La estimación hiperespectral del contenido de clorofila en la hoja del manzano basada en la selección de bandas características y el modelo CatBoost
Autores: Zhang, Yu; Chang, Qingrui; Chen, Yi; Liu, Yanfu; Jiang, Danyao; Zhang, Zijuan
Idioma: Inglés
Editor: MDPI
Año: 2023
Acceso abierto
Artículo científico
2023
La estimación hiperespectral del contenido de clorofila en la hoja del manzano basada en la selección de bandas características y el modelo CatBoost
Categoría
Ciencias Agrícolas y Biológicas
Subcategoría
Agronomía y Ciencia de los Cultivos
Palabras clave
Contenido de clorofila de las hojas
Datos hiperespectrales
árboles de manzana
Transformaciones espectrales
Algoritmo CatBoost
Optimización de parámetros
Licencia
CC BY-SA – Atribución – Compartir Igual
Consultas: 25
Citaciones: Sin citaciones
El contenido de clorofila de las hojas (LCC) es un indicador crucial de la nutrición en los árboles de manzana y se puede aplicar para evaluar su estado de crecimiento. Los datos hiperespectrales pueden proporcionar un medio importante para detectar el LCC en los árboles de manzana. En este estudio, se obtuvieron datos hiperespectrales y el LCC medido. El espectro original (OR) fue pretratado utilizando algunas transformaciones espectrales. Las bandas características fueron seleccionadas en base a los algoritmos de muestreo reponderado adaptativo competitivo (CARS), rana aleatoria (RF), red elástica (EN), y los algoritmos EN-RF y EN-CARS. Se utilizaron regresión de mínimos cuadrados parciales (PLSR), regresión de bosque aleatorio (RFR) y el algoritmo CatBoost antes y después de la optimización de parámetros de búsqueda en grilla para estimar el LCC. Los resultados revelaron lo siguiente: (1) El espectro después de la transformación de segunda derivada (SD) tuvo la mayor correlación con el LCC (-0.929); además, el modelo basado en SD produjo la mayor precisión, convirtiendo a SD en un método efectivo de pretratamiento de espectros para la estimación del LCC de los árboles de manzana. (2) En comparación con el algoritmo de selección de banda única, el algoritmo EN-RF tuvo un mejor efecto de reducción de dimensiones, y la precisión del modelado fue generalmente mayor. (3) CatBoost después de la optimización de búsqueda en grilla tuvo el mejor efecto de estimación, y el conjunto de validación del modelo SD-EN-CARS-CatBoost después de la optimización de parámetros tuvo la mayor precisión de estimación, con el coeficiente de determinación (R), error cuadrático medio (RMSE) y desviación relativa de predicción (RPD) alcanzando 0.923, 2.472 y 3.64, respectivamente. Por lo tanto, el modelo optimizado SD-EN-CARS-CatBoost, con su alta precisión y fiabilidad, puede ser utilizado para monitorear el crecimiento de los árboles de manzana, apoyar la gestión inteligente de los huertos de manzanas y facilitar el desarrollo económico de la industria frutícola.
Descripción
El contenido de clorofila de las hojas (LCC) es un indicador crucial de la nutrición en los árboles de manzana y se puede aplicar para evaluar su estado de crecimiento. Los datos hiperespectrales pueden proporcionar un medio importante para detectar el LCC en los árboles de manzana. En este estudio, se obtuvieron datos hiperespectrales y el LCC medido. El espectro original (OR) fue pretratado utilizando algunas transformaciones espectrales. Las bandas características fueron seleccionadas en base a los algoritmos de muestreo reponderado adaptativo competitivo (CARS), rana aleatoria (RF), red elástica (EN), y los algoritmos EN-RF y EN-CARS. Se utilizaron regresión de mínimos cuadrados parciales (PLSR), regresión de bosque aleatorio (RFR) y el algoritmo CatBoost antes y después de la optimización de parámetros de búsqueda en grilla para estimar el LCC. Los resultados revelaron lo siguiente: (1) El espectro después de la transformación de segunda derivada (SD) tuvo la mayor correlación con el LCC (-0.929); además, el modelo basado en SD produjo la mayor precisión, convirtiendo a SD en un método efectivo de pretratamiento de espectros para la estimación del LCC de los árboles de manzana. (2) En comparación con el algoritmo de selección de banda única, el algoritmo EN-RF tuvo un mejor efecto de reducción de dimensiones, y la precisión del modelado fue generalmente mayor. (3) CatBoost después de la optimización de búsqueda en grilla tuvo el mejor efecto de estimación, y el conjunto de validación del modelo SD-EN-CARS-CatBoost después de la optimización de parámetros tuvo la mayor precisión de estimación, con el coeficiente de determinación (R), error cuadrático medio (RMSE) y desviación relativa de predicción (RPD) alcanzando 0.923, 2.472 y 3.64, respectivamente. Por lo tanto, el modelo optimizado SD-EN-CARS-CatBoost, con su alta precisión y fiabilidad, puede ser utilizado para monitorear el crecimiento de los árboles de manzana, apoyar la gestión inteligente de los huertos de manzanas y facilitar el desarrollo económico de la industria frutícola.