多源数据与多任务深度学习在预测紫花苜蓿生长指标中的应用

基于多源数据的苜蓿生长指标预测模型研究，采用无人机遥感、气象数据和管理因素，通过随机森林、XGBoost和MTL-DNN模型验证不同算法精度，发现RF在氮含量指标上最优（LNC R²=0.60），XGBoost在生物量预测中表现最佳（R²=0.81），MTL-DNN模型在计算效率提升37.4%-72.9%的同时实现多任务协同预测。

摘要

背景

及时准确地估算氮含量和地上生物量对于评估紫花苜蓿的生长状况和诊断氮缺乏症至关重要。然而，利用多任务学习结合多源信息来高效监测生长指标的相关研究仍较为有限。

目的

本研究旨在通过机器学习和多任务学习，基于无人机（UAV）遥感数据、气象数据以及管理因素等多源数据，预测紫花苜蓿的生长指标，从而提高预测的准确性。

方法

研究了田间采集的生长指标，包括叶片氮浓度（LNC）、植株氮浓度（PNC）和地上生物量（AGB），并利用Boruta算法进行了特征选择。所开发的机器学习方法包括随机森林（RF）、支持向量回归（SVR）、极端梯度提升（XGBoost）以及基于深度神经网络的多任务学习（MTL-DNN），同时考虑了各特征对生长指标的贡献程度。

结论

结果表明，使用多源数据可以显著提高紫花苜蓿生长指标的预测准确性。其中，随机森林在氮指标预测方面的准确率最高（LNC：R² = 0.60，RMSE = 0.51%，NRMSE = 10.66%；PNC：R² = 0.70，RMSE = 0.40%，NRMSE = 11.06%）。植株层面的氮含量预测准确性始终高于叶片层面的氮含量预测准确性。同时，XGBoost在利用多源数据进行地上生物量（AGB）预测时表现最佳（R² = 0.81，RMSE = 0.66 t ha⁻¹，NRMSE = 16.85%）。MTL-DNN模型能够准确高效地预测紫花苜蓿的生长指标，其R²值分别为LNC 0.66、PNC 0.76和AGB 0.84。AGB预测的精确度最高（RMSE = 0.61 t ha⁻¹，NRMSE = 15.54%）。与单任务模型相比，MTL-DNN模型将计算时间减少了37.4%至72.9%。本研究为紫花苜蓿的营养诊断、生物量估算和精准管理提供了理论和技术基础。