曲葉矛櫚生長于潮濕的熱帶雨林，是保護亞馬遜生物群落的基礎(chǔ)，調(diào)節(jié)雨林的新熱帶濕地，可生產(chǎn)富含蛋白質(zhì)、脂肪、維生素和碳水化合物的棕櫚果實。由于難以進入這些茂密的雨林，遙感方法成為其生長評估的重要技術(shù)手段。為了實現(xiàn)對亞馬遜曲葉矛櫚果實成熟狀態(tài)的識別，本研究采用配備多光譜相機的無人機在60 m高度上采集一個棕櫚物候期內(nèi)的可見/近紅外圖像，與冠層水平上的反射狀態(tài)進行相關(guān)性分析?；贛ask R-CNN深度學(xué)習(xí)算法自動分割并識別感興趣區(qū)域( RoI )，并基于25個VIs和圖像提取的特征，形成一個二分類的數(shù)據(jù)集(綠色類GC和成熟類MC)來訓(xùn)練7種有監(jiān)督的ML模型來預(yù)測果實的成熟狀態(tài)，包括RF、SVM、KNN、NB、LR、ADB和ETC。對于果實成熟度的估計，還采用了CNN模型進行訓(xùn)練，并創(chuàng)建三個新的數(shù)據(jù)集（每個數(shù)據(jù)集中GC與MC各50個）以驗證訓(xùn)練后的CNN模型。此外，還以三種不同的特征組合使用ANN模型進行了果實成熟度的預(yù)測。研究結(jié)果表明：

（1）冠層反射率與果實成熟期呈顯著相關(guān)。在25個指數(shù)中，NRBDI與RBGVI指數(shù)與時間變量之間呈中等相關(guān)性，GNDVI、RGVI、MGRVI、RG、RVI、NIRG、NB、RGBVI、NGRVI和GRAPH呈低相關(guān)性，GRVI與VARI呈低負(fù)相關(guān)性。其他特征，如NDVI，表現(xiàn)出較低的線性相關(guān)性。

（2）使用CNN進行分類的結(jié)果并不準(zhǔn)確。CNN訓(xùn)練模型損失曲線呈下降趨勢，表明誤差隨著訓(xùn)練的進行而減?。坏珳?zhǔn)確率曲線出現(xiàn)波動，說明分類結(jié)果不一致；訓(xùn)練后的CNN模型在三個新的數(shù)據(jù)集上的分類準(zhǔn)確率分別為53%、54%和48%，為中等精度，仍有改進空間。

（3）ML模型訓(xùn)練的結(jié)果顯示，僅使用25個VIs進行訓(xùn)練時，線性回歸(LR)模型表現(xiàn)最好，準(zhǔn)確率為70%；僅使用從圖像中提取的50個特征進行訓(xùn)練時，樸素貝葉斯（Naibes Bayes，NB）模型性能最好，但準(zhǔn)確率僅有57%；ANN模型的訓(xùn)練結(jié)果顯示，當(dāng)采用VIs與從圖像中提取的特征組合進行預(yù)測時，準(zhǔn)確率高達72%。

圖3 系統(tǒng)架構(gòu)。B1，獲取多光譜圖像，包括5個波段的( R、G、B、RE、NIR)以及RGB圖像；B2，使用手掌識別模型從每個波段中分割和提取感興趣區(qū)域( RoI )；B3，對每個特征進行時間變異性分析和建模，了解它們的響應(yīng)以及與果實成熟期的相關(guān)性，到的數(shù)據(jù)是結(jié)構(gòu)化的，并且有適當(dāng)?shù)臉?biāo)簽；B4，訓(xùn)練、驗證和測試通過相關(guān)性識別果實成熟期的ML模型；B5，使用ML模型進行分割步驟，對RoI進行特征提取，并通過與冠層反射率的關(guān)聯(lián)來估計果實成熟度。


圖8 Pearson相關(guān)性熱圖。25個VIs和圖像特征(平均向量)與時間變量之間的關(guān)系。相關(guān)性的強度由地圖右側(cè)的顏色條表示。

圖12 CNN模型訓(xùn)練和驗證的損失和準(zhǔn)確率曲線。左圖表示損失曲線，隨著epoc增加，訓(xùn)練數(shù)據(jù)和驗證數(shù)據(jù)的損失都呈下降趨勢；右圖為精度曲線。



文獻來源：Marin, W.; Mondragon, I.F.; Colorado, J.D. Aerial Identification of Fruit Maturity in Amazonian Palms via Plant-Canopy Modeling. Remote Sens. 2023, 15, 3752. https://doi.org/ 10.3390/rs15153752