Clasificación de cultivos combinando método orientado a objetos y modelo de bosque aleatorio utilizando imagen multiespectral de vehículo aéreo no tripulado (UAV)
Autores: Deng, Hui; Zhang, Wenjiang; Zheng, Xiaoqian; Zhang, Houxi
Idioma: Inglés
Editor: MDPI
Año: 2024
Acceso abierto
Artículo científico
Categoría
Ciencias Agrícolas y Biológicas
Licencia
CC BY-SA – Atribución – Compartir Igual
Consultas: 11
Citaciones: Sin citaciones
La identificación precisa y oportuna de los cultivos tiene una importancia primordial para la gestión efectiva de los cultivos y la estimación del rendimiento. Los vehículos aéreos no tripulados (UAV), con su superior resolución espacial y temporal en comparación con la teledetección basada en satélites, ofrecen una solución novedosa para la identificación precisa de cultivos. En este estudio, evaluamos una metodología que integra el método orientado a objetos y el algoritmo de bosque aleatorio (RF) para la identificación de cultivos utilizando imágenes UAV multiespectrales. El proceso involucró un algoritmo de segmentación multiescala, utilizando la escala de segmentación óptima determinada por el Estimador del Parámetro de Escala 2 (ESP2). Luego se desarrollaron ocho esquemas de clasificación (S1-S8) incorporando características de índice (INDE), textura (GLCM) y geométricas (GEOM) basadas en las características espectrales (SPEC) de los objetos segmentados. El mejor modelo RF entrenado se estableció a través de tres pasos: selección de características, ajuste de parámetros y entrenamiento del modelo. Posteriormente, determinamos la importancia de las características para diferentes esquemas de clasificación y generamos un mapa de predicción de vegetación para toda el área de estudio basado en el mejor modelo RF entrenado. Nuestros resultados revelaron que S5 (SPEC + GLCM + INDE) superó a los demás, logrando una impresionante precisión general (OA) y coeficiente kappa del 92.76% y 0.92, respectivamente, mientras que S4 (SPEC + GEOM) exhibió el menor rendimiento. Notablemente, las características geométricas impactaron negativamente en la precisión de la clasificación, mientras que los otros tres tipos de características contribuyeron positivamente. La precisión del jengibre, la esponja vegetal y la batata fue consistentemente más baja en la mayoría de los esquemas, probablemente debido a sus colores y formas únicas, lo que plantea desafíos para la discriminación efectiva basada únicamente en características espectrales, de índice y textura. Además, nuestros hallazgos destacaron que la característica más crucial fue la característica INDE, seguida de SPEC y GLCM, siendo GEOM la menos significativa. Para el esquema óptimo (S5), las 20 características más importantes comprendieron 10 SPEC, 7 INDE y 3 GLCM. En resumen, nuestro método propuesto, combinando algoritmos orientados a objetos y RF basados en imágenes UAV multiespectrales, demostró una alta precisión de clasificación para los cultivos. Esta investigación proporciona información valiosa para la identificación precisa de diversos cultivos, sirviendo como referencia para futuros avances en tecnología agrícola y estrategias de gestión de cultivos.
Descripción
La identificación precisa y oportuna de los cultivos tiene una importancia primordial para la gestión efectiva de los cultivos y la estimación del rendimiento. Los vehículos aéreos no tripulados (UAV), con su superior resolución espacial y temporal en comparación con la teledetección basada en satélites, ofrecen una solución novedosa para la identificación precisa de cultivos. En este estudio, evaluamos una metodología que integra el método orientado a objetos y el algoritmo de bosque aleatorio (RF) para la identificación de cultivos utilizando imágenes UAV multiespectrales. El proceso involucró un algoritmo de segmentación multiescala, utilizando la escala de segmentación óptima determinada por el Estimador del Parámetro de Escala 2 (ESP2). Luego se desarrollaron ocho esquemas de clasificación (S1-S8) incorporando características de índice (INDE), textura (GLCM) y geométricas (GEOM) basadas en las características espectrales (SPEC) de los objetos segmentados. El mejor modelo RF entrenado se estableció a través de tres pasos: selección de características, ajuste de parámetros y entrenamiento del modelo. Posteriormente, determinamos la importancia de las características para diferentes esquemas de clasificación y generamos un mapa de predicción de vegetación para toda el área de estudio basado en el mejor modelo RF entrenado. Nuestros resultados revelaron que S5 (SPEC + GLCM + INDE) superó a los demás, logrando una impresionante precisión general (OA) y coeficiente kappa del 92.76% y 0.92, respectivamente, mientras que S4 (SPEC + GEOM) exhibió el menor rendimiento. Notablemente, las características geométricas impactaron negativamente en la precisión de la clasificación, mientras que los otros tres tipos de características contribuyeron positivamente. La precisión del jengibre, la esponja vegetal y la batata fue consistentemente más baja en la mayoría de los esquemas, probablemente debido a sus colores y formas únicas, lo que plantea desafíos para la discriminación efectiva basada únicamente en características espectrales, de índice y textura. Además, nuestros hallazgos destacaron que la característica más crucial fue la característica INDE, seguida de SPEC y GLCM, siendo GEOM la menos significativa. Para el esquema óptimo (S5), las 20 características más importantes comprendieron 10 SPEC, 7 INDE y 3 GLCM. En resumen, nuestro método propuesto, combinando algoritmos orientados a objetos y RF basados en imágenes UAV multiespectrales, demostró una alta precisión de clasificación para los cultivos. Esta investigación proporciona información valiosa para la identificación precisa de diversos cultivos, sirviendo como referencia para futuros avances en tecnología agrícola y estrategias de gestión de cultivos.