Секрет точного полива: оценка влажности почвы под кукурузой с помощью дронов

Точный мониторинг содержания влаги в почве (СВП) на полях имеет решающее значение для реализации управления точным орошением. В настоящее время развитие платформ беспилотных летательных аппаратов (БПЛА) обеспечивает экономически эффективный метод крупномасштабного мониторинга СВП. В данном исследовании изучается кукуруза на силос с применением технологии дистанционного зондирования с БПЛА для получения мультиспектральных изображений на стадиях всходов, стеблевания и выбрасывания метелок.

Были интегрированы данные полевых экспериментов, а для удаления фона почвы и теней на изображениях использовалась классификация с учителем. Отражение полога посевов извлекалось с помощью техники маскирования, в то время как корреляционный анализ Пирсона применялся для оценки силы линейной связи между спектральными индексами и СВП. Впоследствии были построены модели сверточных нейронных сетей (CNN), нейронных сетей с обратным распространением ошибки (BPNN) и проекции на латентные структуры (PLSR) для оценки применимости этих моделей в мониторинге СВП до и после удаления фона почвы и теней на изображениях. Результаты показали, что: (1) После удаления фона почвы и теней точность инверсии СВП для моделей CNN, BPNN и PLSR повысилась на всех стадиях роста. (2) Среди различных моделей инверсии точность располагалась в порядке убывания: CNN, PLSR, BPNN. (3) С точки зрения различных стадий роста, точность инверсии располагалась в порядке убывания: стадия всходов, стадия выбрасывания метелок, стадия стеблевания. Полученные результаты обеспечивают теоретическую и техническую поддержку для инверсии СВП в корнеобитаемой зоне кукурузы на силос по данным мультиспектрального дистанционного зондирования с БПЛА, а также служат подтверждением возможности крупномасштабного мониторинга влажности почвы с помощью дистанционного зондирования.

Поскольку уровень жизни продолжает расти, индивидуальное потребление воды в быту значительно увеличилось, что усугубляет дефицит водных ресурсов. Статистика показывает, что доля воды, используемой в сельском хозяйстве, составляет 65% от общего объема водных ресурсов Китая, однако коэффициент ее эффективного использования составляет менее 45%, что серьезно сдерживает быстрое развитие сельскохозяйственного производства [1,2]. Эта проблема особенно остро стоит в засушливых регионах Северо-Западного Китая, где редкие осадки, высокая испаряемость и сухой климат часто нарушают нормальный рост сельскохозяйственных культур, что приводит к снижению урожайности. Следовательно, дефицит воды стал основным фактором, ограничивающим региональное экономическое и социальное развитие [3]. Продовольственная безопасность, являясь краеугольным камнем стабильности национальной экономики и средств к существованию населения, в конечном итоге зависит от водных ресурсов [4]. Решение этой проблемы требует развития точного земледелия для повышения эффективности использования воды [5]. Таким образом, реализация национальной стратегии продовольственной безопасности, создание баз по производству зерна, обеспечение энергетической безопасности, использование ресурсных преимуществ коридора Хэси, продвижение точного орошения и повышение эффективности использования водных ресурсов являются критически важными основами для создания высококачественных сельскохозяйственных угодий и достижения устойчивого развития сельского хозяйства [6,7,8].

Регион Хэси провинции Ганьсу, расположенный в северо-западном Китае, служит не только крупной производственной базой для основных зерновых и технических культур, но и критически важной зоной для изучения эффективных стратегий управления водными ресурсами. В условиях дефицита осадков, засушливого климата и высокой испаряемости эффективное использование водных ресурсов напрямую влияет на урожайность сельскохозяйственных культур и устойчивость сельскохозяйственного производства. Решение проблем сельскохозяйственного водоснабжения, вызванных дефицитом воды, требует внедрения точного орошения в периоды вегетации сельскохозяйственных культур для максимизации эффективности использования воды, что стало центральной проблемой для развития сельского хозяйства в этом регионе [9]. Точная инверсия СВП предоставляет важнейшую техническую поддержку для достижения этой цели. Однако, в связи с ростом населения и усилением воздействия изменения климата на освоение водных ресурсов, в регионе наблюдается обострение дисбаланса между деятельностью человека и водными ресурсами, а также деградация окружающей среды [10]. Учитывая высокую потребность кукурузы на силос в воде, точное орошение становится ключевым фактором обеспечения роста сельскохозяйственных культур и продуктивности сельского хозяйства. Следовательно, технология инверсии СВП на основе БПЛА имеет значительный потенциал применения в регионе Хэси.

В последние годы использование данных дистанционного зондирования для крупномасштабной оценки СВП стало заметным направлением исследований как в Китае, так и за рубежом [11]. Будучи ключевым индикатором в сельскохозяйственном мониторинге, СВП играет критическую роль в принятии решений по точному орошению, оценке условий роста сельскохозяйственных культур и прогнозировании урожайности [12]. Точная и эффективная оценка СВП необходима для повышения урожайности, качества сельскохозяйственных культур и эффективности использования воды в сельском хозяйстве [13]. Хотя традиционные методы отбора проб обеспечивают точные измерения, они требуют много времени и труда, а также ограничены по объему выборки, что делает их непригодными для определения изменений СВП на больших площадях. Аналогично, традиционные методы мониторинга СВП, такие как термостатно-весовой метод, гамма-лучевой метод и нейтронный влагомер, не могут обеспечить мониторинг в реальном времени, бесконтактным или неразрушающим способом [14]. В то время как традиционные спутниковые технологии дистанционного зондирования способствовали крупномасштабному и быстрому мониторингу влажности почвы, их низкое временное разрешение и грубое пространственное разрешение часто не отвечают требованиям точного орошения [15,16]. По сравнению с традиционными технологиями дистанционного зондирования, технология беспилотных летательных аппаратов (БПЛА) получила широкое распространение благодаря высокому пространственному разрешению, гибкости планирования полетов и возможности получения данных в реальном времени [17]. Эти особенности преодолевают ограничения, связанные с орбитальными циклами спутников и неблагоприятными погодными условиями. В отличие от наземных измерений, БПЛА могут покрывать большие сельскохозяйственные площади за короткий промежуток времени. Собранные данные после соответствующей обработки могут служить входными данными для прогнозных моделей СВП, эффективно заменяя ручной труд и обеспечивая бесконтактный, неразрушающий мониторинг. Кроме того, БПЛА способствуют переходу от точечного к площадному оцениванию, предоставляя критически важную технологическую поддержку для мониторинга СВП в реальном времени и точного орошения в засушливых регионах [18].

В настоящее время БПЛА могут быть оснащены различными датчиками (например, RGB, мультиспектральными, гиперспектральными и тепловизионными) для получения наблюдательных данных с различными спектральными, пространственными и временными характеристиками. Эти данные используются для полевых обследований с целью оценки водного стресса сельскохозяйственных культур [19,20,21], оценки содержания азота в растениях [22,23,24] и мониторинга СВП [25,26,27]. Например, Shafian и др. [28] оценили СВП на больших сельскохозяйственных площадях, комбинируя мультиспектральные данные Landsat с перпендикулярным индексом влажности почвы и данными DC, достигнув R2 0,703. Однако этот метод ограничен пространственным разрешением Landsat в 30 м, что недостаточно для мелкомасштабного точного орошения на полях. В отличие от этого, Liu и др. [29] использовали БПЛА, оснащенный гиперспектральным датчиком, для получения изображений высокого разрешения на сантиметровом уровне, применив ансамблевую модель обучения стекингом DO для достижения инверсии СВП с R2 0,81 и RMSE 1,6%. Однако гиперспектральные датчики дороги, а обработка их данных сложна, что делает их непригодными для крупномасштабного применения. Кроме того, Qin и др. [30] предложили метод, основанный на тепловизионных данных в сочетании с временным анализом для мониторинга водного стресса сельскохозяйственных культур. Однако тепловизионные датчики очень чувствительны к погодным условиям, что снижает их оперативность. БПЛА, оснащенные мультиспектральными датчиками, могут оценивать СВП путем регистрации отражательной способности полога и вегетационного индекса (VI) [31,32]. Тем не менее, из-за трехмерной структуры сельскохозяйственных культур на изображениях часто появляются тени, когда направление наблюдения датчика не совпадает с прямыми солнечными лучами, что ослабляет спектральную информацию полога и влияет на точность инверсии СВП [33,34,35]. Учитывая ограниченное количество мультиспектральных каналов, оптимизация их комбинации для повышения точности инверсии остается сложной задачей. Данное исследование восполняет этот пробел путем исключения затененных участков, оптимизации комбинаций каналов и изучения перспективных алгоритмов, таких как нейронные сети и глубокое обучение, для повышения устойчивости моделей инверсии СВП.

Таким образом, данное исследование фокусируется на кукурузе на силос на ферме Хуажуй в уезде Минлэ, город Чжанъе, провинция Ганьсу, Китай. Используя мультиспектральные изображения с БПЛА, мы сравниваем отражательную способность полога до и после удаления фона почвы и теней на изображениях, применяем корреляционный анализ Пирсона для выбора оптимальных спектральных индексов для различных стадий роста и строим модели инверсии СВП на основе CNN, BPNN и PLSR. Цели исследования включают: (1) сравнение точности инверсии СВП до и после удаления фона почвы и теней на изображениях; (2) оценку спектральных индексов, коррелирующих с СВП; (3) оценку эффективности моделей CNN, BPNN и PLSR при инверсии СВП; (4) создание карт инверсии СВП для стадий всходов, стеблевания и выбрасывания метелок.

2.1. Район исследования

Экспериментальный участок для данного исследования расположен на ферме Хуажуй в поселке Люба, уезд Минлэ, город Чжанъе, провинция Ганьсу, Китай (38°43′48.33″ с.ш., 100°42′6.35″ в.д.). Он находится к северу от водораздела гор Циляньшань, в средней части коридора Хэси и к юго-востоку от города Чжанъе. Рельеф понижается с юга на север, высота превышает 2400 м, климат умеренный континентальный пустынно-степной. Основные культуры включают кукурузу, пшеницу и картофель. Почва в уезде Минлэ — серо-коричневая пустынная, с pH примерно 8,5. Содержание органического вещества колеблется от 0,2 до 2% на равнинах и от 0,8 до 10% в горных районах. Среднегодовое количество осадков составляет 351 мм, безморозный период — 140 дней. Экспериментальная делянка занимает площадь около 3,5 му (приблизительно 0,23 га), кукуруза на силос посажена с расстоянием 25 см между растениями и 50 см между рядами, с использованием полного мульчирования полиэтиленовой пленкой. Расположение района исследования показано на Рисунке 1, а схема полевого эксперимента — на Рисунке 2.

Рисунок 1. Обзор района исследования. Примечание: На левой стороне — карта расположения исследования в уезде Минлэ, город Чжанъе, провинция Ганьсу, Китай. На правой стороне — тип земного покрова уезда Минлэ и ЦМР поселка Люба.

Рисунок 2. Схема полевого эксперимента. Примечание: Кукуруза на силос была посажена с расстоянием 25 см между растениями и 50 см между рядами.

2.2. Получение данных

2.2.1. Получение и обработка спектральных изображений

В этом эксперименте мультиспектральные изображения дистанционного зондирования были получены с использованием квадрокоптера DJI Matrice 300 RTK (Shenzhen DJI Innovation Technology Co., Ltd., Шэньчжэнь, Китай) 18 мая 2022 г., 1 июля 2022 г. и 4 августа 2022 г. БПЛА был оснащен мультиспектральной камерой MS600Pro (Changguang Yuchen Information Technology and Equipment (Qingdao) Co., Ltd., Циндао, Китай). Высота полета была установлена на 30 м, с продольным перекрытием 80% и поперечным перекрытием 70%. Полеты проводились в период с 12:00 до 15:00, объектив мультиспектральной камеры был направлен вертикально вниз. Каждый полет выполнялся по заранее определенному маршруту, а отражательная способность на центральной длине волны диффузного отражающего панно показана в Таблице 1. Скорость полета составляла 7 м/с, изображения калибровочного панно снимались на земле до и после каждого полета. Эти изображения калибровочного панно использовались для калибровки отражательной способности, чтобы компенсировать изменения условий освещения, обеспечивая согласованность данных. Пространственное разрешение на местности составляло 2 см, а продолжительность каждого полета — около 30 мин. В районе исследования были установлены четыре наземных контрольных точки (GCP), и точные координаты были получены с использованием RTK. Программное обеспечение Pix4D Mapper 4.8.0 использовалось для привязки и точной коррекции изображений на основе контрольных точек, отмеченных вручную. В процессе обработки изображений вариации освещенности были нормализованы в пределах одной стадии роста, а данные с разных стадий роста обрабатывались с использованием гистограммного согласования. Этот процесс позволил получить точную информацию об отражательной способности сельскохозяйственных культур. После настройки параметров были созданы растровая цифровая модель поверхности (DSM), ортофотоплан и карта отражательной способности, содержащая отражательную способность каждого канала, что облегчило извлечение отражательной способности полога кукурузы на силос. Блок-схема исследования показана на Рисунке 3.

Рисунок 3. Общая блок-схема данного исследования.

Таблица 1. Центральная длина волны и отражательная способность диффузного отражателя.

При получении изображений с БПЛА тени, вызванные несовпадением направления прямого солнечного излучения и направления наблюдения датчика, могут ослаблять спектральную информацию полога. Поэтому в программном обеспечении ENVI 5.3 для классификации с учителем использовались комбинации ложных цветов. Метод максимального правдоподобия, широко используемая и хорошо отработанная нелинейная классификация, основанная на байесовском критерии с минимальной вероятностью ошибки классификации, был применен в этом эксперименте для удаления фона почвы и теней на изображениях [36,37].

2.2.2. Отбор и обработка почвенных образцов

После получения изображений с БПЛА почвенные образцы были оперативно отобраны в точках пробоотбора, установленных в соответствии с Рисунком 4, а СВП в корнеобитаемой зоне кукурузы на силос была определена термостатно-весовым методом. Основываясь на глубине основного слоя активности корней кукурузы на силос, были разработаны три уровня глубины: 0–10 см, 10–20 см и 20–30 см. Среднее СВП на этих глубинах было рассчитано как СВП для каждой точки пробоотбора на глубине 0–30 см. На Рисунке 5 показаны статистические результаты выборочных данных по СВП. Общее количество образцов влажности почвы для стадий всходов, стеблевания и выбрасывания метелок составило 48 для каждой стадии. Для каждой стадии роста 2/3 данных были случайным образом отобраны для моделирования, а оставшаяся 1/3 использована для валидации. Конкретное разделение наборов данных показано в Таблице 2.

Рисунок 5. Статистика образцов СВП по фазам вегетации. Примечание: (a–c) представляют собой статистику образцов измеренного СВП на стадии всходов, стадии стеблевания и стадии выбрасывания метелок соответственно, включая общий набор образцов и разделение на обучающий и валидационный наборы.

Таблица 2. Статистика наборов данных по фазам вегетации.

2.3. Извлечение вегетационных индексов

Вегетационный индекс (VI) является критически важным показателем для отражения жизнеспособности и информации о растительности. Анализируя VI, можно эффективно извлекать информацию о растительном покрове, состоянии роста и тенденциях [38]. В этом исследовании мы рассчитали 10 часто используемых VI на основе отражательной способности полога кукурузы. VI и формулы их расчета показаны в Таблице 3.

Таблица 3. Вегетационные индексы и формулы расчета.

2.4. Корреляционный анализ Пирсона

Данные мультиспектральных изображений характеризуются сложными комбинациями, а избыточные и мешающие спектральные переменные могут влиять на точность и прецизионность моделей инверсии влажности почвы. Поэтому необходимо выбирать чувствительные комбинации спектральных индексов [49]. Это исследование в первую очередь использует корреляционный анализ Пирсона для оценки силы линейной связи между спектральными индексами и содержанием влаги в почве, который может быть рассчитан с использованием уравнения (1), где X_i и Y_i представляют значения выборок, а X ̅ и Y ̅ представляют средние значения выборок для двух переменных соответственно:

Примечание: Диапазон значений r составляет [-1,1]. Значения 0,8–1,0 указывают на очень сильную корреляцию, 0,6–0,8 — на сильную корреляцию, 0,4–0,6 — на умеренную корреляцию, 0,2–0,4 — на слабую корреляцию, а 0,0–0,2 — на очень слабую корреляцию или ее отсутствие.

2.5. Построение моделей инверсии СВП

В последние годы глубокое обучение широко применяется в мониторинге стихийных бедствий и распознавании образов [50,51,52,53], демонстрируя значительные преимущества. Сверточные нейронные сети (CNN) являются одним из представительных алгоритмов глубокого обучения, известных своими локальными связями и разделением весов. CNN превосходно справляются с обработкой изображений, особенно в задачах распознавания изображений, таких как классификация изображений, обнаружение объектов и сегментация изображений, что делает их одной из наиболее широко используемых моделей.

Нейронная сеть с обратным распространением ошибки (BPNN) — это многослойная нейронная сеть прямого распространения, обучаемая с использованием алгоритма обратного распространения ошибки. Она широко используется для задач классификации, регрессии и прогнозирования, предлагая такие преимущества, как нелинейное отображение, самообучение, самоадаптация и высокая обобщающая способность [54,55].

Проекция на латентные структуры (PLSR) особенно подходит для прогнозирования, так как может обрабатывать как отражающие, так и формирующие индикаторы. PLSR может выполнять многомерный регрессионный анализ, упрощать структуры данных и проводить канонический корреляционный анализ. Это наиболее часто используемый метод для оценки параметров в моделях структурных уравнений со скрытыми переменными, способный устранять мультиколлинеарность между переменными и повышать точность модели [56,57].

В этом исследовании используется MATLAB 2022a для построения моделей инверсии СВП с использованием CNN, BPNN и PLSR. Чтобы гарантировать, что как обучающий, так и валидационный наборы отражают статистические характеристики СВП, было взято среднее значение почвенных образцов на различных глубинах. Из каждой стадии роста 32 образца были случайным образом отобраны в качестве обучающего набора, а оставшиеся почвенные образцы послужили валидационным набором.

2.6. Оценка точности модели

В этом исследовании для оценки согласованности между результатами классификации и эталонными данными использовался коэффициент Каппа, учитывающий возможность случайного совпадения. Формула расчета приведена в уравнении (2):

где P_0 представляет наблюдаемое согласие между предсказанной и эталонной классификациями, а P_e обозначает ожидаемое согласие, обусловленное случайностью. Значение Каппа, равное 1, указывает на идеальное согласие, в то время как значение 0 свидетельствует о том, что классификация не лучше случайного угадывания. Обычно значения Каппа выше 0,8 считаются отличными, а значения между 0,6 и 0,8 указывают на существенное согласие.

В этом исследовании точность моделей инверсии СВП оценивалась с использованием средней абсолютной ошибки (MAE), среднеквадратичной ошибки (RMSE) и коэффициента детерминации (R2). MAE представляет собой среднее значение абсолютных ошибок и эффективно отражает фактическую ошибку прогноза; чем меньше MAE, тем выше точность модели. RMSE указывает, насколько близки предсказанные значения к фактическим, причем значения, близкие к 0, показывают лучшую точность. R2 представляет собой качество подгонки модели, причем значения, близкие к 1, указывают на лучшую производительность инверсии. Формулы расчета показаны в уравнениях (3)–(5):

где y_i — измеренное значение содержания влаги в почве, y ̂_i — предсказанное значение содержания влаги в почве, y ̅ — среднее значение содержания влаги в почве, а n — количество образцов.

3.1. Извлечение и статистический анализ спектральной отражательной способности полога

В этом исследовании результаты мультиспектральных изображений с БПЛА после классификации с учителем были обработаны для получения векторных файлов полога кукурузы на силос. Коэффициент Каппа отражает точность классификатора, а оценка результатов классификации показана в Таблице 4. Общая точность классификации с учителем достигла 99%, при этом коэффициенты Каппа стабильно превышали 0,99, что благоприятно для последующей инверсии СВП. Среди всех стадий роста классификация с учителем показала наилучшие результаты на стадии всходов кукурузы на силос. Процесс извлечения отражательной способности полога кукурузы на силос проиллюстрирован на Рисунке 6.

Рисунок 6. Процесс извлечения отражательной способности полога кукурузы. (a) Результат классификации. (b) Были извлечены каналы растений. (c) Были построены векторные файлы полога. (d) Была извлечена отражательная способность полога.

Таблица 4. Точность классификации и коэффициент Каппа.

Средние спектральные данные для каждой стадии роста были рассчитаны для сравнения изменений отражательной способности полога кукурузы на силос до и после удаления фона почвы и теней на изображениях. Результаты показаны на Рисунке 7. Среди различных стадий роста ближний инфракрасный канал спектральной отражательной способности полога показывает наиболее значительное увеличение после удаления фона почвы и теней на изображениях. Стадия всходов демонстрирует большее увеличение спектральной отражательной способности полога по сравнению со стадиями стеблевания и выбрасывания метелок.

Рисунок 7. Спектральная отражательная способность полога кукурузы на разных стадиях роста.

3.2. Корреляционный анализ Пирсона для отбора наилучшей комбинации переменных

Чтобы смягчить потенциальное переобучение в модели инверсии, были использованы коэффициенты корреляции Пирсона для проведения многомерного корреляционного анализа между независимыми переменными (мультиспектральные данные дистанционного зондирования и спектральная информация) и зависимой переменной (СВП в корнеобитаемой зоне кукурузы на силос) [58]. На Рисунке 8 показана матрица диаграмм рассеяния и коэффициенты корреляции Пирсона для каждой стадии роста после удаления фона почвы и теней на изображениях, отображающая результаты проверки данных на нормальность. На диагонали матрицы показаны одномерные оценки плотности, представляющие распределение каждого признака, в то время как другие части матрицы рассеяния изображают линейные связи между различными переменными.

Рисунок 8. Матрица рассеяния и корреляционный анализ Пирсона. Нижняя треугольная матрица представляет линейную связь между спектральными индексами и СВП после удаления фона почвы и теней на изображениях. Верхняя треугольная матрица показывает коэффициенты корреляции между переменными.

Используя корреляционный анализ Пирсона, были выбраны оптимальные комбинации переменных для различных стадий роста до и после удаления фона почвы и теней на изображениях. После удаления спектральные индексы, наиболее сильно коррелирующие с СВП на стадии всходов, в порядке убывания силы, это Rededge1, Green, NIR, Rededge2, Blue, Red, NDWI, RVI1 и NDVI2, с коэффициентами корреляции 0,832, 0,789 и 0,616 для Rededge1, Green и NIR соответственно. На стадии стеблевания NIR показал самую высокую корреляцию с СВП, с коэффициентом 0,327. На стадии выбрасывания метелок индексы GI, VARI и GNDVI показали более высокие корреляции с СВП, с коэффициентами 0,558, 0,515 и 0,506 соответственно. На стадии выбрасывания метелок NDVI2 показал незначительную корреляцию с СВП или ее отсутствие, что свидетельствует о нелинейной связи или отсутствии значимой ассоциации между ними. Статистические результаты корреляционного анализа Пирсона для отбора оптимальных комбинаций переменных обобщены в Таблице 5.

Таблица 5. Статистические результаты отбора с помощью корреляционного анализа Пирсона.

3.3. Построение модели инверсии СВП

Спектральные индексы, высоко коррелирующие с СВП, были отобраны для построения моделей инверсии СВП на основе CNN, BPNN и PLSR. Модель CNN использовала двумерные сверточные слои и двумерные слои подвыборки для обработки данных, что помогает выделять признаки в двумерной пространственной области. Размер ядра свертки составлял [3, 1], а слой подвыборки использовал двумерный слой максимальной подвыборки с размером окна подвыборки [2, 1] и шагом [1, 1]. Модели PLSR и BP используют одномерные данные для моделирования и прогнозирования, представляя несколько оценочных метрик для оценки производительности модели. Модель BP создала два скрытых нейрона слоя, с параметрами обучения, включающими 1000 итераций, порог ошибки 1e-6 и скорость обучения 0,01. Ранняя остановка была реализована в процессе обучения для предотвращения переобучения, вызванного чрезмерным количеством итераций. Прогнозы СВП, полученные в результате инверсии, были линейно подогнаны к измерениям СВП, полученным термостатно-весовым методом, в результате чего было получено уравнение подгонки, как показано на Рисунке 9, и проанализировано влияние фона почвы и теней на изображениях на модель инверсии.

Рисунок 9. Эффект инверсии содержания влаги в почве (СВП).

Как показано на Рисунке 9, удаление фона почвы и теней на изображениях значительно повышает точность восстановления СВП. На стадии всходов после удаления значения R2 для CNN, BPNN и PLSR увеличились на 0,161, 0,079 и 0,026 соответственно. На стадии стеблевания после удаления значения R2 для CNN, BPNN и PLSR улучшились на 0,008, 0,043 и 0,177 соответственно. На стадии выбрасывания метелок после удаления значения R2 для CNN, BPNN и PLSR увеличились на 0,012, 0,119 и 0,159 соответственно. Кроме того, после удаления фона CNN демонстрирует тенденцию к снижению R2 по мере прогрессирования стадий роста, в то время как R2 для BPNN и PLSR сначала снижается, а затем увеличивается. В общем, с точки зрения модели, точность восстановления ранжируется следующим образом: CNN > PLSR > BPNN. С точки зрения стадии роста, ранжирование следующее: стадия всходов > стадия выбрасывания метелок > стадия стеблевания.

3.4. Комплексная оценка моделей инверсии СВП

Как показано в Таблице 6, в этом исследовании оценивается точность трех моделей инверсии СВП до и после удаления фона почвы и теней на изображениях с точки зрения MAE, RMSE и R2. Анализ показывает следующее: (1) После удаления фона почвы и теней на изображениях точность результатов инверсии СВП улучшилась для всех стадий роста во всех трех моделях инверсии. CNN продемонстрировала самую высокую точность: R2 валидационного набора увеличился на 20,33%, 0,92% и 1,28% для каждой стадии роста, значения MAE составили 0,156, 0,341 и 0,101, а значения RMSE — 0,284, 0,595 и 0,143 соответственно. Для BPNN R2 валидационного набора увеличился на 10,65%, 6,86% и 17,20%, со значениями MAE 0,315, 1,025 и 0,120, и значениями RMSE 0,552, 1,308 и 0,154 соответственно. PLSR показала увеличение R2 валидационного набора на 2,87%, 31,55% и 24,05%, со значениями MAE 0,357, 0,662 и 0,128, и значениями RMSE 0,447, 0,882 и 0,155 соответственно. (2) На стадии всходов, в условиях удаления фона почвы и теней на изображениях, R2 обучающего набора для CNN, BPNN и PLSR составил 0,960, 0,906 и 0,727 соответственно. На стадии стеблевания в тех же условиях R2 обучающего набора составил 0,875, 0,670 и 0,738 соответственно, а на стадии выбрасывания метелок — 0,869, 0,811 и 0,820 соответственно. Точность инверсии модели для каждой стадии роста ранжируется от самой высокой к самой низкой как CNN, PLSR и BPNN.

Таблица 6. Оценка результатов инверсии моделей.

Согласно комплексным результатам оценки прогностической модели, результаты инверсии СВП для экспериментальной зоны представлены на Рисунке 10.

Рисунок 10. График результатов инверсии.

4.1. Влияние фона почвы и теней на изображениях на точность инверсии СВП

СВП является основным фактором, определяющим урожайность и качество сельскохозяйственных культур. Мониторинг его изменений в реальном времени с помощью дистанционного зондирования с БПЛА является фундаментальным и важнейшим условием для достижения точного орошения. В стабильных условиях освещения и температуры СВП становится ключевым фактором, влияющим на рост сельскохозяйственных культур. Особенно в условиях водного стресса отражательная способность сельскохозяйственных культур претерпевает значительные изменения. Однако существующие исследования показывают, что из-за влияния множества факторов на платформы дистанционного зондирования с БПЛА получаемые ими мультиспектральные изображения высокого разрешения подвержены помехам от фона почвы и теней на изображениях. Когда один пиксель содержит информацию об отражательной способности нескольких типов земного покрова, смешанные спектры снижают точность модели. Эти помехи ослабляют спектральную информацию растительности, снижая точность инверсии СВП корнеобитаемой зоны [59,60]. Поэтому в данном исследовании применяется классификация с учителем для удаления фона почвы и затененных участков с изображения, уменьшая эффект спектрального смешивания, извлекая только спектр отражения растений для создания векторных файлов полога. Сравнивая значения спектральной отражательной способности полога до и после удаления фона почвы и теней на изображениях, результаты показывают улучшение значений спектральной отражательной способности полога на всех стадиях роста кукурузы на силос. Наиболее заметное улучшение наблюдается в ближнем инфракрасном диапазоне, особенно на стадии всходов, которая демонстрирует более выраженное изменение спектральной отражательной способности полога по сравнению со стадиями стеблевания и выбрасывания метелок. Дальнейший анализ показал, что удаление фона почвы и теней на изображениях улучшило стабильность и устойчивость модели инверсии. Это согласуется с выводами Ли Мэйсюань и Чжу Вэньцзин, которые продемонстрировали увеличение R2 до 0,723 путем удаления теней на изображениях с помощью теневого индекса, тем самым улучшив точность инверсии содержания азота [61]. Чжу Вэньцзин использовала такие методы, как метод Оцу, пороговую сегментацию и метод опорных векторов для тонкой семантической сегментации изображений дистанционного зондирования фузариоза пшеницы, увеличив R2 валидационного набора с 0,68 до 0,77, что эффективно повысило точность мониторинга фузариоза пшеницы [62]. В этом исследовании улучшение особенно заметно на стадии всходов, так как почва и проростки кукурузы четко различимы и их легче отделить от интересующей области по сравнению со стадиями стеблевания и выбрасывания метелок.

4.2. Влияние модели на точность инверсии СВП

В этом исследовании применяются три модели — CNN [63], BPNN и PLSR — для инверсии СВП. Эти модели основаны на разных принципах и алгоритмах, что приводит к разной точности инверсии. CNN — это тип нейронной сети прямого распространения со сверточной структурой, включающей входной слой, сверточные слои, слои подвыборки, полносвязные слои и выходной слой [64,65]. Она превосходно справляется с обработкой пространственных данных, особенно в распознавании и анализе изображений или пространственных структур. CNN обладают четырьмя основными характеристиками: локальные связи, разделение весов, операции подвыборки и многослойная структура [66]. Их преимущество заключается в способности автоматически изучать признаки из данных посредством многослойных нелинейных преобразований, заменяя признаки, разработанные вручную. Глубокая структура CNN наделяет их сильными способностями к представлению и обучению [67]. BPNN является эффективной моделью для оценки параметров и широко используется в различных алгоритмах прогнозирования. Однако она имеет относительно медленную скорость сходимости [68]. PLSR — это метод регрессионного моделирования для нескольких зависимых переменных (Y) относительно нескольких независимых переменных (X). Этот алгоритм извлекает главные компоненты как из Y, так и из X, одновременно максимизируя корреляцию между компонентами, полученными из X и Y [69]. Результаты исследования показывают, что модель CNN продемонстрировала более высокую точность инверсии, так как значения R2 для обучающего набора были около 0,9. Хотя точность инверсии модели BPNN была ниже, чем у моделей CNN и PLSR, она все же достигла хороших результатов на некоторых наборах данных, например, на стадии всходов. Это свидетельствует о том, что разные модели имеют различную адаптируемость к характеристикам и структуре входных данных. Сравнение инвертированного СВП в точках пробоотбора с наблюдаемым СВП показано на Рисунке 11. Zhang и др. [70] использовали мультиспектральные и тепловизионные данные дистанционного зондирования, собранные в течение всего периода вегетации сои и кукурузы. Применяя модель случайного леса (RFR) и комбинируя индексы для оценки СВП, их результаты показали, что методы мультиспектрального дистанционного зондирования обеспечивают более высокую точность оценки СВП по сравнению с тепловизионным дистанционным зондированием. Seo и др. [71] собрали мультиспектральные и тепловизионные данные для мониторинга СВП на крупных картофельных полях. Сравнивая точность восстановления СВП с помощью CNN и глубоких нейронных сетей (DNN), результаты продемонстрировали, что CNN показала лучшую производительность в оценке СВП. Yin и др. [72] использовали люцерну в качестве объекта исследования, получая RGB, мультиспектральные и тепловизионные изображения для оценки СВП с использованием четырех регрессионных моделей: PLSR, SVM, RF и DNN. Результаты показали, что интеграция мультимодальных данных значительно улучшила способность оценивать СВП, причем модель DNN, использующая мультимодальные данные, достигла наилучших результатов, обеспечив R2 0,72 и RMSE 4,98%. В этом исследовании были получены мультиспектральные изображения кукурузы на силос, и удаление фона почвы и теней на изображениях, а также выбор оптимальных комбинаций переменных значительно повысили точность модели инверсии СВП. CNN продемонстрировала превосходную точность и устойчивость при инверсии СВП, за ней следуют PLSR и BPNN. Конкретная производительность этих моделей может варьироваться в зависимости от района исследования, типа данных и параметров модели.

Рисунок 11. Сравнение инвертированного СВП и наблюдаемого СВП в точке пробоотбора.

4.3. Анализ неопределенности

Исследование инверсии СВП на основе CNN, BPNN и PLSR дало удовлетворительные результаты, но остаются некоторые ограничения. Хотя технология БПЛА широко используется в различных областях, она очень восприимчива к погодным условиям во время полета. Плотная облачность может значительно изменить условия освещения во время полета, что приводит к нестабильности спектральных данных, регистрируемых датчиками. Это вызывает колебания отражательной способности объектов, вызывая изменения тона на мультиспектральных изображениях. Следовательно, VI, используемые для инверсии СВП (NDVI, GNDVI и др.), подвержены помехам, так как характеристики отражательной способности не могут сохранять согласованность, что влияет на стабильность модели и точность прогнозирования. При мониторинге сельскохозяйственных культур такие изменения условий освещения влияют на интенсивность отраженного света в различных спектральных каналах, приводя к искажениям цвета, которые делают результаты инверсии неточными и ставят под сомнение анализ критически важных показателей. Кроме того, сильный ветер может дестабилизировать БПЛА, вызывая снижение пространственного разрешения, качества изображения и точности позиционирования. Более того, сложные метеорологические условия могут привести к тому, что данные изображений будет трудно сопоставить с фактическими наземными условиями.

Для устранения этих ограничений будущие исследования должны быть направлены на изучение методов коррекции в реальном времени нестабильности спектральных данных, вызванной неблагоприятными метеорологическими условиями, а также передовых методов обработки изображений для смягчения изменений тона и спектральных несоответствий. Для нестабильности, вызванной сильным ветром, будущие усилия должны рассмотреть возможность улучшения технологий стабилизации БПЛА или интеграции данных из нескольких источников, таких как спутниковые снимки, для компенсации пробелов, возникающих из-за ограничений данных БПЛА. Эти достижения не только повысят прогностическую способность и точность моделей инверсии СВП, но и позволят принимать более обоснованные решения в области точного орошения и экологической устойчивости сельского хозяйства.

Сельскохозяйственные данные являются чувствительными для стран из-за политической и экологической продовольственной безопасности. Однако эти ограничения неблагоприятны для исследований больших данных. Предполагается, что в будущей работе следует обеспечить обмен данными для построения модели больших данных в сельском хозяйстве и повышения обобщающей способности ее интерпретируемости при условии обеспечения безопасности в локальном диапазоне. Это исследование фокусируется на восстановлении СВП кукурузы на силос в регионе Хэси, причем методы особенно подходят для засушливого климата и культур с высокой потребностью в воде. Полученные результаты обеспечивают критически важную техническую поддержку для разработки более универсальных систем точного орошения и содействия устойчивому сельскому хозяйству в будущем. Для других культур или климатических регионов потребуется корректировка параметров модели.

Эта статья была направлена на исследование влияния фона почвы и теней на изображениях на инверсию СВП. Сначала была использована классификация с учителем для удаления фона почвы и теней на изображениях. Затем был проведен корреляционный анализ Пирсона, показавший значительное улучшение корреляции между независимыми переменными (спектральными индексами) и зависимой переменной (СВП). Наконец, модели CNN, BPNN и PLSR были использованы для сравнительного анализа результатов инверсии на разных стадиях роста, и была оценена их точность.

(1) Из-за различных спектральных характеристик разных каналов VI, построенный на основе отражательной способности полога на разных стадиях роста, будет различаться. Корреляция между NDVI1, GI, SIPI и СВП не была значительной до и после удаления фона почвы и теней на изображениях. На стадиях всходов и стеблевания корреляция между NDVI1, GI и СВП была близка к нулю. Аналогично, на стадиях стеблевания и выбрасывания метелок корреляция между SIPI и СВП была близка к нулю, что указывает на нелинейную связь или отсутствие явной ассоциации между ними.

(2) На каждой стадии роста удаление фона почвы и теней на изображениях улучшило точность инверсии СВП. В модели инверсии на основе CNN R2 валидационного набора увеличился на 20,33%, 0,92% и 1,28% на стадиях всходов, стеблевания и выбрасывания метелок соответственно после удаления. В модели инверсии на основе BPNN R2 увеличился на 10,65%, 6,86% и 17,20% на стадиях всходов, стеблевания и выбрасывания метелок соответственно после удаления. В модели инверсии на основе PLSR R2 увеличился на 2,87%, 31,55% и 24,05% на стадиях всходов, стеблевания и выбрасывания метелок соответственно после удаления. Все три модели показали самую высокую точность инверсии на стадии всходов, со значениями R2 валидационного набора 0,953, 0,821 и 0,895 соответственно.

(3) Точность инверсии трех моделей до и после удаления фона почвы и теней на изображениях следовала порядку: стадия всходов, стадия выбрасывания метелок, стадия стеблевания. Удаление фона улучшило точность инверсии на каждой стадии роста количественно, но не изменило порядок точности по стадиям роста.

1.    Yang, X.; Pu, Y.W.; Weng, S.G.; Hou, M.; Wang, Z.H. Review of agricultural water-saving policies and measures in recent years—A case study of Jiangsu Province, China. Water Sci. Technol. Water Supply 2022, 22, 3951–3967. [Google Scholar] [CrossRef]

2.    Ju, Q.Q.; Du, L.J.; Liu, C.S.; Jiang, S. Water resource management for irrigated agriculture in China: Problems and prospects. Irrig. Drain. 2023, 72, 854–863. [Google Scholar] [CrossRef]

3.    Fertas, L.; Alouat, M.; Benmahamed, H. The Emergence of Irrigated Agriculture in Semi-Arid Zones in the Face of Climate Change and Urbanization in Peri-Urban Areas in Setif, Algeria. Sustainability 2024, 16, 1112. [Google Scholar] [CrossRef]

4.    Liu, X.; Shi, L.J.; Qian, H.Y.; Sun, S.K.; Wu, P.T.; Zhao, X.N.; Engel, B.A.; Wang, Y.B. New problems of food security in Northwest China: A sustainability perspective. Land Degrad. Dev. 2020, 31, 975–989. [Google Scholar] [CrossRef]

5.    Fan, Y.F.; He, L.Y.; Liu, Y.; Wang, S.F. Reallocating crop spatial pattern improves agricultural productivity and irrigation benefits without reducing yields. Environ. Dev. Sustain. 2023, 25, 14155–14176. [Google Scholar] [CrossRef]

6.    Li, Y.; Xu, X.; Chen, Z.J.; Xiong, Y.W.; Huang, Q.Z.; Huang, G.H. A process simulation-based framework for resource, food, and ecology trade-off by optimizing irrigation and N management. J. Hydrol. 2023, 617, 129035. [Google Scholar] [CrossRef]

7.    Zhao, X.; Tao, W.H.; Su, L.J.; Sun, Y.; Qu, Z.; Mu, W.Y.; Ma, C.K.; Shan, Y.Y. Spatio-Temporal Study on Irrigation Guarantee Capacity in the Northwest Arid Region of China. Water 2023, 15, 1396. [Google Scholar] [CrossRef]

8.    Yin, Y.S.; Zhang, Y.N.; Duan, W.J.; Xu, K.; Yang, Z.H.; Shi, B.Y.; Yao, Z.Z.; Yin, C.B.; Dogot, T. Farmers’ preferences for sustainable farmland construction—Insights from a discrete choice experiment in China. Sustain. Prod. Consum. 2024, 48, 235–247. [Google Scholar] [CrossRef]

9.    Yang, M.M.; Zhu, Y.N.; Zhao, Y.; Li, C.M.; Zhang, Y.L.; Fan, Y.; Yang, W.J.; Kang, M.Y. Life cycle water and energy consumption and efficiency analysis of major crops in China. J. Clean. Prod. 2024, 467, 142899. [Google Scholar] [CrossRef]

10. Du, D.D.; Dong, B.; Zhang, R.; Cui, S.A.; Chen, G.R.; Du, F.F. Spatiotemporal dynamics of irrigated cropland water use efficiency and driving factors in northwest China’s Hexi Corridor. Ecol. Process. 2024, 13, 72. [Google Scholar] [CrossRef]

11. Lan, S.; Zhang, Y.; Gao, T.Y.; Tong, F.H.; Tian, Z.Z.; Zhang, H.Y.; Li, M.Z.; Mustafa, N.S. UAV remote sensing monitoring of winter wheat tiller number based on vegetation pixel extraction and mixed-features selection. Int. J. Appl. Earth Obs. Geoinf. 2024, 131, 103940. [Google Scholar] [CrossRef]

12. Wang, J.H.; Ge, Y.; Heuvelink, G.B.M.; Zhou, C.H. Upscaling In Situ Soil Moisture Observations to Pixel Averages with Spatio-Temporal Geostatistics. Remote Sens. 2015, 7, 11372–11388. [Google Scholar] [CrossRef]

13. Zhu, W.X.; Rezaei, E.E.; Nouri, H.; Sun, Z.G.; Li, J.; Yu, D.Y.; Siebert, S. UAV-based indicators of crop growth are robust for distinct water and nutrient management but vary between crop development phases. Field Crops Res. 2022, 284, 108582. [Google Scholar] [CrossRef]

14. Resende, L.S.; Botrel, É.P.; Pozza, E.A.; Cássia Roteli, K.; Souza Andrade, O.C.; Martins Pereira, R.C. Effect of soil moisture, organic matter and fertilizer application on brown eye spot disease in coffee plantations. Eur. J. Plant Pathol. 2022, 163, 351–367. [Google Scholar] [CrossRef]

15. Guo, J.; Bai, Q.Y.; Guo, W.C.; Bu, Z.D.; Zhang, W.T. Soil moisture content estimation in winter wheat planting area for multi-source sensing data using CNNR. Comput. Electron. Agric. 2022, 193, 106670. [Google Scholar] [CrossRef]

16. Qu, T.T.; Li, Y.Y.; Zhao, Q.X.; Yin, Y.Z.; Wang, Y.Z.; Li, F.Z.; Zhang, W.P. Drone-Based Multispectral Remote Sensing Inversion for Typical Crop Soil Moisture under Dry Farming Conditions. Agriculture 2024, 14, 484. [Google Scholar] [CrossRef]

17. Cao, Z.Y.; Tang, L.Y.; Yuan, X.H.; Gand, Q. Surface topography modelling and ice flow velocity mapping of Dalk Glacier, East Antarctica: Application of UAV remote sensing. Int. Arch. Photogramm. Remote Sens. Spat. Inf. Sci. 2024, 48, 59–64. [Google Scholar] [CrossRef]

18. Wu, J.Y.; Wen, S.; Lan, Y.B.; Yin, X.C.; Zhang, J.T.; Ge, Y.F. Estimation of cotton canopy parameters based on unmanned aerial vehicle (UAV) oblique photography. Plant Methods 2022, 18, 129. [Google Scholar] [CrossRef] [PubMed]

19. Gago, J.; Douthe, C.; Coopman, R.E.; Gallego, P.P.; Ribas-Carbo, M.; Flexas, J.; Escalona, J.; Medrano, H. UAVs challenge to assess water stress for sustainable agriculture. Agric. Water Manag. 2015, 153, 9–19. [Google Scholar] [CrossRef]

20. Zhang, L.Y.; Zhang, H.H.; Niu, Y.X.; Han, W.T. Mapping maize water stress based on UAV multispectral remote sensing. Remote Sens. 2019, 11, 605. [Google Scholar] [CrossRef]

21. Barbedo, J.G.A. A Review on the Use of Unmanned Aerial Vehicles and Imaging Sensors for Monitoring and Assessing Plant Stresses. Drones 2019, 3, 40. [Google Scholar] [CrossRef]

22. Dharmaratne, P.P.; Salgadoe, A.S.A.; Rathnayake, W.M.U.K.; Weerasinghe, A.D.A.J.K.; Sirisena, D.N.; Wanninayaka, W.M.N. Remote Measurement of Nitrogen and Leaf Chlorophyll Concentration Using UAV-Based Multispectral Imagery from Rice Crop Field in Sri Lanka. Sci. Data 2023, 980, 641–654. [Google Scholar]

23. Castilho, D.; Tedesco, D.; Hernandez, C.; Madari, B.E.; Ciampitti, I. A global dataset for assessing nitrogen-related plant traits using drone imagery in major field crop species. Sci. Data 2024, 11, 585. [Google Scholar] [CrossRef] [PubMed]

24. Goffart, J.P.; Ben Abdallah, F.; Goffart, D.; Curnel, Y.; Planchon, V. Potato Crop Nitrogen Status Monitoring for Sustainable N Fertilisation Management: Last 15 Years and Future-Expected Developments with Reference Method and Use of Optical Sensors. Potato Res. 2023, 66, 1257–1303. [Google Scholar] [CrossRef]

25. Duangsuwan, S.; Teekapakvisit, C.; Maw, M.M. Development of soil moisture monitoring by using IoT and UAV-SC for smart farming application. Adv. Sci. Technol. Eng. Syst. J. 2020, 5, 381–387. [Google Scholar] [CrossRef]

26. Taghvaeian, S.; Chavez, J.L.; Hansen, N.C. Infrared Thermometry to Estimate Crop Water Stress Index and Water Use of Irrigated Maize in Northeastern Colorado. Remote Sens. 2012, 4, 3619–3637. [Google Scholar] [CrossRef]

27. Chakhar, A.; Hernández-López, D.; Ballesteros, R.; Moreno, M.A. Improvement of the Soil Moisture Retrieval Procedure Based on the Integration of UAV Photogrammetry and Satellite Remote Sensing Information. Remote Sens. 2021, 13, 4968. [Google Scholar] [CrossRef]

28. Shafian, S.; Maas, S.J. Index of Soil Moisture Using Raw Landsat Image Digital Count Data in Texas High Plains. Remote Sens. 2015, 7, 2352–2372. [Google Scholar] [CrossRef]

29. Liu, H.; Chen, J.Y.; Xiang, Y.Z.; Geng, H.S.; Yang, X.Z.; Yang, N.; Du, R.Q.; Wang, Y.; Zhang, Z.T.; Shi, L.S.; et al. Improving UAV hyperspectral monitoring accuracy of summer maize soil moisture content with an ensemble learning model fusing crop physiological spectral responses. Eur. J. Agron. 2024, 160, 127299. [Google Scholar] [CrossRef]

30. Qin, C.Y.; Zhou, J.P.; Xu, Y.; Duan, C.X.; Cui, C.; Zhang, H.Q. Using thermal infrared imaging to estimate soil moisture dynamics. J. Irrig. Drain. 2024, 43, 34. [Google Scholar]

31. Consoli, S.; Vanella, D. Mapping crop evapotranspiration by integrating vegetation indices into a soil water balance model. Agric. Water Manag. 2015, 143, 71–81. [Google Scholar] [CrossRef]

32. Wu, R.J.; Li, Q. Assessing the soil moisture drought index for agricultural drought monitoring based on green vegetation fraction retrieval methods. Nat. Hazards 2021, 108, 499–518. [Google Scholar] [CrossRef]

33. Almeida-Ñauñay, A.F.; Tarquis, A.M.; López-Herrera, J.; Pérez-Martín, E.; Pancorbo, J.L.; Raya-Sereno, M.D.; Quemada, M. Optimization of soil background removal to improve the prediction of wheat traits with UAV imagery. Comput. Electron. Agric. 2023, 205, 107559. [Google Scholar] [CrossRef]

34. Seo, M.G.; Shin, H.S.; Tsourdos, A. Soil Moisture Retrieval from Airborne Multispectral and Infrared Images using Convolutional Neural Network. IFAC-Pap. 2020, 53, 15852–15857. [Google Scholar] [CrossRef]

35. Singh, A.K.; Ganapathysubramanian, B.; Sarkar, S.; Singh, A. Deep Learning for Plant Stress Phenotyping: Trends and Future Perspectives. Trends Plant Sci. 2018, 23, 883–898. [Google Scholar] [CrossRef]

36. Yang, Z.H. Statistical Properties of the Maximum Likelihood Method of Phylogenetic Estimation and Comparison With Distance Matrix Methods. Syst. Biol. 1994, 43, 329–342. [Google Scholar] [CrossRef]

37. Goglio, L.; Rossetto, M. Comparison of fatigue data using the maximum likelihood method. Eng. Fract. Mech. 2004, 71, 725–736. [Google Scholar] [CrossRef]

38. Gao, Y.G.; Lin, Y.H.; Wen, X.L.; Jian, W.B.; Gong, Y.S. Vegetation information recognition in visible band based on UAV images. Trans. Chin. Soc. Agric. Eng. 2020, 36, 178–189. [Google Scholar]

39. Verrelst, J.; Schaepman, M.E.; Koetz, B.; Kneubühler, M. Angular sensitivity analysis of vegetation indices derived from CHRIS/PROBA data. Remote Sens. Environ. 2008, 112, 2341–2353. [Google Scholar] [CrossRef]

40. Rouse, J.W.; Haas, R.W.; Schell, J.A.; Deering, D.W. Monitoring the Vernal Advancement and Retrogradation (Greenwave Effect) of Natural Vegetation; Nasa/gsfct Type Final Report; NASA: Washington, DC, USA, 1974.

41. Sims, D.A.; Gamon, J.A. Relationships between leaf pigment content and spectral reflectance across a wide range of species, leaf structures and developmental stages. Remote Sens. Environ. 2002, 81, 337–354. [Google Scholar] [CrossRef]

42. Zarco-Tejada, P.J.; Berjón, A.; López-Lozano, R.; Miller, J.R.; Martín, P.; Cachorro, V.; González, M.R.; de Frutos, A. Assessing vineyard condition with hyperspectral indices: Leaf and canopy reflectance simulation in a row-structured discontinuous canopy. Remote Sens. Environ. 2005, 99, 271–287. [Google Scholar] [CrossRef]

43. Wang, F.M.; Huang, J.F.; Tang, Y.L.; Wang, X.Z. New Vegetation Index and Its Application in Estimating Leaf Area Index of Rice. Rice Sci. 2007, 14, 195–203. [Google Scholar] [CrossRef]

44. Penuelas, J.; Baret, F.; Filella, I. Semiempirical Indexes to Assess Carotenoids Chlorophyll-a Ratio from Leaf Spectral Reflectance. Photosynthetica 1995, 31, 221–230. [Google Scholar]

45. Xue, L.H.; Cao, W.X.; Luo, W.H.; Dai, T.B.; Zhu, Y. Monitoring Leaf Nitrogen Status in Rice with Canopy Spectral Reflectance. Agron. J. 2004, 96, 135–142. [Google Scholar] [CrossRef]

46. Mishra, S.; Mishra, D.R. Normalized difference chlorophyll index: A novel model for remote estimation of chlorophyll- a concentration in turbid productive waters. Remote Sens. Environ. 2011, 117, 394–406. [Google Scholar] [CrossRef]

47. Schneider, P.; Roberts, D.A.; Kyriakidis, P.C. A VARI-based relative greenness from MODIS data for computing the Fire Potential Index. Remote Sens. Environ. 2008, 112, 1151–1167. [Google Scholar] [CrossRef]

48. McFeeters, S.K. Using the Normalized Difference Water Index (NDWI) within a Geographic Information System to Detect Swimming Pools for Mosquito Abatement: A Practical Approach. Remote Sens. 2013, 5, 3544–3561. [Google Scholar] [CrossRef]

49. Kasim, N.; Sawut, R.; Shi, Q.; Maihemuti, B. Estimation of Soil Organic Matter Content Based on Optimized Spectral Index. Nongye Jixie Xuebao/Trans. Chin. Soc. Agric. Mach. 2018, 49, 11. [Google Scholar]

50. Janssens, O.; Walle, R.V.D.; Loccufier, M.; Hoecke, S.V. Deep Learning for Infrared Thermal Image Based Machine Health Monitoring. IEEE/ASME Trans. Mechatron. 2018, 23, 151–159. [Google Scholar] [CrossRef]

51. Speth, S.; Goncalves, A.; Rigault, B.; Suzuki, S.; Bouazizi, M.; Matsuo, Y.; Prendinger, H. Deep learning with RGB and thermal images onboard a drone for monitoring operations. J. Field Robot. 2022, 39, 840–868. [Google Scholar] [CrossRef]

52. He, Y.; Huo, T.B.; Gao, B.H.; Zhu, Q.; Jin, L.; Chen, J. Thaw Slump Susceptibility Mapping Based on Sample Optimization and Ensemble Learning Techniques in Qinghai-Tibet Railway Corridor. IEEE J. Sel. Top. Appl. Earth Obs. Remote Sens. 2024, 17, 5443–5459. [Google Scholar] [CrossRef]

53. Wang, W.N.; Yan, H.W.; Lu, X.M.; He, Y.; Liu, T.; Li, W.D.; Li, P.B.; Xu, F. Drainage pattern recognition method considering local basin shape based on graph neural network. Int. J. Digit. Earth 2023, 16, 593–619. [Google Scholar] [CrossRef]

54. Macbeth, C.; Dai, H.C. Effects of learning parameters on learning procedure and performance of a BPNN. Neural Netw. Off. J. Int. Neural Netw. Soc. 1997, 10, 1505–1521. [Google Scholar]

55. Kulkarn, A.H.; Rai, D.H.M.; Jahagirdar, D.K.A.; Upparamani, P.S. A Leaf Recognition Technique for Plant Classification Using RBPNN and Zernike Moments. J. Comput. Mediat. Commun. 2013, 2, 984–988. [Google Scholar]

56. Nawar, S.; Buddenbaum, H.; Hill, J.; Kozak, J. Modeling and Mapping of Soil Salinity with Reflectance Spectroscopy and Landsat Data Using Two Quantitative Methods (PLSR and MARS). Remote Sens. 2014, 6, 10813–10834. [Google Scholar] [CrossRef]

57. dos Santos, F.R.; de Oliveira, J.F.; Bona, E.; dos Santos, J.V.F.; Barboza, J.M.C.; Melquiades, F.L. EDXRF spectral data combined with PLSR to determine some soil fertility indicators. Microchem. J. 2020, 152, 104275. [Google Scholar] [CrossRef]

58. Tian, M.L.; Ge, X.Y.; Ding, J.L.; Wang, J.Z.; Zhang, Z.H. Coupled Machine Learning and Unmanned Aerial Vehicle Based Hyperspectral Data for Soil Moisture Content Estimation. Laser Optoelectron. Prog. 2020, 57, 232–241. [Google Scholar]

59. Yan, G.J.; Li, L.Y.; André Coy Mu, X.H.; Chen, S.B.; Xie, D.H.; Zhang, W.M.; Shen, Q.F.; Zhou, H.M. Improving the estimation of fractional vegetation cover from uav rgb imagery by colour unmixing. ISPRS J. Photogramm. Remote Sens. 2019, 158, 23–34. [Google Scholar] [CrossRef]

60. Aboutalebi, M.; Torres-Rua, A.F.; Kustas, W.P.; Nieto, H.; Coopmans, C.; McKee, M. Assessment of different methods for shadow detection in high-resolution optical imagery and evaluation of shadow impact on calculation of NDVI, and evapotranspiration. Irrig. Sci. 2019, 37, 407–429. [Google Scholar] [CrossRef]

61. Li, M.X.; Zhu, X.C.; Bai, X.Y.; Peng, Y.F.; Tian, Z.Y.; Jiang, Y.M. Remote Sensing Inversion of Nitrogen Content in Apple Canopy Based on Shadow Removal in UAV Multi-Spectral Remote Sensing Images. Sci. Agric. Sin. 2021, 54, 2084–2094. [Google Scholar]

62. Zhu, W.J.; Dai, S.Y.; Feng, Z.K.; Shao, C.F.; Duan, K.W.; Zhang, H.Y.; Wei, X.H. Optimizing wheat scab in remote sensing monitoring accuracy using interridge background elimination. Trans. Chin. Soc. Agric. Eng. 2024, 40, 219–229. [Google Scholar]

63. Chen, X.; Li, D.F.; Liu, M.Z.; Jia, J. CNN and Transformer Fusion for Remote Sensing Image Semantic Segmentation. Remote Sens. 2023, 15, 4455. [Google Scholar] [CrossRef]

64. Yan, X.F.; Ai, T.H.; Yang, M.; Yin, H.M. A graph convolutional neural network for classification of building patterns using spatial vector data. ISPRS J. Photogramm. Remote Sens. 2019, 150, 259–273. [Google Scholar] [CrossRef]

65. Selvaraju, R.R.; Cogswell, M.; Das, A.; Vedantam, R.; Parikh, D.; Batra, D. Grad-CAM: Visual Explanations from Deep Networks via Gradient-Based Localization. Int. J. Comput. Vis. 2020, 128, 336–359. [Google Scholar] [CrossRef]

66. Lecun, Y.; Bengio, Y.; Hinton, G. Deep learning. Nature 2015, 521, 436–444. [Google Scholar] [CrossRef] [PubMed]

67. Shin, H.C.; Roth, H.R.; Gao, M.C.; Lu, L.; Xu, Z.Y.; Nogues, I.; Yao, J.H.; Mollura, D.; Summers, R.M. Deep Convolutional Neural Networks for Computer-Aided Detection: CNN Architectures, Dataset Characteristics and Transfer Learning. IEEE Trans. Med. Imaging 2016, 35, 1285–1298. [Google Scholar] [CrossRef] [PubMed]

68. Liu, B.T. Review of swarm intelligence algorithm optimization of BP neural network. Acad. J. Comput. Inf. Sci. 2023, 6, 151–155. [Google Scholar]

69. Gad, M.; Saleh, A.H.; Hussein, H.; Elsayed, S.; Farouk, M. Water Quality Evaluation and Prediction Using Irrigation Indices, Artificial Neural Networks, and Partial Least Square Regression Models for the Nile River, Egypt. Water 2023, 5, 2244. [Google Scholar] [CrossRef]

70. Zhang, Y.L.; Yang, X.Y.; Tian, F. Study on Soil Moisture Status of Soybean and Corn across the Whole Growth Period Based on UAV Multimodal Remote Sensing. Remote Sens. 2024, 16, 3166. [Google Scholar] [CrossRef]

71. Seo, M.-G.; Shin, H.-S.; Tsourdos, A. Soil Moisture Retrieval Model Design with Multispectral and Infrared Images from Unmanned Aerial Vehicles Using Convolutional Neural Network. Agronomy 2021, 11, 398. [Google Scholar] [CrossRef]

72. Yin, L.B.; Yan, S.C.; Li, M.; Liu, W.Z.; Zhang, S.; Xie, X.Y.; Wang, X.X.; Wang, W.T.; Chang, S.H.; Hou, F.J. Enhancing soil moisture estimation in alfalfa root-zone using UAV-based multimodal remote sensing and deep learning. Eur. J. Agron. 2024, 161, 127366. [Google Scholar] [CrossRef]

Da Q, Yan J, Li G, Guo Z, Li H, Wang W, Li J, Ma W, Li X, Cheng K. Inversion of Soil Moisture Content in Silage Corn Root Zones Based on UAV Remote Sensing. Agriculture. 2025; 15(3):331. https://doi.org/10.3390/agriculture15030331

Перевод статьи «Inversion of Soil Moisture Content in Silage Corn Root Zones Based on UAV Remote Sensing» авторов Da Q, Yan J, Li G, Guo Z, Li H, Wang W, Li J, Ma W, Li X, Cheng K., оригинал доступен по ссылке. Лицензия: CC BY. Изменения: переведено на русский язык