Published July 25, 2023 | Version v1
Publication Open

Monitoring leaf nitrogen content in rice based on information fusion of multi-sensor imagery from UAV

Creators

  • 1. National Engineering Research Center for Information Technology in Agriculture
  • 2. Ministry of Agriculture and Rural Affairs
  • 3. Jiangsu University

Description

Abstract Timely and accurately monitoring leaf nitrogen content (LNC) is essential for evaluating crop nutrition status. Currently, Unmanned Aerial Vehicles (UAV) imagery is becoming a potentially powerful tool of assessing crop nitrogen status in fields, but most of crop nitrogen estimates based on UAV remote sensing usually use single type imagery, the fusion information from different types of imagery has rarely been considered. In this study, the fusion images were firstly made from the simultaneously acquired digital RGB and multi-spectral images from UAV at three growth stages of rice, and then couple the selecting methods of optimal features with machine learning algorithms for the fusion images to estimate LNC in rice. Results showed that the combination with different types of features could improve the models' accuracy effectively, the combined inputs with bands, vegetation indices (VIs) and Grey Level Co-occurrence Matrices (GLCMs) have the better performance. The LNC estimation of using fusion images was improved more obviously than multispectral those, and there was the best estimation at jointing stage based on Lasso Regression (LR), with R 2 of 0.66 and RMSE of 11.96%. Gaussian Process Regression (GPR) algorithm used in combination with one feature-screening method of Minimum Redundancy Maximum Correlation (mRMR) for the fusion images, showed the better improvement to LNC estimation, with R 2 of 0.68 and RMSE of 11.45%. It indicates that the information fusion from UAV multi-sensor imagery can significantly improve crop LNC estimates and the combination with multiple types of features also has a great potential for evaluating LNC in crops.

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

Translated Description (Arabic)

الملخص تعد مراقبة محتوى النيتروجين الورقي (LNC) في الوقت المناسب وبدقة أمرًا ضروريًا لتقييم حالة تغذية المحاصيل. في الوقت الحالي، أصبحت صور المركبات الجوية بدون طيار أداة قوية محتملة لتقييم حالة النيتروجين المحصولي في الحقول، ولكن معظم تقديرات النيتروجين المحصولي المستندة إلى الاستشعار عن بعد بالطائرات بدون طيار عادة ما تستخدم صورًا من نوع واحد، ونادراً ما يتم النظر في معلومات الاندماج من أنواع مختلفة من الصور. في هذه الدراسة، تم صنع صور الاندماج أولاً من صور RGB الرقمية والصور متعددة الأطياف التي تم الحصول عليها في وقت واحد من الطائرات بدون طيار في ثلاث مراحل نمو للأرز، ثم ربط طرق اختيار الميزات المثلى بخوارزميات التعلم الآلي لصور الاندماج لتقدير LNC في الأرز. أظهرت النتائج أن الجمع مع أنواع مختلفة من الميزات يمكن أن يحسن دقة النماذج بشكل فعال، كما أن المدخلات المدمجة مع النطاقات ومؤشرات الغطاء النباتي (VIs) ومصفوفات المشاركة في المستوى الرمادي (GLCMs) تتمتع بأداء أفضل. تم تحسين تقدير المؤتمر الوطني الليبي لاستخدام صور الاندماج بشكل أكثر وضوحًا من الصور متعددة الأطياف، وكان هناك أفضل تقدير في مرحلة الربط بناءً على انحدار لاسو (LR)، مع R 2 من 0.66 و RMSE من 11.96 ٪. أظهرت خوارزمية انحدار العملية الغاوسية (GPR) المستخدمة بالاقتران مع طريقة واحدة لفحص الميزات للحد الأدنى من ارتباط الحد الأقصى للتكرار (mRMR) لصور الاندماج، تحسنًا أفضل في تقدير LNC، مع R 2 من 0.68 و RMSE من 11.45 ٪. يشير إلى أن دمج المعلومات من صور الطائرات بدون طيار متعددة المستشعرات يمكن أن يحسن بشكل كبير تقديرات المحتوى المحلي للمحاصيل والجمع مع أنواع متعددة من الميزات له أيضًا إمكانات كبيرة لتقييم المحتوى المحلي في المحاصيل.

Translated Description (French)

Résumé Une surveillance rapide et précise de la teneur en azote des feuilles (CNL) est essentielle pour évaluer l'état nutritionnel des cultures. Actuellement, l'imagerie des véhicules aériens sans pilote (UAV) devient un outil potentiellement puissant pour évaluer l'état de l'azote des cultures dans les champs, mais la plupart des estimations de l'azote des cultures basées sur la télédétection par UAV utilisent généralement une imagerie de type unique. Les informations de fusion provenant de différents types d'imagerie ont rarement été prises en compte. Dans cette étude, les images de fusion ont d'abord été réalisées à partir des images numériques RVB et multispectrales acquises simultanément à partir d'UAV à trois stades de croissance du riz, puis couplées aux méthodes de sélection des caractéristiques optimales avec des algorithmes d'apprentissage automatique pour les images de fusion afin d'estimer le LNC dans le riz. Les résultats ont montré que la combinaison avec différents types de caractéristiques pouvait améliorer efficacement la précision des modèles, les entrées combinées avec des bandes, des indices de végétation (VI) et des matrices de co-occurrence de niveau de gris (GLCM) ayant les meilleures performances. L'estimation LNC de l'utilisation d'images de fusion a été améliorée de manière plus évidente que celles multispectrales, et il y avait la meilleure estimation au stade de l'articulation basée sur la régression de Lasso (LR), avec R 2 de 0,66 et RMSE de 11,96%. L'algorithme de régression du processus gaussien (GPR) utilisé en combinaison avec une méthode de filtrage des caractéristiques de corrélation maximale de redondance minimale (mRMR) pour les images de fusion, a montré la meilleure amélioration de l'estimation LNC, avec R 2 de 0,68 et RMSE de 11,45%. Cela indique que la fusion d'informations provenant de l'imagerie multi-capteurs des UAV peut améliorer considérablement les estimations du LNC des cultures et que la combinaison avec de multiples types de caractéristiques présente également un grand potentiel pour évaluer le LNC dans les cultures.

Translated Description (Spanish)

Resumen El monitoreo oportuno y preciso del contenido de nitrógeno de las hojas (LNC) es esencial para evaluar el estado nutricional de los cultivos. Actualmente, las imágenes de vehículos aéreos no tripulados (UAV) se están convirtiendo en una herramienta potencialmente poderosa para evaluar el estado del nitrógeno de los cultivos en los campos, pero la mayoría de las estimaciones de nitrógeno de los cultivos basadas en la teledetección de UAV generalmente utilizan imágenes de un solo tipo, la información de fusión de diferentes tipos de imágenes rara vez se ha considerado. En este estudio, las imágenes de fusión se realizaron en primer lugar a partir de las imágenes digitales RGB y multiespectrales adquiridas simultáneamente de UAV en tres etapas de crecimiento de Rice, y luego se combinaron los métodos de selección de características óptimas con algoritmos de aprendizaje automático para que las imágenes de fusión estimaran el LNC en Rice. Los resultados mostraron que la combinación con diferentes tipos de características podría mejorar la precisión de los modelos de manera efectiva, los insumos combinados con bandas, índices de vegetación (VI) y matrices de co-ocurrencia de nivel de gris (GLCM) tienen el mejor rendimiento. La estimación de LNC del uso de imágenes de fusión se mejoró más obviamente que las multiespectrales, y hubo la mejor estimación en la etapa de unión basada en la regresión de Lasso (LR), con R 2 de 0.66 y RMSE de 11.96%. El algoritmo de regresión de procesos gaussianos (GPR) utilizado en combinación con un método de detección de características de correlación máxima de redundancia mínima (mRMR) para las imágenes de fusión mostró la mejor mejora en la estimación de LNC, con R 2 de 0.68 y RMSE de 11.45%. Indica que la fusión de información de imágenes multisensor de UAV puede mejorar significativamente las estimaciones de LNC de cultivos y la combinación con múltiples tipos de características también tiene un gran potencial para evaluar LNC en cultivos.

Files

s11119-023-10042-8.pdf.pdf

Files (3.3 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:d3d8bb6c54fadb455190752b330ef068
3.3 MB
Preview Download

Additional details

Additional titles

Translated title (Arabic)
مراقبة محتوى النيتروجين الورقي في الأرز بناءً على دمج المعلومات لصور متعددة المستشعرات من الطائرات بدون طيار
Translated title (French)
Surveillance de la teneur en azote des feuilles dans le riz sur la base de la fusion d'informations d'images multi-capteurs provenant d'UAV
Translated title (Spanish)
Monitoreo del contenido de nitrógeno de las hojas en el arroz basado en la fusión de información de imágenes de sensores múltiples de UAV

Identifiers

Other
https://openalex.org/W4385257005
DOI
10.1007/s11119-023-10042-8

Is supplement to
https://openalex.org/W4388409104 (Other)
https://openalex.org/W4385497869 (Other)
https://openalex.org/W4318664220 (Other)
https://openalex.org/W283587633 (Other)
https://openalex.org/W2792279927 (Other)
https://openalex.org/W2771047279 (Other)
https://openalex.org/W2124951708 (Other)
https://openalex.org/W2035257606 (Other)
https://openalex.org/W1968523686 (Other)
https://openalex.org/W1544811710 (Other)

GreSIS Basics Section

Is Global South Knowledge
Yes
Country
China

References

  • https://openalex.org/W1985690611
  • https://openalex.org/W1989179819
  • https://openalex.org/W1991230437
  • https://openalex.org/W2000357686
  • https://openalex.org/W2013328968
  • https://openalex.org/W2046953251
  • https://openalex.org/W2064636932
  • https://openalex.org/W2087991080
  • https://openalex.org/W2089464686
  • https://openalex.org/W2095306939
  • https://openalex.org/W2099688984
  • https://openalex.org/W2125459357
  • https://openalex.org/W2141826465
  • https://openalex.org/W2159263823
  • https://openalex.org/W2173793438
  • https://openalex.org/W2213617029
  • https://openalex.org/W2332208325
  • https://openalex.org/W2475698673
  • https://openalex.org/W2767657507
  • https://openalex.org/W2804616917
  • https://openalex.org/W2946139905
  • https://openalex.org/W2996041315
  • https://openalex.org/W3008712295
  • https://openalex.org/W3092817527
  • https://openalex.org/W3098958405
  • https://openalex.org/W3113291402
  • https://openalex.org/W3123685232
  • https://openalex.org/W3135871359
  • https://openalex.org/W3139145455
  • https://openalex.org/W3157671282
  • https://openalex.org/W3189992775
  • https://openalex.org/W3198159648
  • https://openalex.org/W3208184630
  • https://openalex.org/W4319793720