La clasificación del progreso agrícola en campos de rotación de arroz-trigo basada en imágenes RGB de UAV y el modelo de media regional
Autores: Song, Xiaoxin; Wu, Fei; Lu, Xiaotong; Yang, Tianle; Ju, Chengxin; Sun, Chengming; Liu, Tao
Idioma: Inglés
Editor: MDPI
Año: 2022
Acceso abierto
Artículo científico
Categoría
Ciencias Agrícolas y Biológicas
Licencia
CC BY-SA – Atribución – Compartir Igual
Consultas: 11
Citaciones: Sin citaciones
La extracción de información sobre el progreso agrícola en las regiones de rotación arroz-trigo es un tema importante en la investigación de campos inteligentes. En este estudio, se presenta un nuevo método para la clasificación de tipos de progreso agrícola utilizando imágenes RGB de vehículos aéreos no tripulados (UAV) y el modelo de media regional propuesto (RM). Primero, se extrajo la información RGB de las imágenes para crear y seleccionar los índices de color óptimos. Después de la clasificación de índices, comparamos la reflexión de brillo del mapa de escala de grises correspondiente, el intervalo de clasificación y la desviación estándar de cada tipo de progreso agrícola. Estas comparaciones mostraron que los índices de color de clasificación óptimos eran el índice de diferencia normalizada rojo-azul (NRBDI), el índice de diferencia normalizada verde-azul (NGBDI) y el índice de diferencia de rojo-azul modificado (MRBDI). En segundo lugar, se construyó el modelo RM de acuerdo con los requisitos de clasificación de progreso agrícola de campo completo para lograr la clasificación final. Verificamos la precisión del modelo, y los coeficientes Kappa obtenidos al combinar NRBDI, NGBDI y MRBDI con el modelo RM fueron 0,86, 0,82 y 0,88, respectivamente. Luego, el método propuesto se aplicó para predecir imágenes RGB de UAV de trigo no cosechado, trigo cosechado y campos labrados e irrigados. Los resultados se compararon con los obtenidos con métodos tradicionales de aprendizaje automático, es decir, la máquina de vectores de soporte, la clasificación de máxima verosimilitud y los métodos de bosque aleatorio. NRBDI, NGBDI y MRBDI se combinaron con el modelo RM para monitorear el progreso agrícola de las ROIs de verdad terreno, y los coeficientes Kappa obtenidos fueron 0,9134, 0,8738 y 0,9179, respectivamente, mientras que los métodos tradicionales de aprendizaje automático produjeron todos un coeficiente Kappa menor que 0,7. Los resultados indican una precisión significativamente mayor del método propuesto que la de los métodos tradicionales de clasificación de aprendizaje automático para la identificación del tipo de progreso agrícola. El trabajo propuesto proporciona una referencia importante para la aplicación de UAV en la clasificación de tipos de progreso en el campo.
Descripción
La extracción de información sobre el progreso agrícola en las regiones de rotación arroz-trigo es un tema importante en la investigación de campos inteligentes. En este estudio, se presenta un nuevo método para la clasificación de tipos de progreso agrícola utilizando imágenes RGB de vehículos aéreos no tripulados (UAV) y el modelo de media regional propuesto (RM). Primero, se extrajo la información RGB de las imágenes para crear y seleccionar los índices de color óptimos. Después de la clasificación de índices, comparamos la reflexión de brillo del mapa de escala de grises correspondiente, el intervalo de clasificación y la desviación estándar de cada tipo de progreso agrícola. Estas comparaciones mostraron que los índices de color de clasificación óptimos eran el índice de diferencia normalizada rojo-azul (NRBDI), el índice de diferencia normalizada verde-azul (NGBDI) y el índice de diferencia de rojo-azul modificado (MRBDI). En segundo lugar, se construyó el modelo RM de acuerdo con los requisitos de clasificación de progreso agrícola de campo completo para lograr la clasificación final. Verificamos la precisión del modelo, y los coeficientes Kappa obtenidos al combinar NRBDI, NGBDI y MRBDI con el modelo RM fueron 0,86, 0,82 y 0,88, respectivamente. Luego, el método propuesto se aplicó para predecir imágenes RGB de UAV de trigo no cosechado, trigo cosechado y campos labrados e irrigados. Los resultados se compararon con los obtenidos con métodos tradicionales de aprendizaje automático, es decir, la máquina de vectores de soporte, la clasificación de máxima verosimilitud y los métodos de bosque aleatorio. NRBDI, NGBDI y MRBDI se combinaron con el modelo RM para monitorear el progreso agrícola de las ROIs de verdad terreno, y los coeficientes Kappa obtenidos fueron 0,9134, 0,8738 y 0,9179, respectivamente, mientras que los métodos tradicionales de aprendizaje automático produjeron todos un coeficiente Kappa menor que 0,7. Los resultados indican una precisión significativamente mayor del método propuesto que la de los métodos tradicionales de clasificación de aprendizaje automático para la identificación del tipo de progreso agrícola. El trabajo propuesto proporciona una referencia importante para la aplicación de UAV en la clasificación de tipos de progreso en el campo.