Combinando métodos de Random Forest y XGBoost en la detección temprana y a medio plazo de la roya de la espiga del trigo de invierno utilizando mediciones hiperespectrales a nivel de dosel
Autores: Huang, Linsheng; Liu, Yong; Huang, Wenjiang; Dong, Yingying; Ma, Huiqin; Wu, Kang; Guo, Anting
Idioma: Inglés
Editor: MDPI
Año: 2022
Acceso abierto
Artículo científico
2022
Combinando métodos de Random Forest y XGBoost en la detección temprana y a medio plazo de la roya de la espiga del trigo de invierno utilizando mediciones hiperespectrales a nivel de dosel
Categoría
Ciencias Agrícolas y Biológicas
Subcategoría
Ciencias Agrícolas y Biológicas Generales
Palabras clave
Métodos de modelado
Algoritmos de selección de características
Bosque aleatorio
Aumento extremo de gradientes
índices de vegetación
Roya de la espiga de trigo
Licencia
CC BY-SA – Atribución – Compartir Igual
Consultas: 23
Citaciones: Sin citaciones
Los métodos de modelado apropiados y los algoritmos de selección de características deben ser seleccionados para mejorar la precisión de la detección temprana y a medio plazo de la roya de la espiga de trigo mediante teledetección. En el estudio actual, exploramos la efectividad del algoritmo de bosques aleatorios (RF) combinado con el método de aumento de gradiente extremo (XGboost) para la detección temprana y a medio plazo de la roya de la espiga de trigo basada en los índices de vegetación extraídos de medidas hiperespectrales a nivel de dosel. Inicialmente, se calcularon 21 índices de vegetación relacionados con la roya de la espiga de trigo en invierno a corto y a medio plazo sobre la base de la reflectancia hiperespectral a nivel de dosel. Posteriormente, la combinación óptima de índices de vegetación para la detección de la enfermedad fue determinada utilizando análisis de correlación (CA) combinado con algoritmos de RF. Luego, el modelo de detección de la severidad de la enfermedad de la roya de la espiga de trigo en invierno a corto y a medio plazo fue construido utilizando el método XGBoost basado en la combinación óptima de índices de vegetación. Para la evaluación y comparación de los resultados iniciales, se utilizaron tres métodos de clasificación comúnmente utilizados, a saber, RF, red neuronal de retropropagación (BPNN) y máquina de vectores de soporte (SVM). Las combinaciones de índices de vegetación determinadas por el algoritmo de CA único también se utilizaron para construir modelos de detección. En comparación con los modelos de detección basados en la combinación de índices de vegetación obtenidos utilizando el algoritmo de CA único, la precisión general de los cuatro modelos de detección basados en la combinación óptima de índices de vegetación basados en CA combinado con algoritmos de RF aumentó en un 16,1% (XGBoost), 9,7% (RF), 8,1% (SVM) y 8,1% (BPNN). Entre los ocho modelos, el modelo de detección XGBoost basado en la combinación óptima de índices de vegetación utilizando CA combinado con algoritmos de RF, CA-RF-XGBoost, logró la mayor precisión general del 87,1% y el coeficiente kappa más alto de 0,798. Nuestros resultados indican que el RF combinado con XGBoost puede mejorar de manera efectiva la precisión de detección de la roya de la espiga de trigo en invierno a corto y a medio plazo a escala de dosel.
Descripción
Los métodos de modelado apropiados y los algoritmos de selección de características deben ser seleccionados para mejorar la precisión de la detección temprana y a medio plazo de la roya de la espiga de trigo mediante teledetección. En el estudio actual, exploramos la efectividad del algoritmo de bosques aleatorios (RF) combinado con el método de aumento de gradiente extremo (XGboost) para la detección temprana y a medio plazo de la roya de la espiga de trigo basada en los índices de vegetación extraídos de medidas hiperespectrales a nivel de dosel. Inicialmente, se calcularon 21 índices de vegetación relacionados con la roya de la espiga de trigo en invierno a corto y a medio plazo sobre la base de la reflectancia hiperespectral a nivel de dosel. Posteriormente, la combinación óptima de índices de vegetación para la detección de la enfermedad fue determinada utilizando análisis de correlación (CA) combinado con algoritmos de RF. Luego, el modelo de detección de la severidad de la enfermedad de la roya de la espiga de trigo en invierno a corto y a medio plazo fue construido utilizando el método XGBoost basado en la combinación óptima de índices de vegetación. Para la evaluación y comparación de los resultados iniciales, se utilizaron tres métodos de clasificación comúnmente utilizados, a saber, RF, red neuronal de retropropagación (BPNN) y máquina de vectores de soporte (SVM). Las combinaciones de índices de vegetación determinadas por el algoritmo de CA único también se utilizaron para construir modelos de detección. En comparación con los modelos de detección basados en la combinación de índices de vegetación obtenidos utilizando el algoritmo de CA único, la precisión general de los cuatro modelos de detección basados en la combinación óptima de índices de vegetación basados en CA combinado con algoritmos de RF aumentó en un 16,1% (XGBoost), 9,7% (RF), 8,1% (SVM) y 8,1% (BPNN). Entre los ocho modelos, el modelo de detección XGBoost basado en la combinación óptima de índices de vegetación utilizando CA combinado con algoritmos de RF, CA-RF-XGBoost, logró la mayor precisión general del 87,1% y el coeficiente kappa más alto de 0,798. Nuestros resultados indican que el RF combinado con XGBoost puede mejorar de manera efectiva la precisión de detección de la roya de la espiga de trigo en invierno a corto y a medio plazo a escala de dosel.