利用高分辨率多光谱无人机影像和机器学习绘制核桃水分胁迫图
计算机视觉与模式识别
2024-01-11 v2 机器学习
摘要
有效监测整个果园的核桃水分状态和胁迫水平是实现核桃（加州重要作物）精准灌溉管理的关键步骤。本研究提出了一种机器学习方法，使用随机森林（RF）模型，通过整合来自无人机（UAV）飞行的高分辨率多光谱遥感影像与天气数据，来绘制茎水势（SWP）。从2017年到2018年，在一个商业核桃园进行了五次配备七波段多光谱相机的无人机飞行，同时进行了采样核桃植株的地面测量。RF回归模型利用从正射拼接的无人机影像和天气数据中导出的植被指数，有效估计了地面测量的SWP，实现了R²=0.63和平均绝对误差（MAE）为0.80 bar。天气数据的整合对于整合不同飞行日期的数据尤为关键。SWP估计的重要变量包括风速和植被指数，如NDVI、NDRE和PSRI。一个排除红边指数NDRE和PSRI的简化RF模型显示出略微降低的精度（R²=0.54）。此外，RF分类模型预测核桃树水分胁迫水平的准确率达到85%，超过了简化分类模型的80%准确率。结果证实了基于无人机的多光谱成像结合机器学习（包含热数据、NDVI、红边指数和天气数据）在核桃水分胁迫估计和评估中的有效性。该方法为核桃园单株水平的数据驱动精准灌溉管理提供了一种可扩展、成本效益高的工具。
引用
@article{arxiv.2401.01375,
title = {Mapping Walnut Water Stress with High Resolution Multispectral UAV Imagery and Machine Learning},
author = {Kaitlyn Wang and Yufang Jin},
journal= {arXiv preprint arXiv:2401.01375},
year = {2024}
}
备注
17 pages and 22 figures. To be published in Remote Sensing