Enfoque de aprendizaje automático utilizando datos SAR para la clasificación de árboles de palma aceitera que no están infectados e infectados con la enfermedad de la pudrición del tallo basal
Autores: Hashim, Izrahayu Che; Shariff, Abdul Rashid Mohamed; Bejo, Siti Khairunniza; Muharam, Farrah Melissa; Ahmad, Khairulmazmi
Idioma: Inglés
Editor: MDPI
Año: 2021
Acceso abierto
Artículo científico
2021
Enfoque de aprendizaje automático utilizando datos SAR para la clasificación de árboles de palma aceitera que no están infectados e infectados con la enfermedad de la pudrición del tallo basal
Categoría
Ciencias Agrícolas y Biológicas
Subcategoría
Agronomía y Ciencia de los Cultivos
Palabras clave
Palma de aceite
Enfermedad BSR
Polarización HV
Clasificadores de aprendizaje automático
MLP
RF
Licencia
CC BY-SA – Atribución – Compartir Igual
Consultas: 25
Citaciones: Sin citaciones
La enfermedad de la pudrición del tallo basal (BSR) en las plantas de palma aceitera es causada por el hongo. BSR es una enfermedad importante que afecta a las plantaciones de palma aceitera en Malasia e Indonesia. Hasta ahora, la única medida sostenible disponible es prolongar la vida de los árboles de palma aceitera, ya que no ha habido un tratamiento efectivo para la enfermedad de BSR. Este proyecto utilizó una imagen ALOS PALSAR-2 con doble polarización, transmisión horizontal y recepción horizontal (HH) y transmisión horizontal y recepción vertical (HV). Los objetivos de este estudio fueron (1) identificar las variables potenciales de retrodispersión; y (2) examinar el rendimiento de los clasificadores de aprendizaje automático (ML) (Perceptrón multicapa (MLP) y Bosque Aleatorio (RF) para clasificar los árboles de palma aceitera que no están infectados e infectados por. El tamaño de la muestra consistió en 55 árboles no infectados y 37 árboles infectados. Se utilizó el enfoque de datos desequilibrados (Técnica de Sobremuestreo de Minorías Sintéticas (SMOTE) en estas clasificaciones debido a los diferentes tamaños de muestra. El resultado mostró que la variable de retrodispersión HV tuvo una mayor clasificación correcta para los árboles de palma aceitera no infectados e infectados para ambos clasificadores; el modelo del clasificador MLP tuvo una tasa de éxito sólida, que clasificó correctamente el 100% para los no infectados y el 91,30% para los infectados, y RF tuvo una tasa de éxito sólida, que clasificó correctamente el 94,11% para los no infectados y el 91,30% para los infectados. En cuanto al rendimiento del modelo utilizando las variables más significativas, HV, el modelo MLP tuvo una precisión equilibrada (BCR) del 95,65% en comparación con el 92,70% para el modelo RF. La comparación entre el modelo MLP y el modelo RF para la región de la curva de características operativas del receptor (ROC), (AUC) dio un valor de 0,92 y 0,95, respectivamente, para los modelos MLP y RF. Por lo tanto, se puede concluir que utilizando solo la polarización HV, tanto el MLP como el RF pueden usarse para predecir la enfermedad de BSR con una precisión relativamente alta.
Descripción
La enfermedad de la pudrición del tallo basal (BSR) en las plantas de palma aceitera es causada por el hongo. BSR es una enfermedad importante que afecta a las plantaciones de palma aceitera en Malasia e Indonesia. Hasta ahora, la única medida sostenible disponible es prolongar la vida de los árboles de palma aceitera, ya que no ha habido un tratamiento efectivo para la enfermedad de BSR. Este proyecto utilizó una imagen ALOS PALSAR-2 con doble polarización, transmisión horizontal y recepción horizontal (HH) y transmisión horizontal y recepción vertical (HV). Los objetivos de este estudio fueron (1) identificar las variables potenciales de retrodispersión; y (2) examinar el rendimiento de los clasificadores de aprendizaje automático (ML) (Perceptrón multicapa (MLP) y Bosque Aleatorio (RF) para clasificar los árboles de palma aceitera que no están infectados e infectados por. El tamaño de la muestra consistió en 55 árboles no infectados y 37 árboles infectados. Se utilizó el enfoque de datos desequilibrados (Técnica de Sobremuestreo de Minorías Sintéticas (SMOTE) en estas clasificaciones debido a los diferentes tamaños de muestra. El resultado mostró que la variable de retrodispersión HV tuvo una mayor clasificación correcta para los árboles de palma aceitera no infectados e infectados para ambos clasificadores; el modelo del clasificador MLP tuvo una tasa de éxito sólida, que clasificó correctamente el 100% para los no infectados y el 91,30% para los infectados, y RF tuvo una tasa de éxito sólida, que clasificó correctamente el 94,11% para los no infectados y el 91,30% para los infectados. En cuanto al rendimiento del modelo utilizando las variables más significativas, HV, el modelo MLP tuvo una precisión equilibrada (BCR) del 95,65% en comparación con el 92,70% para el modelo RF. La comparación entre el modelo MLP y el modelo RF para la región de la curva de características operativas del receptor (ROC), (AUC) dio un valor de 0,92 y 0,95, respectivamente, para los modelos MLP y RF. Por lo tanto, se puede concluir que utilizando solo la polarización HV, tanto el MLP como el RF pueden usarse para predecir la enfermedad de BSR con una precisión relativamente alta.