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

Актуальность: Надземная биомасса (AGB) является базовым агрономическим параметром для полевых исследований и часто используется для оценки состояния роста растений, эффективности сельскохозяйственных приемов и способности секвестрировать углерод над и под землей. Традиционное получение AGB основано на разрушительных методах отбора проб, требующих ручной уборки, взвешивания и регистрации, что затрудняет измерения на больших площадях и в долгосрочной перспективе и отнимает много времени. Благодаря разнообразию платформ и датчиков и улучшению пространственного и спектрального разрешения дистанционное зондирование теперь считается лучшим техническим средством для мониторинга и оценки AGB на больших территориях. Результаты: В настоящем исследовании мы использовали структурную и спектральную информацию, полученную с беспилотного летательного аппарата (БПЛА), в сочетании с методами машинного обучения для оценки биомассы кукурузы. Из 14 предикторных переменных с помощью алгоритма рекурсивного исключения признаков были отобраны шесть для построения моделей. Были оценены и сопоставлены четыре алгоритма регрессии машинного обучения — множественная линейная регрессия (MLR), метод опорных векторов (SVM), искусственная нейронная сеть (ANN) и случайный лес (RF) — после чего мы протестировали, влияют ли два метода отбора проб на обучение модели. Для оценки AGB кукурузы мы предлагаем усовершенствованный метод извлечения высоты растений из изображений БПЛА и объемный индикатор (BIOVP). Результаты показывают: (1) модель случайного леса дала наиболее сбалансированные результаты с низкой ошибкой и высоким коэффициентом объясненной дисперсии как на обучающей, так и на тестовой выборках; (2) BIOVP сохраняет наибольшее влияние на оценку AGB в четырех моделях машинного обучения согласно анализу важности предикторов; (3) сравнение высот растений, вычисленных тремя методами, с ручными наземными измерениями показывает, что предложенный метод увеличивает коэффициент объясненной дисперсии и снижает ошибки. Выводы: Эти результаты позволяют заключить, что сочетание машинного обучения и дистанционного зондирования с БПЛА является перспективной альтернативой для оценки AGB. Работа показывает, что структурную и спектральную информацию следует учитывать одновременно, а не по отдельности, при оценке биофизических параметров культур.