基于时间序列基础模型的多模态数据集成：用于可持续室内园艺的Anyplant跟踪
计算机视觉与模式识别
2025-03-31 v1 计算工程、金融与科学
机器学习
摘要
室内园艺作为可持续建筑的一项创新解决方案，为城市粮食安全和环境可持续性提供了变革性的途径。据市场报告预测，到2030年，城市农业（包括受控环境农业CEA和垂直农业）年复合年增长率将达13.2%。这种增长得益于物联网技术的进步、智能种植系统等可持续创新，以及对绿色室内设计日益增长的兴趣。本文提出一种新型框架，将计算机视觉、机器学习（ML）和环境感知技术集成，用于自动监测植物健康和生长。与前述方法不同，本框架结合RGB图像、植物表型数据以及温度、湿度等环境因素，对受控生长环境中的植物水分应激进行预测。系统利用高分辨率摄像头提取表型特征（包括RGB值、植物面积、高度和宽度），并采用Lag-Llama时间序列模型进行水分应激的分析与预测。实验结果表明，融合RGB信息、尺寸比率和环境数据的显著提升了预测精度，微调模型取得最低的误差（MSE=0.420777，MAE=0.595428），不确定性亦降低。这些发现凸显了多模态数据与智能系统在自动化植物护理、资源优化消耗以及与可持续建筑管理协调方面的潜力，为构建韧性、绿色城市空间铺平了道路。
引用
@article{arxiv.2503.21932,
title = {Multimodal Data Integration for Sustainable Indoor Gardening: Tracking Anyplant with Time Series Foundation Model},
author = {Seyed Hamidreza Nabaei and Zeyang Zheng and Dong Chen and Arsalan Heydarian},
journal= {arXiv preprint arXiv:2503.21932},
year = {2025}
}
备注
Accepted at ASCE International Conference on Computing in Civil Engineering (i3ce)