Utilizando el modelo MSFNet para explorar la evolución temporal y espacial del área de cultivo y aumentar su contribución a la aplicación de la teledetección con UAV
Autores: Hu, Gui; Ren, Zhigang; Chen, Jian; Ren, Ni; Mao, Xing
Idioma: Inglés
Editor: MDPI
Año: 2024
Acceso abierto
Artículo científico
2024
Utilizando el modelo MSFNet para explorar la evolución temporal y espacial del área de cultivo y aumentar su contribución a la aplicación de la teledetección con UAV
Categoría
Ingeniería y Tecnología
Subcategoría
Ingeniería Robótica
Palabras clave
Tecnología de teledetección
UAV agrícola
Gestión de agricultura de precisión
Cambios en la cobertura de tierras cultivadas
Modelo MSFNet
PSO + MAML
Licencia
CC BY-SA – Atribución – Compartir Igual
Consultas: 1
Citaciones: Sin citaciones
La tecnología de teledetección se puede utilizar para monitorear cambios en las áreas de siembra de cultivos para guiar la gestión de la producción agrícola y ayudar a lograr la neutralidad de carbono regional. La tecnología de teledetección con UAV agrícolas es eficiente, precisa y flexible, lo que permite recopilar y transmitir rápidamente datos de alta resolución en tiempo real para ayudar en la gestión de la agricultura de precisión. Se utiliza ampliamente en el monitoreo de cultivos, la predicción de rendimientos y la gestión del riego. Sin embargo, la aplicación de la tecnología de teledetección enfrenta desafíos como un alto desequilibrio en los tipos de cobertura del suelo, escasez de muestras etiquetadas y tipos de cobertura complejos y cambiantes de imágenes de teledetección a largo plazo, lo que ha traído grandes limitaciones al monitoreo de los cambios en la cobertura de tierras cultivadas. Para resolver los problemas mencionados, este documento propuso un modelo de red de fusión a múltiples escalas (MSFNet) basado en la entrada a múltiples escalas y la fusión de características a partir de imágenes de series temporales de tierras cultivadas, y combinó además los métodos MSFNet y Aprendizaje Meta Diagnóstico de Modelos (MAML), utilizando optimización por enjambre de partículas (PSO) para optimizar los parámetros de la red neuronal. El método propuesto se aplica a la teledetección de cultivos y tomates. Los resultados experimentales mostraron que la precisión promedio, la puntuación F1 y el IoU promedio del modelo MSFNet optimizado por PSO + MAML (PSML) fueron del 94.902%, 91.901% y 90.557%, respectivamente. En comparación con otros esquemas como U-Net, PSPNet y DeepLabv3+, este método tiene un mejor efecto en la resolución del problema de objetos en el suelo complejos y la escasez de muestras de imágenes de teledetección y proporciona soporte técnico para la aplicación de la tecnología de teledetección con UAV agrícolas en el futuro. El estudio encontró que el cambio en diferentes áreas de siembra de cultivos estaba estrechamente relacionado con diferentes condiciones climáticas y políticas regionales, lo que ayuda a guiar la gestión del uso de tierras cultivadas y proporciona soporte técnico para la realización de la neutralidad de carbono regional.
Descripción
La tecnología de teledetección se puede utilizar para monitorear cambios en las áreas de siembra de cultivos para guiar la gestión de la producción agrícola y ayudar a lograr la neutralidad de carbono regional. La tecnología de teledetección con UAV agrícolas es eficiente, precisa y flexible, lo que permite recopilar y transmitir rápidamente datos de alta resolución en tiempo real para ayudar en la gestión de la agricultura de precisión. Se utiliza ampliamente en el monitoreo de cultivos, la predicción de rendimientos y la gestión del riego. Sin embargo, la aplicación de la tecnología de teledetección enfrenta desafíos como un alto desequilibrio en los tipos de cobertura del suelo, escasez de muestras etiquetadas y tipos de cobertura complejos y cambiantes de imágenes de teledetección a largo plazo, lo que ha traído grandes limitaciones al monitoreo de los cambios en la cobertura de tierras cultivadas. Para resolver los problemas mencionados, este documento propuso un modelo de red de fusión a múltiples escalas (MSFNet) basado en la entrada a múltiples escalas y la fusión de características a partir de imágenes de series temporales de tierras cultivadas, y combinó además los métodos MSFNet y Aprendizaje Meta Diagnóstico de Modelos (MAML), utilizando optimización por enjambre de partículas (PSO) para optimizar los parámetros de la red neuronal. El método propuesto se aplica a la teledetección de cultivos y tomates. Los resultados experimentales mostraron que la precisión promedio, la puntuación F1 y el IoU promedio del modelo MSFNet optimizado por PSO + MAML (PSML) fueron del 94.902%, 91.901% y 90.557%, respectivamente. En comparación con otros esquemas como U-Net, PSPNet y DeepLabv3+, este método tiene un mejor efecto en la resolución del problema de objetos en el suelo complejos y la escasez de muestras de imágenes de teledetección y proporciona soporte técnico para la aplicación de la tecnología de teledetección con UAV agrícolas en el futuro. El estudio encontró que el cambio en diferentes áreas de siembra de cultivos estaba estrechamente relacionado con diferentes condiciones climáticas y políticas regionales, lo que ayuda a guiar la gestión del uso de tierras cultivadas y proporciona soporte técnico para la realización de la neutralidad de carbono regional.