Published July 22, 2022 | Version v1
Publication Open

Evaluation of important phenotypic parameters of tea plantations using multi-source remote sensing data

Creators

  • 1. Tea Research Institute
  • 2. Qingdao Agricultural University
  • 3. Shandong Academy of Agricultural Sciences

Description

Tea height, leaf area index, canopy water content, leaf chlorophyll, and nitrogen concentrations are important phenotypic parameters to reflect the status of tea growth and guide the management of tea plantation. UAV multi-source remote sensing is an emerging technology, which can obtain more abundant multi-source information and enhance dynamic monitoring ability of crops. To monitor the phenotypic parameters of tea canopy more efficiently, we first deploy UAVs equipped with multispectral, thermal infrared, RGB, LiDAR, and tilt photography sensors to acquire phenotypic remote sensing data of tea canopy, and then, we utilize four machine learning algorithms to model the single-source and multi-source data, respectively. The results show that, on the one hand, using multi-source data sets to evaluate H, LAI, W, and LCC can greatly improve the accuracy and robustness of the model. LiDAR + TC data sets are suggested for assessing H, and the SVM model delivers the best estimation (Rp2 = 0.82 and RMSEP = 0.078). LiDAR + TC + MS data sets are suggested for LAI assessment, and the SVM model delivers the best estimation (Rp2 = 0.90 and RMSEP = 0.40). RGB + TM data sets are recommended for evaluating W, and the SVM model delivers the best estimation (Rp2 = 0.62 and RMSEP = 1.80). The MS +RGB data set is suggested for studying LCC, and the RF model offers the best estimation (Rp2 = 0.87 and RMSEP = 1.80). On the other hand, using single-source data sets to evaluate LNC can greatly improve the accuracy and robustness of the model. MS data set is suggested for assessing LNC, and the RF model delivers the best estimation (Rp2 = 0.65 and RMSEP = 0.85). The work revealed an effective technique for obtaining high-throughput tea crown phenotypic information and the best model for the joint analysis of diverse phenotypes, and it has significant importance as a guiding principle for the future use of artificial intelligence in the management of tea plantations.

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

Translated Description (Arabic)

يعد ارتفاع الشاي ومؤشر مساحة الأوراق ومحتوى ماء المظلة والكلوروفيل الورقي وتركيزات النيتروجين من المعلمات الظاهرية المهمة لتعكس حالة نمو الشاي وتوجيه إدارة مزارع الشاي. الاستشعار عن بعد متعدد المصادر بالطائرات بدون طيار هو تقنية ناشئة، والتي يمكن أن تحصل على معلومات متعددة المصادر أكثر وفرة وتعزز قدرة الرصد الديناميكي للمحاصيل. لمراقبة المعلمات الظاهرية لمظلة الشاي بشكل أكثر كفاءة، نقوم أولاً بنشر الطائرات بدون طيار المجهزة بأجهزة استشعار التصوير الفوتوغرافي متعددة الأطياف والأشعة تحت الحمراء الحرارية و RGB و LiDAR و TILT للحصول على بيانات الاستشعار عن بعد الظاهرية لمظلة الشاي، ثم نستخدم أربع خوارزميات للتعلم الآلي لنمذجة البيانات أحادية المصدر ومتعددة المصادر، على التوالي. تظهر النتائج، من ناحية، أن استخدام مجموعات البيانات متعددة المصادر لتقييم H و LAI و W و LCC يمكن أن يحسن بشكل كبير من دقة ومتانة النموذج. يتم اقتراح مجموعات بيانات ليدار + تك لتقييم H، ويقدم نموذج سفم أفضل تقدير (Rp2 = 0.82 و RMSEP = 0.078). يتم اقتراح مجموعات بيانات LiDAR + TC + MS لتقييم LAI، ويقدم نموذج SVM أفضل تقدير (Rp2 = 0.90 و RMSEP = 0.40). يوصى بمجموعات بيانات RGB + TM لتقييم W، ويقدم نموذج SVM أفضل تقدير (Rp2 = 0.62 و RMSEP = 1.80). يتم اقتراح مجموعة بيانات MS +RGB لدراسة LCC، ويقدم نموذج RF أفضل تقدير (Rp2 = 0.87 و RMSEP = 1.80). من ناحية أخرى، يمكن أن يؤدي استخدام مجموعات البيانات أحادية المصدر لتقييم LNC إلى تحسين دقة النموذج ومتانته بشكل كبير. يتم اقتراح مجموعة بيانات MS لتقييم LNC، ويقدم نموذج RF أفضل تقدير (Rp2 = 0.65 و RMSEP = 0.85). كشف العمل عن تقنية فعالة للحصول على معلومات النمط الظاهري لتاج الشاي عالية الإنتاجية وأفضل نموذج للتحليل المشترك للأنماط الظاهرية المتنوعة، وله أهمية كبيرة كمبدأ توجيهي للاستخدام المستقبلي للذكاء الاصطناعي في إدارة مزارع الشاي.

Translated Description (French)

La hauteur du thé, l'indice de surface foliaire, la teneur en eau de la canopée, la chlorophylle des feuilles et les concentrations d'azote sont des paramètres phénotypiques importants pour refléter l'état de la croissance du thé et guider la gestion de la plantation de thé. La télédétection multisource des UAV est une technologie émergente, qui peut obtenir des informations multisources plus abondantes et améliorer la capacité de surveillance dynamique des cultures. Pour surveiller plus efficacement les paramètres phénotypiques de la canopée du thé, nous déployons d'abord des drones équipés de capteurs de photographie multispectrale, infrarouge thermique, RVB, LiDAR et d'inclinaison pour acquérir des données phénotypiques de télédétection de la canopée du thé, puis nous utilisons quatre algorithmes d'apprentissage automatique pour modéliser les données à source unique et à sources multiples, respectivement. Les résultats montrent que, d'une part, l'utilisation d'ensembles de données multi-sources pour évaluer H, LAI, W et LCC peut grandement améliorer la précision et la robustesse du modèle. Des ensembles de données LiDAR + TC sont suggérés pour évaluer H, et le modèle SVM fournit la meilleure estimation (Rp2 = 0,82 et RMSEP = 0,078). Les ensembles de données LiDAR + TC + MS sont suggérés pour l'évaluation LAI, et le modèle SVM fournit la meilleure estimation (Rp2 = 0,90 et RMSEP = 0,40). Les ensembles de données RVB + TM sont recommandés pour évaluer W, et le modèle SVM fournit la meilleure estimation (Rp2 = 0,62 et RMSEP = 1,80). L'ensemble de données MS +RVB est suggéré pour l'étude du LCC, et le modèle RF offre la meilleure estimation (Rp2 = 0,87 et RMSEP = 1,80). D'autre part, l'utilisation d'ensembles de données à source unique pour évaluer le LNC peut grandement améliorer la précision et la robustesse du modèle. L'ensemble de données MS est suggéré pour évaluer le LNC, et le modèle RF fournit la meilleure estimation (Rp2 = 0,65 et RMSEP = 0,85). Les travaux ont révélé une technique efficace pour obtenir des informations phénotypiques à haut débit sur la couronne de thé et le meilleur modèle pour l'analyse conjointe de divers phénotypes, et elle a une importance significative en tant que principe directeur pour l'utilisation future de l'intelligence artificielle dans la gestion des plantations de thé.

Translated Description (Spanish)

La altura del té, el índice de área de la hoja, el contenido de agua del dosel, la clorofila de la hoja y las concentraciones de nitrógeno son parámetros fenotípicos importantes para reflejar el estado del crecimiento del té y guiar el manejo de la plantación de té. La teledetección multifuente UAV es una tecnología emergente, que puede obtener información multifuente más abundante y mejorar la capacidad de monitoreo dinámico de los cultivos. Para monitorear los parámetros fenotípicos del dosel de té de manera más eficiente, primero implementamos UAV equipados con sensores de fotografía multiespectrales, infrarrojos térmicos, RGB, LiDAR e inclinación para adquirir datos fenotípicos de teledetección del dosel de té, y luego, utilizamos cuatro algoritmos de aprendizaje automático para modelar los datos de una sola fuente y de múltiples fuentes, respectivamente. Los resultados muestran que, por un lado, el uso de conjuntos de datos de múltiples fuentes para evaluar H, LAI, W y LCC puede mejorar en gran medida la precisión y la solidez del modelo. Se sugieren conjuntos de datos LiDAR + TC para evaluar H, y el modelo SVM ofrece la mejor estimación (Rp2 = 0.82 y RMSEP = 0.078). Se sugieren conjuntos de datos LiDAR + TC + MS para la evaluación de LAI, y el modelo SVM ofrece la mejor estimación (Rp2 = 0,90 y RMSEP = 0,40). Se recomiendan conjuntos de datos RGB + TM para evaluar W, y el modelo SVM ofrece la mejor estimación (Rp2 = 0.62 y RMSEP = 1.80). El conjunto de datos MS +RGB se sugiere para estudiar LCC, y el modelo RF ofrece la mejor estimación (Rp2 = 0.87 y RMSEP = 1.80). Por otro lado, el uso de conjuntos de datos de una sola fuente para evaluar LNC puede mejorar en gran medida la precisión y la solidez del modelo. Se sugiere un conjunto de datos de MS para evaluar el LNC, y el modelo de RF ofrece la mejor estimación (Rp2 = 0.65 y RMSEP = 0.85). El trabajo reveló una técnica efectiva para obtener información fenotípica de la corona de té de alto rendimiento y el mejor modelo para el análisis conjunto de diversos fenotipos, y tiene una importancia significativa como principio rector para el uso futuro de la inteligencia artificial en la gestión de las plantaciones de té.

Files

pdf.pdf

Files (5.6 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:aa0981c1fe2daaa0071bc68ea439fe00
5.6 MB
Preview Download

Additional details

Additional titles

Translated title (Arabic)
تقييم معلمات النمط الظاهري الهامة لمزارع الشاي باستخدام بيانات الاستشعار عن بعد متعددة المصادر
Translated title (French)
Évaluation des paramètres phénotypiques importants des plantations de thé à l'aide de données de télédétection multi-sources
Translated title (Spanish)
Evaluación de parámetros fenotípicos importantes de plantaciones de té utilizando datos de teledetección de múltiples fuentes

Identifiers

Other
https://openalex.org/W4286686263
DOI
10.3389/fpls.2022.898962

Is supplement to
https://openalex.org/W4387208895 (Other)
https://openalex.org/W4327748155 (Other)
https://openalex.org/W2988577871 (Other)
https://openalex.org/W2955967599 (Other)
https://openalex.org/W2792279927 (Other)
https://openalex.org/W2549050738 (Other)
https://openalex.org/W2377212262 (Other)
https://openalex.org/W2022304901 (Other)
https://openalex.org/W2018850895 (Other)
https://openalex.org/W1987483041 (Other)

GreSIS Basics Section

Is Global South Knowledge
Yes
Country
China

References

  • https://openalex.org/W1485678107
  • https://openalex.org/W1964217023
  • https://openalex.org/W1965339457
  • https://openalex.org/W2000613913
  • https://openalex.org/W2008467627
  • https://openalex.org/W2012686349
  • https://openalex.org/W2025967407
  • https://openalex.org/W2031126473
  • https://openalex.org/W2056352756
  • https://openalex.org/W2073503722
  • https://openalex.org/W2085635066
  • https://openalex.org/W2087047858
  • https://openalex.org/W2088160870
  • https://openalex.org/W2089441588
  • https://openalex.org/W2125230412
  • https://openalex.org/W2148119123
  • https://openalex.org/W2151880387
  • https://openalex.org/W2217905131
  • https://openalex.org/W2473674430
  • https://openalex.org/W2519229624
  • https://openalex.org/W2551562355
  • https://openalex.org/W2600798029
  • https://openalex.org/W2770057048
  • https://openalex.org/W2884438462
  • https://openalex.org/W2912510744
  • https://openalex.org/W2921122163
  • https://openalex.org/W2933460083
  • https://openalex.org/W2941400914
  • https://openalex.org/W2996041315
  • https://openalex.org/W3007651920
  • https://openalex.org/W3027644944
  • https://openalex.org/W3046761127
  • https://openalex.org/W3115168656
  • https://openalex.org/W3133473491
  • https://openalex.org/W3134908587
  • https://openalex.org/W3150992921
  • https://openalex.org/W3157062837
  • https://openalex.org/W3185391681
  • https://openalex.org/W3193902414
  • https://openalex.org/W3194765271
  • https://openalex.org/W3198882497
  • https://openalex.org/W4229862041