FlowDelayNet: self-supervised siamese learning for automated flow-delay estimation in yield monitor data
Minhaj Uddin · Sathishkumar Samiappan · Jessica L. Drewry
提出自监督深度学习框架FlowDelayNet，自动估计产量监测数据中的流动延迟。
使用孪生卷积编码器，结合对比损失和回归损失，基于高斯平滑度自监督训练。
在95块田地上平均绝对误差1.24延迟单位，64块误差在±1内，优于硬argmax。
可探索将自监督延迟估计扩展到其他传感器数据，或结合地理空间信息提高精度。
提出自监督深度学习框架FlowDelayNet，解决产量监测数据流延迟问题，方法新颖，数据规模大，结论可靠，对精准农业有实质贡献。
产量监测数据广泛用于管理分区划定、处方图生成及田间决策；然而，传感器响应延迟所导致的数据滞后可能将产量测量值错误地分配到不正确的空间位置。现有校正方法往往依赖人工调参或手工设计的相似性度量，这些方法对噪声、数据缺失及不规则收获几何形态较为敏感。本研究提出FlowDelayNet，一种自监督深度学习框架，通过学习延迟感知的空间表征来估算田块尺度的流量延迟。FlowDelayNet采用孪生卷积编码器，训练目标是判别两个产量斑块的延迟是否相似或相异。数据集包含632个已收获田块，按田块级别划分为训练集（70%）、验证集（15%）和测试集（15%）。产量曲面在从−15到+15个记录间隔的候选延迟范围内进行栅格化，并提取重叠斑块（24×24，步长12）。基于相关分析计算的高斯空间平滑度评分提供了自监督的监督信号。模型优化结合了孪生嵌入上的对比损失与针对归一化平滑度信号的回归损失。与硬argmax选择相比，温度缩放的软argmax公式通过计算期望延迟改进了延迟估计。在95个田块中，平均绝对误差为1.24个延迟单位，其中64个田块的预测相对于高斯空间平滑度参考值在±1个延迟范围内。嵌入分析显示，锚点-正样本对的平均距离为0.25，而锚点-负样本对为0.72，94.8%的采样三元组满足AP < AN。这些结果表明，FlowDelayNet为异质田间条件下的流量延迟估计提供了自动化且稳健的解决方案。