Мониторинг сельскохозяйственных культур с использованием объединения спутниковых данных и данных БПЛА, а также машинного обучения

Crop Monitoring Using Satellite/UAV Data Fusion and Machine Learning
Vasit Sagan, Maitiniyazi Maimaitijiang, Paheding Sidike, Felix Fritschi, Ahmad M. Daloye, H. Erkbol
2020-04-25

признаки структуры пологарегрессия машинного обученияточное земледелиеслияние спутниковых данных и данных БПЛАмониторинг посевов сои
Высокоэффективный неразрушающий мониторинг сельскохозяйственных культур на больших территориях имеет большое значение для точного земледелия и фенотипирования растений, а также для принятия решений в области зерновой политики и продовольственной безопасности. Целью настоящего исследования была оценка потенциала объединения спектральной информации о растительном пологе с характеристиками его структуры для мониторинга сельскохозяйственных культур с использованием объединения спутниковых данных и данных с беспилотного летательного аппарата (БПЛА), а также методов машинного обучения. Синхронно с высокоразрешающей съемкой в формате RGB, выполненной с помощью недорогого беспилотного летательного аппарата (БПЛА), были получены целевые спутниковые данные WorldView-2/3 на неоднородном поле сои (Glycine max (L.) Merr.). Спектральную информацию о растительном пологе, то есть вегетационные индексы, извлекали из данных WorldView-2/3, а информацию о структуре полога, то есть высоту и покрытие полога, получали из RGB-изображений, снятых БПЛА. Спектральную и структурную информацию о пологе, а также их комбинацию использовали для прогнозирования индекса листовой поверхности сои (LAI), надземной биомассы (AGB) и концентрации азота в листьях (N) с применением регрессии частичных наименьших квадратов (PLSR), регрессии случайного леса (RFR), регрессии методом опорных векторов (SVR) и регрессии экстремального обучения (ELR) с использованием недавно предложенной функции активации. Результаты показали, что: (1) высокоразрешающие детализированные характеристики структуры растительного полога, полученные по изображениям БПЛА, включая высоту и покрытие полога, являются значимыми индикаторами для мониторинга роста сельскохозяйственных культур; (2) интеграция богатой спектральной информации о пологе, полученной по спутниковым изображениям, с характеристиками структуры полога, извлеченными из данных БПЛА, с использованием машинного обучения повысила точность оценки надземной биомассы сои, LAI и содержания азота в листьях по сравнению с использованием только спутниковых данных или данных БПЛА; (3) добавление информации о структуре полога к спектральным характеристикам в некоторой степени уменьшило влияние фоновой почвы и проблему асимптотического насыщения, что привело к повышению качества моделей; (4) модель ELR с недавно предложенной функцией активации немного превзошла PLSR, RFR и SVR при прогнозировании AGB и LAI, тогда как RFR обеспечила наилучший результат...
1
Добавление структурных признаков полога уменьшило влияние фоновой почвы и частично устранило эффект асимптотического насыщения спектральных данных, повысив качество моделей.
2
Объединение спектральной информации WorldView-2/3 с признаками структуры полога, полученными с БПЛА, улучшило оценку надземной биомассы, индекса площади листьев и содержания азота в листьях сои по сравнению с использованием только одного источника данных.
3
Полученные с БПЛА признаки структуры полога, включая его высоту и покрытие, оказались значимыми индикаторами роста сои.
4
Случайный лес показал лучший результат для прогнозируемого показателя, указанного в реферате.
5
Модель регрессии на основе экстремального обучения с новой функцией активации немного превзошла PLSR, RFR и SVR при прогнозировании биомассы сои и индекса площади листьев.

Посевы сои на неоднородном поле, наблюдаемые с использованием спутниковых данных WorldView-2/3 и RGB-изображений с БПЛА

Оценка индекса листовой поверхности сои, надземной биомассы и концентрации азота в листьях на основе объединённой спектральной и структурной информации о пологе

Publication Details
Publication Date
2020-04-25
Journal
Publisher
ISSN
Cited by
354
Access Type
Author Information
Authors
Vasit Sagan
Maitiniyazi Maimaitijiang
Paheding Sidike
Felix Fritschi
Ahmad M. Daloye
H. Erkbol
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%