Los modelos de aprendizaje profundo superan a los modelos de aprendizaje automático generalizados en la predicción del rendimiento del trigo de invierno basado en datos multiespectrales de drones
Autores: Li, Zongpeng; Chen, Zhen; Cheng, Qian; Fei, Shuaipeng; Zhou, Xinguo
Idioma: Inglés
Editor: MDPI
Año: 2023
Acceso abierto
Artículo científico
2023
Los modelos de aprendizaje profundo superan a los modelos de aprendizaje automático generalizados en la predicción del rendimiento del trigo de invierno basado en datos multiespectrales de drones
Categoría
Ingeniería y Tecnología
Subcategoría
Ingeniería Robótica
Palabras clave
Oportuno
Preciso
Monitoreo
Rendimientos de trigo de invierno
Datos multiespectrales basados en UAV
Algoritmos de aprendizaje profundo
Licencia
CC BY-SA – Atribución – Compartir Igual
Consultas: 1
Citaciones: Sin citaciones
El monitoreo oportuno y preciso de los rendimientos de trigo de invierno es beneficioso para la macroorientación de la producción agrícola y para tomar decisiones de gestión precisas a lo largo del período reproductivo del trigo de invierno. La precisión de la predicción del rendimiento de los cultivos se puede mejorar combinando datos multiespectrales basados en vehículos aéreos no tripulados (VANT) con algoritmos de aprendizaje profundo. En este estudio, se construyeron 16 índices de vegetación sensibles al rendimiento y se analizaron sus correlaciones basadas en datos multiespectrales de VANT del trigo de invierno en las etapas de espigado, floración y llenado. Se obtuvieron siete conjuntos de variables de entrada basados en la combinación de datos de estos tres períodos, y se utilizaron cuatro algoritmos de aprendizaje automático generalizados (Random Forest (RF), K-Nearest Neighbor (KNN), Bagging y Gradient Boosting Regression (GBR)) y un algoritmo de aprendizaje profundo (Red Neuronal Convolucional 1D (1D-CNN)) para predecir el rendimiento del trigo de invierno. Los resultados mostraron que el modelo RF tuvo el mejor rendimiento de predicción entre los modelos de aprendizaje automático generalizados. El modelo CNN logró la mejor precisión de predicción basada en los siete conjuntos de variables de entrada. Los modelos de aprendizaje automático generalizados tendieron a subestimar o sobreestimar los rendimientos bajo diferentes tratamientos de riego, con un buen rendimiento de predicción para los rendimientos observados < 7.745 t·ha-1. El modelo CNN mostró el mejor rendimiento de predicción basado en la mayoría de los grupos de variables de entrada a través del rango de rendimientos observados. La mayoría de las diferencias entre los valores observados y predichos (Yi) para los modelos CNN se distribuyeron entre -0.1 t·ha-1 y 0.1 t·ha-1, y el modelo fue relativamente estable. Por lo tanto, se recomienda el modelo CNN en este estudio para la predicción de rendimientos y como referencia para futuras investigaciones en agricultura de precisión.
Descripción
El monitoreo oportuno y preciso de los rendimientos de trigo de invierno es beneficioso para la macroorientación de la producción agrícola y para tomar decisiones de gestión precisas a lo largo del período reproductivo del trigo de invierno. La precisión de la predicción del rendimiento de los cultivos se puede mejorar combinando datos multiespectrales basados en vehículos aéreos no tripulados (VANT) con algoritmos de aprendizaje profundo. En este estudio, se construyeron 16 índices de vegetación sensibles al rendimiento y se analizaron sus correlaciones basadas en datos multiespectrales de VANT del trigo de invierno en las etapas de espigado, floración y llenado. Se obtuvieron siete conjuntos de variables de entrada basados en la combinación de datos de estos tres períodos, y se utilizaron cuatro algoritmos de aprendizaje automático generalizados (Random Forest (RF), K-Nearest Neighbor (KNN), Bagging y Gradient Boosting Regression (GBR)) y un algoritmo de aprendizaje profundo (Red Neuronal Convolucional 1D (1D-CNN)) para predecir el rendimiento del trigo de invierno. Los resultados mostraron que el modelo RF tuvo el mejor rendimiento de predicción entre los modelos de aprendizaje automático generalizados. El modelo CNN logró la mejor precisión de predicción basada en los siete conjuntos de variables de entrada. Los modelos de aprendizaje automático generalizados tendieron a subestimar o sobreestimar los rendimientos bajo diferentes tratamientos de riego, con un buen rendimiento de predicción para los rendimientos observados < 7.745 t·ha-1. El modelo CNN mostró el mejor rendimiento de predicción basado en la mayoría de los grupos de variables de entrada a través del rango de rendimientos observados. La mayoría de las diferencias entre los valores observados y predichos (Yi) para los modelos CNN se distribuyeron entre -0.1 t·ha-1 y 0.1 t·ha-1, y el modelo fue relativamente estable. Por lo tanto, se recomienda el modelo CNN en este estudio para la predicción de rendimientos y como referencia para futuras investigaciones en agricultura de precisión.