一种带有机器学习算法的季节性新鲜茶叶产量估计方法,在现场规模上集成无人机RGB和Sentinel-2图像
Huimei Liu1, Yun Liu2, Weiheng Xu1
1College of Big Data and Intelligent Engineering, Southwest Forestry University, Kunming 650233, China.
Plants (Basel, Switzerland)
|February 13, 2025
概括
这项研究引入了一种新的方法,用于使用Sentinel-2和无人机图像来估计新鲜茶的产量,比传统的手工调查提高了准确性. 开发的模型准确地预测了现场规模的季节性和年度茶叶生产.
科学领域:
- 农业科学 农业科学
- 遥感 遥感 遥感 遥感
- 地理空间分析是什么
背景情况:
- 传统的茶叶产量估计方法是劳动密集型和耗时的.
- 准确估计季节性新鲜茶叶产量仍然是一个挑战.
- 遥感为高效和准确的产量评估提供了潜力.
研究的目的:
- 开发和评估回归模型,以估计季节性和年度新鲜茶产量.
- 集成Sentinel-2和无人机 (UAV) RGB图像用于产量预测.
- 为了比较茶叶产量估计的不同回归算法的性能.
主要方法:
- 数据采集:Sentinel-2图像,无人机RGB图像和农民报告的新鲜茶叶生产数据.
- 特征提取:来自Sentinel-2的23个光谱特征和来自无人机数据的3个地形特征 (斜率,侧面,高度).
- 模型开发:对选的特征应用了六种回归算法 (包括随机森林和投票回归).
- 精度评估:使用R2,RMSE和rRMSE指标对季节性和年度收益率模型进行评估.
主要成果:
- 随机森林模型对于春季 (R2=0.45) 和夏季 (R2=0.5) 产量估计是最佳的.
- 投票回归模型在秋季 (R2=0.42) 和年度 (R2=0.47) 收益率估计中表现最好.
- 这项研究证明了使用综合遥感数据进行现场大规模茶叶产量预测的可行性.
结论:
- 开发的基于遥感的模型为新鲜茶叶产量估计的传统方法提供了更有效,更准确的替代方案.
- 该研究强调了Sentinel-2和无人机数据在农业监测和产量预测方面的潜力.
- 这种方法为茶叶合作社和政策制定者在管理茶叶生产方面提供了宝贵的见解.
