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
2020-04-25
SCID: 54.1/paka3xat
Discuss with AI
признаки структуры пологарегрессия машинного обученияточное земледелиеслияние спутниковых данных и данных БПЛАмониторинг посевов сои
Figures from the paper
Abstract (AI)
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...
Key Findings
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.
Research Object
Посевы сои на неоднородном поле, наблюдаемые с использованием спутниковых данных WorldView-2/3 и RGB-изображений с БПЛА
Research Subject
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
Open access PDF
Access Type
Author Information
Download PDF
Subscribe to digest