基于遥感变量与变分自编码器及多示例回归的玉米产量预测
计算机视觉与模式识别
2022-11-28 v1 机器学习
摘要
在美国，玉米是产量最高的作物，并且一直是美国人饮食的重要组成部分。为满足供应链管理和区域粮食安全的需要，准确且及时的大尺度玉米产量预测在精准农业中正受到更多关注。近来，遥感技术与机器学习方法已被广泛探索用于作物产量预测。目前，大多数县级产量预测模型使用县级平均变量进行预测，忽略了大量细节信息。此外，作物区域与卫星传感器之间不一致的空间分辨率导致混合像元，可能降低预测精度。仅有少数工作解决了大尺度作物产量预测中的混合像元问题。为解决信息丢失与混合像元问题，我们开发了基于变分自编码器（VAE）的多示例回归（MIR）模型用于大尺度玉米产量预测。我们使用所有无标签数据训练VAE，并利用训练好的VAE进行异常检测。作为一种预处理方法，异常检测可帮助MIR找到比传统MIR方法更好的包表示，从而在大尺度玉米产量预测中表现更优。我们的实验表明，基于变分自编码器的多示例回归（VAEMIR）在大尺度玉米产量预测中优于所有基线方法。尽管需要合适的元参数，VAEMIR在大尺度玉米产量预测的特征学习与提取方面展现出极佳潜力。
引用
@article{arxiv.2211.13286,
title = {Corn Yield Prediction based on Remotely Sensed Variables Using Variational Autoencoder and Multiple Instance Regression},
author = {Zeyu Cao and Yuchi Ma and Zhou Zhang},
journal= {arXiv preprint arXiv:2211.13286},
year = {2022}
}