Estimación de rendimiento de trigo de invierno basada en la fusión de datos de teledetección multitemporal y multisensor
Autores: Li, Yang; Zhao, Bo; Wang, Jizhong; Li, Yanjun; Yuan, Yanwei
Idioma: Inglés
Editor: MDPI
Año: 2023
Acceso abierto
Artículo científico
2023
Estimación de rendimiento de trigo de invierno basada en la fusión de datos de teledetección multitemporal y multisensor
Categoría
Ciencias Agrícolas y Biológicas
Subcategoría
Ciencias Agrícolas y Biológicas Generales
Palabras clave
Precisión
Estimación de rendimiento
Modelos de aprendizaje automático
índices de vegetación multiespectrales
Períodos de crecimiento
Trigo de invierno
Licencia
CC BY-SA – Atribución – Compartir Igual
Consultas: 41
Citaciones: Sin citaciones
La estimación precisa del rendimiento antes de la cosecha de trigo es muy importante para la gestión de precisión, mantener la estabilidad del mercado de granos y garantizar la seguridad alimentaria nacional. En este estudio, para mejorar aún más la precisión de la estimación del rendimiento del trigo de invierno, se emplearon modelos de aprendizaje automático, incluidos GPR, SVR y DT, para construir modelos de estimación del rendimiento basados en los periodos de crecimiento único y múltiple, incorporando el color y los índices de vegetación multiespectral. Los resultados mostraron lo siguiente: (1) En general, el rendimiento y la precisión de los modelos de estimación del rendimiento basados en el aprendizaje automático se clasificaron de la siguiente manera: GPR, SVR, DT. (2) La combinación de índices de color e índices de vegetación multiespectral mejoró efectivamente la precisión de la estimación del rendimiento del trigo de invierno en comparación con los índices de vegetación multiespectral e índices de color por separado. La precisión de los modelos de estimación del rendimiento basados en los periodos de crecimiento múltiple también fue mayor que la de los modelos de periodo de crecimiento único. El modelo con múltiples periodos de crecimiento y múltiples características tuvo la mayor precisión, con una R de 0.83, un RMSE de 297.70 kg/hm, y un rRMSE de 4.69%. (3) Para el periodo de crecimiento único, la precisión de los modelos de estimación del rendimiento basados en los índices de color fue menor que la de los modelos de estimación del rendimiento basados en los índices de vegetación multiespectral. Para los periodos de crecimiento múltiple, la precisión de los modelos construidos por los dos tipos de índices fue muy similar, con R de 0.80 y 0.80, RMSE de 330.37 kg/hm y 328.95 kg/hm, y rRMSE de 5.21% y 5.19%, respectivamente. Esto indica que la cámara RGB de bajo costo tiene un buen potencial para la estimación del rendimiento de los cultivos. La fusión de datos de teledetección multi-temporales y multi-sensoriales puede mejorar aún más la precisión de la estimación del rendimiento del trigo de invierno y proporcionar métodos y referencias para la estimación del rendimiento del trigo de invierno.
Descripción
La estimación precisa del rendimiento antes de la cosecha de trigo es muy importante para la gestión de precisión, mantener la estabilidad del mercado de granos y garantizar la seguridad alimentaria nacional. En este estudio, para mejorar aún más la precisión de la estimación del rendimiento del trigo de invierno, se emplearon modelos de aprendizaje automático, incluidos GPR, SVR y DT, para construir modelos de estimación del rendimiento basados en los periodos de crecimiento único y múltiple, incorporando el color y los índices de vegetación multiespectral. Los resultados mostraron lo siguiente: (1) En general, el rendimiento y la precisión de los modelos de estimación del rendimiento basados en el aprendizaje automático se clasificaron de la siguiente manera: GPR, SVR, DT. (2) La combinación de índices de color e índices de vegetación multiespectral mejoró efectivamente la precisión de la estimación del rendimiento del trigo de invierno en comparación con los índices de vegetación multiespectral e índices de color por separado. La precisión de los modelos de estimación del rendimiento basados en los periodos de crecimiento múltiple también fue mayor que la de los modelos de periodo de crecimiento único. El modelo con múltiples periodos de crecimiento y múltiples características tuvo la mayor precisión, con una R de 0.83, un RMSE de 297.70 kg/hm, y un rRMSE de 4.69%. (3) Para el periodo de crecimiento único, la precisión de los modelos de estimación del rendimiento basados en los índices de color fue menor que la de los modelos de estimación del rendimiento basados en los índices de vegetación multiespectral. Para los periodos de crecimiento múltiple, la precisión de los modelos construidos por los dos tipos de índices fue muy similar, con R de 0.80 y 0.80, RMSE de 330.37 kg/hm y 328.95 kg/hm, y rRMSE de 5.21% y 5.19%, respectivamente. Esto indica que la cámara RGB de bajo costo tiene un buen potencial para la estimación del rendimiento de los cultivos. La fusión de datos de teledetección multi-temporales y multi-sensoriales puede mejorar aún más la precisión de la estimación del rendimiento del trigo de invierno y proporcionar métodos y referencias para la estimación del rendimiento del trigo de invierno.