一种基于时空学习与自适应灌溉控制的认知型无人机驱动农业监控框架，用于预测作物胁迫导致的产量损失

《Scientific Reports》：Cognitive UAV-driven agro-surveillance framework for predicting crop stress–induced yield loss using spatio-temporal learning and adaptive irrigation control

　　

摘要

精准农业正变得越来越具有挑战性，需要使用能够预测胁迫并在为时已晚之前防止产量损失的智能系统。传统的农业监测方法主要是反应式的，灌溉需求基于阈值或单个产量预测模型，而这些模型并不能代表作物生理学、土壤状态和环境胁迫之间复杂的时空相互作用。此外，大多数当前实践没有预防性干预的自主决策方法，这导致水资源利用效率低下并减慢了应对胁迫的响应速度。本文提出了一种认知型无人机辅助农业监测系统，借助时空深度学习和强化学习，预测由作物胁迫引起的产量脆弱性并优化适应性灌溉。该框架结合了无人机获取的 RGB、多光谱和热成像图像，以及与作物健康与环境胁迫数据集结合获得的土壤传感器测量数据和气象数据。一个新的 GeoSpatio-TRiNet 模型用于获取长程空间关系、时间胁迫发展以及农业区域间的胁迫扩散情况。该模型预测胁迫的脆弱性轨迹而不是直接产量回归，这允许早期检测产量风险。这些预测用于生成软演员 - 评论家（SAC）强化学习智能体的认知环境状态，该智能体自主计算基于分区的灌溉行为，以最小的用水成本减少胁迫的复发。实验结果表明，所提出的框架的胁迫预测准确率为 96.3%，表现远优于传统机器学习、基于 CNN 和基于 Transformer 的基线。与基于规则的灌溉策略相比，该系统还将预测的产量脆弱性降低了 46.6，并将水分利用效率提高了 41.1。结果证实了具有预测控制的时空智能在有效性方面的有用性，所提出的框架是下一代精准农业的可扩展和可持续解决方案。