Predicción del aprendizaje automático de la severidad de la roya del café en hojas usando datos de espectrorradiómetro

Usuario Viernes, 6 de Abril de 2018 Institutos de Investigación

El interés en utilizar datos de teleobservación en la agricultura, incluidas las evaluaciones de enfermedades, ha aumentado considerablemente en los últimos años. El sensor Sentinel-2 MultiSpectral Imager (MSI) basado en satélite, se lanzó para la evaluación de condiciones de vegetación multiespectral para aplicaciones agrícolas y de ecosistemas. El objetivo de este estudio piloto llevado a cabo en un invernadero con un espectrorradiómetro de mano, fue evaluar la utilidad de las mismas bandas de ondas utilizadas en Sentinel-2 MSI para evaluar y modelar la roya del café (CLR) basada en el radial no lineal algoritmo de aprendizaje de máquina basado en regresión de mínimos cuadrados de función de base (RBF-PLS), en comparación con la regresión de mínimos cuadrados parciales ordinarios (PLSR). Los modelos derivados de RBF-PLS describieron satisfactoriamente la gravedad de CLR ( R 2= 0.92 y RMSE = 6.1% con todas las bandas y R 2 = 0.78 y RMSE = 10.2% con bandas seleccionadas) cuando se compara con PLSR ( R 2 = 0.27 y RMSE = 18.7% con todas las bandas y R 2 = 0.17 y RMSE = 19.8 % con bandas seleccionadas). Específicamente, se identificaron cuatro bandas, B2 (490 nm), B4 (665 nm), B5 (705 nm) y B7 (783 nm) como las bandas espectrales más importantes en la evaluación y el modelado de la gravedad de CLR. Se obtuvo una mayor precisión para los niveles más severos de CLR ( R 2 = 0.71 usando todas las variables) que para los niveles moderados ( R 2= 0.38 usando todas las variables). En general, los hallazgos de este estudio mostraron que el uso de RBF-PLS y las cuatro bandas Sentinel-2 MSI podría mejorar la estimación de la gravedad de CLR a nivel de hoja

Noticias similares

Lo más reciente