Evaluación del monitoreo del crecimiento del cultivo de caña de azúcar utilizando índices de vegetación derivados de imágenes de UAV basadas en RGB y modelos de aprendizaje automático
Autores: Ruwanpathirana, P. P.; Sakai, Kazuhito; Jayasinghe, G. Y.; Nakandakari, Tamotsu; Yuge, Kozue; Wijekoon, W. M. C. J.; Priyankara, A. C. P.; Samaraweera, M. D. S.; Madushanka, P. L. A.
Idioma: Inglés
Editor: MDPI
Año: 2024
Acceso abierto
Artículo científico
2024
Evaluación del monitoreo del crecimiento del cultivo de caña de azúcar utilizando índices de vegetación derivados de imágenes de UAV basadas en RGB y modelos de aprendizaje automático
Categoría
Ciencias Agrícolas y Biológicas
Subcategoría
Agronomía y Ciencia de los Cultivos
Palabras clave
Monitoreo de cultivos
Vehículos aéreos no tripulados
Cámara RGB
Campos de caña de azúcar
índices de vegetación
Algoritmos de aprendizaje automático
Licencia
CC BY-SA – Atribución – Compartir Igual
Consultas: 22
Citaciones: Sin citaciones
El monitoreo de cultivos con vehículos aéreos no tripulados (UAVs) tiene el potencial de reducir los costos de monitoreo de campo, al tiempo que aumenta la frecuencia de monitoreo y mejora la eficiencia. Sin embargo, la utilización de imágenes de UAV basadas en RGB para monitoreo específico de cultivos, especialmente para la caña de azúcar, sigue siendo limitada. Este trabajo propone una plataforma UAV con una cámara RGB como una solución de bajo costo para monitorear campos de caña de azúcar, complementando los métodos multiespectrales comúnmente utilizados. Este nuevo enfoque optimiza los índices de vegetación RGB para una predicción precisa del crecimiento de la caña de azúcar, proporcionando muchas mejoras en los métodos escalables de manejo de cultivos. Las imágenes fueron capturadas por un dron DJI Mavic Pro. Cuatro índices de vegetación RGB (GLI, VARI, GRVI y MGRVI) y el modelo de altura de planta del modelo de superficie del cultivo (CSM_PH) se derivaron de las imágenes. Los valores de cobertura vegetal fraccional (FVC) se compararon mediante clasificación de imágenes. Las predicciones de altura de las plantas de caña de azúcar se generaron utilizando dos algoritmos de aprendizaje automático (ML) - regresión lineal múltiple (MLR) y bosque aleatorio (RF) - que se compararon en cinco combinaciones de predictores (CSM_PH y cuatro VIs). En la etapa inicial, todos los VIs mostraron valores significativamente más bajos que en etapas posteriores (<0.05), lo que indica una progresión lenta inicial del crecimiento del cultivo. MGRVI logró una precisión de clasificación de más del 94% en todas las fases de crecimiento, superando a los índices tradicionales. Según las clasificaciones de características, VARI fue el parámetro menos sensible, mostrando la correlación más baja (<0.5) e información mutua (<0.4). Los resultados mostraron que los modelos RF y MLR proporcionaron mejores predicciones para la altura de las plantas. Los mejores resultados de estimación se observaron con la combinación de CSM_PH y GLI utilizando el modelo RF (R = 0.90, RMSE = 0.37 m, MAE = 0.27 m y AIC = 21.93). Este estudio reveló que los VIs y el CSM_PH derivados de imágenes RGB capturadas por UAVs podrían ser útiles en el monitoreo del crecimiento de la caña de azúcar para aumentar la productividad de los cultivos.
Descripción
El monitoreo de cultivos con vehículos aéreos no tripulados (UAVs) tiene el potencial de reducir los costos de monitoreo de campo, al tiempo que aumenta la frecuencia de monitoreo y mejora la eficiencia. Sin embargo, la utilización de imágenes de UAV basadas en RGB para monitoreo específico de cultivos, especialmente para la caña de azúcar, sigue siendo limitada. Este trabajo propone una plataforma UAV con una cámara RGB como una solución de bajo costo para monitorear campos de caña de azúcar, complementando los métodos multiespectrales comúnmente utilizados. Este nuevo enfoque optimiza los índices de vegetación RGB para una predicción precisa del crecimiento de la caña de azúcar, proporcionando muchas mejoras en los métodos escalables de manejo de cultivos. Las imágenes fueron capturadas por un dron DJI Mavic Pro. Cuatro índices de vegetación RGB (GLI, VARI, GRVI y MGRVI) y el modelo de altura de planta del modelo de superficie del cultivo (CSM_PH) se derivaron de las imágenes. Los valores de cobertura vegetal fraccional (FVC) se compararon mediante clasificación de imágenes. Las predicciones de altura de las plantas de caña de azúcar se generaron utilizando dos algoritmos de aprendizaje automático (ML) - regresión lineal múltiple (MLR) y bosque aleatorio (RF) - que se compararon en cinco combinaciones de predictores (CSM_PH y cuatro VIs). En la etapa inicial, todos los VIs mostraron valores significativamente más bajos que en etapas posteriores (<0.05), lo que indica una progresión lenta inicial del crecimiento del cultivo. MGRVI logró una precisión de clasificación de más del 94% en todas las fases de crecimiento, superando a los índices tradicionales. Según las clasificaciones de características, VARI fue el parámetro menos sensible, mostrando la correlación más baja (<0.5) e información mutua (<0.4). Los resultados mostraron que los modelos RF y MLR proporcionaron mejores predicciones para la altura de las plantas. Los mejores resultados de estimación se observaron con la combinación de CSM_PH y GLI utilizando el modelo RF (R = 0.90, RMSE = 0.37 m, MAE = 0.27 m y AIC = 21.93). Este estudio reveló que los VIs y el CSM_PH derivados de imágenes RGB capturadas por UAVs podrían ser útiles en el monitoreo del crecimiento de la caña de azúcar para aumentar la productividad de los cultivos.