Estimación del contenido de nitrógeno en hojas de arroz y distribución en el campo utilizando aprendizaje automático con diversas características hiperespectrales
Autores: Tian, Ting; Wang, Jianliang; Tao, Yueyue; Ji, Fangfang; He, Qiquan; Sun, Chengming; Zhang, Qing
Idioma: Inglés
Editor: MDPI
Año: 2024
Acceso abierto
Artículo científico
2024
Estimación del contenido de nitrógeno en hojas de arroz y distribución en el campo utilizando aprendizaje automático con diversas características hiperespectrales
Categoría
Ciencias Agrícolas y Biológicas
Subcategoría
Agronomía y Ciencia de los Cultivos
Palabras clave
Contenido de nitrógeno en las hojas
Datos del dosel de arroz
Imágenes hiperespectrales de UAV
Algoritmos de regresión de aprendizaje automático
Mapa de distribución de concentración de nitrógeno
Modelos de estimación de nitrógeno
Licencia
CC BY-SA – Atribución – Compartir Igual
Consultas: 21
Citaciones: Sin citaciones
El contenido de nitrógeno foliar (LNC) es un parámetro agronómico vital en el arroz, comúnmente utilizado para evaluar la capacidad fotosintética y diagnosticar los niveles de nutrientes del cultivo. La deficiencia de nitrógeno puede reducir significativamente el rendimiento, subrayando la importancia de una estimación precisa de LNC para aplicaciones prácticas. Este estudio utiliza imágenes hiperespectrales de UAV para adquirir datos del dosel de arroz, aplicando varios algoritmos de regresión de aprendizaje automático (MLR) para desarrollar un modelo de estimación de LNC y crear un mapa de distribución de concentración de nitrógeno, ofreciendo una guía valiosa para la gestión de nitrógeno en el campo. El análisis incorpora cuatro tipos de datos espectrales extraídos a lo largo del ciclo de crecimiento del arroz: bandas de reflectancia originales (OR bands), índices de vegetación (VIs), bandas espectrales de primera derivada (FD bands) y parámetros variables hiperespectrales (HSPs) como entradas del modelo, mientras que la concentración de nitrógeno medida sirve como salida. Los resultados demuestran que los algoritmos de regresión de bosques aleatorios (RFR) y árbol de decisión de aumento de gradiente (GBDT) fueron efectivos, con el GBDT logrando el promedio más alto de R de 0.76 en diferentes tratamientos de nitrógeno. Entre los modelos de estimación de nitrógeno para diversas variedades de arroz, RFR mostró una precisión superior, logrando un R de 0.95 para la variedad SuXiangJing100, mientras que el GBDT alcanzó 0.93. Mientras tanto, la regresión de máquina de vectores de soporte (SVMR) mostró una precisión ligeramente menor, y la regresión de mínimos cuadrados parciales (PLSR) fue la menos efectiva. Este estudio desarrolló un método de estimación de LNC aplicable a toda la etapa de crecimiento de variedades de arroz comunes. El método es adecuado para estimar LNC de arroz en diferentes etapas de crecimiento, variedades y tratamientos de nitrógeno, y también proporciona una referencia para la estimación de nitrógeno y la planificación de fertilización a altitudes de vuelo distintas de los 120 m utilizados en este estudio.
Descripción
El contenido de nitrógeno foliar (LNC) es un parámetro agronómico vital en el arroz, comúnmente utilizado para evaluar la capacidad fotosintética y diagnosticar los niveles de nutrientes del cultivo. La deficiencia de nitrógeno puede reducir significativamente el rendimiento, subrayando la importancia de una estimación precisa de LNC para aplicaciones prácticas. Este estudio utiliza imágenes hiperespectrales de UAV para adquirir datos del dosel de arroz, aplicando varios algoritmos de regresión de aprendizaje automático (MLR) para desarrollar un modelo de estimación de LNC y crear un mapa de distribución de concentración de nitrógeno, ofreciendo una guía valiosa para la gestión de nitrógeno en el campo. El análisis incorpora cuatro tipos de datos espectrales extraídos a lo largo del ciclo de crecimiento del arroz: bandas de reflectancia originales (OR bands), índices de vegetación (VIs), bandas espectrales de primera derivada (FD bands) y parámetros variables hiperespectrales (HSPs) como entradas del modelo, mientras que la concentración de nitrógeno medida sirve como salida. Los resultados demuestran que los algoritmos de regresión de bosques aleatorios (RFR) y árbol de decisión de aumento de gradiente (GBDT) fueron efectivos, con el GBDT logrando el promedio más alto de R de 0.76 en diferentes tratamientos de nitrógeno. Entre los modelos de estimación de nitrógeno para diversas variedades de arroz, RFR mostró una precisión superior, logrando un R de 0.95 para la variedad SuXiangJing100, mientras que el GBDT alcanzó 0.93. Mientras tanto, la regresión de máquina de vectores de soporte (SVMR) mostró una precisión ligeramente menor, y la regresión de mínimos cuadrados parciales (PLSR) fue la menos efectiva. Este estudio desarrolló un método de estimación de LNC aplicable a toda la etapa de crecimiento de variedades de arroz comunes. El método es adecuado para estimar LNC de arroz en diferentes etapas de crecimiento, variedades y tratamientos de nitrógeno, y también proporciona una referencia para la estimación de nitrógeno y la planificación de fertilización a altitudes de vuelo distintas de los 120 m utilizados en este estudio.