La estimación del NDVI durante todo el período de crecimiento de varios cultivos utilizando imágenes RGB y aprendizaje profundo
Autores: Wang, Jianliang; Chen, Chen; Wang, Jiacheng; Yao, Zhaosheng; Wang, Ying; Zhao, Yuanyuan; Sun, Yi; Wu, Fei; Han, Dongwei; Yang, Guanshuo; Liu, Xinyu; Sun, Chengming; Liu, Tao
Idioma: Inglés
Editor: MDPI
Año: 2024
Acceso abierto
Artículo científico
2024
La estimación del NDVI durante todo el período de crecimiento de varios cultivos utilizando imágenes RGB y aprendizaje profundo
Categoría
Ciencias Agrícolas y Biológicas
Subcategoría
Agronomía y Ciencia de los Cultivos
Palabras clave
índice de vegetación
NDVI
Teledetección
Imágenes RGB
Aprendizaje profundo
Crecimiento de cultivos
Licencia
CC BY-SA – Atribución – Compartir Igual
Consultas: 25
Citaciones: Sin citaciones
El Índice de Vegetación de Diferencia Normalizada (NDVI) es un índice importante de teledetección que se utiliza ampliamente para evaluar la cobertura vegetal, monitorear el crecimiento de los cultivos y predecir los rendimientos. Los métodos tradicionales de cálculo del NDVI a menudo dependen de imágenes multiespectrales o hiperespectrales, que son costosas y complejas de operar, limitando así su aplicabilidad en granjas a pequeña escala y países en desarrollo. Para abordar estas limitaciones, este estudio propone un método de estimación del NDVI basado en imágenes de bajo costo de RGB (rojo, verde y azul) de UAV (vehículo aéreo no tripulado) combinadas con técnicas de aprendizaje profundo. Este estudio utiliza datos de campo de cinco cultivos principales (algodón, arroz, maíz, colza y trigo) a lo largo de todo su período de crecimiento. Se utilizaron imágenes RGB para extraer características convencionales, incluidos índices de color (IC), características de textura (TF) y cobertura vegetal, mientras que las características convolucionales (CF) se extrajeron utilizando la red de aprendizaje profundo ResNet50 para optimizar el modelo. Los resultados indican que el modelo, optimizado con CF, mejoró significativamente la precisión de la estimación del NDVI. Específicamente, los valores de R para maíz, colza y trigo durante todo su período de crecimiento alcanzaron 0.99, mientras que los de arroz y algodón fueron 0.96 y 0.93, respectivamente. Notablemente, la mejora de la precisión en los períodos de crecimiento posteriores fue más pronunciada para algodón y maíz, con aumentos promedio de R de 0.15 y 0.14, respectivamente, mientras que el trigo mostró una mejora más modesta de solo 0.04. Este método aprovecha el aprendizaje profundo para capturar cambios estructurales en las poblaciones de cultivos, optimizando características de imagen convencionales y mejorando la precisión de la estimación del NDVI. Este estudio presenta un enfoque de estimación del NDVI aplicable a todo el período de crecimiento de cultivos comunes, particularmente aquellos con variaciones significativas en la población, y proporciona una referencia valiosa para estimar otros índices de vegetación utilizando imágenes de RGB adquiridas por UAV de bajo costo.
Descripción
El Índice de Vegetación de Diferencia Normalizada (NDVI) es un índice importante de teledetección que se utiliza ampliamente para evaluar la cobertura vegetal, monitorear el crecimiento de los cultivos y predecir los rendimientos. Los métodos tradicionales de cálculo del NDVI a menudo dependen de imágenes multiespectrales o hiperespectrales, que son costosas y complejas de operar, limitando así su aplicabilidad en granjas a pequeña escala y países en desarrollo. Para abordar estas limitaciones, este estudio propone un método de estimación del NDVI basado en imágenes de bajo costo de RGB (rojo, verde y azul) de UAV (vehículo aéreo no tripulado) combinadas con técnicas de aprendizaje profundo. Este estudio utiliza datos de campo de cinco cultivos principales (algodón, arroz, maíz, colza y trigo) a lo largo de todo su período de crecimiento. Se utilizaron imágenes RGB para extraer características convencionales, incluidos índices de color (IC), características de textura (TF) y cobertura vegetal, mientras que las características convolucionales (CF) se extrajeron utilizando la red de aprendizaje profundo ResNet50 para optimizar el modelo. Los resultados indican que el modelo, optimizado con CF, mejoró significativamente la precisión de la estimación del NDVI. Específicamente, los valores de R para maíz, colza y trigo durante todo su período de crecimiento alcanzaron 0.99, mientras que los de arroz y algodón fueron 0.96 y 0.93, respectivamente. Notablemente, la mejora de la precisión en los períodos de crecimiento posteriores fue más pronunciada para algodón y maíz, con aumentos promedio de R de 0.15 y 0.14, respectivamente, mientras que el trigo mostró una mejora más modesta de solo 0.04. Este método aprovecha el aprendizaje profundo para capturar cambios estructurales en las poblaciones de cultivos, optimizando características de imagen convencionales y mejorando la precisión de la estimación del NDVI. Este estudio presenta un enfoque de estimación del NDVI aplicable a todo el período de crecimiento de cultivos comunes, particularmente aquellos con variaciones significativas en la población, y proporciona una referencia valiosa para estimar otros índices de vegetación utilizando imágenes de RGB adquiridas por UAV de bajo costo.