Published March 19, 2024 | Version v1
Publication Open

Predicting carob tree physiological parameters under different irrigation systems using Random Forest and Planet satellite images

Creators

  • 1. Polytechnic University of Bari
  • 2. University of Bari Aldo Moro
  • 3. Centro de Edafología y Biología Aplicada del Segura
  • 4. Consejo Superior de Investigaciones Científicas
  • 5. University of Gabès

Description

In the context of climate change, monitoring the spatial and temporal variability of plant physiological parameters has become increasingly important. Remote spectral imaging and GIS software have shown effectiveness in mapping field variability. Additionally, the application of machine learning techniques, essential for processing large data volumes, has seen a significant rise in agricultural applications. This research was focused on carob tree, a drought-resistant tree crop spread through the Mediterranean basin. The study aimed to develop robust models to predict the net assimilation and stomatal conductance of carob trees and to use these models to analyze seasonal variability and the impact of different irrigation systems.Planet satellite images were acquired on the day of field data measurement. The reflectance values of Planet spectral bands were used as predictors to develop the models. The study employed the Random Forest modeling approach, and its performances were compared with that of traditional multiple linear regression.The findings reveal that Random Forest, utilizing Planet spectral bands as predictors, achieved high accuracy in predicting net assimilation (R² = 0.81) and stomatal conductance (R² = 0.70), with the yellow and red spectral regions being particularly influential. Furthermore, the research indicates no significant difference in intrinsic water use efficiency between the various irrigation systems and rainfed conditions. This work highlighted the potential of combining satellite remote sensing and machine learning in precision agriculture, with the goal of the efficient monitoring of physiological parameters.

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

Translated Description (Arabic)

في سياق تغير المناخ، أصبح رصد التباين المكاني والزماني للبارامترات الفسيولوجية النباتية ذا أهمية متزايدة. أظهر التصوير الطيفي عن بعد وبرامج نظم المعلومات الجغرافية فعالية في رسم خرائط تقلب المجال. بالإضافة إلى ذلك، شهد تطبيق تقنيات التعلم الآلي، الضرورية لمعالجة كميات كبيرة من البيانات، ارتفاعًا كبيرًا في التطبيقات الزراعية. ركز هذا البحث على شجرة الخروب، وهي محصول شجري مقاوم للجفاف ينتشر عبر حوض البحر الأبيض المتوسط. هدفت الدراسة إلى تطوير نماذج قوية للتنبؤ بالاستيعاب الصافي والتوصيل الفموي لأشجار الخروب واستخدام هذه النماذج لتحليل التقلبات الموسمية وتأثير أنظمة الري المختلفة. تم الحصول على صور الأقمار الصناعية للكواكب في يوم قياس البيانات الميدانية. تم استخدام قيم الانعكاس للنطاقات الطيفية للكوكب كمؤشرات لتطوير النماذج. استخدمت الدراسة نهج نمذجة الغابة العشوائية، وتمت مقارنة أدائها بأداء الانحدار الخطي التقليدي المتعدد. تكشف النتائج أن الغابة العشوائية، باستخدام النطاقات الطيفية للكوكب كمؤشرات، حققت دقة عالية في التنبؤ بالاستيعاب الصافي (R² = 0.81) والتوصيل الفموي (R² = 0.70)، مع تأثير المناطق الطيفية الصفراء والحمراء بشكل خاص. علاوة على ذلك، يشير البحث إلى عدم وجود فرق كبير في كفاءة استخدام المياه الداخلية بين أنظمة الري المختلفة والظروف البعلية. سلط هذا العمل الضوء على إمكانية الجمع بين الاستشعار عن بعد عبر الأقمار الصناعية والتعلم الآلي في الزراعة الدقيقة، بهدف المراقبة الفعالة للمعايير الفسيولوجية.

Translated Description (French)

Dans le contexte du changement climatique, le suivi de la variabilité spatiale et temporelle des paramètres physiologiques des plantes est devenu de plus en plus important. L'imagerie spectrale à distance et les logiciels SIG ont montré leur efficacité dans la cartographie de la variabilité du champ. En outre, l'application de techniques d'apprentissage automatique, essentielles pour le traitement de grands volumes de données, a connu une augmentation significative des applications agricoles. Cette recherche s'est concentrée sur le caroubier, une culture d'arbres résistante à la sécheresse répandue dans le bassin méditerranéen. L'étude visait à développer des modèles robustes pour prédire l'assimilation nette et la conductance stomatique des caroubiers et à utiliser ces modèles pour analyser la variabilité saisonnière et l'impact des différents systèmes d'irrigation. Des images satellites des planètes ont été acquises le jour de la mesure des données sur le terrain. Les valeurs de réflectance des bandes spectrales des planètes ont été utilisées comme prédicteurs pour développer les modèles. L'étude a utilisé l'approche de modélisation Random Forest, et ses performances ont été comparées à celles de la régression linéaire multiple traditionnelle. Les résultats révèlent que Random Forest, en utilisant les bandes spectrales des planètes comme prédicteurs, a atteint une grande précision dans la prédiction de l'assimilation nette (R² = 0,81) et de la conductance stomatique (R² = 0,70), les régions spectrales jaune et rouge étant particulièrement influentes. En outre, la recherche n'indique aucune différence significative dans l'efficacité intrinsèque de l'utilisation de l'eau entre les différents systèmes d'irrigation et les conditions pluviales. Ce travail a mis en évidence le potentiel de la combinaison de la télédétection par satellite et de l'apprentissage automatique dans l'agriculture de précision, dans le but de surveiller efficacement les paramètres physiologiques.

Translated Description (Spanish)

En el contexto del cambio climático, el monitoreo de la variabilidad espacial y temporal de los parámetros fisiológicos de las plantas se ha vuelto cada vez más importante. Las imágenes espectrales remotas y el software SIG han demostrado eficacia en el mapeo de la variabilidad del campo. Además, la aplicación de técnicas de aprendizaje automático, esenciales para procesar grandes volúmenes de datos, ha visto un aumento significativo en las aplicaciones agrícolas. Esta investigación se centró en el algarrobo, un cultivo arbóreo resistente a la sequía que se extiende por la cuenca mediterránea. El estudio tuvo como objetivo desarrollar modelos robustos para predecir la asimilación neta y la conductancia estomática de los algarrobos y utilizar estos modelos para analizar la variabilidad estacional y el impacto de los diferentes sistemas de riego. Las imágenes satelitales del planeta se adquirieron el día de la medición de los datos de campo. Los valores de reflectancia de las bandas espectrales de Planet se utilizaron como predictores para desarrollar los modelos. El estudio empleó el enfoque de modelado de Bosque Aleatorio, y sus rendimientos se compararon con los de la regresión lineal múltiple tradicional. Los hallazgos revelan que el Bosque Aleatorio, utilizando bandas espectrales del Planeta como predictores, logró una alta precisión en la predicción de la asimilación neta (R² = 0,81) y la conductancia estomática (R² = 0,70), siendo las regiones espectrales amarillas y rojas particularmente influyentes. Además, la investigación indica que no hay diferencias significativas en la eficiencia intrínseca del uso del agua entre los diversos sistemas de riego y las condiciones de secano. Este trabajo destacó el potencial de combinar la teledetección satelital y el aprendizaje automático en la agricultura de precisión, con el objetivo de monitorear de manera eficiente los parámetros fisiológicos.

Files

pdf.pdf

Files (9.2 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
md5:47286ef9302277a83f2f8974a30ebf2b
9.2 MB
Preview Download

Additional details

Additional titles

Translated title (Arabic)
التنبؤ بالمعلمات الفسيولوجية لشجرة الخروب تحت أنظمة الري المختلفة باستخدام صور الأقمار الصناعية العشوائية للغابات والكواكب
Translated title (French)
Prévision des paramètres physiologiques des caroubiers sous différents systèmes d'irrigation à l'aide d'images satellites Random Forest et Planet
Translated title (Spanish)
Predicción de parámetros fisiológicos del algarrobo bajo diferentes sistemas de riego utilizando imágenes satelitales de Random Forest y Planet

Identifiers

Other
https://openalex.org/W4392966874
DOI
10.3389/fpls.2024.1302435

Is supplement to
https://openalex.org/W2013329914 (Other)
https://openalex.org/W2392383081 (Other)
https://openalex.org/W1618102658 (Other)
https://openalex.org/W4205376403 (Other)
https://openalex.org/W2331410275 (Other)
https://openalex.org/W2654527859 (Other)
https://openalex.org/W3193043704 (Other)
https://openalex.org/W4386259002 (Other)
https://openalex.org/W1546989560 (Other)
https://openalex.org/W3171520305 (Other)

GreSIS Basics Section

Is Global South Knowledge
Yes
Country
Tunisia

References

  • https://openalex.org/W1558257676
  • https://openalex.org/W1824582958
  • https://openalex.org/W1977096583
  • https://openalex.org/W1980396156
  • https://openalex.org/W2020205401
  • https://openalex.org/W2054267561
  • https://openalex.org/W2056318840
  • https://openalex.org/W2064261198
  • https://openalex.org/W2068699099
  • https://openalex.org/W2090481188
  • https://openalex.org/W2098057349
  • https://openalex.org/W2119067812
  • https://openalex.org/W2120153268
  • https://openalex.org/W2253565854
  • https://openalex.org/W2261059368
  • https://openalex.org/W2552533870
  • https://openalex.org/W2565157507
  • https://openalex.org/W2621390516
  • https://openalex.org/W2791109033
  • https://openalex.org/W2948756200
  • https://openalex.org/W2956392517
  • https://openalex.org/W2973006923
  • https://openalex.org/W2983376237
  • https://openalex.org/W2999084881
  • https://openalex.org/W3020699323
  • https://openalex.org/W3039045927
  • https://openalex.org/W3088154325
  • https://openalex.org/W3102027041
  • https://openalex.org/W3120697286
  • https://openalex.org/W3157318057
  • https://openalex.org/W3163515253
  • https://openalex.org/W3215104050
  • https://openalex.org/W4206907679
  • https://openalex.org/W4293086963
  • https://openalex.org/W4313481805
  • https://openalex.org/W4320919203
  • https://openalex.org/W4328049567
  • https://openalex.org/W4385472437
  • https://openalex.org/W4388422729
  • https://openalex.org/W4388694945
  • https://openalex.org/W4389938689