从UAV图像在草草草地中估计豆类含量:基于UAV覆盖面和田间生物质的比较方法
Kensuke Kawamura1, Tsuneki Tanaka2, Taisuke Yasuda3
1Obihiro University of Agriculture and Veterinary Medicine, 2-11 Inada-cho Nishi, Obihiro, Hokkaido, Japan. kamuken@obihiro.ac.jp.
Scientific reports
|December 31, 2024
概括
无人驾驶飞行器 (UAV) 遥感器准确地估计了草中的豆类含量 (LC). 最佳的LC估计是在40厘米以下的低表面剑高度 (SSH) 中实现的.
科学领域:
- 农业科学 农业科学
- 遥感 遥感 遥感 遥感
- 生态生态学 生态生态学
背景情况:
- 豆类含量 (LC) 对草原的料质量和肥料管理至关重要.
- 精确的LC评估对于优化草田的生产力至关重要.
研究的目的:
- 开发和验证一种使用无人机 (UAV) 图像估计豆类含量的方法.
- 为了比较基于无人机的LC估计与基于地面的干物质评估.
- 为了研究表面剑高度 (SSH) 对LC估计准确性的影响.
主要方法:
- 实施了简单的线性代聚类 (SLIC) 算法和随机森林 (RF) 分类器用于土地覆盖地图.
- 将地面覆盖分为草,豆类,杂草和背景,准确度高 (91.4%的整体准确度,91.5%的F分数).
- 分析了基于UAV的LC (LCUAV) 和基于干物质的LC (LCBM) 之间的关系,考虑SSH.
主要成果:
- SLIC-RF分类方法在识别不同地面覆盖类型方面表现出高准确度.
- 精确的LC估计需要0.82的最低分类准确度.
- 在LCUAV和LCBM之间存在一个非线性关系,受SSH的影响.
- 在较低的SSH水平 (40厘米以下) 观察到精确的LCBM估计.
结论:
- 基于无人机的遥感,结合SLIC-RF分类,对于估计草地中豆类含量是有效的.
- 表面剑高度显著影响LC估计的准确性,较低的高度产生更好的结果.
- 这项技术对于监测早期生长阶段或在植被高度低的牧场上放牧特别有用.
