用于土壤采样点最优选择的深度学习框架

本工作利用深度学习在图像处理方面的最新进展，寻找呈现农田重要特征的最优位置。训练数据收集自当地农场的不同田地，包含五个特征：坡向、水流累积、坡度、NDVI(归一化植被指数)和产量。土壤采样数据集具有挑战性，因为真值是非常不平衡的二值图像。因此，我们采用两种方法处理该问题：第一种方法利用带有卷积神经网络(CNN)骨干的先进模型，第二种是创新一种基于transformer和自注意力概念的深度学习设计。我们的框架采用编码器-解码器架构，以自注意力机制为骨干。在编码器中，自注意力机制是关键特征提取器，生成特征图。在解码器中，我们引入空洞卷积网络来拼接、融合提取的特征，然后输出土壤采样的最优位置。目前，该模型在测试集上取得了令人印象深刻的成果，平均准确率为99.52%，平均交并比(IoU)为57.35%，平均Dice系数为71.47%，而最先进的基于CNN的模型相应性能指标分别为66.08%、3.85%和1.98%。这表明我们提出的模型在土壤采样数据集上优于基于CNN的方法。据我们所知，我们的工作是首个提供具有多属性的土壤采样数据集，并利用深度学习技术实现土壤采样点自动选择的工作。本工作为数据科学和机器学习技术在解决其他新兴农业问题中的新颖应用奠定了基础。