Estimando el Índice de Área Foliar de Maíz Utilizando Características de Múltiples Fuentes Derivadas de Imágenes Multiespectrales de UAV y Modelos de Aprendizaje Automático
Autores: Li, Hongyan; Huang, Caixia; Zhang, Yuze; Li, Shuai; Liu, Yu; Yang, Kui; Lu, Junsheng
Idioma: Inglés
Editor: MDPI
Año: 2025
Acceso abierto
Artículo científico
Categoría
Ciencias Agrícolas y Biológicas
Subcategoría
Botánica
Palabras clave
índices de vegetación
Características de textura
índices de textura
Regresión por mínimos cuadrados parciales
Máquina de soporte vectorial
Bosque aleatorio
Licencia
CC BY-SA – Atribución – Compartir Igual
Consultas: 20
Citaciones: Sin citaciones
El índice de área foliar (LAI) es un indicador crítico de la arquitectura del dosel y el rendimiento fisiológico, sirviendo como un parámetro clave para el monitoreo y la gestión del crecimiento de cultivos. Aunque las imágenes multiespectrales de UAV proporcionan información espectral y espacial rica, las limitaciones de las características de textura únicas para la estimación del LAI aún requieren una mayor exploración. Para abordar este problema, este estudio desarrolló un marco de fusión de características de múltiples fuentes que integra índices de vegetación (VIs), características de textura (TFs) e índices de textura (TIs) dentro de un enfoque de ensamblaje apilado que combina la regresión por mínimos cuadrados parciales (PLSR) con máquinas de soporte vectorial (SVM), bosques aleatorios (RF) y algoritmos de árboles de decisión de aumento de gradiente (GBDT) para estimar el LAI del maíz. Se llevó a cabo un experimento de campo bajo tres densidades de siembra (42,000, 63,000 y 84,000 plantas ha) y cuatro tasas de nitrógeno (0, 80, 160, 240 kg N ha) para evaluar el potencial de las imágenes multiespectrales basadas en UAV para la estimación del LAI del maíz. Los resultados muestran que al usar la regresión por mínimos cuadrados parciales (PLSR) combinada con RF, SVM y GBDT para estimar el LAI del maíz, los valores de R son 0.653, 0.697 y 0.634, y el RMSE es 0.650, 0.608 y 0.668, respectivamente, cuando solo se utilizan índices de vegetación (VIs) como entrada. Después de la incorporación de características de textura (TFs), el R aumenta a 0.717, 0.794 y 0.801, y el RMSE disminuye a 0.587, 0.500 y 0.492. La inclusión adicional de los índices de textura (TIs) eleva el R a 0.789, 0.804 y 0.844, con un RMSE de 0.506, 0.489 y 0.436, respectivamente. La validación del conjunto de prueba independiente bajo condiciones contrastantes confirmó que nuestro marco de fusión de múltiples modelos (PLSR+GBDT) con fusión de características de múltiples fuentes (VIs+TFs+TIs) estimó efectivamente el LAI, logrando un R de 0.859 y 0.794. Estos resultados demuestran que la integración de características de múltiples fuentes a través del aprendizaje automático permite una estimación robusta y precisa del LAI del maíz, proporcionando una herramienta valiosa para la agricultura de precisión y el monitoreo del crecimiento de cultivos.
Descripción
El índice de área foliar (LAI) es un indicador crítico de la arquitectura del dosel y el rendimiento fisiológico, sirviendo como un parámetro clave para el monitoreo y la gestión del crecimiento de cultivos. Aunque las imágenes multiespectrales de UAV proporcionan información espectral y espacial rica, las limitaciones de las características de textura únicas para la estimación del LAI aún requieren una mayor exploración. Para abordar este problema, este estudio desarrolló un marco de fusión de características de múltiples fuentes que integra índices de vegetación (VIs), características de textura (TFs) e índices de textura (TIs) dentro de un enfoque de ensamblaje apilado que combina la regresión por mínimos cuadrados parciales (PLSR) con máquinas de soporte vectorial (SVM), bosques aleatorios (RF) y algoritmos de árboles de decisión de aumento de gradiente (GBDT) para estimar el LAI del maíz. Se llevó a cabo un experimento de campo bajo tres densidades de siembra (42,000, 63,000 y 84,000 plantas ha) y cuatro tasas de nitrógeno (0, 80, 160, 240 kg N ha) para evaluar el potencial de las imágenes multiespectrales basadas en UAV para la estimación del LAI del maíz. Los resultados muestran que al usar la regresión por mínimos cuadrados parciales (PLSR) combinada con RF, SVM y GBDT para estimar el LAI del maíz, los valores de R son 0.653, 0.697 y 0.634, y el RMSE es 0.650, 0.608 y 0.668, respectivamente, cuando solo se utilizan índices de vegetación (VIs) como entrada. Después de la incorporación de características de textura (TFs), el R aumenta a 0.717, 0.794 y 0.801, y el RMSE disminuye a 0.587, 0.500 y 0.492. La inclusión adicional de los índices de textura (TIs) eleva el R a 0.789, 0.804 y 0.844, con un RMSE de 0.506, 0.489 y 0.436, respectivamente. La validación del conjunto de prueba independiente bajo condiciones contrastantes confirmó que nuestro marco de fusión de múltiples modelos (PLSR+GBDT) con fusión de características de múltiples fuentes (VIs+TFs+TIs) estimó efectivamente el LAI, logrando un R de 0.859 y 0.794. Estos resultados demuestran que la integración de características de múltiples fuentes a través del aprendizaje automático permite una estimación robusta y precisa del LAI del maíz, proporcionando una herramienta valiosa para la agricultura de precisión y el monitoreo del crecimiento de cultivos.