Modelo de estimación de biomasa seca sobre el suelo del arroz basado en el aprendizaje automático y parámetros característicos hiperespectrales del dosel
Autores: Wang, Xiaoke; Xu, Guiling; Feng, Yuehua; Peng, Jinfeng; Gao, Yuqi; Li, Jie; Han, Zhili; Luo, Qiangxin; Ren, Hongjun; You, Xiaoxuan; Lu, Wei
Idioma: Inglés
Editor: MDPI
Año: 2023
Acceso abierto
Artículo científico
2023
Modelo de estimación de biomasa seca sobre el suelo del arroz basado en el aprendizaje automático y parámetros característicos hiperespectrales del dosel
Categoría
Ciencias Agrícolas y Biológicas
Subcategoría
Agronomía y Ciencia de los Cultivos
Palabras clave
Estimación de biomasa seca sobre el suelo
Arroz
Parámetros característicos hiperespectrales
Dosel
Modelado
ADB
Licencia
CC BY-SA – Atribución – Compartir Igual
Consultas: 22
Citaciones: Sin citaciones
Estimar con precisión la biomasa seca sobre el suelo (ADB) es crucial. El ADB del arroz ha sido principalmente estimado utilizando índices de vegetación con varias bandas discretas; sin embargo, estos índices no pueden aprovechar las bandas continuas disponibles con teledetección hiperespectral. Este estudio analizó la relación cuantitativa entre los parámetros característicos hiperespectrales del dosel (HCPs) y el ADB del arroz. Se utilizaron veinte HCPs, incluyendo el área del borde rojo (SDr), el área del borde azul (SDb) y otros. Los métodos de selección de variables involucraron regresión paso a paso (SR), un coeficiente de regresión (RC), importancia de variables en proyección (vip) y bosque aleatorio (RF). Se emplearon métodos de regresión paso a paso y de mínimos cuadrados parciales con regresión lineal tradicional, así como métodos de aprendizaje automático que incluyen bosque aleatorio (RF), una máquina de vectores de soporte (SVM), una red neuronal artificial BP (BPNN) y una máquina de aprendizaje extremo. Se construyeron modelos de variables completas y de variables de selección para estimar el ADB del arroz en las etapas de encañado, espigado, encabezado y maduración y a lo largo de las etapas de crecimiento. Los modelos de variables de selección incluyen modelos SVM basados en SR (SVM-sr), modelos RF basados en vip (RF-vip) y otros. Los resultados muestran que los HCPs tuvieron una correlación significativa con el ADB que contiene elementos en la región del borde rojo, a saber, SDr, SDr/SDb y (SDr - SDb)/(SDr + SDb) en cada etapa de crecimiento. Además, el rendimiento de selección de vip y SR fue mejor que el de RC y RF, y se seleccionaron menos variables. Además, los HCPs de la región del borde rojo fueron seleccionados utilizando diferentes métodos de selección en cada etapa de crecimiento. Entre ellos, SDr/SDb y (SDr - SDb)/(SDr + SDb) aparecieron con frecuencia, lo que indica que son importantes. Además, en cada etapa de crecimiento, el ADB podría estimarse bien utilizando diversos modelos con el método de modelado RF basado en la selección de variables vip encontrado como el mejor método de modelado para la estimación de ADB; las variables independientes del modelo RF-vip involucraron el (SDr - SDb)/(SDr + SDb) en cada etapa de crecimiento.
Descripción
Estimar con precisión la biomasa seca sobre el suelo (ADB) es crucial. El ADB del arroz ha sido principalmente estimado utilizando índices de vegetación con varias bandas discretas; sin embargo, estos índices no pueden aprovechar las bandas continuas disponibles con teledetección hiperespectral. Este estudio analizó la relación cuantitativa entre los parámetros característicos hiperespectrales del dosel (HCPs) y el ADB del arroz. Se utilizaron veinte HCPs, incluyendo el área del borde rojo (SDr), el área del borde azul (SDb) y otros. Los métodos de selección de variables involucraron regresión paso a paso (SR), un coeficiente de regresión (RC), importancia de variables en proyección (vip) y bosque aleatorio (RF). Se emplearon métodos de regresión paso a paso y de mínimos cuadrados parciales con regresión lineal tradicional, así como métodos de aprendizaje automático que incluyen bosque aleatorio (RF), una máquina de vectores de soporte (SVM), una red neuronal artificial BP (BPNN) y una máquina de aprendizaje extremo. Se construyeron modelos de variables completas y de variables de selección para estimar el ADB del arroz en las etapas de encañado, espigado, encabezado y maduración y a lo largo de las etapas de crecimiento. Los modelos de variables de selección incluyen modelos SVM basados en SR (SVM-sr), modelos RF basados en vip (RF-vip) y otros. Los resultados muestran que los HCPs tuvieron una correlación significativa con el ADB que contiene elementos en la región del borde rojo, a saber, SDr, SDr/SDb y (SDr - SDb)/(SDr + SDb) en cada etapa de crecimiento. Además, el rendimiento de selección de vip y SR fue mejor que el de RC y RF, y se seleccionaron menos variables. Además, los HCPs de la región del borde rojo fueron seleccionados utilizando diferentes métodos de selección en cada etapa de crecimiento. Entre ellos, SDr/SDb y (SDr - SDb)/(SDr + SDb) aparecieron con frecuencia, lo que indica que son importantes. Además, en cada etapa de crecimiento, el ADB podría estimarse bien utilizando diversos modelos con el método de modelado RF basado en la selección de variables vip encontrado como el mejor método de modelado para la estimación de ADB; las variables independientes del modelo RF-vip involucraron el (SDr - SDb)/(SDr + SDb) en cada etapa de crecimiento.