曲葉矛櫚生長(cháng)于潮濕的熱帶雨林，是保護亞馬遜生物群落的基礎，調節雨林的新熱帶濕地，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(shí)。由于難以進(jìn)入這些茂密的雨林，遙感方法成為其生長(cháng)評估的重要技術(shù)手段。為了實(shí)現對亞馬遜曲葉矛櫚果實(shí)成熟狀態(tài)的識別，本研究采用配備多光譜相機的無(wú)人機在60 m高度上采集一個(gè)棕櫚物候期內的可見(jiàn)/近紅外圖像，與冠層水平上的反射狀態(tài)進(jìn)行相關(guān)性分析?；贛ask R-CNN深度學(xué)習算法自動(dòng)分割并識別感興趣區域( RoI )，并基于25個(gè)VIs和圖像提取的特征，形成一個(gè)二分類(lèi)的數據集(綠色類(lèi)GC和成熟類(lèi)MC)來(lái)訓練7種有監督的ML模型來(lái)預測果實(shí)的成熟狀態(tài)，包括RF、SVM、KNN、NB、LR、ADB和ETC。對于果實(shí)成熟度的估計，還采用了CNN模型進(jìn)行訓練，并創(chuàng )建三個(gè)新的數據集（每個(gè)數據集中GC與MC各50個(gè)）以驗證訓練后的CNN模型。此外，還以三種不同的特征組合使用ANN模型進(jìn)行了果實(shí)成熟度的預測。研究結果表明：

（1）冠層反射率與果實(shí)成熟期呈顯著(zhù)相關(guān)。在25個(gè)指數中，NRBDI與RBGVI指數與時(shí)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呈低負相關(guān)性。其他特征，如NDVI，表現出較低的線(xiàn)性相關(guān)性。

（2）使用CNN進(jìn)行分類(lèi)的結果并不準確。CNN訓練模型損失曲線(xiàn)呈下降趨勢，表明誤差隨著(zhù)訓練的進(jìn)行而減??；但準確率曲線(xiàn)出現波動(dòng)，說(shuō)明分類(lèi)結果不一致；訓練后的CNN模型在三個(gè)新的數據集上的分類(lèi)準確率分別為53%、54%和48%，為中等精度，仍有改進(jìn)空間。

（3）ML模型訓練的結果顯示，僅使用25個(gè)VIs進(jìn)行訓練時(shí)，線(xiàn)性回歸(LR)模型表現最好，準確率為70%；僅使用從圖像中提取的50個(gè)特征進(jìn)行訓練時(shí)，樸素貝葉斯（Naibes Bayes，NB）模型性能最好，但準確率僅有57%；ANN模型的訓練結果顯示，當采用VIs與從圖像中提取的特征組合進(jìn)行預測時(shí)，準確率高達72%。

圖3 系統架構。B1，獲取多光譜圖像，包括5個(gè)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(gè)波段中分割和提取感興趣區域( RoI )；B3，對每個(gè)特征進(jìn)行時(shí)間變異性分析和建模，了解它們的響應以及與果實(shí)成熟期的相關(guān)性，到的數據是結構化的，并且有適當的標簽；B4，訓練、驗證和測試通過(guò)相關(guān)性識別果實(shí)成熟期的ML模型；B5，使用ML模型進(jìn)行分割步驟，對RoI進(jìn)行特征提取，并通過(guò)與冠層反射率的關(guān)聯(lián)來(lái)估計果實(shí)成熟度。


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

圖12 CNN模型訓練和驗證的損失和準確率曲線(xiàn)。左圖表示損失曲線(xiàn)，隨著(zhù)epoc增加，訓練數據和驗證數據的損失都呈下降趨勢；右圖為精度曲線(xiàn)。



文獻來(lái)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