Automated Machine Learning-Driven UAV Remote Sensing for Accurate Winter Wheat Water Content Prediction
Fan Ding · Qian Cheng · Fuyi Duan 等 6 人
用无人机多光谱、RGB和热红外遥感结合AutoML预测冬小麦含水量。
无人机多传感器影像与地面采样，AutoML自动选模型，五折交叉验证。
灌浆期热红外精度最高R²=0.812，多传感器融合提升至R²=0.876。
可探索AutoML与多时相/多源卫星遥感融合，实现区域尺度作物水分精准监测。
AutoML结合无人机多传感器遥感预测冬小麦含水量，方法新颖、数据扎实，对精准灌溉有实用价值，值得进入每日精选。
作物含水量是反映作物生长状况的关键指标，对其进行高效、准确的监测对农业水资源管理至关重要。然而，传统冬小麦含水量监测方法主要依赖破坏性采样，费时费力。为解决这些局限，本研究探索了无人机（UAV）遥感在快速准确评估冬小麦含水量方面的潜力。在六种灌溉处理下，利用搭载多光谱（MS）、RGB和热红外（TIR）相机的无人机在开花期和灌浆期获取了高分辨率冠层遥感图像。将地面实测采样数据与无人机遥感数据相结合，采用自动化机器学习（AutoML）框架——该框架可在一系列候选算法和超参数中自动搜索以选择最优模型——建立预测冬小麦含水量（MC）的回归模型。所有模型均采用五折交叉验证进行评估。结果表明，灌浆期MC预测表现最佳，其中TIR传感器精度最高（R2 = 0.812，MAE = 0.0204，RMSE = 0.0274）。与单传感器方法相比，多传感器融合进一步提升了预测性能，MC预测的R2达到0.876，MAE为0.0191，RMSE为0.0259。这些发现表明，基于无人机的多传感器遥感为监测冬小麦含水量提供了有效手段，有助于及时评估作物生长状况并优化灌溉管理。此外，AutoML的使用使得在最少人工干预下实现高精度预测成为可能，提升了作物水分监测的精度，推动了精准农业发展。