Published February 25, 2022 | Version v1
Publication Open

Using Unmanned Aerial Vehicle-Based Multispectral Image Data to Monitor the Growth of Intercropping Crops in Tea Plantation

Creators

  • 1. Qingdao Agricultural University
  • 2. Tea Research Institute

Description

Aboveground biomass (AGB) and leaf area index (LAI) are important indicators to measure crop growth and development. Rapid estimation of AGB and LAI is of great significance for monitoring crop growth and agricultural site-specific management decision-making. As a fast and non-destructive detection method, unmanned aerial vehicle (UAV)-based imaging technologies provide a new way for crop growth monitoring. This study is aimed at exploring the feasibility of estimating AGB and LAI of mung bean and red bean in tea plantations by using UAV multispectral image data. The spectral parameters with high correlation with growth parameters were selected using correlation analysis. It was found that the red and near-infrared bands were sensitive bands for LAI and AGB. In addition, this study compared the performance of five machine learning methods in estimating AGB and LAI. The results showed that the support vector machine (SVM) and backpropagation neural network (BPNN) models, which can simulate non-linear relationships, had higher accuracy in estimating AGB and LAI compared with simple linear regression (LR), stepwise multiple linear regression (SMLR), and partial least-squares regression (PLSR) models. Moreover, the SVM models were better than other models in terms of fitting, consistency, and estimation accuracy, which provides higher performance for AGB (red bean: R 2 = 0.811, root-mean-square error (RMSE) = 0.137 kg/m 2 , normalized RMSE (NRMSE) = 0.134; mung bean: R 2 = 0.751, RMSE = 0.078 kg/m 2 , NRMSE = 0.100) and LAI (red bean: R 2 = 0.649, RMSE = 0.36, NRMSE = 0.123; mung bean: R 2 = 0.706, RMSE = 0.225, NRMSE = 0.081) estimation. Therefore, the crop growth parameters can be estimated quickly and accurately using the models established by combining the crop spectral information obtained by the UAV multispectral system using the SVM method. The results of this study provide valuable practical guidelines for site-specific tea plantations and the improvement of their ecological and environmental benefits.

⚠️ This is an automatic machine translation with an accuracy of 90-95%

Translated Description (Arabic)

تعد الكتلة الحيوية فوق الأرض (AGB) ومؤشر مساحة الأوراق (LAI) من المؤشرات المهمة لقياس نمو المحاصيل وتطورها. يعد التقدير السريع لـ AGB و LAI ذا أهمية كبيرة لرصد نمو المحاصيل واتخاذ القرارات الإدارية الخاصة بالموقع الزراعي. وباعتبارها طريقة كشف سريعة وغير مدمرة، توفر تقنيات التصوير القائمة على الطائرات بدون طيار طريقة جديدة لرصد نمو المحاصيل. تهدف هذه الدراسة إلى استكشاف جدوى تقدير AGB و LAI لفول المونج والفاصوليا الحمراء في مزارع الشاي باستخدام بيانات صورة متعددة الأطياف للطائرات بدون طيار. تم اختيار المعلمات الطيفية ذات الارتباط العالي مع معلمات النمو باستخدام تحليل الارتباط. وجد أن النطاقات الحمراء والقريبة من الأشعة تحت الحمراء كانت نطاقات حساسة لـ LAI و AGB. بالإضافة إلى ذلك، قارنت هذه الدراسة أداء خمس طرق للتعلم الآلي في تقدير AGB و LAI. أظهرت النتائج أن نماذج آلة ناقلات الدعم (SVM) والشبكة العصبية للتكاثر العكسي (BPNN)، والتي يمكنها محاكاة العلاقات غير الخطية، تتمتع بدقة أعلى في تقدير AGB و LAI مقارنة مع الانحدار الخطي البسيط (LR)، والانحدار الخطي المتعدد التدريجي (SMLR)، ونماذج الانحدار الجزئي للمربعات الصغرى (PLSR). علاوة على ذلك، كانت نماذج إدارة القيمة المضافة أفضل من النماذج الأخرى من حيث التركيب والاتساق ودقة التقدير، والتي توفر أداءً أعلى لـ AGB (الفاصوليا الحمراء: R 2 = 0.811، خطأ مربع متوسط الجذر (RMSE) = 0.137 كجم/م 2 ، RMSE المعيارية (NRMSE) = 0.134 ؛ فاصوليا مونج: R 2 = 0.751، RMSE = 0.078 كجم/م 2 ، NRMSE = 0.100) و LAI (الفاصوليا الحمراء: R 2 = 0.649، RMSE = 0.36، NRMSE = 0.123 ؛ فاصوليا مونج: R 2 = 0.706، RMSE = 0.225، NRMSE = 0.081) التقدير. لذلك، يمكن تقدير معلمات نمو المحاصيل بسرعة وبدقة باستخدام النماذج التي تم إنشاؤها من خلال الجمع بين المعلومات الطيفية للمحاصيل التي حصل عليها النظام متعدد الأطياف للطائرات بدون طيار باستخدام طريقة SVM. توفر نتائج هذه الدراسة مبادئ توجيهية عملية قيمة لمزارع الشاي الخاصة بالموقع وتحسين فوائدها البيئية والإيكولوجية.

Translated Description (French)

La biomasse aérienne (AGB) et l'indice de surface foliaire (LAI) sont des indicateurs importants pour mesurer la croissance et le développement des cultures. L'estimation rapide d'AGB et de LAI est d'une grande importance pour le suivi de la croissance des cultures et la prise de décision de gestion spécifique au site agricole. En tant que méthode de détection rapide et non destructive, les technologies d'imagerie basées sur les véhicules aériens sans pilote (UAV) offrent une nouvelle façon de surveiller la croissance des cultures. Cette étude vise à explorer la faisabilité d'estimer l'AGB et le LAI du haricot mungo et du haricot rouge dans les plantations de thé en utilisant des données d'images multispectrales d'UAV. Les paramètres spectraux avec une forte corrélation avec les paramètres de croissance ont été sélectionnés à l'aide d'une analyse de corrélation. Il a été constaté que les bandes rouge et proche infrarouge étaient des bandes sensibles pour LAI et AGB. En outre, cette étude a comparé les performances de cinq méthodes d'apprentissage automatique dans l'estimation d'AGB et de LAI. Les résultats ont montré que les modèles de machine à vecteurs de support (SVM) et de réseau neuronal de rétropropagation (BPNN), qui peuvent simuler des relations non linéaires, avaient une plus grande précision dans l'estimation de l'AGB et du LAI par rapport aux modèles de régression linéaire simple (LR), de régression linéaire multiple par étapes (SMLR) et de régression partielle par les moindres carrés (PLSR). De plus, les modèles SVM étaient meilleurs que les autres modèles en termes d'ajustement, de cohérence et de précision d'estimation, ce qui fournit des performances plus élevées pour AGB (haricot rouge : R 2 = 0,811, erreur quadratique moyenne (RMSE) = 0,137 kg/m 2 , RMSE normalisé (NRMSE) = 0,134 ; haricot mungo : R 2 = 0,751, RMSE = 0,078 kg/m 2 , NRMSE = 0,100) et LAI (haricot rouge : R 2 = 0,649, RMSE = 0,36, NRMSE = 0,123 ; haricot mungo : R 2 = 0,706, RMSE = 0,225, NRMSE = 0,081) estimation. Par conséquent, les paramètres de croissance des cultures peuvent être estimés rapidement et avec précision à l'aide des modèles établis en combinant les informations spectrales des cultures obtenues par le système multispectral UAV à l'aide de la méthode SVM. Les résultats de cette étude fournissent des lignes directrices pratiques précieuses pour les plantations de thé spécifiques au site et l'amélioration de leurs avantages écologiques et environnementaux.

Translated Description (Spanish)

La biomasa superficial (AGB) y el índice de área foliar (LAI) son indicadores importantes para medir el crecimiento y el desarrollo de los cultivos. La estimación rápida de AGB y LAI es de gran importancia para monitorear el crecimiento de los cultivos y la toma de decisiones de gestión específica del sitio agrícola. Como método de detección rápido y no destructivo, las tecnologías de imágenes basadas en vehículos aéreos no tripulados (UAV) proporcionan una nueva forma de monitorear el crecimiento de los cultivos. Este estudio tiene como objetivo explorar la viabilidad de estimar AGB y LAI de frijol mungo y frijol rojo en plantaciones de té mediante el uso de datos de imágenes multiespectrales de UAV. Los parámetros espectrales con alta correlación con los parámetros de crecimiento se seleccionaron mediante análisis de correlación. Se descubrió que las bandas rojas y del infrarrojo cercano eran bandas sensibles para LAI y AGB. Además, este estudio comparó el rendimiento de cinco métodos de aprendizaje automático en la estimación de AGB y LAI. Los resultados mostraron que los modelos de máquina de vectores de soporte (SVM) y red neuronal de retropropagación (BPNN), que pueden simular relaciones no lineales, tenían una mayor precisión en la estimación de AGB y LAI en comparación con los modelos de regresión lineal simple (LR), regresión lineal múltiple escalonada (SMLR) y regresión parcial de mínimos cuadrados (PLSR). Además, los modelos SVM fueron mejores que otros modelos en términos de ajuste, consistencia y precisión de estimación, lo que proporciona un mayor rendimiento para la estimación de AGB (frijol rojo: R 2 = 0.811, error cuadrático medio (RMSE) = 0.137 kg/m 2 , RMSE normalizado (NRMSE) = 0.134; frijol mungo: R 2 = 0.751, RMSE = 0.078 kg/m 2 , NRMSE = 0.100) y LAI (frijol rojo: R 2 = 0.649, RMSE = 0.36, NRMSE = 0.123; frijol mungo: R 2 = 0.706, RMSE = 0.225, NRMSE = 0.081). Por lo tanto, los parámetros de crecimiento del cultivo se pueden estimar de forma rápida y precisa utilizando los modelos establecidos mediante la combinación de la información espectral del cultivo obtenida por el sistema multiespectral UAV utilizando el método SVM. Los resultados de este estudio proporcionan valiosas pautas prácticas para las plantaciones de té específicas del sitio y la mejora de sus beneficios ecológicos y ambientales.

Files

pdf.pdf

Files (5.2 MB)

⚠️ Please wait a few minutes before your translated files are ready ⚠️ Note: Some files might be protected thus translations might not work.
Name Size Download all
md5:bf90a8090825d966a876d3121a2d572b
5.2 MB
Preview Download

Additional details

Additional titles

Translated title (Arabic)
استخدام بيانات الصور متعددة الأطياف القائمة على المركبات الجوية غير المأهولة لمراقبة نمو المحاصيل البينية في مزارع الشاي
Translated title (French)
Utilisation de données d'images multispectrales basées sur des véhicules aériens sans pilote pour surveiller la croissance des cultures intercalaires dans les plantations de thé
Translated title (Spanish)
Uso de datos de imágenes multiespectrales basados en vehículos aéreos no tripulados para monitorear el crecimiento de cultivos intercalados en plantaciones de té

Identifiers

Other
https://openalex.org/W4214651123
DOI
10.3389/fpls.2022.820585

Is supplement to
https://openalex.org/W4384993287 (Other)
https://openalex.org/W4318612131 (Other)
https://openalex.org/W4283823904 (Other)
https://openalex.org/W2770816632 (Other)
https://openalex.org/W2370033537 (Other)
https://openalex.org/W2369027389 (Other)
https://openalex.org/W2347716780 (Other)
https://openalex.org/W2271185821 (Other)
https://openalex.org/W2071890395 (Other)
https://openalex.org/W1637794350 (Other)

GreSIS Basics Section

Is Global South Knowledge
Yes
Country
China

References

  • https://openalex.org/W1826962995
  • https://openalex.org/W1885752499
  • https://openalex.org/W1982216854
  • https://openalex.org/W1987997875
  • https://openalex.org/W2002288713
  • https://openalex.org/W2010308608
  • https://openalex.org/W2012086085
  • https://openalex.org/W2012686349
  • https://openalex.org/W2018672259
  • https://openalex.org/W2029567272
  • https://openalex.org/W2041550093
  • https://openalex.org/W2063623478
  • https://openalex.org/W2064417027
  • https://openalex.org/W2066626095
  • https://openalex.org/W2070598848
  • https://openalex.org/W2087047858
  • https://openalex.org/W2087463450
  • https://openalex.org/W2091473030
  • https://openalex.org/W2092796258
  • https://openalex.org/W2127169983
  • https://openalex.org/W2137608957
  • https://openalex.org/W2141480159
  • https://openalex.org/W2145433576
  • https://openalex.org/W2161815745
  • https://openalex.org/W2168438102
  • https://openalex.org/W2221240204
  • https://openalex.org/W2253751820
  • https://openalex.org/W2334092527
  • https://openalex.org/W2393702458
  • https://openalex.org/W2412002355
  • https://openalex.org/W2521441805
  • https://openalex.org/W2562786021
  • https://openalex.org/W2572077381
  • https://openalex.org/W2646675373
  • https://openalex.org/W2736116482
  • https://openalex.org/W2741651604
  • https://openalex.org/W2751229731
  • https://openalex.org/W2790861445
  • https://openalex.org/W2802121422
  • https://openalex.org/W2884438462
  • https://openalex.org/W2894962840
  • https://openalex.org/W2900379690
  • https://openalex.org/W2911431705
  • https://openalex.org/W2918084323
  • https://openalex.org/W2919795560
  • https://openalex.org/W2921122163
  • https://openalex.org/W2936348993
  • https://openalex.org/W2978860639
  • https://openalex.org/W2987472362
  • https://openalex.org/W2991746080
  • https://openalex.org/W2997159717
  • https://openalex.org/W3007045993
  • https://openalex.org/W3008109610
  • https://openalex.org/W3028904157
  • https://openalex.org/W3037968153
  • https://openalex.org/W3048490984
  • https://openalex.org/W3094237440
  • https://openalex.org/W3106853424
  • https://openalex.org/W3155867065
  • https://openalex.org/W4253553381