Recuperación de los Contenidos de Clorofila en Hojas (LCCs) en Litchi Basada en Derivadas de Orden Fraccionario y Algoritmos VCPA-GA-ML
Autores: Hasan, Umut; Jia, Kai; Wang, Li; Wang, Chongyang; Shen, Ziqi; Yu, Wenjie; Sun, Yishan; Jiang, Hao; Zhang, Zhicong; Guo, Jinfeng; Wang, Jingzhe; Li, Dan
Idioma: Inglés
Editor: MDPI
Año: 2023
Acceso abierto
Artículo científico
Categoría
Ciencias Agrícolas y Biológicas
Subcategoría
Botánica
Palabras clave
Estimación
Contenido de clorofila en hojas
Teledetección hiperespectral
Algoritmos de regresión de aprendizaje automático
Enfoques de selección de variables
Estrategia híbrida
Licencia
CC BY-SA – Atribución – Compartir Igual
Consultas: 8
Citaciones: Sin citaciones
La estimación precisa del contenido de clorofila en las hojas (LCC) es una base significativa para evaluar la actividad fotosintética del lichi y su posible estado nutricional. Los datos de teledetección hiperespectral se han utilizado ampliamente en la investigación de monitoreo cuantitativo agrícola para la evaluación no destructiva del LCC. Los enfoques de selección de variables son cruciales para analizar conjuntos de datos de alta dimensión debido al alto riesgo de sobreajuste, la intensidad temporal o los requisitos computacionales sustanciales. En este estudio, se investigó el rendimiento de cinco algoritmos de regresión de aprendizaje automático (MLRAs) basados en la reflexión de derivada de orden fraccionario (FOD) hiperespectral de 298 hojas junto con el análisis de población de combinación de variables (VCPA) y la estrategia híbrida del algoritmo genético (GA) para estimar el LCC del lichi. Los resultados mostraron que el coeficiente de correlación entre el espectro de derivada de orden 0.8 y el LCC tuvo los coeficientes de correlación más altos ( = 0.9179, < 0.01). La estrategia híbrida VCPA-GA utiliza plenamente VCPA y GA mientras compensa sus limitaciones basadas en un gran número de variables. Además, el modelo se desarrolló utilizando las 14 bandas sensibles seleccionadas de los datos de reflectancia hiperespectral de orden 0.8 con el menor error cuadrático medio en la predicción (RMSEP = 5.04). En comparación con los cinco MLRAs, los resultados de validación confirmaron que el algoritmo de regresión de cresta (RR) derivado del orden 0.2 fue el más efectivo para estimar el LCC con el coeficiente de determinación (R = 0.88), el error absoluto medio (MAE = 3.40), el error cuadrático medio (RMSE = 4.23) y la relación de rendimiento a la distancia intercuartílica (RPIQ = 3.59). Este estudio indica que una estrategia híbrida de selección de variables (VCPA-GA) y MLRAs son muy efectivas para recuperar el LCC a través de la reflectancia hiperespectral a escala de hoja. Los métodos propuestos podrían proporcionar además una base científica para la configuración de bandas de teledetección hiperespectral de diferentes plataformas, como un vehículo aéreo no tripulado (UAV) y satélites.
Descripción
La estimación precisa del contenido de clorofila en las hojas (LCC) es una base significativa para evaluar la actividad fotosintética del lichi y su posible estado nutricional. Los datos de teledetección hiperespectral se han utilizado ampliamente en la investigación de monitoreo cuantitativo agrícola para la evaluación no destructiva del LCC. Los enfoques de selección de variables son cruciales para analizar conjuntos de datos de alta dimensión debido al alto riesgo de sobreajuste, la intensidad temporal o los requisitos computacionales sustanciales. En este estudio, se investigó el rendimiento de cinco algoritmos de regresión de aprendizaje automático (MLRAs) basados en la reflexión de derivada de orden fraccionario (FOD) hiperespectral de 298 hojas junto con el análisis de población de combinación de variables (VCPA) y la estrategia híbrida del algoritmo genético (GA) para estimar el LCC del lichi. Los resultados mostraron que el coeficiente de correlación entre el espectro de derivada de orden 0.8 y el LCC tuvo los coeficientes de correlación más altos ( = 0.9179, < 0.01). La estrategia híbrida VCPA-GA utiliza plenamente VCPA y GA mientras compensa sus limitaciones basadas en un gran número de variables. Además, el modelo se desarrolló utilizando las 14 bandas sensibles seleccionadas de los datos de reflectancia hiperespectral de orden 0.8 con el menor error cuadrático medio en la predicción (RMSEP = 5.04). En comparación con los cinco MLRAs, los resultados de validación confirmaron que el algoritmo de regresión de cresta (RR) derivado del orden 0.2 fue el más efectivo para estimar el LCC con el coeficiente de determinación (R = 0.88), el error absoluto medio (MAE = 3.40), el error cuadrático medio (RMSE = 4.23) y la relación de rendimiento a la distancia intercuartílica (RPIQ = 3.59). Este estudio indica que una estrategia híbrida de selección de variables (VCPA-GA) y MLRAs son muy efectivas para recuperar el LCC a través de la reflectancia hiperespectral a escala de hoja. Los métodos propuestos podrían proporcionar además una base científica para la configuración de bandas de teledetección hiperespectral de diferentes plataformas, como un vehículo aéreo no tripulado (UAV) y satélites.