Un método de estimación de rendimiento de té fresco estacional con algoritmos de aprendizaje automático a escala de campo que integra imágenes RGB de UAV y Sentinel-2
Autores: Liu, Huimei; Liu, Yun; Xu, Weiheng; Wu, Mei; Wang, Leiguang; Lu, Ning; Ou, Guanglong
Idioma: Inglés
Editor: MDPI
Año: 2025
Acceso abierto
Artículo científico
2025
Un método de estimación de rendimiento de té fresco estacional con algoritmos de aprendizaje automático a escala de campo que integra imágenes RGB de UAV y Sentinel-2
Categoría
Ciencias Agrícolas y Biológicas
Subcategoría
Botánica
Palabras clave
Métodos tradicionales
Rendimiento del té
Producción de té fresco
Imágenes de Sentinel-2
Modelos de regresión
Imágenes de UAV
Licencia
CC BY-SA – Atribución – Compartir Igual
Consultas: 14
Citaciones: Sin citaciones
Los métodos tradicionales para estimar el rendimiento del té se basan principalmente en encuestas de muestreo manual y estimaciones empíricas, que son intensivas en mano de obra y requieren mucho tiempo. Estimar con precisión la producción de té fresco en diferentes estaciones se ha convertido en una tarea desafiante. Es posible estimar el rendimiento estacional del té a escala de campo utilizando una resolución espacial de 10 m, un período de revisión de 5 días y una rica información espectral de las imágenes de Sentinel-2. Este estudio integró imágenes de Sentinel-2 e imágenes RGB de vehículos aéreos no tripulados (UAV) para desarrollar seis modelos de regresión a escala de campo, que se emplearon para la estimación de los rendimientos de té fresco estacionales y anuales de las Cooperativas de Té Yunlong en la localidad de Yixiang, ciudad de Pu"er, China. En primer lugar, recopilamos datos de producción de té fresco de 133 agricultores en la cooperativa durante los últimos cinco años y obtuvimos imágenes RGB de UAV e imágenes de Sentinel-2. En segundo lugar, se extrajeron 23 características espectrales de las imágenes de Sentinel-2. Basado en las imágenes de UAV, se posicionó la parcela de cada agricultor y se extrajeron tres características topográficas: pendiente, orientación y elevación. Posteriormente, estas 26 características se filtraron utilizando el algoritmo de bosque aleatorio y el análisis de correlación de Pearson. En tercer lugar, aplicamos seis algoritmos de regresión diferentes para establecer modelos de rendimiento de té fresco para cada estación y evaluamos su precisión de estimación. Los resultados mostraron que los modelos de regresión de bosque aleatorio eran la mejor opción para estimar los rendimientos de primavera y verano, con el modelo de primavera alcanzando un valor R de 0.45, un RMSE de 40.38 kg/acre y un rRMSE de 40.79%. De manera similar, el modelo de verano alcanzó un valor R de 0.5, un RMSE de 78.46 kg/acre y un rRMSE de 39.81%. Para la estimación del rendimiento de otoño y anual, los modelos de regresión por votación demostraron un rendimiento superior, con el modelo de otoño alcanzando un valor R de 0.42, un RMSE de 70.6 kg/acre y un rRMSE de 39.77%, y el modelo anual alcanzando un valor R de 0.47, un RMSE de 168.7 kg/acre y un rRMSE de 34.62%. Este estudio proporciona un nuevo método prometedor para estimar el rendimiento de té fresco en diferentes estaciones a escala de campo.
Descripción
Los métodos tradicionales para estimar el rendimiento del té se basan principalmente en encuestas de muestreo manual y estimaciones empíricas, que son intensivas en mano de obra y requieren mucho tiempo. Estimar con precisión la producción de té fresco en diferentes estaciones se ha convertido en una tarea desafiante. Es posible estimar el rendimiento estacional del té a escala de campo utilizando una resolución espacial de 10 m, un período de revisión de 5 días y una rica información espectral de las imágenes de Sentinel-2. Este estudio integró imágenes de Sentinel-2 e imágenes RGB de vehículos aéreos no tripulados (UAV) para desarrollar seis modelos de regresión a escala de campo, que se emplearon para la estimación de los rendimientos de té fresco estacionales y anuales de las Cooperativas de Té Yunlong en la localidad de Yixiang, ciudad de Pu"er, China. En primer lugar, recopilamos datos de producción de té fresco de 133 agricultores en la cooperativa durante los últimos cinco años y obtuvimos imágenes RGB de UAV e imágenes de Sentinel-2. En segundo lugar, se extrajeron 23 características espectrales de las imágenes de Sentinel-2. Basado en las imágenes de UAV, se posicionó la parcela de cada agricultor y se extrajeron tres características topográficas: pendiente, orientación y elevación. Posteriormente, estas 26 características se filtraron utilizando el algoritmo de bosque aleatorio y el análisis de correlación de Pearson. En tercer lugar, aplicamos seis algoritmos de regresión diferentes para establecer modelos de rendimiento de té fresco para cada estación y evaluamos su precisión de estimación. Los resultados mostraron que los modelos de regresión de bosque aleatorio eran la mejor opción para estimar los rendimientos de primavera y verano, con el modelo de primavera alcanzando un valor R de 0.45, un RMSE de 40.38 kg/acre y un rRMSE de 40.79%. De manera similar, el modelo de verano alcanzó un valor R de 0.5, un RMSE de 78.46 kg/acre y un rRMSE de 39.81%. Para la estimación del rendimiento de otoño y anual, los modelos de regresión por votación demostraron un rendimiento superior, con el modelo de otoño alcanzando un valor R de 0.42, un RMSE de 70.6 kg/acre y un rRMSE de 39.77%, y el modelo anual alcanzando un valor R de 0.47, un RMSE de 168.7 kg/acre y un rRMSE de 34.62%. Este estudio proporciona un nuevo método prometedor para estimar el rendimiento de té fresco en diferentes estaciones a escala de campo.