基于使用图像特征组合方法的无人驾驶飞行器超光谱图像,对香中的叶子叶绿素含量进行非破坏性估计

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 植物生理学

背景情况:

• 准确量化香叶的叶绿素含量 (LCC) 对于诊断营养不足和优化作物管理至关重要.
• 无人机 (UAV) 的高光谱图像提供了高空间和光谱分辨率,用于详细的现场分析.
• 精细分辨率无人机数据用于估计香LCC的实用性,特别是当将光谱和纹理信息结合在一起时,需要进一步研究.

研究的目的:

• 评估从无人机高光谱数据中结合植被指数 (VIs) 和纹理特征 (TFs) 的有效性,以估计香LCC.
• 为了比较不同的特征组合策略和机器学习算法用于LCC反转.
• 开发一种高精度的方法来绘制香LCC的地图,以改善营养管理.

主要方法:

• 从无人机高光谱图像的主要成分分析 (PCA) 中提取的植被指数 (VI) 和纹理特征 (TF).
• 提出了两个特征组合方法:双对和多变量组合.
• 应用了四个机器学习算法 (MLRAs) 来利用组合的特性逆转香LCC.

主要成果:

• 与单独使用VI相比,VI和TF组合方法都显著改善了LCC估计.
• 平均值与修改的红边样本比率指数 (MEA/MSRre) 的比率与LCC有很强的线性关系 (R2 = 0.745).
• 使用VI和TFs-PC1的高斯过程回归模型,根据最大信息系数选择,实现了最高的预测精度 (R2 = 0.776,RMSE = 2.04).

结论:

• 从无人机的高光谱数据中结合VI和TF,可以提高香LCC估计的准确性.
• 提出的特征组合方法,特别是使用先进的机器学习模型,对于精确的LCC预测是有效的.
• 这种方法具有很大的潜力,可以创建高分辨率的LCC地图,以支持精密营养诊断和运营农业.