La estimación hiperespectral del contenido de agua en hojas de trigo de invierno basada en la diferenciación de orden fraccional y la transformada continua de wavelet
Autores: Li, Changchun; Xiao, Zhen; Liu, Yanghua; Meng, Xiaopeng; Li, Xinyan; Wang, Xin; Li, Yafeng; Zhao, Chenyi; Ren, Lipeng; Yang, Chen; Jiao, Yinghua
Idioma: Inglés
Editor: MDPI
Año: 2022
Acceso abierto
Artículo científico
2022
La estimación hiperespectral del contenido de agua en hojas de trigo de invierno basada en la diferenciación de orden fraccional y la transformada continua de wavelet
Categoría
Ciencias Agrícolas y Biológicas
Subcategoría
Agronomía y Ciencia de los Cultivos
Palabras clave
Contenido de agua de la hoja
Datos hiperespectrales
Trigo de invierno
Regresión de proceso gaussiano
Red neuronal artificial
Período de estimación
Licencia
CC BY-SA – Atribución – Compartir Igual
Consultas: 34
Citaciones: Sin citaciones
El contenido de agua de la hoja (LWC) es uno de los indicadores importantes de la salud de los cultivos. Juega un papel importante en el proceso fisiológico de las hojas, participa en casi todos los procesos fisiológicos de los cultivos y es de gran importancia para la supervivencia y el crecimiento de los cultivos. Basado en los datos hiperespectrales (350-1350 nm) y de LWC (periodos de encañado, espigado, floración y llenado) de trigo de invierno en 2020 y 2021, este trabajo propuso transformar y procesar los datos hiperespectrales mediante la adopción de la diferencial de orden fraccional y la transformada wavelet continua, y tomó un espectro diferencial, coeficientes wavelet y variables mixtas (espectro diferencial y coeficientes wavelet) como variables de entrada del modelo y adoptó métodos de regresión de proceso gaussiano (GPR), árbol de decisión de clasificación y regresión (CART) y red neuronal artificial (ANN) para estimar el LWC del trigo en diferentes periodos de crecimiento. Los resultados indicaron que la diferencial fraccional y la transformada wavelet continua podrían resaltar las características espectrales del dosel de trigo de invierno y mejorar su correlación con el LWC. Las tres variables del modelo tuvieron el mejor efecto de estimación en el LWC en el periodo de floración, y los valores promedio de R fueron 0,86 y 0,87 en modelado y verificación, lo que indicaba que el periodo de floración podría ser utilizado como el mejor periodo de estimación para el LWC. En comparación con el espectro diferencial y los coeficientes wavelet, la estimación de LWC basada en variables mixtas tuvo el mejor desempeño. Los valores promedio de R en modelado y verificación fueron 0,78 y 0,79. Entre ellos, el modelo ANN tuvo la mayor precisión de estimación, y el R en modelado y verificación pudo alcanzar 0,92 y 0,91. Esto demostró que la diferencial fraccional y la transformada wavelet continua podrían promover efectivamente la sensibilidad de la información espectral al LWC y mejorar la capacidad de predicción y estabilidad del LWC del trigo. Los resultados del presente estudio tienen el potencial de proporcionar nuevas ideas para la monitorización del agua de los cultivos.
Descripción
El contenido de agua de la hoja (LWC) es uno de los indicadores importantes de la salud de los cultivos. Juega un papel importante en el proceso fisiológico de las hojas, participa en casi todos los procesos fisiológicos de los cultivos y es de gran importancia para la supervivencia y el crecimiento de los cultivos. Basado en los datos hiperespectrales (350-1350 nm) y de LWC (periodos de encañado, espigado, floración y llenado) de trigo de invierno en 2020 y 2021, este trabajo propuso transformar y procesar los datos hiperespectrales mediante la adopción de la diferencial de orden fraccional y la transformada wavelet continua, y tomó un espectro diferencial, coeficientes wavelet y variables mixtas (espectro diferencial y coeficientes wavelet) como variables de entrada del modelo y adoptó métodos de regresión de proceso gaussiano (GPR), árbol de decisión de clasificación y regresión (CART) y red neuronal artificial (ANN) para estimar el LWC del trigo en diferentes periodos de crecimiento. Los resultados indicaron que la diferencial fraccional y la transformada wavelet continua podrían resaltar las características espectrales del dosel de trigo de invierno y mejorar su correlación con el LWC. Las tres variables del modelo tuvieron el mejor efecto de estimación en el LWC en el periodo de floración, y los valores promedio de R fueron 0,86 y 0,87 en modelado y verificación, lo que indicaba que el periodo de floración podría ser utilizado como el mejor periodo de estimación para el LWC. En comparación con el espectro diferencial y los coeficientes wavelet, la estimación de LWC basada en variables mixtas tuvo el mejor desempeño. Los valores promedio de R en modelado y verificación fueron 0,78 y 0,79. Entre ellos, el modelo ANN tuvo la mayor precisión de estimación, y el R en modelado y verificación pudo alcanzar 0,92 y 0,91. Esto demostró que la diferencial fraccional y la transformada wavelet continua podrían promover efectivamente la sensibilidad de la información espectral al LWC y mejorar la capacidad de predicción y estabilidad del LWC del trigo. Los resultados del presente estudio tienen el potencial de proporcionar nuevas ideas para la monitorización del agua de los cultivos.