首先，本研究利用3D卷积神经网络(CNN)架构清晰阐明了不同发育阶段的变革，该架构捕获了来自全体成长时令多时段的无人机图像的空间和韶光维度。
Study design.
结果表明，3DCNNs在测试集上的预测偏差较低，均方根偏差(RMSE)为8.8%。
对付第二种策略，即2D-CNN，本研究只考虑了在单次翱翔中获取的图像特色像素之间的空间关系。当UAV在启飞阶段或之后拍摄图像时，根据单日图像演习的2D-CNN最准确，RMSE范围为7.4%至8.2%。
Variation in temperature and six vegetation indices over time in 2019.
卷积自编码器模型(基于预测图和特色主要性剖析)的一个紧张优点是空间去噪效果，它根据附近像素的植被指数和热特色值校正单个像素的产量预测。本结果突出了卷积自编码器在基于无人机的水稻产量预测中的前景。
本研究强调了相对大略的CNN构造在利用遥感图像预测水稻产量方面的上风。将这些模型纳入数据剖析系统可以平衡数据采集和模型演习的总体本钱，并展示了深度学习对可持续农业和精确管理的潜在益处。
Model performance for comparable studies using UAV imagery for yield prediction.
本文提出了一种类似于自编码器的CNN构造，用于水稻田间产量预测。此外，该研究结果还表明，通过合并临近像素的信息，自编码器的2D-CNN在产量预测的空间去噪方面具有上风。随着无人机在农业遥感领域运用的持续增长，本研究为未来大规模数据采集和模型演习事情及其与深度学习模型开拓的整合供应了及时的辅导。
来源：doi: 10.3389/fpls.2022.716506
公众号：农业之巅
更多信息请关注智农云芯(AgriBrain)：www.agribrain.cn
