融合Transformer和LSTM的藍莓根區(qū)土壤含水量預測模型

摘要：針對土壤含水量預測模型存在難以解決非線性復雜特征、易陷入局部極小值等問題，構(gòu)建融合Transformer和LSTM的土壤含水量深度學習預測模型（Transformer-LSTM）。采集山東省青島市黃島區(qū)丁家寨村藍莓（Vaccinium spp.）生產(chǎn)區(qū)冷棚與露天2個站點的藍莓根區(qū)土壤和氣象數(shù)據(jù)作為建模數(shù)據(jù)，根據(jù)皮爾遜相關(guān)性和偏自相關(guān)性分析選擇模型的數(shù)據(jù)輸入特征與輸入長度，與單一的Transformer模型和LSTM模型進行對比分析，評估模型對土壤含水量的預測性能。結(jié)果表明，Transformer-LSTM模型在預測精度上均優(yōu)于單一的Transformer模型和LSTM模型，Transformer-LSTM模型的平均絕對誤差（MAE）、均方根誤差（RMSE）、平均絕對百分比誤差（MAPE）、決定系數(shù)（R2）分別為0.245 9、0.572 0、0.012 1、0.960 6。Transformer-LSTM模型可以更全面地提取藍莓種植環(huán)境因子輸入序列中的特征信息，有效提升土壤含水量因子預測精度和水平。

關(guān)鍵詞：藍莓（Vaccinium spp.）；根區(qū)土壤；含水量； Transformer；LSTM；預測模型

中圖分類號：TP391" " " " "文獻標識碼：A

文章編號：0439-8114（2024）08-0078-07

DOI：10.14088/j.cnki.issn0439-8114.2024.08.014 開放科學（資源服務）標識碼（OSID）：

A prediction model for soil moisture content in blueberry root zone by integrating transformer and LSTM

WANG Yi1， CAO Shan-shan2a，2b， SUN Wei2a，2b， HU Bo3， Gulimila Kizilbek1， KONG Fan-tao2c

（1. College of Computer and Information Engineering/Engineering Research Center of Intelligent Agriculture， Ministry of Education/Xinjiang Engineering Research Center for Agricultural Informatization，Xinjiang Agricultural University，" Urumqi" 830052， China；2a.Agricultural Information Institute； 2b.National Agriculture Science Data Center；2c. Institute of Agricultural Economics and Development， Chinese Academy of Agricultural Sciences， Beijing" 100081， China；3.Qingdao Wolin Blueberry Industry Co.， Ltd.， Qingdao" 266400， Shandong，China）

Abstract： A deep learning prediction model for soil moisture content （transformer LSTM） was constructed， which integrated transformer and LSTM， to address the difficulties in solving nonlinear and complex features， as well as the tendency to fall into local minima in the soil moisture prediction model. Soil and meteorological data from the blueberry（Vaccinium spp.） root zone of two stations， cold shed and outdoor， in the blueberry production area of Dingjiazhai Village， Huangdao District， Qingdao City， Shandong Province， were collected as modeling data，based on Pearson correlation and partial autocorrelation analysis， the data input characteristics and input length of the selected model were compared and analyzed with a single transformer model and LSTM model to evaluate the predictive performance of the model on soil moisture content. The results showed that the transformer LSTM model outperformed both the single transformer model and the LSTM model in prediction accuracy. The mean absolute error （MAE）， root mean square error （RMSE）， mean absolute percentage error （MAPE）， and coefficient of determination （R2） of the transformer LSTM model were 0.245 9， 0.572 0， 0.012 1， and 0.960 6， respectively. The transformer LSTM model could more comprehensively extract feature information from the input sequence of blueberry planting environmental factors， effectively improving the accuracy and level of soil moisture factor prediction.

Key words： blueberry（Vaccinium spp.）； root zone soil； moisture content； transformer；LSTM； prediction model

適當?shù)耐寥篮繉χ参锏墓夂献饔镁哂蟹e極影響，對植物的生長發(fā)育和水資源的節(jié)約發(fā)揮著關(guān)鍵作用［1］。土壤含水量是影響藍莓（Vaccinium spp.）果實產(chǎn)量及品質(zhì)的重要因素，過多或過少的土壤含水量都會降低果實品質(zhì)，適當?shù)耐寥篮坑欣谒{莓植株和果實的生長，可以實現(xiàn)藍莓的高效種植［2］。提前預測土壤含水量不僅能夠輔助農(nóng)場灌溉管理，提高水資源利用率，還可以減少極端天氣對作物產(chǎn)量的影響［3］。然而，土壤含水量的變化受多種因素影響，如氣象變化、植物生長和人為灌溉等，這些因素之間存在復雜的非線性關(guān)系。為準確地預測土壤含水量變化，需要采用有效的算法處理各因素之間的非線性關(guān)系，以提高土壤含水量預測的精度和可靠性［4］。

隨著傳感器技術(shù)的不斷進步，通過傳感器實時獲取土壤和氣象數(shù)據(jù)并用于土壤含水量等關(guān)鍵種植因子的預測已成為智慧種植領(lǐng)域的研究熱點。通過積累大量傳感器數(shù)據(jù)，可以建立基于數(shù)據(jù)驅(qū)動的高效土壤含水量預測模型，機器學習方法在含水量預測方向的研究較多。丁鐵山等［5］應用支持向量機理論，采用土壤水分含量影響較大的特征，建立土壤水分預測模型。丁輝等［6］采用支持向量機和細菌覓食優(yōu)化算法建立了安徽省土壤含水量預測模型。付平凡等［7］利用集成學習Bagging中的隨機森林、Boosting中的梯度提升機，結(jié)合SHAP方法，實現(xiàn)了高精度可解釋的土壤水分預測。但是，傳統(tǒng)機器學習算法需要人工手動完成特征工程，并且依賴一些超參數(shù)的選擇，需要通過反復試驗確定最佳超參數(shù)，耗時費力。與傳統(tǒng)機器學習模型相比，深度學習模型具有更好的數(shù)據(jù)擬合和泛化預測性能，能適應復雜的非線性關(guān)系，對大規(guī)模數(shù)據(jù)更具優(yōu)勢［8］。近年來，深度學習算法應用于土壤含水量預測的研究逐步深入。郭慶春等［9］構(gòu)建BP人工神經(jīng)網(wǎng)絡模型對河南省商丘市土壤含水量進行預測研究。安小宇等［10］改進樽海鞘方法并用于優(yōu)化BP神經(jīng)網(wǎng)絡，實現(xiàn)對土壤墑情的預測。牛曼麗等［11］利用粒子群算法（PSO）優(yōu)化BP神經(jīng)網(wǎng)絡實現(xiàn)對北京市順義區(qū)趙全營鎮(zhèn)的土壤含水量預測。然而，現(xiàn)有研究中用于預測土壤水分含量的深度學習模型大多是較為簡單的BP神經(jīng)網(wǎng)絡，BP神經(jīng)網(wǎng)絡在面對線性平穩(wěn)數(shù)據(jù)時表現(xiàn)較好，但是在面對非線性復雜特征情況時存在較大不足，并且BP神經(jīng)網(wǎng)絡存在訓練時間長、易陷入局部極小值的問題。

Vaswani等［12］于2017年提出Transformer，其核心思想是引入自注意力機制（Self-Attention），后改進衍生出多頭注意力機制，最初用于自然語言處理任務，尤其是機器翻譯，而Transformer的設計原理決定了其在序列數(shù)據(jù)處理方面具有先天優(yōu)勢，可以應用于各種序列學習任務，包括時間序列預測。此外，Connor等［13］于1994年提出的循環(huán)神經(jīng)網(wǎng)絡（RNN）能夠更好地理解數(shù)據(jù)中的上下文關(guān)系，對于非線性模式的識別具有一定的優(yōu)勢，但是標準的RNN面臨梯度消失或梯度爆炸的問題。Hochreiter等［14］在1997年提出了長短期記憶（LSTM）神經(jīng)網(wǎng)絡，通過引入門控機制來改進梯度傳播和捕捉長期依賴性的能力，進一步提高了RNN在面對非線性特征時的表現(xiàn)。因此，本研究將Transformer多頭注意力機制擅長捕捉全局信息的優(yōu)勢與LSTM在某種程度上專注于序列長期依賴關(guān)系的優(yōu)勢有機融合，構(gòu)建一種融合Transformer和LSTM的土壤含水量深度學習預測模型（Transformer-LSTM），基于采集的藍莓種植區(qū)根區(qū)土壤和氣象因子數(shù)據(jù)對模型進行驗證和分析，評估模型對土壤含水量預測的性能，旨在更全面提取藍莓種植環(huán)境因子輸入序列中的特征信息，從而提升土壤含水量因子預測精度和水平。

1 數(shù)據(jù)來源與方法

1.1 數(shù)據(jù)來源及處理

1.1.1 研究區(qū)和數(shù)據(jù)采集 研究區(qū)位于山東省青島市黃島區(qū)丁家寨村（35°46′39.22″N，119°52′39.75″E），該地區(qū)藍莓具有果實大、外觀美、口感佳等特點。

通過空氣溫度、空氣濕度、降雨量、光照輻射、風速、土壤溫度、每小時蒸散量、土壤含水量8個傳感器采集氣象和土壤數(shù)據(jù)。由于藍莓根系分布較淺，一般分布在5～20 cm土層內(nèi)，因此選取15 cm土層深度的土壤含水量和土壤溫度進行研究。因蒸散量傳感器為小時計數(shù)，數(shù)據(jù)采樣頻率設置為1小時1條。冷棚和露天站點數(shù)據(jù)采集時間分別為2018年10月29日至2020年7月14日、2018年10月11日至2020年7月14日。

1.1.2 數(shù)據(jù)處理與分析 由于每小時時間間隔土壤含水量的變化較小，因此將數(shù)據(jù)處理為每4小時1條，降雨量和蒸散量為4 h之和，其余特征計算4 h的平均值。各變量信息如表1所示。經(jīng)處理后該數(shù)據(jù)集包含7 602條每4小時的氣象和土壤特征數(shù)據(jù)。

以冷棚站點為例，展示部分數(shù)據(jù)，圖1為冷棚站點15 cm深度的土壤含水量變化情況。土壤含水量隨藍莓生長過程波動。由于灌溉事件，數(shù)據(jù)在某些時間段變化規(guī)律是一致的，2018年12月至2019年3月、2019年12至2020年3月藍莓處于落葉休眠期，土壤含水量均呈緩慢下降趨勢，3月后土壤含水量受灌溉和氣象等其他因素影響隨時間變化上下波動。

圖2顯示土壤、氣象、傳感器站點數(shù)據(jù)之間的皮爾遜相關(guān)性分析。這些特征與土壤含水量的相關(guān)性均較低，通過顯著性檢驗可知，除空氣濕度外，其他特征均與土壤含水量顯著相關(guān)；通過特征之間相關(guān)性分析，土壤溫度與空氣溫度的線性相關(guān)系數(shù)為0.85，光照輻射與蒸散量的相關(guān)系數(shù)為0.97，相關(guān)性較高，剔除與土壤含水量相關(guān)性較小的特征，本研究選擇傳感器站點、降雨量、光照輻射、風速、土壤溫度和土壤含水量6個指標作為模型輸入變量。

在時間序列分析中，偏自相關(guān)分析能夠衡量當前序列值和過去序列值之間的關(guān)聯(lián)性，同時排除中間的干擾因素，從而準確得出預測時所需要的最佳過去序列值［15］。圖3為土壤含水量偏自相關(guān)分析結(jié)果，從第4階開始，偏自相關(guān)系數(shù)接近于0，由此可得出過去的三階數(shù)據(jù)是預測的最佳序列值，故采用3條連續(xù)數(shù)據(jù)預測土壤含水量。

1.2 Transformer-LSTM模型

1.2.1 Transformer模型 由于輸入數(shù)據(jù)中包含多個氣象和土壤特征，因此模型需要關(guān)注輸入序列的多個特征變化對土壤含水量的影響，這里引入多頭注意力機制。針對多頭注意力機制易產(chǎn)生原始信息丟失的問題，增加了殘差連接方法，殘差連接的優(yōu)勢在于使模型更容易學習到恒等映射，即在不引入額外信息的情況下保持輸入信息的傳遞，從而更好地保留原始輸入信息，同時殘差連接將輸入直接傳遞到輸出，為梯度提供了一條直接的路徑，從而緩解了梯度消失問題。

將多頭注意力機制的輸出與原始輸入進行殘差連接，在連接前，輸入通過層正則化（Layer normalization）進行規(guī)范化，并通過失活層（Dropout）。多頭注意力機制的輸出經(jīng)過殘差連接后，通過2個一維卷積層構(gòu)成前饋神經(jīng)網(wǎng)絡，卷積層包含ReLU激活函數(shù)，在前饋神經(jīng)網(wǎng)絡前通過層正則化進行規(guī)范化。這2個卷積層可以捕捉局部特征，增加了模型的非線性表達能力。在前饋神經(jīng)網(wǎng)絡的輸出與輸入之間引入多頭注意力機制的殘差連接，對經(jīng)過前饋神經(jīng)網(wǎng)絡處理后的輸出進行全局平均池化。這有助于將變長序列映射到固定長度序列，提取整體特征。原始輸入通過平鋪（Flatten）操作后，與全局平均池化后的輸出進行拼接，這樣可以保留原始輸入的一些全局信息。拼接后的數(shù)據(jù)通過1個包含32個神經(jīng)元的全連接層進行處理，并使用ReLU激活函數(shù)，全連接層用于整合多個輸入來源的特征。圖4a為Transformer的模型結(jié)構(gòu)。Transformer也存在一定的缺陷，對于較長的序列，面臨內(nèi)存和計算資源的限制。

1.2.2 LSTM模型 土壤含水量預測需要綜合考慮各變量對其變化趨勢的影響，并關(guān)注一定時間范圍內(nèi)土壤含水量對預測土壤含水量的影響。為解決這一問題，本研究選用LSTM網(wǎng)絡結(jié)構(gòu)，如圖4b所示。模型使用2個并行的LSTM層來捕捉多個層次的抽象信息，提高模型對輸入數(shù)據(jù)的表達能力，從而為下一層提供更全面的特征信息。2個LSTM層經(jīng)過Dropout后與原始輸入數(shù)據(jù)平鋪進行特征融合，最后將32個神經(jīng)元的全連接層與輸出連接。LSTM善于處理長序列數(shù)據(jù)，在處理短序列數(shù)據(jù)時容易出現(xiàn)過擬合現(xiàn)象。

1.2.3 Transformer-LSTM模型構(gòu)建 將站點號、氣象和土壤數(shù)據(jù)轉(zhuǎn)換為以3個時間步為輸入、下一個時間步的土壤含水量為輸出的數(shù)據(jù)格式，如圖4c所示。分別構(gòu)建基于Transformer和LSTM的獨立模型，再將獨立模型的輸出特征結(jié)果拼接，作為融合Transformer-LSTM模型的輸入，Transformer-LSTM模型由全連接神經(jīng)網(wǎng)絡層組成?？紤]到模型架構(gòu)的簡單性、平衡性和非線性，在模型中構(gòu)建了3個全連接層，分別具有64、64和32個神經(jīng)元，Transformer-LSTM模型的網(wǎng)絡結(jié)構(gòu)如圖4所示。

1.3 模型過擬合停止方法

本研究采用提前停止的方法終止模型訓練，以獲得最佳的模型權(quán)重，從而達到更好的泛化性能，避免過擬合。將數(shù)據(jù)集劃分為訓練集和驗證集，模型僅在訓練集上進行訓練，每訓練完一輪在驗證集上對模型進行預測評估，當驗證損失函數(shù)的值連續(xù)20輪增加時，則立即停止訓練，使用多次迭代選取最優(yōu)模型，設置一個全局損失，當驗證損失小于全局損失時，更新全局損失并保留此次迭代模型的最優(yōu)參數(shù)。

1.4 模型評估方法

[MAE=1ni=1n|yi-yi|]" " " " " " "（1）

[RMSE=1ni=1n（yi-yi）2]" " " " " "（2）

[MAPE=1ni=1n|yi-yiyi|]" " " " " " " "（3）

[R2=1?i=1n（yi-yi）2i=1n（yi-y2）]" " " " " " "（4）

式中，MAE為平均絕對誤差，可以反映土壤含水量預測值誤差的實際情況；RMSE為均方根誤差，是預測值與觀測值之差平方期望值的算術(shù)平方根；MAPE是平均絕對百分比誤差，值越小表示該模型預測的準確性越好；R2為決定系數(shù)，可以消除量綱對評價指標的影響；[yi]為土壤含水量預測值；[yi]為土壤含水量觀測值；[y]為土壤含水量平均值；n為樣本個數(shù)。

2 結(jié)果與分析

每個模型都使用提前停止方法迭代訓練3次，模型訓練完成后，在測試集上對其進行性能測試，分別計算MAE、RMSE、MAPE、R2，對每個模型進行精度預測，從中選取最優(yōu)結(jié)果。

由表2可知，3個模型的MAE、RMSE、MAPE均表現(xiàn)為Transformer模型gt;LSTM模型gt;Transformer-LSTM模型，Transformer-LSTM模型的預測準確性最好。

由圖5可知，當土壤含水量較高時，模型均存在誤差，未預測出準確結(jié)果，這可能是由于人工灌溉導致。由圖6可知，3個模型R2均大于0.940 0。Transformer-LSTM模型的R2最高，為0.960 6，LSTM模型次之，Transformer模型最低。

圖7展示了3個模型在測試集上預測值的殘差分析。3個模型對土壤含水量預測值殘差均正態(tài)隨機地分布在零值線周圍，且大部分殘差在［-2，+2］，Transformer-LSTM模型在應對復雜情況下預測效果較好。3個模型均有部分殘差值大于2，因此分別計算Transformer模型、LSTM模型和Transformer-LSTM模型的殘差平均值，分別為-0.035 4、0.044 3、0.045 3，均接近于0，同時對3個模型的殘差值進行ADF（Augmented dickey-fuller test）檢驗，P均小于0.05，因此在0.05顯著性水平下，拒絕了單位根存在的原假設，可以認為殘差數(shù)據(jù)是平穩(wěn)的。

3 討論

Transfomer-LSTM模型的預測精度優(yōu)于Transformer模型和LSTM模型。結(jié)合Transfomer的多頭注意力機制和LSTM的時間序列記憶能力，可以提高模型在復雜數(shù)據(jù)處理中的擬合能力。趙斯祺等［16］通過建立Transformer-LSTM模型來學習跨站腳本攻擊的抽象特征，相較于傳統(tǒng)機器學習和單一模型，該模型在準確率、召回率上顯著提高，分別達99.8%、99.5%。李澤西［17］使用集成學習的方式融合Transformer與LSTM構(gòu)建礦壓預測模型，RMSE和MAE分別達1.512和0.742，該模型成功克服了單一預測模型的局限性，顯著提高了礦壓預測的精度。唐志偉等［18］構(gòu)建了基于Transformer-LSTM及誤差校正的太陽輻照度預測模型，該模型在多個時間步長中均達到最優(yōu)的預測性能，RMSE和MAE分別為0.044 0和0.028 8。這些研究結(jié)果證明了Transformer-LSTM模型在不同應用領(lǐng)域取得了較好的效果，證明其合理性。

本研究Transfomer-LSTM模型的優(yōu)點在于將Transfomer提取數(shù)據(jù)全局特征能力和LSTM提取的時間序列特征能力融合，從而在預測土壤水分含量方面取得了較好的效果。然而，土壤受灌溉的影響，很難預測土壤含水量增加的全過程。此外，模型訓練的數(shù)據(jù)集在數(shù)據(jù)量、站點分布方面存在局限性。未來可以進行進一步的研究：①增加模型訓練的站點數(shù)量和數(shù)據(jù)量；②增加灌溉數(shù)據(jù)特征，提高模型的擬合精度和泛化能力；③優(yōu)化模型結(jié)構(gòu)和參數(shù)，提高擬合和泛化預測能力。

4 小結(jié)

本研究提出一種用于預測藍莓根部土壤含水量的Transfomer-LSTM模型，該模型采用山東省青島市黃島區(qū)丁家寨村藍莓生產(chǎn)區(qū)氣象和土壤數(shù)據(jù)作為模型數(shù)據(jù)，其中90%用于模型訓練，10%用于模型驗證。根據(jù)各特征變量的皮爾遜相關(guān)性分析和土壤含水量數(shù)據(jù)的偏自相關(guān)性分析，選取傳感器站點、降雨量、光照輻射、風速、土壤溫度、土壤含水量6個指數(shù)作為模型輸入變量，通過偏自相關(guān)性分析，將連續(xù)3條歷史數(shù)據(jù)作為模型輸入。結(jié)果表明，3個模型的MAE、RMSE、MAPE均表現(xiàn)為Transformer模型gt;LSTM模型gt;Transformer-LSTM模型，Transformer-LSTM模型的預測準確性最好。Transformer-LSTM模型的平均絕對誤差（MAE）、均方根誤差（RMSE）、平均絕對百分比誤差（MAPE）分別為0.245 9、0.572 0、0.012 1。Transformer-LSTM模型可以更全面地提取藍莓種植環(huán)境因子輸入序列中的特征信息，有效提升土壤含水量因子預測精度和水平。通過對測試集760條土壤含水量數(shù)據(jù)預測，證明該模型有助于決策制定，提高了農(nóng)業(yè)生產(chǎn)的管理效率。

參考文獻：

［1］ 楊佳鶴，何進宇，劉飛楊，等. 不同土壤水分對植物光合作用的影響研究進展［J］. 節(jié)水灌溉， 2023（11）： 39-46.

［2］ 宋澤君，李培培，袁斕方，等. 土壤含水率對藍莓葉片生理及果實品質(zhì)的影響［J］. 南京林業(yè)大學學報（自然科學版），2023，47（3）： 147-156.

［3］ ADEYEMI O， GROVE I， PEETS S， et al. Dynamic neural network modelling of soil moisture content for predictive irrigation scheduling［J］. Sensors， 2018， 18（10）： 3408.

［4］ YU J G， ZHANG X， XU L L， et al. A hybrid CNN-GRU model for predicting soil moisture in maize root zone［J］. Agricultural water management， 2021， 245： 106649.

［5］ 丁鐵山，董汝瑞，溫 季.基于支持向量機理論的土壤水分預測模型研究［J］. 人民黃河， 2011， 33（3）： 68-69.

［6］ 丁 輝，仲 躍，張 俊，等. 基于細菌覓食優(yōu)化算法的支持向量機在土壤墑情預測中的應用［J］. 水土保持通報， 2016， 36（6）： 131-135.

［7］ 付平凡，楊曉靜，蘇志誠，等. 基于集成學習的土壤含水量預測研究——以遼西地區(qū)為例［J］. 土壤， 2023， 55（3）： 671-681.

［8］ LE CUN Y， BENGIO Y， HINTION G. Deep learning［J］. Nature， 2015， 521（7553）： 436-444.

［9］ 郭慶春，王素娟，何振芳. 基于BP人工神經(jīng)網(wǎng)絡的土壤含水量預測模型的研究［J］. 山東農(nóng)業(yè)科學， 2012， 44（12）： 11-15.

［10］ 安小宇，魯奎豪，崔光照. 基于改進樽海鞘優(yōu)化BP神經(jīng)網(wǎng)絡的土壤墑情預測［J］. 中國農(nóng)機化學報， 2019， 40（11）： 124-130.

［11］ 牛曼麗，李新旭，張彥軍，等. 基于粒子群算法優(yōu)化BP神經(jīng)網(wǎng)絡的土壤含水量短期預測模型［J］. 蔬菜， 2020（8）： 24-30.

［12］ VASWANI A， SHAZEER N， PARMAR N， et al. Attention is all you need［J］. Advances in neural information processing systems， 2017，30：5998-6008.

［13］ CONNOR J T， MARTIN R D， ATLAS L E. Recurrent neural networks and robust time series prediction［J］. IEEE transactions on neural networks， 1994， 5（2）： 240-254.

［14］ HOCHREITER S，SCHMIDHUBER J. Long short-term memory［J］. Neural computation， 1997，9（8）： 1735-1780.

［15］ 蒲嫻怡，畢貴紅，王 凱，等. 基于FEEMD-PACF-BP_AdaBoost模型的風電功率超短期預測［J］. 計算機應用與軟件， 2021，" "38（11）： 91-97.

［16］ 趙斯祺，代 紅，王 偉. 基于Transformer-LSTM模型的跨站腳本檢測方法［J］. 計算機應用與軟件， 2023， 40（9）： 327-333.

［17］ 李澤西. 基于可變時序移位Transformer-LSTM的集成學習礦壓預測方法［J］. 工礦自動化， 2023，49（7）： 92-98.

［18］ 唐志偉，高慧敏. 基于Transformer-LSTM及誤差校正的太陽輻照度預測［J］. 計算機時代，2023（7）： 123-126.

基金項目：新疆維吾爾自治區(qū)重點研發(fā)任務專項（2022B02049-1-3）；中國農(nóng)業(yè)科學院創(chuàng)新工程任務項目（HT20220570）

作者簡介：王 億（1994-），男，四川南充人，在讀碩士研究生，研究方向為農(nóng)業(yè)信息化，（電話）18599010084（電子信箱）1781651575@qq.com；通信作者，古麗米拉·克孜爾別克（1970-），女（哈薩克族），新疆昌吉人，副教授，主要從事農(nóng)業(yè)信息化研究，（電話）13899939189（電子信箱）glml@xjau.edu.cn；共同通信作者，孔繁濤（1968-），男，山東滕州人，研究員，博士，主要從事農(nóng)業(yè)信息技術(shù)研究，（電話）13911667639（電子信箱）kongfantao@caas.cn。