Estimación Multi-Dimensional de la Tasa de Pérdida de Hojas de la Oruga de Alerce Bajo Estrés de Plagas Insecto Usando Sensores Remotos Multi-Fuente Basados en UAV
Autores: Sa, He-Ya; Huang, Xiaojun; Ling, Li; Zhou, Debao; Zhang, Junsheng; Bao, Gang; Tong, Siqin; Bao, Yuhai; Ganbat, Dashzebeg; Ariunaa, Mungunkhuyag; Altanchimeg, Dorjsuren; Enkhnasan, Davaadorj
Idioma: Inglés
Editor: MDPI
Año: 2025
Acceso abierto
Artículo científico
2025
Estimación Multi-Dimensional de la Tasa de Pérdida de Hojas de la Oruga de Alerce Bajo Estrés de Plagas Insecto Usando Sensores Remotos Multi-Fuente Basados en UAV
Categoría
Ingeniería y Tecnología
Subcategoría
Ingeniería Robótica
Palabras clave
Pérdida de hojas
LLR
Hiperespectral
LiDAR
Teledetección
CNNR
Licencia
CC BY-SA – Atribución – Compartir Igual
Consultas: 1
Citaciones: Sin citaciones
La pérdida de hojas causada por infestaciones de plagas representa una amenaza seria para la salud del bosque. La tasa de pérdida de hojas (LLR) se refiere al porcentaje de la pérdida total de hojas de la copa del árbol por unidad de área y es un indicador importante para evaluar la salud del bosque. Por lo tanto, la adquisición rápida y precisa de la LLR a través del monitoreo por teledetección es crucial. Este estudio se basa en datos hiperespectrales y LiDAR de drones, así como en datos de encuestas en el terreno, calculando índices hiperespectrales (HSI), índices multiespectrales (MSI) e índices LiDAR (LI). Se emplea un suavizado de Savitzky-Golay (S-G) con diferentes tamaños de ventana (W) y órdenes polinómicos (P) combinado con eliminación recursiva de características (RFE) para seleccionar características sensibles. Utilizando regresión de bosque aleatorio (RFR) y regresión de red neuronal convolucional (CNNR) para construir un modelo de estimación multidimensional (horizontal y vertical) para la LLR, combinado con datos de nubes de puntos LiDAR, se logró una visualización tridimensional de la tasa de pérdida de hojas de los árboles. Los resultados del estudio mostraron: (1) La combinación óptima de HSI y MSI se determinó como W11P3, y el LI fue W5P2. (2) La combinación óptima del número de características sensibles extraídas por el algoritmo RFE fue de 13 HSI, 16 MSI y LI jerárquico (2 en la capa I, 9 en la capa II y 11 en la capa III). (3) En términos de la estimación horizontal de la tasa de defoliación, el índice de rendimiento del modelo CNNRHSI (MPI = 0.9383) fue significativamente mejor que el de RFRMSI (MPI = 0.8817), lo que indica que las bandas continuas de hiperespectral podrían monitorear mejor los cambios sutiles de la LLR. (4) Los modelos de estimación vertical I-CNNRHSI+LI, II-CNNRHSI+LI y III-CNNRHSI+LI se construyeron combinando el modelo CNNRHSI con la mejor precisión y el LI sensible a diferentes niveles verticales, respectivamente, y sus MPIs alcanzaron más de 0.8, lo que indica que la estimación de la LLR en diferentes niveles verticales tenía alta precisión. Según el modelo, se estimó la LLR a nivel de píxel del árbol de muestra, y se generó la visualización tridimensional de la LLR para los árboles del bosque bajo el estrés de plagas de orugas de alerce, proporcionando un esquema de investigación de alta precisión para la estimación de LLR bajo estrés de plagas.
Descripción
La pérdida de hojas causada por infestaciones de plagas representa una amenaza seria para la salud del bosque. La tasa de pérdida de hojas (LLR) se refiere al porcentaje de la pérdida total de hojas de la copa del árbol por unidad de área y es un indicador importante para evaluar la salud del bosque. Por lo tanto, la adquisición rápida y precisa de la LLR a través del monitoreo por teledetección es crucial. Este estudio se basa en datos hiperespectrales y LiDAR de drones, así como en datos de encuestas en el terreno, calculando índices hiperespectrales (HSI), índices multiespectrales (MSI) e índices LiDAR (LI). Se emplea un suavizado de Savitzky-Golay (S-G) con diferentes tamaños de ventana (W) y órdenes polinómicos (P) combinado con eliminación recursiva de características (RFE) para seleccionar características sensibles. Utilizando regresión de bosque aleatorio (RFR) y regresión de red neuronal convolucional (CNNR) para construir un modelo de estimación multidimensional (horizontal y vertical) para la LLR, combinado con datos de nubes de puntos LiDAR, se logró una visualización tridimensional de la tasa de pérdida de hojas de los árboles. Los resultados del estudio mostraron: (1) La combinación óptima de HSI y MSI se determinó como W11P3, y el LI fue W5P2. (2) La combinación óptima del número de características sensibles extraídas por el algoritmo RFE fue de 13 HSI, 16 MSI y LI jerárquico (2 en la capa I, 9 en la capa II y 11 en la capa III). (3) En términos de la estimación horizontal de la tasa de defoliación, el índice de rendimiento del modelo CNNRHSI (MPI = 0.9383) fue significativamente mejor que el de RFRMSI (MPI = 0.8817), lo que indica que las bandas continuas de hiperespectral podrían monitorear mejor los cambios sutiles de la LLR. (4) Los modelos de estimación vertical I-CNNRHSI+LI, II-CNNRHSI+LI y III-CNNRHSI+LI se construyeron combinando el modelo CNNRHSI con la mejor precisión y el LI sensible a diferentes niveles verticales, respectivamente, y sus MPIs alcanzaron más de 0.8, lo que indica que la estimación de la LLR en diferentes niveles verticales tenía alta precisión. Según el modelo, se estimó la LLR a nivel de píxel del árbol de muestra, y se generó la visualización tridimensional de la LLR para los árboles del bosque bajo el estrés de plagas de orugas de alerce, proporcionando un esquema de investigación de alta precisión para la estimación de LLR bajo estrés de plagas.