Uav-based hyperspectral y aprendizaje de máquinas de conjunto para predecir el rendimiento en trigo de invierno
Autores: Li, Zongpeng; Chen, Zhen; Cheng, Qian; Duan, Fuyi; Sui, Ruixiu; Huang, Xiuqiao; Xu, Honggang
Idioma: Inglés
Editor: MDPI
Año: 2022
Acceso abierto
Artículo científico
2022
Uav-based hyperspectral y aprendizaje de máquinas de conjunto para predecir el rendimiento en trigo de invierno
Categoría
Ciencias Agrícolas y Biológicas
Subcategoría
Agronomía y Ciencia de los Cultivos
Palabras clave
Trigo de invierno
Teledetección UAV
Datos hiperespectrales
Aprendizaje automático
índices espectrales
Modelo de predicción de rendimiento
Licencia
CC BY-SA – Atribución – Compartir Igual
Consultas: 19
Citaciones: Sin citaciones
El trigo de invierno es un cultivo de cereales ampliamente cultivado en todo el mundo. El uso de información sobre el estado de crecimiento para estimar los rendimientos del trigo de invierno de manera oportuna es esencial para la gestión precisa de los cultivos y la toma de decisiones rápidas en la agricultura sostenible, y para aumentar la productividad mientras se reduce el impacto ambiental. El uso de teledetección con UAV es ampliamente utilizado en la agricultura de precisión debido a su flexibilidad y mayor resolución espacial y espectral. Los datos hiperespectrales se utilizan para modelar rasgos de los cultivos debido a su capacidad para proporcionar información espectral rica y una mayor fidelidad espectral continua. En este estudio, se adquirieron datos de imagen hiperespectral del dosel del cultivo de trigo de invierno en las etapas de floración y llenado de grano mediante un vehículo aéreo no tripulado (UAV) a baja altitud, y se utilizó aprendizaje automático para predecir los rendimientos del trigo de invierno. Específicamente, se extrajo un gran número de índices espectrales de los datos espectrales, y se utilizaron tres métodos de selección de características, eliminación recursiva de características (RFE), selección de características de Boruta y el coeficiente de correlación de Pearson (PCC), para filtrar índices espectrales altos con el fin de reducir la dimensionalidad de los datos. También se construyeron cuatro modelos de aprendizaje básico principales, (1) máquina de vectores de soporte (SVM), (2) proceso gaussiano (GP), (3) regresión lineal de ridge (LRR) y (4) bosque aleatorio (RF), y se desarrolló un modelo de aprendizaje automático de conjunto combinando los cuatro modelos de aprendizaje básico. Los resultados mostraron que el modelo de predicción de rendimiento SVM, construido sobre la base de las características preferidas, fue el mejor entre los modelos de aprendizaje básico, con un R entre 0,62 y 0,73. La precisión del modelo de aprendizaje de conjunto propuesto fue mayor que la de cada modelo de aprendizaje básico; además, el R (0,78) para el modelo de predicción de rendimiento basado en las características preferidas de Boruta fue el más alto en la etapa de llenado de grano.
Descripción
El trigo de invierno es un cultivo de cereales ampliamente cultivado en todo el mundo. El uso de información sobre el estado de crecimiento para estimar los rendimientos del trigo de invierno de manera oportuna es esencial para la gestión precisa de los cultivos y la toma de decisiones rápidas en la agricultura sostenible, y para aumentar la productividad mientras se reduce el impacto ambiental. El uso de teledetección con UAV es ampliamente utilizado en la agricultura de precisión debido a su flexibilidad y mayor resolución espacial y espectral. Los datos hiperespectrales se utilizan para modelar rasgos de los cultivos debido a su capacidad para proporcionar información espectral rica y una mayor fidelidad espectral continua. En este estudio, se adquirieron datos de imagen hiperespectral del dosel del cultivo de trigo de invierno en las etapas de floración y llenado de grano mediante un vehículo aéreo no tripulado (UAV) a baja altitud, y se utilizó aprendizaje automático para predecir los rendimientos del trigo de invierno. Específicamente, se extrajo un gran número de índices espectrales de los datos espectrales, y se utilizaron tres métodos de selección de características, eliminación recursiva de características (RFE), selección de características de Boruta y el coeficiente de correlación de Pearson (PCC), para filtrar índices espectrales altos con el fin de reducir la dimensionalidad de los datos. También se construyeron cuatro modelos de aprendizaje básico principales, (1) máquina de vectores de soporte (SVM), (2) proceso gaussiano (GP), (3) regresión lineal de ridge (LRR) y (4) bosque aleatorio (RF), y se desarrolló un modelo de aprendizaje automático de conjunto combinando los cuatro modelos de aprendizaje básico. Los resultados mostraron que el modelo de predicción de rendimiento SVM, construido sobre la base de las características preferidas, fue el mejor entre los modelos de aprendizaje básico, con un R entre 0,62 y 0,73. La precisión del modelo de aprendizaje de conjunto propuesto fue mayor que la de cada modelo de aprendizaje básico; además, el R (0,78) para el modelo de predicción de rendimiento basado en las características preferidas de Boruta fue el más alto en la etapa de llenado de grano.