摘要：引用格式:宫宇, 王玲, 赵荣强, 尤海波, 周沫, 刘劼. 基于多模态数据表型特征提取的番茄生长高度预测方法[J]. 智慧农业(中英文), 2025, 7(1): 97-110.
引用格式: 宫宇, 王玲, 赵荣强, 尤海波, 周沫, 刘劼. 基于多模态数据表型特征提取的番茄生长高度预测方法[J]. 智慧农业(中英文), 2025, 7(1): 97-110.
DOI：10.12133/j.smartag.SA202410032
GONG Yu, WANG Ling, ZHAO Rongqiang, YOU Haibo, ZHOU Mo, LIU Jie. Tomato Growth Height Prediction Method by Phenotypic Feature Extraction Using Multi-modal Data[J]. Smart Agriculture, 2025, 7(1): 97-110.
官网全文免费阅读
基于多模态数据表型特征提取的番茄生长高度预测方法
宫宇1，2， 王玲1，2， 赵荣强1，2，4*33， 刘劼1，2，4（1.哈尔滨工业大学 计算机科学与技术学院， 黑龙江哈尔滨 150006， 中国；2.智能农业技术与系统国家重点实验室， 黑龙江哈尔滨 150080， 中国；3.黑龙江省农业科学院园艺分院， 黑龙江哈尔滨 150040， 中国；4.哈尔滨工业大学人工智能研究院有限公司， 黑龙江哈尔滨 150000， 中国）
摘要：
［目的/意义］准确预测番茄的生长高度对优化智能农业中的生产环境至关重要。然而，目前的预测方法大多依赖于经验模型、机制模型或基于学习的模型，这些模型主要利用图像数据或环境数据，未能充分利用多模态数据，无法全面捕捉植物生长的各个方面。
［方法］为了解决这一限制，本研究提出了一种基于深度学习算法的两阶段表型特征提取（Phenotypic Feature Extraction, PFE）模型，该模型结合了番茄植物的环境信息和植物本身的信息，提供了对生长过程的全面理解。PFE模型采用表型特征和时间特征提取器，综合捕捉两类特征，从而深入理解番茄植物与环境之间的相互作用，最终实现对生长高度的高精度预测。
［结果和讨论］实验结果表明，该模型具有显著效果：在基于过去五天数据预测接下来的两天时，PFE-RNN（Phenotypic Feature Extraction with Recurrent Neural Network）模型和PFE-LSTM（Phenotypic Feature Extraction with Long Short-Term Memory）模型的平均绝对百分比误差（Mean Absolute Percentage Error, MAPE）分别为0.81%和0.40%，显著低于大语言模型（Large language model, LLM）模型的8.00%和基于Transformer的模型的6.72%。在较长期预测中，PFE-RNN模型在10天预测4天后和30天预测12天后的表现持续优于其他两个基准模型，MAPE分别为2.66%和14.05%。
［结论］所提出的基于表型-时间协同的预测方法展示了其在智能化、数据驱动的番茄种植管理中的巨大潜力，是提升智能番茄种植管理效率和精准度的一种有前景的方法。
关键词：番茄生长预测；深度学习；表型特征提取；多模态数据；递归神经网络；长短期记忆网络；大语言模型
文
章
图
片
Fig. 1 Architecture of simple CNN
Fig. 2 Architecture of RNN and LSTM
Fig. 3 Process flow of tomato growth height prediction method by phenotypic feature extraction using multi-modal data study
Fig. 4 Variation of loss with training epochs under different prediction horizons in tomato height prediction study
Fig. 5 Distribution of predicted values versus actual values for PFE-RNN prediction in tomato height values
Fig. 6 Variation of loss with training epochs under different prediction horizons in tomato height prediction study
Fig. 7 Distribution of predicted values versus actual values for PFE-LSTM model
Fig. 8 Distribution of predicted values versus actual values for LLM prediction in tomato height
Fig. 9 Distribution of predicted values versus actual values for transformer prediction of tomato height
通信作者介绍
赵荣强 副教授
赵荣强，哈尔滨工业大学计算学部副教授，博士生导师。主要从事智能感知技术、图像及光谱图像处理、压缩感知、智慧农业、具身智能等方向研究。作为负责人主持国家自然科学基金青年项目、黑龙江省重点研发计划项目、吉林省教育厅科学技术研究项目、中国博士后科学基金面上项目等国家及省部委科研项目；作为第一或通讯作者共发表SCI论文及国际会议论文20余篇。
转载请联系编辑部授权
本期支持单位
潍柴雷沃智慧农业科技股份有限公司
华东交通大学智能机电装备创新研究院
为方便农业科学领域读者、作者和审稿专家学术交流，促进智慧农业发展，为更好地服务广大读者、作者和审稿人，编辑部建立了微信交流服务群，有关专业领域内的问题讨论、投稿相关的问题均可在群里咨询。入群方法：加小编微信17346525780，备注：姓名、单位、研究方向，小编拉您进群，机构营销广告人员勿扰。
发布征集
欢迎在我公众号发布科研团队介绍、创新科研成果及相关活动等信息。
来源：智慧农业资讯一点号
