根据时空无人机图像和现象学阶段,改进基于大米地表生物质的估计
Yan Dai1,2, Shuang'en Yu1,2, Tao Ma1,2
1College of Agricultural Science and Engineering, Hohai University, Nanjing, China.
Frontiers in plant science
|May 22, 2024
概括
无人驾驶飞行器 (UAV) 通过整合光谱,空间和时间数据来增强大米地面生物质 (AGB) 估计. 这种新的方法通过考虑3D生长动态和现象学阶段来改善作物监测,提高了准确性.
科学领域:
- 农业遥感 农业遥感
- 精准农业 精准农业 精准农业
- 地理空间数据分析.
背景情况:
- 带有可见和多光谱摄像头的无人驾驶飞行器 (UAV) 提供了高效的远程作物监测和大米田的地表生物质 (AGB) 估计.
- 现有的方法往往侧重于光谱特征或植物高度 (PH),忽视空间结构和现象阶段.
研究的目的:
- 引入一种新的米AGB估计方法,将光谱,空间 (树冠覆盖 - CC,PH) 和时间 (移植后几天 - DAT) 参数整合起来.
- 调查结合这些特征的协同效应,以提高AGB估计准确度.
主要方法:
- 在中国江苏省 (2021-2022) 进行了小规模地块和大规模现场实验.
- 使用了20个植被指数 (VIs) 作为光谱特征,PH和CC作为空间参数,DAT作为时间参数.
- 使用五种回归方法 (MSR,ENet,PLSR,RF,SVR) 构建了AGB估计模型,具有六种特征组合.
主要成果:
- 在提取和地面测量的PH之间发现了很高的相关性 (R2 = 0.89).
- 在使用VI和DAT (R2 = 0.88) 以及VI,PH,CC和DAT (R2 = 0.88) 的PLSR实现的图片数据上的最佳AGB估计.
- 在实地数据上,ENet模型表现出极好的实用性,误差百分比低 (0.6%-13.5%).
结论:
- 将时间和空间参数与光谱数据相结合,可以显著提高AGB估计的准确性.
- 频谱和时空特征的融合提高了AGB估计模型的物理意义.
- 这种方法显示出在关键现象学阶段准确估计大米AGB的巨大潜力.
