来自无人机多谱图像的冬季小麦叶面积指数的反转:经典与深度学习方法的对比
Jiaxing Zu1,2, Hailong Yang1,2,3, Jiali Wang1,2
1Key Laboratory of Environment Change and Resources Use in Beibu Gulf, Ministry of Education, Nanning Normal University, Nanning, China.
Frontiers in plant science
|March 29, 2024
概括
准确的冬季小麦叶面积指数 (LAI) 估计对于精准农业至关重要. 使用无人机图像的深度学习 (CNN) 和机器学习 (RF) 模型提供精确的LAI反转,优于传统方法.
科学领域:
- 农业科学 农业科学
- 遥感 遥感 遥感 遥感
- 机器学习 机器学习
背景情况:
- 对冬季小麦进行精确的叶面积指数 (LAI) 估计对于有效的精准农业和作物管理至关重要.
- 无人机 (UAV) 多谱图像与机器学习相结合,为精细规模的LAI估计提供了具有成本效益的解决方案.
- 现有的LAI逆转机器学习模型在准确性和效率方面存在局限性.
研究的目的:
- 评估用于冬季小麦LAI估计的经典机器学习 (部分最小平方回归 - PLSR,随机森林 - RF) 和深度学习 (卷积神经网络 - CNN) 模型.
- 为了比较纹理特征和植被指数的有效性,单独和组合,作为LAI估计模型的输入.
- 为了评估CNN模型的性能,仅使用原始图像数据与传统方法相比.
主要方法:
- 用无人机获取的多光谱图像来提取纹理特征和植被指数.
- 使用纹理特征和植被指数训练PLSR和RF模型,用地面测量LAI数据进行反转.
- 一个CNN模型使用切割的原始多光谱图像进行直接LAI估计.
主要成果:
- 植被指数显示,与单独的纹理特征相比,LAI的相关性和估计准确性更高.
- 结合植被指数和纹理特征,为PLSR和RF模型带来了最高的准确性.
- CNN模型实现了最高的LAI估计精度 (R2 = 0.83),紧随其后的是RF (R2 = 0.82) 和PLSR (R2 = 0.78).
结论:
- 深度学习 (CNN) 和先进机器学习 (RF) 模型从无人机多谱数据提供准确有效的冬季小麦LAI估计.
- 使用原始图像数据的CNN模型表现出比传统方法更优异的性能.
- 这些发现支持在农业中使用这些先进技术进行实时作物监测和明智的田间管理决策.
