提高大米AGB估计的高通量方法,基于无人机多源遥感图像功能融合和集体学习
Jinpeng Li1,2, Jinxuan Li1,2, Dongxue Zhao1,2
1College of Information and Electrical Engineering, Shenyang Agricultural University, Shenyang, China.
Frontiers in plant science
|April 30, 2025
概括
通过将无人机RGB和多光谱图像的数据融合起来,可以更好地估计米地面生物量 (AGB). 组合机器学习模型结合这些功能,在增长阶段提供准确和稳定的AGB监控.
科学领域:
- 农业遥感 农业遥感
- 植物生理学 植物生理学
- 机器学习 机器学习
背景情况:
- 准确估计大米地面生物质 (AGB) 对于作物管理和产量预测至关重要.
- 传统的植被指数 (VIs) 在密集的树冠上难以和,这限制了它们在米生长阶段的有效性.
- 无人机 (UAV) 图像为AGB评估提供了一个有希望的,非破坏性的方法.
研究的目的:
- 探索将无人机获取的RGB和多光谱 (MS) 图像数据合并为准确和成本有效的米AGB估计的潜力.
- 为了评估单个传感器功能与多源数据融合的性能.
- 评估集合机器学习 (ML) 模型对AGB预测的有效性.
主要方法:
- 从RGB图像中提取高频纹理特征,使用离散波波变换 (DWT) 和计算的颜色时刻.
- 从MS图像中获得的植被指数 (VIs).
- 采用特征选择技术,包括消除对线性差异膨胀因子 (VIF),并开发了单个和集体ML模型.
主要成果:
- 与单个传感器功能相比,多功能融合显著提高了AGB估计的准确性.
- 融合RGB和MS图像功能比单独使用任何传感器都提高了准确性.
- 整体ML模型表现出卓越的准确性和稳定性,最佳模型实现R2 = 0.8564和RMSE = 169.32g/m2.
结论:
- 多源无人机图像功能融合与集体学习相结合,为监测大米AGB提供了高效和准确的解决方案.
- 这种方法有效地利用互补数据的优势,以进行可靠的作物生物质估计.
- 该研究强调了综合遥感和机器学习技术在精准农业中的价值.
