Anglicky: Integrating UAV-based multispectral and thermal infrared imageries with machine learning for predicting water stress in winter wheat
Zdroj: Integrating UAV-based multispectral and thermal infrared imageries with machine learning for predicting water stress in winter wheat
Klíčová slova: "vodní stres rostlin, zavlažování, strojové učení, multispektrální, termální, uav dálkový průzkum země"
Dostupný z: https://link.springer.com/article/10.1007/s11119-025-10239-z
Posouzení prostorových a časových změn ve vodním stresu plodin je zásadní pro přesné zavlažování. Na University of Southern Queensland v Toowoombě v Austrálii byl řešen experiment na zavlažovaných porostech pšenice. Studie se zabývala hodnocením účinnosti integrace multispektrálních a termovizních dat z UAV s modely strojového učení pro predikci a mapování indexu vodního stresu (CWSI) u pšenice s různou úrovní zavlažování během pozdních fenologických fázích (reprodukce, zrání). CWSI je založen především na informacích o teplotě porostu a vzduchu. Pro datové sady v termínech před setím, po setí a během sezóny bylo použito šest modelů strojového učení (lineární model – LN, random forest – RF, decision tree – DT, support vector machine – SVM, extreme gradient boosting – XGB a umělá neuronová síť – ANN). Datové sady byly doplněny vybranými vegetačními indexy. Výsledky ukázaly, že RF model, vyvinutý s využitím dat ze všech letových misí, překonal ostatních pět algoritmů. Implementace termálních snímků zvýšila přesnost predikce, což vedlo ke snížení RMSE o 10,1 %. Analýza SHAP (Shapley Additive ExPlanations) zlepšila interpretovatelnost modelu identifikací termálního pásma a RNV (Red Normalised Value) a GRVI indexů jako nejvýkonnějších prediktorů v nejlépe fungujícím RF modelu, což podporuje důležitost termálního a Red-Edge spektrálního pásma v mapování CWSI. Studie zdůrazňuje potenciál dálkového průzkumu Země, v tomto případě pomocí UAV, a strojového učení v přesném řízení zavlažování. Tyto metody usnadňují přesnější a včasnější detekci vodního stresu, což může vést k optimalizované alokaci zdrojů a zlepšení výnosů plodin. V současné době vyžaduje vývoj map pro identifikaci a detekci vodního stresu ze snímků UAV širokou škálu programů pro zpracování obrazu, GIS software a různé programovací platformy. Budoucí výzkum by se měl zaměřit na vytvoření integrovaného systému pro podporu rozhodování, který by mohl provádět více úkolů, včetně zpracování surových obrazů, výpočtu požadovaných vegetačních indexů, implementace modelů strojového učení a generování map pro zavlažování pro zlepšení hospodaření s vodou v zemědělství.
Příspěvek se zabývá pro nás vysoce aktuálním tématem zejména z důvodu pokračující klimatické změny, kdy je potřeba využít maximum podpůrných zdrojů k identifikaci a detekci vodního stresu plodin a tím nastavit účinné zavlažování.
