机器学习驱动的微波成像用于渗漏管道附近土壤水分估计
图像与视频处理
2024-06-07 v1 信号处理
摘要
表征滴灌管周围的土壤水分（SM）对于精准优化农业至关重要。机器学习（ML）方法特别适合此任务，因为它们可以利用从相关数据集中提取的特征，减少由土壤条件和滴管位置引起的不确定性。本文利用便携式微波成像系统解决滴管附近局部水分检测问题。所采用的ML方法以两种不同微波成像技术生成的二维图像作为输入，这些技术基于不同频段的时空测量。本研究调查了K近邻（KNN）和卷积神经网络（CNN）算法基于这些图像进行水分分类的性能，包括在土壤杂波减少前后。我们还探索了CNN和KNN在植物根部周围以及存在卵石情况下的水分估计潜力。结果表明，当采用反向投影算法（BPA）作为成像技术并在杂波减少后应用CNN时，水分估计更为准确。
引用
@article{arxiv.2406.04193,
title = {Machine Learning-Driven Microwave Imaging for Soil Moisture Estimation near Leaky Pipe},
author = {Mohammad Ramezaninia and Mohammadreza Shams and Mohammad Zoofaghari},
journal= {arXiv preprint arXiv:2406.04193},
year = {2024}
}