Моделирование надземной биомассы кукурузы на основе методов машинного обучения с использованием данных дистанционного зондирования с БПЛА

Modeling maize above-ground biomass based on machine learning approaches using UAV remote-sensing data
Bo Xu, Zhenhai Li, Guijun Yang, Xiaodong Yang, Liang Han, Haikuan Feng, Hao Frank Yang, Huayang Dai
2019-02-04

объёмный показатель BIOVPдистанционное зондирование с БПЛАрегрессионное машинное обучениенадземная биомасса кукурузырекурсивное исключение признаков
ПРЕДПОСЫЛКИ: Надземная биомасса (AGB) является основным агрономическим показателем при полевых исследованиях и часто используется для оценки состояния роста сельскохозяйственных культур, влияния агротехнических мероприятий и способности растений аккумулировать углерод в надземной и подземной частях. Традиционный способ определения AGB основан на деструктивном отборе проб, который требует ручной уборки растений, их взвешивания и регистрации результатов, что затрудняет и делает трудоемкими длительные измерения на больших площадях. Однако благодаря разнообразию платформ и датчиков, а также повышению пространственного и спектрального разрешения дистанционное зондирование в настоящее время рассматривается как наиболее эффективное техническое средство мониторинга и оценки AGB на больших территориях. РЕЗУЛЬТАТЫ: В данном исследовании для оценки биомассы кукурузы мы использовали структурную и спектральную информацию, полученную методом дистанционного зондирования с беспилотного летательного аппарата (БПЛА), в сочетании с машинным обучением. Из 14 предикторных переменных шесть были отобраны для построения модели с использованием алгоритма рекурсивного исключения признаков. Для создания подходящей модели были оценены и сопоставлены четыре алгоритма регрессии машинного обучения: множественная линейная регрессия, метод опорных векторов, искусственная нейронная сеть и случайный лес; после этого мы проверили, влияют ли два метода отбора проб на обучаемую модель. Для оценки AGB кукурузы мы предлагаем усовершенствованный метод извлечения высоты растений из изображений, полученных с БПЛА, и объемный показатель (то есть BIOVP). Результаты показали, что (1) модель случайного леса обеспечивала наиболее сбалансированные результаты — низкую ошибку и высокую долю объясненной дисперсии как для обучающей, так и для тестовой выборки; (2) BIOVP сохранял наиболее сильное влияние на оценку AGB в четырех различных моделях машинного обучения при анализе значимости предикторов; (3) сравнение высоты растений, рассчитанной тремя методами, с результатами ручных наземных измерений показало, что предложенный метод увеличивал долю объясненной дисперсии и снижал ошибки. ВЫВОДЫ:...
1
Среди множественной линейной регрессии, метода опорных векторов, искусственной нейронной сети и случайного леса случайный лес показал наиболее сбалансированные результаты: низкие ошибки и высокую долю объяснённой дисперсии на обучающей и тестовой выборках.
2
Улучшенный метод извлечения высоты растений по изображениям с БПЛА повысил долю объяснённой дисперсии и снизил ошибки по сравнению с тремя альтернативными методами расчёта высоты и наземными ручными измерениями.
3
Рекурсивное исключение признаков сократило 14 переменных-предикторов до шести для построения моделей биомассы.
4
Предложенный объёмный показатель BIOVP сохранял наиболее сильное влияние на оценки надземной биомассы во всех четырёх моделях машинного обучения.
5
Для неразрушающей оценки надземной биомассы кукурузы использовали данные о структуре и спектральных характеристиках, полученные с БПЛА, совместно с машинным обучением.

Надземная биомасса кукурузы (AGB), оценённая по данным дистанционного зондирования с БПЛА

связи между структурными и спектральными предикторами, полученными с помощью БПЛА, включая высоту растений и BIOVP, и надземной биомассой кукурузы, а также сравнительная эффективность регрессионных моделей машинного обучения

Publication Details
Publication Date
2019-02-04
Journal
Publisher
ISSN
Cited by
432
Access Type
Author Information
Authors
Bo Xu
Zhenhai Li
Guijun Yang
Xiaodong Yang
Liang Han
Haikuan Feng
Hao Frank Yang
Huayang Dai
Explore further
Open the scid.ai AI chat with a ready-made request: it will find papers on a similar topic and help build a literature review.
Find similar papers in the chat →
Make a presentation
100%