Combinando imágenes hiperespectrales basadas en UAV y algoritmos de aprendizaje automático para el monitoreo del contenido de humedad del suelo

El contenido de humedad del suelo (CMS) es un factor importante que afecta el desarrollo agrícola en regiones áridas. En comparación con el sistema de teledetección desde el espacio, el vehículo aéreo no tripulado (UAV) se ha utilizado ampliamente debido a su mayor controlabilidad y mayor resolución. También proporciona un método más conveniente para monitorear el CMS que los métodos de medición normales que incluyen muestreo de campo y técnicas de secado en horno. Sin embargo, la investigación basada en datos hiperespectrales de UAV aún no ha formado un procedimiento estándar en regiones áridas. Por lo tanto, se requiere un esquema de procesamiento universal. Hipotetizamos que combinar los pretratamientos de imágenes hiperespectrales de UAV bajo índices óptimos y un conjunto de observaciones de campo dentro de un marco de aprendizaje automático dará como resultado una estimación altamente precisa del CMS. Los índices espectrales 2D óptimos actúan como variables indispensables y nos permiten caracterizar el rendimiento y la distribución espacial del CMS del modelo. Para ello, utilizamos imágenes hiperespectrales y un total de 70 muestras de suelo superficial (0-10 cm) de la tierra agrícola (2.5 × 104 m2) de la ciudad de Fukang, región autónoma de Xinjiang Uygur, China. Se utilizó el método de bosque aleatorio (RF) y máquina de aprendizaje extremo (ELM) para estimar el CMS utilizando seis métodos de pretratamiento combinados con cuatro índices espectrales óptimos. La precisión de validación del método estimado aumentó claramente en comparación con la de los modelos lineales. La combinación de pretratamientos e índices en nuestra evaluación eliminó efectivamente la interferencia y el ruido. Comparar dos algoritmos de aprendizaje automático mostró que los modelos RF eran superiores a los modelos ELM, y el mejor modelo fue PIR (R 2 val = 0.907, RMSEP = 1.477, y RPD = 3.396). El mapa de CMS predicho a través del mejor esquema fue altamente similar al mapa de CMS medido. Concluimos que combinar índices espectrales preprocesados y algoritmos de aprendizaje automático permite estimar el CMS con alta precisión (R 2 val = 0.907) a través de imágenes hiperespectrales de UAV a escala regional. En última instancia, nuestro programa podría mejorar las estrategias de gestión y conservación para los sistemas agroecosistémicos en regiones áridas.