Identifizierung von Unkräutern basierend auf hyperspektraler Bildgebung und maschinellem Lernen

Unkräuter können in Neuseeland erhebliche Umwelt- und wirtschaftliche Belastungen darstellen. Traditionelle Methoden zur Bekämpfung von Unkräutern, einschließlich manueller und chemischer Ansätze, können zeitaufwändig und kostspielig sein. Einige chemische Herbizide können negative Auswirkungen auf die Umwelt und die Gesundheit der Menschen haben. Ein wichtiger vorgeschlagener Schritt zur Bereitstellung alternativer Ansätze zu diesen traditionellen Methoden ist die automatisierte Identifizierung und Kartierung von Unkräutern. Wir verwendeten hyperspektrale Bilddaten und maschinelles Lernen, um die Möglichkeit einer schnellen, genauen und automatisierten Unterscheidung von Unkräutern in Weiden zu untersuchen, in denen Raygras und Klee die gesäten Arten sind. Hyperspektralbilder von zwei Gräsern (Setaria pumila, gelbes Borstengras und Stipa arundinacea, Windgras) und zwei breitblättrigen Unkrautarten (Ranunculus acris, Riesenbutterblume und Cirsium arvense, Kalifornischer Distel) wurden erfasst und unter Verwendung der Standardnormalvariatenmethode vorverarbeitet. Wir trainierten drei Klassifikationsmodelle, nämlich partielle Kleinste-Quadrate-Diskriminanzanalyse, Support Vector Machine und Multilayer Perceptron (MLP), mit whole plant averaged (Av) Spektren und Superpixel (Sp) durchschnittlichen Spektren aus jeder Unkrautprobe. Alle drei Klassifikationsmodelle zeigten eine wiederholbare Identifizierung von vier Unkräutern unter Verwendung von sowohl Av- als auch Sp-Spektren mit einer Gesamtgenauigkeit von 70-100%. MLP basierend auf der Sp-Methode lieferte jedoch das zuverlässigste und robusteste Vorhersageergebnis (89,1% Genauigkeit). Vier signifikante spektrale Bereiche wurden als hochinformativer für die Charakterisierung der vier Unkrautarten identifiziert und könnten die Grundlage für eine schnelle und effiziente Methodik zur Identifizierung von Unkräutern in Raygras/Klee-Weiden bilden.