使用多谱无线电表 (MSR5) 数据用于使用机器学习模型识别小麦作物基因型
Mutiullah Jamil1, Hafeezur Rehman1, Muhammad Saqlain Zaheer2
1Department of Computer Science, Khwaja Fareed University of Engineering and Information Technology, Rahim Yar Khan, 64200, Pakistan.
Scientific reports
|November 14, 2023
概括
卫星遥感准确地识别小麦基因型,使用多谱数据和机器学习. 人工神经网络 (ANN) 和随机森林 (RF) 实现了超过96%的准确性,有助于精准农业和粮食安全.
科学领域:
- 农业科学 农业科学
- 遥感 遥感 遥感 遥感
- 计算机视觉 计算机视觉
背景情况:
- 全球粮食短缺需要提高作物生产和弹性.
- 卫星遥感对于土地观测和农业监测至关重要.
- 鉴定作物基因型对于优化产量和抗病能力至关重要,但仍然具有挑战性.
研究的目的:
- 开发一种使用多光谱放射仪数据识别小麦作物基因型的方法.
- 调查各种机器学习模型对基因型分类的有效性.
- 为精准农业和资源管理利用遥感.
主要方法:
- 使用多谱射线计 (MSR5) 从三种小麦基因型 (Aas-'2011', 'Miraj-'08', 'Punjnad-1) 收集时间多谱数据.
- 利用监督机器学习模型,包括人工神经网络 (ANN) 和随机森林 (RF),以及PCA,LDA和NDA等特征分析技术.
- 在每种基因型的200个手动标记的产量样本上训练模型.
主要成果:
- 人工神经网络 (ANN) 实现了大约97%的准确性.
- 随机森林 (RF) 在测试数据集上实现了大约96%的准确性.
- 特性分析证实了多谱频段对于基因型差异化的实用性.
结论:
- ANN和RF模型在从遥感数据中识别小麦基因型方面表现出高准确性.
- 这些发现支持农业政策制定者使用这些模型进行现场基因型识别.
- 这项研究通过基因型特定管理实现了优化资源利用效率,为精准农业做出了贡献.
