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
2019-02-04
SCID: 54.1/mvzwy8vy
Discuss with AI
объёмный показатель BIOVPдистанционное зондирование с БПЛАрегрессионное машинное обучениенадземная биомасса кукурузырекурсивное исключение признаков
Figures from the paper
Abstract (AI)
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:...
Key Findings
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.
Research Object
Надземная биомасса кукурузы (AGB), оценённая по данным дистанционного зондирования с БПЛА
Research Subject
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
Open access PDF
Access Type
Author Information
Download PDF
Subscribe to digest