iнтелектуальні рішення в агробізнесі

Оцінювання врожайності кукурудзи

26.01.2022
Автор матеріала

Ектор Гарсіа-Мартінес

Урожайність кукурудзи варіюється в просторі й часі та залежить від багатьох чинників. У цьому дослідженні було розглянуто врожайність зерна кукурудзи з використанням моделі нейронної мережі

ОЦІНЮВАННЯ  ВРОЖАЙНОСТІ КУКУРУДЗИ  ЗА ДОПОМОГОЮ  НЕЙРОННОЇ МЕРЕЖІ

Урожайність кукурудзи залежить від умов на кожному полі, зокрема погоди, висоти над рівнем моря, щільності садіння, доступного зрошення або кількості дощу (водопостачання), доступних поживних речовин для рослин (ґрунт і добрива) і дати посіву. Останніми десятиліттями урожай кукурудзи збільшився внаслідок генетичного поліпшення та агрономічного управління. Збільшення густоти посівів та використання синтетичних добрив були основними чинниками підвищення врожайності кукурудзи. Густота посівів (кількість рослин на одиницю площі) — одна зі складових врожайності зерна (кількість класів на одиницю площі, кількість зерен у колосі, маса зерна), яка впливає на кінцевий урожай кукурудзи.

 Рис. 1: a — експериментальна ділянка й полігони, відібрані під час отримання  індексів рослинності, рослинного покриву й щільності рослин; b — бінарне  зображення, отримане в результаті класифікації рослинності та ґрунту;  с — полігон, обраний для відбирання проб рослинного покриву й щільності  рослин
Рис. 1: a — експериментальна ділянка й полігони, відібрані під час отримання індексів рослинності, рослинного покриву й щільності рослин; b — бінарне зображення, отримане в результаті класифікації рослинності та ґрунту; с — полігон, обраний для відбирання проб рослинного покриву й щільності рослин

У цьому дослідженні врожай зерна кукурудзи оцінювали за допомогою нейронної мережі. Цей врожай виростили за використання різних доз азотних добрив на основі мультиспектральних і цифрових зображень, отриманих за допомогою датчиків, встановлених на безпілотному літальному апараті. Після оброблення зображень отримано інформацію про індекси рослинності, рослинний покрив і густоту рослин. Було розроблено нейронну мережу з такими вхідними параметрами: індекси рослинності (нормалізований різницевий вегетаційний індекс, NDVI; нормалізований різницевий червоний край, NDRE; рослинний індекс із широким динамічним діапазоном, WDRVI; надмірний зелений колір, EXG; трикутний індекс зелені, TGI; видима атмосферостійкість index, VARI), рослинний покрив і густота рослин.

СЕГМЕНТАЦІЯ ПІКСЕЛІВ РОСЛИННОСТІ Й ОТРИМАННЯ ЗНАЧЕНЬ ІНДЕКСІВ

Зображення з датчиків і створені з їхньою допомогою ортофотоплани містять коефіцієнт відображення, що відповідає ґрунту й рослинності, але нас цікавив лише коефіцієнт відображення, що відповідає рослинності. За допомогою програмного забезпечення eCognition і методу об’єктноорієнтованого аналізу зображень (OBIA) було реалізовано сегментацію з декількома роздільними здатностями. Він об’єднує пікселі або сусідні об’єкти, наявні на зображенні, на основі спектральних критеріїв і критеріїв форми. Він також працює відповідно до масштабу наявних об’єктів; масштабні результати у великих об’єктах, і навпаки. Критерій однорідності показує, наскільки однорідним або неоднорідним є об’єкт, наявний на зображенні. Розраховують його на основі комбінації властивостей кольору й форми об’єкта. Однорідність кольору базується на стандартному відхиленні спектральних кольорів. Однорідність форми — на відхиленні компактної (або гладкої) форми і може мати значення до 0,9. У процесі сегментації використовували 10-бальне значення, а критерії однорідності, зокрема форма і компактність, становили 0,1 і 0,5 відповідно. 

 Рис. 2. Сегментація і класифікація об’єктів, наявних в ортофотоплані, для виокремлення пікселів, що належать  і класифіковані як рослини кукурудзи: а і b — оброблення та аналіз зображення врожаю на основі об’єктів трьох класів:  кукурудза, тінь, ґрунт
Рис. 2. Сегментація і класифікація об’єктів, наявних в ортофотоплані, для виокремлення пікселів, що належать і класифіковані як рослини кукурудзи: а і b — оброблення та аналіз зображення врожаю на основі об’єктів трьох класів: кукурудза, тінь, ґрунт

Для класифікації сегментованих пікселів на зображенні є три класи (рис. 2, а, б), які визначалися: ґрунт, рослинність і тіні. Під час вибирання зразків пікселів для кожного класу використовували контрольовану класифікацію найближчого сусіда; їх порівнювали з іншими наявними об’єктами щодо середнього та стандартного відхилення контрольованої вибір

 Рис. 3. Сегментація і класифікація об’єктів, що є на ортофотопланах, для виокремлення пікселів, що належать і класифіковані як  рослини кукурудзи: а — зображення культури без сегментації і класифікації; b — зображення врожаю у вигляді багатокутників,  створене із сегментованих і класифікованих пікселів рослин кукурудзи
Рис. 3. Сегментація і класифікація об’єктів, що є на ортофотопланах, для виокремлення пікселів, що належать і класифіковані як рослини кукурудзи: а — зображення культури без сегментації і класифікації; b — зображення врожаю у вигляді багатокутників, створене із сегментованих і класифікованих пікселів рослин кукурудзи

Після того, як пікселі, що є на зображенні, було класифіковано, ми експортували пікселі, що належать до класу кукурудзи (рис. 3, a, b) як багатокутники у форматі файлу форми за допомогою програмного забезпечення QGIS. Середні значення індексів, розрахованих для кожного полігону класу кукурудзи, було отримано за допомогою доповнення статистики зони; значення були збережені у файлі форми. Середні значення, отримані з індексів, були вилучені для 76 полігонів вибірки, 4 на повтор з 5 обробок як середнє із середніх значень усіх пікселів, класифікованих як кукурудза, що містяться в кожному багатокутнику. Зразок полігону кожної копії на краю врожаю був відкинутий, щоб усунути крайові ефекти.

ВІДНОСНА ВАЖЛИВІСТЬ ЗМІННИХ В ОЦІНЮВАННІ ВРОЖАЙНОСТІ З ВИКОРИСТАННЯМ АЛГОРИТМУ ГАРСОНА

Моделі нейронних мереж складно інтерпретувати. Складно також визначити, які предиктори є найважливіші та як вони пов’язані з модельованою властивістю. Ваги, що з’єднують нейрони в нейронній мережі, частково аналогічні коефіцієнтам в узагальненій лінійній моделі. Ці ваги у поєднанні з упливом на передбачення моделі є відносно важливими предикторами в їхніх асоціаціях з передбачуваною змінною. Алгоритм Гарсона розпізнає відносну важливість змінних-предикторів для однієї змінної відгуку, тобто сила, з якою конкретна змінна пояснює прогнозовану змінну, визначається шляхом встановлення всіх зважених зв’язків між важливими вузлами і ваг, які пов’язують до конкретного вхідного вузла, що проходить через нейронну мережу і досягає прогнозованої змінної. Це дає змогу отримати унікальне значення для кожної змінної дескриптора, використовуваної в моделі нейронної мережі. Алгоритм Гарсона був використаний, щоб знати відносну важливість таких змінних-предикторів: NDVI, NDRE, WDRVI, EXG, TGI, VARI, рослинний покрив і щільність для оцінювання врожайності кукурудзи.

 Рис. 4. Урожайність, оцінена нейронною мережею для всіх спостережуваних даних врожайності: а — врожайність, оцінена за  допомогою індексів вегетації NDVI, NDRE, WDRVI, EXG, TGI і VARI, а також щільності рослин D і рослинного покриву C; b —  урожай, оцінений за допомогою вегетаційних індексів NDVI, NDRE, WDRVI, EXG, TGI і VARI, а також C; c — урожай, оцінений  за допомогою вегетаційних індексів NDVI, NDRE, WDRVI, EXG, TGI і VARI; d — урожай, оцінений за допомогою вегетаційних  індексів NDVI, NDRE і WDRVI; e — урожай, оцінений за допомогою вегетаційних індексів EXG, TGI і VARI; f — урожай, оцінений  за допомогою вегетаційного індексу WDRVI
Рис. 4. Урожайність, оцінена нейронною мережею для всіх спостережуваних даних врожайності: а — врожайність, оцінена за допомогою індексів вегетації NDVI, NDRE, WDRVI, EXG, TGI і VARI, а також щільності рослин D і рослинного покриву C; b — урожай, оцінений за допомогою вегетаційних індексів NDVI, NDRE, WDRVI, EXG, TGI і VARI, а також C; c — урожай, оцінений за допомогою вегетаційних індексів NDVI, NDRE, WDRVI, EXG, TGI і VARI; d — урожай, оцінений за допомогою вегетаційних індексів NDVI, NDRE і WDRVI; e — урожай, оцінений за допомогою вегетаційних індексів EXG, TGI і VARI; f — урожай, оцінений за допомогою вегетаційного індексу WDRVI

Створені нейромережеві моделі забезпечують високий коефіцієнт кореляції між розрахунковою і спостереженою врожайністю зерна кукурудзи; вона також показує помилки в оцінці врожайності. Спектральна інформація, що реєструється за допомогою віддалених датчиків, встановлених на безпілотних літальних апаратах, і її оброблення в показниках вегетації, рослинного покриву й щільності рослин дає змогу характеризувати й оцінювати урожай зерна кукурудзи. Така інформація корисна для прийняття рішень і планування сільськогосподарської діяльності.

Матеріали за темой