機械学習と統計的方法を用いたピーナッツリーフ面積指数の推定のためのPlanetScopeスペクトルデータの評価

科学分野:

• 農業のリモートセンシング
• 農作物の生理学 農作物の生理学
• 精密農業 精密農業とは

背景:

• 葉面面積指数 (LAI) は作物成長の評価に不可欠であり,農業研究と精密農業に不可欠です.
• PlanetScopeの画像は,高再訪問周波数と一貫性のある高解像度マルチスペクトルデータを提供しており,作物監視に適しています.

研究 の 目的:

• PlanetScopeのスペクトル帯と植生指数 (VIs) を使用してピーナッツのLAIを推定するための回帰モデルを開発し,比較する.
• LAI推定のためのランダムフォレスト (RF),エクストリーム・グラディエント・ブースト (XGBoost),およびパーシャル・最小平方回帰 (PLSR) アルゴリズムのパフォーマンスを評価する.

主な方法:

• ピーナッツのLAIを推定するためにRF,XGBoost,PLSRモデルを開発し,比較しました.
• PlanetScopeのスペクトル帯と13の植生指標 (VIs) を予測変数として利用した.
• モデルの校正と検証のために,個々のVIと,最高のパフォーマンスのVIを組み合わせて評価した.

主要な成果:

• 植生インデックス (VIs) は,ピーナッツのLAIと強い相関関係を示し,TSAVIとRTVIcoreがトップの個別の予測指標であった.
• 上位6つのVIを組み込んだRFモデルは,最も高い推定精度を達成しました (R2 = 0.844,RMSE = 0.858 m2/m2).
• PlanetScope VIsはスペクトル帯のみを上回り,帯とVIsを組み合わせると精度が低下し,変数選択の重要性を強調しました.

結論:

• 選択された植生インデックス (VIs) を統合したランダムフォレスト (RF) モデルは,ピーナッツ・リーフ・エリア・インデックス (LAI) を推定するための非常に正確で効率的な方法を提供します.
• この結果は,堅実な作物監視のためのRFの使用を支持し,ピーナッツ栽培における複数の複雑なモデルの必要性を軽減します.