叶面积指数(Leaf Area Index,LAI)是表征农作物结构的关键参数,精确地预测农作物时序叶面积指数对于持续监测作物生长至关重要。针对现有时序LAI的遥感预测方法难以精确捕捉农作物复杂的时空动态变化这一问题,为了更好地挖掘农作物的时...叶面积指数(Leaf Area Index,LAI)是表征农作物结构的关键参数,精确地预测农作物时序叶面积指数对于持续监测作物生长至关重要。针对现有时序LAI的遥感预测方法难以精确捕捉农作物复杂的时空动态变化这一问题,为了更好地挖掘农作物的时空异质性特征和增强时空维度的特征提取能力,提出了一种基于动态时空图注意力(Dynamic Spatio-Temporal Graph Attention Model,D-STAM)的叶面积指数预测模型。首先,设计了融合注意力机制的双向长短期记忆网络(Bidirectional Long Short-Term Memory,BiLSTM),该网络可以动态分配农作物不同生长阶段的权重,有效建模农作物时序生长特征;在此基础上,从空间关联性与时序相似性2个视角出发构建农作物的空间分布结构图和时序生长动态关联图,搭建动态图卷积网络捕获农作物不同时空生长场景下的异质生长特征,最终实现农作物LAI的精准预测。在河南省农作物叶面积指数预测任务上的实验结果表明,D-STAM模型LAI预测性能最好,其中R2为0.913,RMSE为0.283,MAE为0.198,MAPE为15.1%,均优于其余模型。D-STAM模型预测不同时间节点的LAI值较其余模型更加聚集,LAI曲线相比其余模型更为平滑,农作物叶面积指数预测精度得到了显著提升。通过动态时空图注意力机制实现了农作物LAI的精准预测,为作物生长监测提供了新方法,为智慧农业决策提供了技术支撑。展开更多
文摘叶面积指数(Leaf Area Index,LAI)是表征农作物结构的关键参数,精确地预测农作物时序叶面积指数对于持续监测作物生长至关重要。针对现有时序LAI的遥感预测方法难以精确捕捉农作物复杂的时空动态变化这一问题,为了更好地挖掘农作物的时空异质性特征和增强时空维度的特征提取能力,提出了一种基于动态时空图注意力(Dynamic Spatio-Temporal Graph Attention Model,D-STAM)的叶面积指数预测模型。首先,设计了融合注意力机制的双向长短期记忆网络(Bidirectional Long Short-Term Memory,BiLSTM),该网络可以动态分配农作物不同生长阶段的权重,有效建模农作物时序生长特征;在此基础上,从空间关联性与时序相似性2个视角出发构建农作物的空间分布结构图和时序生长动态关联图,搭建动态图卷积网络捕获农作物不同时空生长场景下的异质生长特征,最终实现农作物LAI的精准预测。在河南省农作物叶面积指数预测任务上的实验结果表明,D-STAM模型LAI预测性能最好,其中R2为0.913,RMSE为0.283,MAE为0.198,MAPE为15.1%,均优于其余模型。D-STAM模型预测不同时间节点的LAI值较其余模型更加聚集,LAI曲线相比其余模型更为平滑,农作物叶面积指数预测精度得到了显著提升。通过动态时空图注意力机制实现了农作物LAI的精准预测,为作物生长监测提供了新方法,为智慧农业决策提供了技术支撑。
