0
| 本文作者： nebula | 2023-09-22 14:18 |
2019年，農(nóng)業(yè)農(nóng)村部提出數(shù)字農(nóng)業(yè)農(nóng)村發(fā)展規(guī)劃（2019-2025），明確提出以農(nóng)業(yè)數(shù)字化為重點(diǎn)發(fā)展主線，全面提升農(nóng)業(yè)農(nóng)村生產(chǎn)智能化、經(jīng)營網(wǎng)絡(luò)化、管理高效化、服務(wù)便捷化水平，以數(shù)字化引領(lǐng)驅(qū)動農(nóng)業(yè)農(nóng)村現(xiàn)代化，為實現(xiàn)鄉(xiāng)村全面振興提供有力支撐。這其中對核心主糧作物、經(jīng)濟(jì)作物種植區(qū)域進(jìn)行數(shù)字化建模是實現(xiàn)農(nóng)業(yè)數(shù)字化的基礎(chǔ)一環(huán)。依托現(xiàn)代衛(wèi)星遙感技術(shù)，對地物目標(biāo)進(jìn)行多光譜、多時段監(jiān)測，可以獲取大量信號特征，同時基于不同農(nóng)作物對不同波段光譜的特異性反射差異、生長周期特點(diǎn)，可以實現(xiàn)低成本、高精度、大范圍的農(nóng)作物種類識別，為實現(xiàn)農(nóng)業(yè)數(shù)字化生產(chǎn)、高效網(wǎng)格化經(jīng)營提供基礎(chǔ)數(shù)據(jù)。
本賽題主要目的是通過時序多光譜遙感數(shù)據(jù)序列，設(shè)計人工智能算法，識別出對應(yīng)地點(diǎn)對應(yīng)時間段的種植農(nóng)作物種類。
（1）數(shù)據(jù)集：本賽題給出了約22萬條的多光譜傳感器數(shù)值時序序列，每條序列包含若干個時間點(diǎn)，每個時間點(diǎn)包含了11個通道的值，這些值均為整數(shù)。因此，一條多光譜傳感器數(shù)值時序序列的數(shù)據(jù)可以表示為
其中T為時間點(diǎn)的數(shù)目。
（2）目標(biāo)：其目標(biāo)是給定對應(yīng)的多光譜傳感器數(shù)值時序序列，以判定該地點(diǎn)種植作物種類（玉米、水稻、大豆中的其中一類），是個三分類問題。
（3）評價指標(biāo)：本次賽題為機(jī)器學(xué)習(xí)經(jīng)典的分類問題，評價指標(biāo)采用分類準(zhǔn)確率。
該賽題提供了一組序列數(shù)據(jù)，可以直接將該問題視為一個序列分類問題，并使用GRU（門控循環(huán)單元）或Transformer進(jìn)行建模。對于輸入數(shù)據(jù)，有兩種可能的處理方法。
（1）第一種方法是將11個通道的值進(jìn)行歸一化，從而得到一個時長為T的序列，其中每個時刻的輸入向量維度為11。這種方法相對簡單，但有一個缺點(diǎn)：由于其數(shù)值是線性的，歸一化后的數(shù)值對于相近的整數(shù)也是相近的，這使得模型難以區(qū)分這些相近的值。
（2）為了解決這個問題，我們的隊伍采用了第二種方法：對11個通道的值進(jìn)行embedding，從而得到一個11×h維度的向量。在輸入到序列模型之前，我們通過一個線性變換將這個向量轉(zhuǎn)化為一個[T, H]的矩陣，其中H是序列模型的隱藏層大小，例如256或512。這種方法的優(yōu)點(diǎn)是能夠?qū)⒃嫉?、線性的輸入值轉(zhuǎn)化為一個更加豐富、更能表征數(shù)據(jù)特點(diǎn)的高維空間。這使得模型能夠捕獲到更多的數(shù)據(jù)特征，從而提高模型的分類性能。
圖1. 解決方案整體框架
我們團(tuán)隊的解決方案如圖1所示。在這個解決方案中，我們首先利用BERT模型對多光譜傳感器的數(shù)值時序序列進(jìn)行建模。BERT模型能夠捕捉時序序列中的上下文信息，這對于理解農(nóng)作物生長過程中的時空變化是很重要的。然后，我們將從BERT模型的最后一層得到的特征與光譜反射和農(nóng)作物生長周期的特征進(jìn)行拼接并通過4層的transformer。這樣做的目的是將從不同源獲取的信息融合在一起，以提供更全面的信息。最后，我們采用mean pooling和max pooling對transformer的輸出進(jìn)行池化操作，以得到最終的序列特征。這個特征會被用作分類模型的輸入。接下來，我們將詳細(xì)介紹如何預(yù)訓(xùn)練BERT特征，以及如何提取光譜反射與農(nóng)作物生長周期的特征。
（1）BERT模型的預(yù)訓(xùn)練
圖2. BERT模型MLM預(yù)訓(xùn)練任務(wù)
為了更有效地捕捉序列中的語義信息和依賴關(guān)系，我們采用了改進(jìn)的Masked Language Modeling（MLM）任務(wù)來對BERT模型進(jìn)行預(yù)訓(xùn)練。具體地，我們并不是對一個時刻的所有傳感器數(shù)值進(jìn)行掩蓋，而是隨機(jī)掩蓋掉20%的傳感器數(shù)值。這樣做的優(yōu)點(diǎn)是，我們不僅可以使用不同時間點(diǎn)的傳感器數(shù)值來預(yù)測當(dāng)前的數(shù)值，還能使用當(dāng)前時刻的其他傳感器數(shù)值來預(yù)測某一個傳感器的數(shù)值。這樣的設(shè)計有助于模型更好地理解不同傳感器數(shù)值之間的依賴關(guān)系，以及不同時間點(diǎn)之間的依賴關(guān)系。這對于捕捉多光譜傳感器數(shù)據(jù)中的時空變化信息是非常重要的。
（2）光譜反射與農(nóng)作物生長周期特征
遙感農(nóng)作物識別時，光譜反射特性和農(nóng)作物生長周期特性是兩個關(guān)鍵特征。圖3顯示了豆科植物對不同光譜波段的反射率示意圖，而圖4展示了不同農(nóng)作物生長周期中的NDVI指數(shù)變化示意圖。這些示意圖均來自公開資料，如果存在侵權(quán)問題，請聯(lián)系我們刪除。NDVI是一種常用的指數(shù)，用于衡量植被的生長狀況。它的計算公式如下，其中NIR代表近紅外波段，R代表紅色光波段：
因此，我們計算每個時間點(diǎn)的NDVI值，并將其作為額外的輸入特征。從圖4中，我們還可以觀察到，不同農(nóng)作物的NDVI指數(shù)變化梯度也不同。這是一個重要的指標(biāo)，可以幫助我們更好地區(qū)分特定地點(diǎn)適合種植哪些農(nóng)作物。因此，我們也使用了梯度信息作為額外的特征。
首先，我們要對主辦方在“科技助實”這一具有深遠(yuǎn)影響的主題上提供寶貴的數(shù)據(jù)和有趣的賽題表示感謝。這不僅為我們提供了一個展示科技創(chuàng)新能力的平臺，還讓我們有機(jī)會為農(nóng)業(yè)持續(xù)發(fā)展貢獻(xiàn)一份力量。"科技助實"不僅是一個充滿意義的研究領(lǐng)域，而且具有極高的社會價值，它能夠助力提高農(nóng)作物產(chǎn)量、提升農(nóng)業(yè)可持續(xù)性，并最終改善農(nóng)民的生活質(zhì)量。同時，我們也要對所有參與指導(dǎo)和支持的老師表示由衷的感謝。您們的專業(yè)知識和無私奉獻(xiàn)為我們提供了強(qiáng)大的技術(shù)支持和指導(dǎo)，使我們能夠更加自信地面對這個挑戰(zhàn)。最后，我們期望接下來的比賽能夠繼續(xù)發(fā)揚(yáng)光大，吸引更多具有激情和創(chuàng)新精神的人才參與，共同推動“科技助實”這一崇高事業(yè)不斷向前發(fā)展。
雷峰網(wǎng)(公眾號：雷峰網(wǎng))
雷峰網(wǎng)版權(quán)文章，未經(jīng)授權(quán)禁止轉(zhuǎn)載。詳情見轉(zhuǎn)載須知。
