यूएवी हायपरस्पेक्ट्रल रिमोट सेंसिंग के आधार पर मशीन लर्निंग का उपयोग करके मिट्टी के पोषक तत्वों की निगरानी

बिना पायलट वाले हवाई वाहन (यूएवी) तेजी से विकसित हो रहे प्रयोगात्मक प्लेटफार्म हैं जो रिमोट सेंसिंग में महत्वपूर्ण भूमिका निभाते हैं। इस अध्ययन में, हमने यूएवी हायपरस्पेक्ट्रल रिमोट सेंसिंग का उपयोग करके मिट्टी के पोषक तत्वों की सामग्री की निगरानी के लिए एक मशीन लर्निंग पद्धति का अध्ययन किया। हमने विशेषताओं को निकालने और मिट्टी के हायपरस्पेक्ट्रल सूचना मॉडलिंग के लिए मशीन लर्निंग तकनीकों का उपयोग किया। पारंपरिक गणितीय रूपांतरण विधियों के विपरीत, हमने व्यक्तिगत हायपरस्पेक्ट्रल डेटा के वजन को रैंक करने के लिए रैंडम फॉरेस्ट और डिफरेंशियल इवोल्यूशन एल्गोरिदम का संयोजन अपनाया, जिससे मिट्टी के कार्बनिक पदार्थ, कुल नाइट्रोजन और उपलब्ध फास्फोरस और पोटेशियम के लिए स्पेक्ट्रल विशेषताओं के उपसमूहों की एक श्रृंखला प्राप्त की। इसके अतिरिक्त, वजन विश्लेषण के लिए एनालिटिक हीरेरार्की प्रोसेस का उपयोग किया गया और चार मिट्टी के पोषक तत्वों के विशेष बैंड सफलतापूर्वक निकाले गए। अगला, मिट्टी के पोषक तत्वों की सामग्री का अनुमान लगाने के लिए एक बैक-प्रोपगेशन (बीपी) न्यूरल नेटवर्क के आधार पर मात्रात्मक अवर्तक मॉडल स्थापित किया गया, जिसमें मॉडलिंग और सत्यापन सेटों के लिए निर्धारण गुणांक क्रमशः 0.7 और 0.6 से अधिक थे। सापेक्ष प्रतिशत अंतर मान 2 से अधिक थे, जिनमें से सबसे अधिक उपलब्ध पोटाश के लिए था, जिसमें मॉडलिंग और सत्यापन सेटों के लिए निर्धारण गुणांक क्रमशः 0.95 और 0.84 थे। इसके अलावा, मिट्टी के पोषक तत्वों के दृश्य वितरण मानचित्र बीपी मॉडल और मूल परावर्तन हायपरस्पेक्ट्रल छवियों को मिलाकर प्राप्त किए गए थे, और सामग्री के ऐतिहासिक ग्राफों के तुलनाओं ने नमूना और अवर्तक बिंदुओं के बीच तुलनात्मक रूप से सुसंगत वितरण दिखाया। परिणामों ने मिट्टी के पोषक तत्वों की सामग्री की बड़े पैमाने पर और उच्च-सटीकता निगरानी और दृश्यता के लिए संयुक्त मशीन लर्निंग विधि की प्रभावशीलता को सत्यापित किया।