一个基于鱼优化算法的Cinnamomum camphora集成无人机增长监测模型

科学领域:

• 林业科学 林业科学
• 遥感技术 遥感技术 遥感技术
• 农业工程 农业工程

背景情况:

• 对Cinnamomum camphora生长的准确估计对于精油生产和林业管理至关重要.
• 无人驾驶飞行器 (UAV) 多谱技术为监测植物生长提供了一种有前途的非破坏性方法.
• 现有的生长监测方法往往缺乏大规模森林应用的效率和准确性.

研究的目的:

• 开发和评估一个有效的分析模型,用无人机多谱数据来估计Cinnamomum camphora的生长.
• 将各种机器学习模型的性能进行比较,以预测增长指标.
• 为了确定最优的模型,准确和高效的Cinnamomum camphora增长逆转.

主要方法:

• 采集了Cinnamomum camphora的树冠光谱反射率数据,使用安装在无人机上的多光谱摄像头.
• 测量的主要增长指标:SPAD值,地表生物质 (AGB),植物高度 (PH) 和叶面积指数 (LAI).
• 使用变化系数和等权衡方法构建的综合增长监测指标 (CGMI).
• 开发并比较了多重线性回归 (MLR),部分最小平方 (PLS),支向量回归 (SVR),随机森林 (RF),辐射基函数神经网络 (RBFNN),反向传播神经网络 (BPNN) 和鱼优化算法 (WOA) 优化的 BPNN 模型的光谱反转.
• 根据R2选择了基于R2的最佳模型,规范化了根平均平方误差 (NRMSE) 和平均绝对百分比误差 (MAPE).

主要成果:

• 鱼优化算法优化的反向传播神经网络 (WOA-BPNN) 模型在逆转Cinnamomum camphora生长潜力方面表现出卓越的性能.
• 在试验组中,WOA-BPNN模型实现了0.9020的R2,0.0722的RMSE和7%的MAPE.
• 与标准BPNN模型相比,WOA-BPNN改善了R2的18%,减少了NRMSE的33%,并减少了MAPE的9%.

结论:

• 无人机多谱技术,结合WOA-BPNN等先进的机器学习模型,为估计Cinnamomum camphora生长提供了一种高度有效的方法.
• 开发的WOA-BPNN模型为监测森林生长的准确性和效率提供了显著的改进.
• 这项研究为Cinnamomum camphora精油和矮木林业的现代现场管理提供了宝贵的技术支持.