通过评估无人机飞行高度,预测变量组合和机器学习算法来提高冬季小麦土壤植物分析和发展价值预测

科学领域:

• 农业遥感 农业遥感
• 精准农业 精准农业 精准农业
• 植物生理学监测监测植物生理学监测

背景情况:

• 无人驾驶飞行器 (UAV) 提供冬季小麦土壤植物分析发展 (SPAD) 值的非破坏性监测.
• 与其他增长阶段相比,SPAD值预测准确性在启动阶段较低.
• 现有的研究主要使用低空无人机飞行 (10-30米),忽视了更高的高度的潜在好处.

研究的目的:

• 在启动阶段,使用无人机在不同高度 (20-120米) 的图像来评估冬季小麦SPAD值预测的准确性.
• 为了比较植被指数 (VIs),纹理指数 (TI) 和离散波形变换 (DWT) 单独和组合的预测性能.
• 评估用于作物监测的高空无人机飞行效率的提高.

主要方法:

• 基于无人机的多光谱成像在20,40,60,80,100和120米的高度.
• 使用植被指数 (VIs),纹理指数 (TI) 和离散波形变形 (DWT) 作为预测变量.
• 采用了四种机器学习算法:Ridge,随机森林,支持向量回归和反向传播神经网络.

主要成果:

• 使用120米 (6.35厘米/像素) 和20米 (1.06厘米/像素) 的无人机图像实现了可比的SPAD预测性能.
• 高空飞行显著增加了覆盖范围,减少了侦察时间,同时保持了准确性.
• 结合VI,TI和DWT,产生了最高的预测准确性,优于单个组件和其他组合.

结论:

• 高空无人机飞行 (高达120米) 有效地预测冬季小麦在启动阶段的SPAD值,提高监测效率.
• 集成VI,TI和DWT为准确的SPAD预测提供了一个全面的方法,捕获光谱,纹理和频率信息.
• 这项研究验证了无人机技术对于高效准确的农业管理实践的实用性.