和区域间表现相对一致。然而,留一农场交叉验证(LOFO-CV)结果揭示了严峻的空间泛化限制。当模型在14个农场数据上训练,并在一个未见过的农场测试时,平均R2降至-0.009,表明模型存在强烈的农场特异性依赖,难以直接泛化到全新的农场环境。不过,MAE(平均绝对误差)在两种评估方式下都保持在可操作接受的范围内(测试集:331-397 kg DM ha-1;LOFO-CV:385-436 kg DM ha-1),说明即使预测值与真实值的线性相关性差,预测的误差幅度仍相对稳定。
3.6. 草种特异性模型
针对不同草种(冷季型黑麦草和暖季型铺地狼尾草)分别建模的探索性实验显示,黑麦草特异性模型(5月至11月数据)取得了R2=0.586的更好性能,而铺地狼尾草模型(12月至4月数据)性能较低(R2=0.391)。一个根据季节自动路由到相应草种模型的组合集成,在测试集上表现出了极高的性能(R2=0.914),这证明草种间的视觉-生物量关系存在根本差异,针对性建模具有潜力。
4. 讨论与结论
本研究通过系统评估多种机器学习配置,明确了基于智能手机图像的牧草生物量估算的最佳实践:迁移学习结合多架构特征提取与堆叠集成方法。使用在ImageNet上预训练并冻结的卷积神经网络特征,能够从有限的数据中提取出有效的视觉表征,显著优于从零开始训练的深度学习模型。融合不同卷积神经网络架构(如DenseNet121, ResNet50)的特征,能够捕获互补的视觉模式。堆叠集成通过元学习器(岭回归)自动学习并优化基学习器的组合权重,从而实现了最佳的预测精度。天气数据的整合带来了约5.9%的性能提升,表明环境变量提供了超出图像本身的有价值信息。研究还揭示了模型性能存在显著的季节性变异,春季最佳,冬季最差,这与不同季节的牧草物候和生长条件密切相关。
然而,本研究最重要的发现之一是模型在空间泛化方面面临重大挑战。留一农场交叉验证表明,当应用于训练数据中未包含的农场时,模型性能急剧下降。这凸显了农场特定的管理实践、物种组成、物候期以及图像采集条件等因素会强烈影响视觉特征与生物量之间的关系。因此,要将该技术大规模部署到全新的商业牧场,可能需要显著扩大训练数据集以涵盖更广泛的环境多样性,或者开发高效的农场特异性自适应策略(如使用少量新农场数据进行微调)。
综上所述,该研究为利用普及的智能手机和先进的机器学习技术实现牧草生物量的便捷、准确估算提供了强有力的方法论支持和实证证据。它确立了一种高性能的技术路径,同时也清醒地指出了在实际推广中面临的关键限制——空间泛化能力。未来的研究应致力于构建更大规模、更多样化的跨区域数据集,探索能够更好适应新环境的迁移学习或领域自适应方法,并推动该技术在实际牧场管理场景中的验证与应用,最终为实现精准、高效的牧场数字化管理贡献力量。
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