_ Valorificarea imaginilor hiperspectrale și a învățării automate pentru gestionarea nutrienților arborelui de cauciuc

19:39 2024-03-18 science - citeste alte articole pe aceeasi tema
Comentarii Adauga Comentariu

_ Valorificarea imaginilor hiperspectrale și a învățării automate pentru cauciuc managementul nutrienților în copac

Arborii de cauciuc sunt esențiali pentru cauciucul natural și necesită un management precis al nutrienților. Metodele tradiționale de evaluare a nivelurilor de nutrienți sunt costisitoare și distructive, dar tehnicile hiperspectrale în infraroșu apropiat (NIR) oferă o alternativă nedistructivă promițătoare. Provocările apar cu datele cu dimensiuni mari, ceea ce duce la rezultate părtinitoare din seturi de date mici și dezechilibrate. Cercetările actuale se concentrează pe depășirea acestor limitări folosind modele de învățare automată și de transfer radiativ.

O soluție potențială implică integrarea datelor hiperspectrale neetichetate cu eșantioane etichetate prin tehnici de învățare și reeșantionare semi-supravegheate, urmărind monitorizarea precisă și eficientă a azotului și nivelurile de potasiu din frunzele de cauciuc fără munca intensivă cerută de metodele tradiționale.

În ianuarie 2024, Plant Phenomics a publicat un articol de cercetare intitulat „Handling the challenges of small-scale labeled data and class deze balances in classifying the N și stările K ale frunzelor de cauciuc folosind tehnici de hiperspectroscopie.”

Cercetarea a folosit diverse tehnici de reeșantionare pentru a echilibra clasele de date în timpul învățării modelului. Rezultatele au demonstrat că modelele cu constrângeri de echilibru de date le-au depășit semnificativ pe cele fără. Vizualizările au arătat modul în care tehnici precum MES și SMOTE au distribuit eșantioane în mod egal între clase, în timp ce metoda RES a redus efectiv asimetria distribuției claselor. Tehnicile MES și SMOTE au apărut ca fiind cele mai eficiente, îmbunătățind în special performanța de clasificare în mediile de învățare semi-supravegheată (SSL), în special pentru nivelurile de azot (N) și potasiu (K) din frunzele de cauciuc.

Metodele SSL. , valorificând datele de imagistică hiperspectrală (HSI) neetichetate, a depășit învățarea tradițională supravegheată, cu îmbunătățiri notabile ale preciziei medii ponderate (WAP), preciziei medii medii (MAP) și ale scorurilor de reamintire ponderată (WR). Cercetarea a arătat că anumite lungimi de undă NIR în identificarea nivelurilor N și K, subliniind precizia și fiabilitatea clasificatoarelor spectrale utilizate.

O analiză ulterioară a arătat că un amestec echilibrat de date etichetate și neetichetate crește semnificativ acuratețea clasificării, cu raportul optim de măsurători de performanță de îmbunătățire a datelor etichetate și neetichetate.

În general, abordarea studiului de a reechilibra datele și de a utiliza SSL cu date HSI nu numai că a abordat provocările legate de dimensiunile mici ale eșantioanelor și dezechilibrul datelor, dar s-a dovedit și eficient și eficient pentru detectarea nivelului de nutrienți în frunzele de cauciuc. Această metodologie deschide noi căi pentru aplicarea imaginilor hiperspectrale în infraroșu apropiat în agricultură, în special pentru monitorizarea nivelurilor de nutrienți ai culturilor în condiții de eșantioane de date spectrale limitate și dezechilibru.

(Fluierul)