毕业设计-基于深度学习的作物长势监测和产量估测研究

目录

前言

课题背景和意义

实现技术思路

一、区域尺度的作物长势监测和产量估测研究进展

二、田块尺度的作物长势监测和产量估测研究进展

实现效果图样例

最后

---

前言

    大四是整个大学期间最忙碌的时光,一边要忙着备考或实习为毕业后面临的就业升学做准备,一边要为毕业设计耗费大量精力。近几年各个学校要求的毕设项目越来越难,有不少课题是研究生级别难度的,对本科同学来说是充满挑战。为帮助大家顺利通过和节省时间与精力投入到更重要的就业和考试中去,学长分享优质的选题经验和毕设项目与技术思路。

对毕设有任何疑问都可以问学长哦!

选题指导: https://blog.csdn.net/qq_37340229/article/details/128243277

大家好,这里是海浪学长毕设专题,本次分享的课题是

基于深度学习的作物长势监测和产量估测研究

课题背景和意义

作物长势 是粮食 产量估测与 预 测的 主要信息 源 ，随着 高 时空 分 辨率遥感数据 的 不断出现，遥感数据已呈现出明显的大数据特征，以深度学习为基础的作物长势监测和产量估测已成为指导农业生产的重要手段之一。作物长势是粮食产量估测与预测的重要信息来源，对于我国粮食安全和贸易具有重大价值。其中遥感技术具有覆盖范围广、重访周期短、数据获取成本相对低等优势，在作物长势监测和产量估测中扮演着重要的角色。基于过程的作物生长模拟模型是现代农业系统研究的有力工具，可以定量描述作物生长发育和产量形成过程及其与气候因子、土壤环境、品种类型和技术措施之间的关系，为不同条件下作物生长发育及产量预测、栽培管理、环境评价以及未来气候变化评估等提供了定量化工具。但是，当作物生长模型从单点研究发展到区域尺度应用时，由于空间尺度增大而出现的地表、近地表环境非均匀性问题，导致模型中一些宏观资料的获取和参数的区域化方面存在很多困难，模型模拟结果也会存在很大的不确定性，而作物长势监测和产量估测在很大程度上可以帮助作物生长模型克服这些不足。

实现技术思路

一、区域尺度的作物长势监测和产量估测研究进展

遥感数据具有明显 的 大数据特征，是 作物长势

监测的 主要数据 源 。 作物长势与 其单 产 密切相关，

受光 、 温 、 水 、 土 、 肥 等因子影响，是表征农情 和进 行

作物产量估测 预 测的 重要指标之一，而应用遥感技

术表征 的与作物长势 密切相关 的监测 指标是这些因

子综 合作 用 的 结果

模型样本

1）样本构建

尽管作物 生 长 状况受多 种 因素 的 影响，且其生 长 过程又是一个非常复 杂 的 生 物 生理过程，但 作物 生 长 状况可以用一些与 其生 长 过程密切相关 的 参数 进 行表征 。 在 基于 遥感数据 进 行 作物长势监测的 参数中   ，主要包括植被指数 、 生 物物 理参数 和 生长环境参数。

2）样本扩充

深度学习 模型对训练样本 的要求较高 ，并且在较大规模样本 的 训练下可达到较高的精度，在较 小 规模样本下易出现过拟 合 现象 。 因此使用数据增强技术进 行样本集 的 扩充对 于 在一定程度 上改善样本 量的 限制 和 解决过拟 合 问题有重要作 用，从而改 进整 体 学习 过程并获得最佳性能。 作物长势监测和产量估测深度学习模型

作物长势监测和产量估测深度学习模型

1)CNN 及其优化

CNN 是一种既有深度结构又包含卷积计算的深层前馈神经网络，是深度学习的常用算法之一.CNN 的设计思想受到了视觉神经科学的启发，主要由卷积层( Convolutional layer) 和池化层( Pooling layer，也称子采样层) 组成。

一种新的 深 度 学 习 估 产 框 架 ( 2D Histogram CNN ) ，其创新之处在于使用遥感影像的直方图信息作为模型输入，既达到了数据降维的效果，同时又取得较高的产量预测精度。

 2）ＲNN 及其优化

CNN 模型能够较好 地 处理遥感影像 的 空间自相关性，但其不能充分地考虑复杂的时间相关性ＲNN是一种以序列 数据为输入，利用序列数据之间的 相关性在序列 的演进 方向 进 行递归 的 递归神经网络，其主要目 的 是针对序列型数据进 行建模 。

ＲNN 存在梯 度 消失 、 梯 度 爆炸以及长 期记忆能力不足 的 缺点 。为解决这一 缺陷，长 短时记忆 ( Long short term memory ，LSTM)

由 于 CNN 无法 学习 时间相关性，而 ＲNN 、LSTM 捕捉空间特征能力有限，针对此问题， 提出了一种新的 多级 深度学习 模型 ( Multilevel deep learning network ， MLDL Net )该模型结合 LSTM 和 CNN 来提取空间和时间特征。

 

3） 模型可解释性

由于深度神经网络模型具有“黑盒”属性，使得其可解释性弱，在应用深度学习模型开展作物长势监测和产量估测研究时，实验或研究结果可能不理想，这就要求根据特定的问题与数据来制定和优化深度学习的网络结构与训练参数，以解决深度学习模型可解释性弱的问题。

目前已出现了一些 基于 注意力 机 制 的产量估测模型。 提出了 基于 注意力 机 制 LSTM ( LSTM neural network with an attention mechanism ， ALSTM) 的冬小麦 单 产估测 模型   ，该模型相比于 LSTM 不仅能够提 高估产精度 ，而且能够提取更重要的 特征变 量 ，提 高 神经网络 的 可解释性 。

二、田块尺度的作物长势监测和产量估测研究进展

基于无人机平台的田块尺度作物长势监测和产量估测

无人 机平 台因具有成本低 、 数据获取效率 高 、 测试高度及 测试 时间可按需调节等优点 ，在监测作物长势研究中具有 地 面 平 台 和高 空 平 台无法比拟的优 势 ，已被用 于田 块尺 度的 农情信息获取 。

基于卫星平台的田块尺度作物长势监测和产量估测

随着 高 空间 分 辨率卫星 的 不断出现以及相比 于无人机平 台所具有 的 覆盖范围 广 等优 势 ，利用 高 空间分 辨率卫星数据 进 行 田 块尺 度作物长势监测 及 产量估测也取得了一定 进展。在利用高空间分辨率卫星影像进行田块尺度作物长势监测时，光学遥感卫星容易受到天气影响，无法在时间尺度上满足监测需要。针对这一问题，可采用基于光学和微波遥感数据融合的方法以及基于时空数据融合的方法对缺失数据进行补充，从而满足时间尺度监测的需要。

实现效果图样例

农作物长势遥感监测：

 拍摄图像，位于河南省长葛市。左边为天宫一号图像，其中绿色为农作物，主要为小麦，紫色为城镇用地。利用高光谱图像，可以对耕地和城镇用地进行区分，并评价农作物的长势，右边为监测结果。

农作物长势动态监测与评价：

 我是海浪学长,创作不易,欢迎点赞、关注、收藏、留言。

毕设帮助，疑难解答，欢迎打扰！

最后