フィールドスケールでのコムギ収量予測のための新しい深層学習フレームワーク | JoVE Visualize

科学分野:

農業科学; 機械学習; リモートセンシング

背景:

近接センシング技術は、スペクトル植生指数を使用して、迅速で非破壊的な作物モニタリングを提供します。; 収穫前の正確なコムギ収量予測は、農業管理および育種プログラムにとって重要です。

研究の目的:

フィールドスケールでのコムギ収量予測のための遺伝的アルゴリズム最適化深層ニューラルネットワークを開発および評価すること。; 提案された深層学習モデルの性能を従来の機械学習アルゴリズムと比較すること。

主な方法:

正規化差植生指数（NDVI）、キャノピー温度（CT）、植物身長（PH）を含む近接センシングデータを利用しました。; 遺伝的アルゴリズム（GA）によって最適化された深層ニューラルネットワーク（DNN）を開発しました。; 灌漑および雨養条件で3,350の多様なコムギ遺伝子型でモデルをトレーニングおよび検証しました。

主要な成果:

GA最適化DNNは、コムギ収量予測において、ランダムフォレスト回帰（RFR）、LASSO、SVRを大幅に上回りました。; 5つの成長段階にわたるNDVI測定値は、強力な予測力（灌漑でR²≥60％、雨養でR²≥50％）を示しました。; ランダムフォレスト回帰は、穀物収量予測に影響を与える重要な特徴を特定しました。

結論:

近接センシングデータを使用したGA最適化DNNは、正確なコムギ収量予測のための堅牢でスケーラブルなソリューションを提供します。; このアプローチは、インド農業における作物収量予測のための近接センシングを使用したGA最適化DNNの最初の適用を表します。; このモデルは、効率的な遺伝子型選択をサポートし、収量推定の改善を通じて持続可能な開発目標に貢献します。