Uav- y estimación de rasgos de plantas de arroz basada en Random Forest AdaBoost (RFA)
Autores: Muharam, Farrah Melissa; Nurulhuda, Khairudin; Zulkafli, Zed; Tarmizi, Mohamad Arif; Abdullah, Asniyani Nur Haidar; Che Hashim, Muhamad Faiz; Mohd Zad, Siti Najja; Radhwane, Derraz; Ismail, Mohd Razi
Idioma: Inglés
Editor: MDPI
Año: 2021
Acceso abierto
Artículo científico
2021
Uav- y estimación de rasgos de plantas de arroz basada en Random Forest AdaBoost (RFA)
Categoría
Ciencias Agrícolas y Biológicas
Subcategoría
Agronomía y Ciencia de los Cultivos
Palabras clave
Rasgos de las plantas
Cámaras multiespectrales
Plataformas UAV
Algoritmos de aprendizaje automático
Random Forest AdaBoost
Vehículo aéreo no tripulado
Licencia
CC BY-SA – Atribución – Compartir Igual
Consultas: 18
Citaciones: Sin citaciones
Se requieren métodos rápidos, precisos y económicos para analizar rasgos de las plantas en todas las etapas de crecimiento de los cultivos para la fenotipificación de las plantas. Pocos estudios han evaluado de manera integral los rasgos de las plantas a partir de cámaras multiespectrales a bordo de plataformas UAV. Además, los algoritmos de aprendizaje automático tienden a ajustar en exceso o por defecto los datos y se ha prestado una atención limitada a la optimización de su rendimiento a través de un enfoque de aprendizaje en conjunto. Este estudio tiene como objetivo (1) evaluar de manera integral doce rasgos de las plantas de arroz estimados a partir de imágenes multiespectrales aéreas de vehículos no tripulados (UAV) y (2) presentar los algoritmos Random Forest AdaBoost (RFA) como un enfoque de optimización para estimar rasgos de las plantas. El enfoque se probó en un campo de un agricultor en Terengganu, Malasia, durante la temporada baja de febrero a junio de 2018, que involucró cinco cultivares de arroz y tres tasas de nitrógeno (N). Cuatro bandas, trece índices y modelos de regresión Random Forest-AdaBoost (RFA) se evaluaron contra los doce rasgos de las plantas de acuerdo con las etapas de crecimiento. Entre los rasgos de las plantas, la altura de la planta, la biomasa de hojas verdes y órganos de almacenamiento, y el contenido de nitrógeno foliar (N) se estimaron bien, con un coeficiente de determinación (R) por encima de 0.80. Al comparar las bandas e índices, el rojo, el Índice de Vegetación de Diferencia Normalizada (NDVI), el Índice de Vegetación de Ratio (RVI), el Índice de Vegetación de Rango Dinámico Amplio de Borde Rojo (REWDRVI) y el Índice de Vegetación Ajustado al Suelo de Borde Rojo (RESAVI) fueron notables en la estimación de todos los rasgos de las plantas en las etapas de macollamiento, embuchado y espigado con valores de R que van de 0.80 a 0.99 y valores de error cuadrático medio (RMSE) que van de 0.04 a 0.22. Se encontró que la etapa de espigado es la mejor etapa de crecimiento para realizar estimaciones de rasgos de las plantas. En resumen, nuestros hallazgos demuestran que un enfoque de aprendizaje en conjunto puede mejorar la precisión y reducir el sobreajuste/subajuste en los algoritmos de fenotipificación de las plantas.
Descripción
Se requieren métodos rápidos, precisos y económicos para analizar rasgos de las plantas en todas las etapas de crecimiento de los cultivos para la fenotipificación de las plantas. Pocos estudios han evaluado de manera integral los rasgos de las plantas a partir de cámaras multiespectrales a bordo de plataformas UAV. Además, los algoritmos de aprendizaje automático tienden a ajustar en exceso o por defecto los datos y se ha prestado una atención limitada a la optimización de su rendimiento a través de un enfoque de aprendizaje en conjunto. Este estudio tiene como objetivo (1) evaluar de manera integral doce rasgos de las plantas de arroz estimados a partir de imágenes multiespectrales aéreas de vehículos no tripulados (UAV) y (2) presentar los algoritmos Random Forest AdaBoost (RFA) como un enfoque de optimización para estimar rasgos de las plantas. El enfoque se probó en un campo de un agricultor en Terengganu, Malasia, durante la temporada baja de febrero a junio de 2018, que involucró cinco cultivares de arroz y tres tasas de nitrógeno (N). Cuatro bandas, trece índices y modelos de regresión Random Forest-AdaBoost (RFA) se evaluaron contra los doce rasgos de las plantas de acuerdo con las etapas de crecimiento. Entre los rasgos de las plantas, la altura de la planta, la biomasa de hojas verdes y órganos de almacenamiento, y el contenido de nitrógeno foliar (N) se estimaron bien, con un coeficiente de determinación (R) por encima de 0.80. Al comparar las bandas e índices, el rojo, el Índice de Vegetación de Diferencia Normalizada (NDVI), el Índice de Vegetación de Ratio (RVI), el Índice de Vegetación de Rango Dinámico Amplio de Borde Rojo (REWDRVI) y el Índice de Vegetación Ajustado al Suelo de Borde Rojo (RESAVI) fueron notables en la estimación de todos los rasgos de las plantas en las etapas de macollamiento, embuchado y espigado con valores de R que van de 0.80 a 0.99 y valores de error cuadrático medio (RMSE) que van de 0.04 a 0.22. Se encontró que la etapa de espigado es la mejor etapa de crecimiento para realizar estimaciones de rasgos de las plantas. En resumen, nuestros hallazgos demuestran que un enfoque de aprendizaje en conjunto puede mejorar la precisión y reducir el sobreajuste/subajuste en los algoritmos de fenotipificación de las plantas.