1. 标题
· County-Level Soybean Yield Prediction Using Deep CNN-LSTM Model
· 利用深度CNN-LSTM模型的县级尺度大豆产量预测方法
2. 成果信息
· Sun J., Di L., Sun Z., Shen Y., Lai Z. (2019). County-Level Soybean Yield Prediction Using Deep CNN-LSTM Model. Sensors, 19(20), 4363 https://doi.org/10.3390/s19204363
3. 成果团队成员
· 孙杰,沈永林,赖祖龙 中国地质大学(武汉);狄黎平,孙子恒 乔治梅森大学
· 孙杰,包括:博士、154.com皇冠、讲师、研究方向(地质遥感、农业遥感)、联系方式(jiesun@cug.edu.cn)等
4. 成果介绍
产量预测对于产量制图、作物市场规划、作物保险、收获管理等都具有重要意义。
遥感技术在作物产量预测中发挥着越来越重要的作用。基于遥感数据,利用机器学习,特别是深度学习(DL)方法,包括卷积神经网络(CNN)或长短时记忆(LSTM),在这一领域取得了很大的进展。最近在这一领域的实验表明,CNN可以探索更多的空间特征,LSTM具有揭示物候特征的能力,这两者都在作物产量预测中发挥着重要的作用。然而,结合这两种模型进行作物产量预测的实验报道甚少。在本文中,
以美国为例,
我们提出了一个深入的CNN-LSTM模型来预测县域大豆的季末和季内产量。模型由作物生长变量和环境变量训练,包括气象数据、MODIS地表温度(LST)数据和MODIS地表反射率(SR)数据;采用大豆历史产量数据作为标记。基于
Google
Earth Engine (GEE),将所有这些训练数据合并并转换为基于直方图的张量进行深度学习。实验结果表明,所提出的CNN-LSTM模型无论是季末还是季内预测性能都优于单纯的CNN或LSTM模型。该方法在提高玉米、小麦、马铃薯等作物未来精细尺度产量预测的准确性方面具有很大的潜力。
研究区范围
Tensor生成流程
CNN-LSTM模型框架
多种模型不同时间节点预测精度
季后预测对比结果
季中预测对比结果(Aug 21st)