通过无线网络进行的数据驱动型根茎生物量估算

提出基于物联网设备的块茎生物量非破坏性估算框架TBS，构建含70余万RSS测量的新数据集，融合CNN、残差连接与注意力机制设计数据驱动模型，采用对比学习方法缓解数据不平衡问题，有效降低高频率生物量标签的估计偏差，提升模型泛化能力，实验验证了方法有效性。

　　

摘要人工智能摘要

要查看此由人工智能生成的摘要，您必须具有高级访问权限。

了解更多登录

摘要

摘要

块茎的地下生物量（BGB）是作物监测和其他农业应用中的一个重要表型特征。本文提出了一种新的块茎生物量检测（TBS）框架，该框架利用物联网（IoT）设备实现地下块茎生物量的非破坏性估算。具体来说，我们进行了大量实验，使用我们的低成本无线网络收集了超过70万次接收信号强度（RSS）测量数据，构建了一个新的BGB数据集。然后，我们提出了一种基于数据的新型模型，该模型结合了卷积神经网络、残差连接和注意力机制，以从RSS数据中提取具有区分性的特征，并在生物量估算方面实现了最先进的（SOTA）性能。此外，为了减轻不平衡训练数据导致的性能下降，我们提出了一种对比学习方法，该方法使具有相似生物量值的样本的特征表示对齐，同时增加具有显著不同生物量值样本之间的区分度。这种方法减少了了对高频生物量标签的估算偏差，从而提高了数据驱动模型的性能和泛化能力。实验结果证明了所提出的TBS框架的有效性。我们的数据集和预训练模型可在https://zenodo.org/records/15000852上公开获取。

人工智能摘要

人工智能生成的摘要（实验性摘要）

此摘要是使用自动化工具生成的，并非由文章作者编写或审核。它旨在帮助发现、帮助读者评估相关性，并协助来自相关研究领域的读者理解本文的工作。它旨在补充作者提供的摘要，后者仍是文章的官方摘要。完整文章才是权威版本。点击此处了解更多。

点击此处对摘要的准确性、清晰度和实用性进行评论。您的反馈将有助于改进未来的版本。

要查看此由人工智能生成的通俗语言摘要，您必须具有高级访问权限。