Uso de técnicas de fusión de datos de múltiples sensores y algoritmos de aprendizaje automático para mejorar la predicción de rendimiento basada en UAV de la colza
Autores: Zhu, Hongyan; Liang, Shikai; Lin, Chengzhi; He, Yong; Xu, Jun-Li
Idioma: Inglés
Editor: MDPI
Año: 2024
Acceso abierto
Artículo científico
2024
Uso de técnicas de fusión de datos de múltiples sensores y algoritmos de aprendizaje automático para mejorar la predicción de rendimiento basada en UAV de la colza
Categoría
Ingeniería y Tecnología
Subcategoría
Ingeniería Robótica
Palabras clave
Predicción
Rendimiento de colza
Plataforma basada en UAV
índices de vegetación
Algoritmos de aprendizaje automático
Fusión de datos de múltiples fuentes
Licencia
CC BY-SA – Atribución – Compartir Igual
Consultas: 3
Citaciones: Sin citaciones
La predicción precisa y oportuna del rendimiento de la colza es crucial en la agricultura de precisión y en la teledetección de campos. Exploramos la viabilidad y el potencial para predecir el rendimiento de la colza a través de la utilización de una plataforma basada en UAV equipada con cámaras RGB y multiespectrales. Se empleó y evaluó un algoritmo genético de mínimos cuadrados parciales para la selección de longitudes de onda efectivas (EW) o índices de vegetación (VI). Además, se desarrollaron y compararon diferentes algoritmos de aprendizaje automático, es decir, regresión lineal múltiple (MLR), regresión de mínimos cuadrados parciales (PLSR), máquina de soporte vectorial de mínimos cuadrados (LS-SVM), red neuronal de retropropagación (BPNN), máquina de aprendizaje extremo (ELM) y red neuronal de función de base radial (RBFNN). Con la fusión de datos de múltiples fuentes al combinar índices de vegetación (índices de color y de banda estrecha), se construyeron modelos de predicción robustos del rendimiento en colza. El rendimiento de los modelos de predicción que utilizan la combinación de VIs (RBFNN: Rpre = 0.8143, RMSEP = 171.9 kg/hm2) de múltiples sensores mostró mejores resultados que aquellos que utilizan solo VIs de banda estrecha (BPNN: Rpre = 0.7655, RMSEP = 188.3 kg/hm2) de una cámara multiespectral. Los mejores modelos para la predicción del rendimiento se encontraron aplicando BPNN (Rpre = 0.8114, RMSEP = 172.6 kg/hm2) construidos a partir de EWs óptimos y ELM (Rpre = 0.8118, RMSEP = 170.9 kg/hm2) utilizando VIs óptimos. En conjunto, los hallazgos ilustran de manera concluyente el potencial de las imágenes RGB y multiespectrales basadas en UAV para la predicción oportuna y no invasiva del rendimiento de la colza. Este estudio también destaca que un UAV ligero equipado con cámaras de instantáneas de doble marco de imagen tiene un gran potencial como herramienta valiosa para la fenotipificación de plantas de alto rendimiento y programas de mejoramiento avanzado dentro del ámbito de la agricultura de precisión.
Descripción
La predicción precisa y oportuna del rendimiento de la colza es crucial en la agricultura de precisión y en la teledetección de campos. Exploramos la viabilidad y el potencial para predecir el rendimiento de la colza a través de la utilización de una plataforma basada en UAV equipada con cámaras RGB y multiespectrales. Se empleó y evaluó un algoritmo genético de mínimos cuadrados parciales para la selección de longitudes de onda efectivas (EW) o índices de vegetación (VI). Además, se desarrollaron y compararon diferentes algoritmos de aprendizaje automático, es decir, regresión lineal múltiple (MLR), regresión de mínimos cuadrados parciales (PLSR), máquina de soporte vectorial de mínimos cuadrados (LS-SVM), red neuronal de retropropagación (BPNN), máquina de aprendizaje extremo (ELM) y red neuronal de función de base radial (RBFNN). Con la fusión de datos de múltiples fuentes al combinar índices de vegetación (índices de color y de banda estrecha), se construyeron modelos de predicción robustos del rendimiento en colza. El rendimiento de los modelos de predicción que utilizan la combinación de VIs (RBFNN: Rpre = 0.8143, RMSEP = 171.9 kg/hm2) de múltiples sensores mostró mejores resultados que aquellos que utilizan solo VIs de banda estrecha (BPNN: Rpre = 0.7655, RMSEP = 188.3 kg/hm2) de una cámara multiespectral. Los mejores modelos para la predicción del rendimiento se encontraron aplicando BPNN (Rpre = 0.8114, RMSEP = 172.6 kg/hm2) construidos a partir de EWs óptimos y ELM (Rpre = 0.8118, RMSEP = 170.9 kg/hm2) utilizando VIs óptimos. En conjunto, los hallazgos ilustran de manera concluyente el potencial de las imágenes RGB y multiespectrales basadas en UAV para la predicción oportuna y no invasiva del rendimiento de la colza. Este estudio también destaca que un UAV ligero equipado con cámaras de instantáneas de doble marco de imagen tiene un gran potencial como herramienta valiosa para la fenotipificación de plantas de alto rendimiento y programas de mejoramiento avanzado dentro del ámbito de la agricultura de precisión.