Imágenes hiperespectrales reconstruidas para la predicción in situ de nutrientes en agujas de pino

Área de la Ciencia:

• Ciencias Agrícolas
• Detección remota
• Visión por computadora

Sus antecedentes:

• Las imágenes hiperespectrales (HSI) ofrecen análisis de nutrientes vegetales no destructivos para la silvicultura.
• El alto costo y la complejidad limitan la aplicación práctica de HSI en el campo.

Objetivo del estudio:

• Desarrollar un método rentable basado en el aprendizaje profundo para la reconstrucción de imágenes hiperespectrales in situ.
• Permitir una predicción precisa del contenido de nutrientes de las agujas de los árboles utilizando datos HSI reconstruidos.

Principales métodos:

• Un modelo de aprendizaje profundo reconstruye imágenes hiperespectrales (400-1000 nm) a partir de las entradas RGB.
• La predicción de nutrientes utiliza datos espectrales reconstruidos con CARS y PLSR.
• El modelo alcanza una resolución espacial de 768 × 768.

Principales resultados:

• Previsión precisa del nitrógeno de la aguja (R2=0,8523), el fósforo (R2=0,7022) y el potasio (R2=0,8087).
• Precisión de las predicciones comparable a los métodos tradicionales de HSI.
• Reconstrucción exitosa de datos hiperespectrales de imágenes RGB.

Conclusiones:

• El método propuesto reduce el coste y la complejidad del sistema HSI.
• Permite la detección eficiente de nutrientes in situ para la silvicultura sostenible.
• Ofrece una herramienta prometedora para la agricultura de precisión y la gestión forestal.