027-87860098

基于植物-冠層模型的亞馬遜棕櫚果實成熟度航空識別

2023/9/15
曲葉矛櫚生長于潮濕的熱帶雨林,是保護亞馬遜生物群落的基礎,調節雨林的新熱帶濕地,可生產富含蛋白質、脂肪、維生素和碳水化合物的棕櫚果實。由于難以進入這些茂密的雨林,遙感方法成為其生長評估的重要技術手段。為了實現對亞馬遜曲葉矛櫚果實成熟狀態的識別,本研究采用配備多光譜相機的無人機在60 m高度上采集一個棕櫚物候期內的可見/近紅外圖像,與冠層水平上的反射狀態進行相關性分析?;贛ask R-CNN深度學習算法自動分割并識別感興趣區域( RoI ),并基于25個VIs和圖像提取的特征,形成一個二分類的數據集(綠色類GC和成熟類MC)來訓練7種有監督的ML模型來預測果實的成熟狀態,包括RF、SVM、KNN、NB、LR、ADB和ETC。對于果實成熟度的估計,還采用了CNN模型進行訓練,并創建三個新的數據集(每個數據集中GC與MC各50個)以驗證訓練后的CNN模型。此外,還以三種不同的特征組合使用ANN模型進行了果實成熟度的預測。研究結果表明:

(1)冠層反射率與果實成熟期呈顯著相關。在25個指數中,NRBDI與RBGVI指數與時間變量之間呈中等相關性,GNDVI、RGVI、MGRVI、RG、RVI、NIRG、NB、RGBVI、NGRVI和GRAPH呈低相關性,GRVI與VARI呈低負相關性。其他特征,如NDVI,表現出較低的線性相關性。

(2)使用CNN進行分類的結果并不準確。CNN訓練模型損失曲線呈下降趨勢,表明誤差隨著訓練的進行而減??;但準確率曲線出現波動,說明分類結果不一致;訓練后的CNN模型在三個新的數據集上的分類準確率分別為53%、54%和48%,為中等精度,仍有改進空間。

(3)ML模型訓練的結果顯示,僅使用25個VIs進行訓練時,線性回歸(LR)模型表現最好,準確率為70%;僅使用從圖像中提取的50個特征進行訓練時,樸素貝葉斯(Naibes Bayes,NB)模型性能最好,但準確率僅有57%;ANN模型的訓練結果顯示,當采用VIs與從圖像中提取的特征組合進行預測時,準確率高達72%。

基于植物-冠層模型的亞馬遜棕櫚果實成熟度航空識別
圖3 系統架構。B1,獲取多光譜圖像,包括5個波段的( R、G、B、RE、NIR)以及RGB圖像;B2,使用手掌識別模型從每個波段中分割和提取感興趣區域( RoI );B3,對每個特征進行時間變異性分析和建模,了解它們的響應以及與果實成熟期的相關性,到的數據是結構化的,并且有適當的標簽;B4,訓練、驗證和測試通過相關性識別果實成熟期的ML模型;B5,使用ML模型進行分割步驟,對RoI進行特征提取,并通過與冠層反射率的關聯來估計果實成熟度。

基于植物-冠層模型的亞馬遜棕櫚果實成熟度航空識別
圖5 CNN架構示意圖。

基于植物-冠層模型的亞馬遜棕櫚果實成熟度航空識別
圖8 Pearson相關性熱圖。25個VIs和圖像特征(平均向量)與時間變量之間的關系。相關性的強度由地圖右側的顏色條表示。

基于植物-冠層模型的亞馬遜棕櫚果實成熟度航空識別
圖12 CNN模型訓練和驗證的損失和準確率曲線。左圖表示損失曲線,隨著epoc增加,訓練數據和驗證數據的損失都呈下降趨勢;右圖為精度曲線。

圖13 用25個VIs訓練的7個ML模型的ROC曲線。

基于植物-冠層模型的亞馬遜棕櫚果實成熟度航空識別
圖14 ANN模型得到的ROC曲線。(左)基于圖像特征;(中)基于VIs;(右)VI和圖像特征組合。

文獻來源:Marin, W.; Mondragon, I.F.; Colorado, J.D. Aerial Identification of Fruit Maturity in Amazonian Palms via Plant-Canopy Modeling. Remote Sens. 2023, 15, 3752. https://doi.org/ 10.3390/rs15153752

国产午夜精品免费一二区|色欲AV无码精品一区二区久久|国产日产欧产精品精品|亚洲AV中文无码一区二区三区