Fusión de Múltiples Características para Estimar la Biomasa Sobre el Suelo de la Papa mediante Sensores Remotos UAV
Autores: Xian, Guolan; Liu, Jiangang; Lin, Yongxin; Li, Shuang; Bian, Chunsong
Idioma: Inglés
Editor: MDPI
Año: 2024
Acceso abierto
Artículo científico
Categoría
Ciencias Agrícolas y Biológicas
Subcategoría
Botánica
Palabras clave
Oportuno
Preciso
Monitoreo
Biomasa
UAV
Teledetección
Licencia
CC BY-SA – Atribución – Compartir Igual
Consultas: 7
Citaciones: Sin citaciones
El monitoreo oportuno y preciso de la biomasa aérea (AGB) es de gran importancia para indicar el estado de crecimiento de los cultivos, predecir el rendimiento y evaluar la dinámica del carbono. En comparación con el método tradicional, que consume mucho tiempo y es laborioso a través de muestreo destructivo, la teledetección con UAV proporciona una estrategia oportuna y eficiente para estimar la biomasa. Sin embargo, se desconoce la universalidad de los modelos de recuperación de teledetección con fusión de múltiples características bajo diferentes prácticas de manejo y cultivares. Las características espectrales, texturales y estructurales extraídas mediante imágenes multiespectrales y RGB de UAV, junto con parámetros meteorológicos agrícolas, se integraron para estimar la AGB en papa durante todo el período de crecimiento. Se adoptaron seis algoritmos de modelado avanzados, incluidos el bosque aleatorio (RF), la regresión de mínimos cuadrados parciales (PLSR), la regresión lineal múltiple (MLR), la regresión lineal simple (SLR), la regresión de cresta (RR) y los modelos de regresión lasso (LR), para evaluar la capacidad de estimar la AGB mediante la fusión de información de características únicas y múltiples. Los resultados indican lo siguiente: (1) El nuevo indicador propuesto, el cociente del proceso de crecimiento dependiente de la variedad (GPR), puede mejorar la precisión del modelo en más del 20%. (2) La fusión de índices de vegetación, cobertura del dosel, días de grado de crecimiento y GPR logró una mayor precisión para estimar la AGB en todas las etapas de crecimiento en comparación con el modelo de características únicas. (3) El modelo RF tuvo el mejor rendimiento para la estimación de AGB durante todo el período de crecimiento con R 0.79 y rRMSE 0.24 ton/ha. El estudio demostró que la fusión de múltiples características junto con el algoritmo de aprendizaje automático logró el mejor rendimiento para estimar la AGB de papa bajo diferentes prácticas de manejo y cultivares, lo que puede ser una estrategia de fenotipado potencial y útil para estimar la AGB a escala de parcela refinada durante todo el período de crecimiento.
Descripción
El monitoreo oportuno y preciso de la biomasa aérea (AGB) es de gran importancia para indicar el estado de crecimiento de los cultivos, predecir el rendimiento y evaluar la dinámica del carbono. En comparación con el método tradicional, que consume mucho tiempo y es laborioso a través de muestreo destructivo, la teledetección con UAV proporciona una estrategia oportuna y eficiente para estimar la biomasa. Sin embargo, se desconoce la universalidad de los modelos de recuperación de teledetección con fusión de múltiples características bajo diferentes prácticas de manejo y cultivares. Las características espectrales, texturales y estructurales extraídas mediante imágenes multiespectrales y RGB de UAV, junto con parámetros meteorológicos agrícolas, se integraron para estimar la AGB en papa durante todo el período de crecimiento. Se adoptaron seis algoritmos de modelado avanzados, incluidos el bosque aleatorio (RF), la regresión de mínimos cuadrados parciales (PLSR), la regresión lineal múltiple (MLR), la regresión lineal simple (SLR), la regresión de cresta (RR) y los modelos de regresión lasso (LR), para evaluar la capacidad de estimar la AGB mediante la fusión de información de características únicas y múltiples. Los resultados indican lo siguiente: (1) El nuevo indicador propuesto, el cociente del proceso de crecimiento dependiente de la variedad (GPR), puede mejorar la precisión del modelo en más del 20%. (2) La fusión de índices de vegetación, cobertura del dosel, días de grado de crecimiento y GPR logró una mayor precisión para estimar la AGB en todas las etapas de crecimiento en comparación con el modelo de características únicas. (3) El modelo RF tuvo el mejor rendimiento para la estimación de AGB durante todo el período de crecimiento con R 0.79 y rRMSE 0.24 ton/ha. El estudio demostró que la fusión de múltiples características junto con el algoritmo de aprendizaje automático logró el mejor rendimiento para estimar la AGB de papa bajo diferentes prácticas de manejo y cultivares, lo que puede ser una estrategia de fenotipado potencial y útil para estimar la AGB a escala de parcela refinada durante todo el período de crecimiento.