Bu tədqiqat şəkər qamışı (Saccharum officinarum) ilə erkən böyümə mərhələsində morfoloji oxşarlıq göstərə bilən Rottboellia cochinchinensis alaq otunun spektral ayrılmasını və pilotsuz uçuş aparatı (Unmanned Aerial Vehicle, UAV) təsvirlərində xəritələnməsini araşdırır. Tədqiqatın mərkəzindəki spektral imza, bir bitkinin müxtəlif dalğa uzunluqlarında əks etdirdiyi elektromaqnit enerjisinin bantlara görə yaratdığı fərqləndirici əksolunma nümunəsidir. Tədqiqatçılar FieldSpec 4 Std-Res spektrometrindən əldə edilən hiper-spektral ölçmələri nizamlanmış xətti spektral sintez vasitəsilə MicaSense RedEdge-P kamerasının multispektral bantlarına çevirmiş; növlərin ayrılma qabiliyyətini Jeffries–Matusita məsafəsi və birtərəfli ANOVA ilə qiymətləndirmiş; sonra isə piksel əsaslı Random Forest ilə obyekt əsaslı təsvir analizi (Object-Based Image Analysis, OBIA) iş axınlarını müqayisə etmişlər. OBIA ümumi dəqiqlikdə 0.9038 və Cohen Kappa dəyərində 0.8499-a çataraq piksel əsaslı metodun 0.83 ümumi dəqiqlik və 0.7419 Kappa nəticəsini üstələmişdir. Bununla belə, tədqiqat yalnız Costa Rica-dakı bir sahədə, bir şəkər qamışı sortunda və erkən böyümə şəraitində aparıldığı üçün nəticələrin fərqli sortlara, fenoloji mərhələlərə və istehsal bölgələrinə birbaşa ümumiləşdirilməsi uyğun deyil.

Spektral analiz tək bant səviyyəsində Blue və Green bantlarının iki bitki sinfini ayırmaqda ən yüksək Jeffries–Matusita dəyərlərini verdiyini göstərmişdir. RedEdge bantının təkbaşına JM dəyəri daha aşağı olsa da, Blue və ya Green kimi görünən bantlarla yaradılan indekslərdə alaq ləkələrinin təsvir üzərində daha aydın görünməsinə töhfə vermişdir. NIR əsaslı kombinasiyaların vizual sinif ayrımı isə erkən mərhələdə bitki örtüyündə yarpaq daxili quruluşu, çətir geometrisi, su tərkibi və açıq torpaqla spektral qarışma kimi amillərə daha həssas olduğundan daha zəif müəyyən edilmişdir.

Tədqiqatın praktiki məqsədi hiper-spektral sensorların verdiyi ətraflı spektral məlumatı təsərrüfat miqyasında daha əlçatan olan UAV multispektral təsvirləri ilə istifadəyə yararlı hala gətirməkdir. Belə xəritələmə iş axını, tədqiqatın sınaqdan keçirdiyi şəraitdə R. cochinchinensis ləkələrini şəkər qamışı və açıq torpaqdan ayıraraq gələcəkdə məkana xas alaq idarəetməsi və dəyişkən normada tətbiq xəritələri üçün məlumat qatı təmin edə bilər. Lakin tədqiqat real herbisid istehlakını, iqtisadi qənaəti və ya uzunmüddətli məhsuldarlıq artımını birbaşa ölçməmişdir.

Niyə alaq otlarının erkən mərhələdə ayrılması vacibdir?

Mənbə ədəbiyyatına görə şəkər qamışında alaq rəqabəti xüsusilə bitkinin quruluş, cücərmə və pöhrələnmə mərhələlərində əhəmiyyətlidir. Tədqiqatda nəzərdən keçirilən sahə təxminən 42 gün əvvəl əkilmiş LAICA-09374 sortundan ibarətdir və nümunə götürülməzdən əvvəl alaq nəzarəti tətbiq edilməmişdir. Bu vəziyyət şəkər qamışı bitkilərinin hələ tam qapalı çətir formalaşdırmaması və açıq torpağın təsvir siqnalına güclü şəkildə qoşulması səbəbindən uzaqdan zondlama baxımından çətin, lakin kənd təsərrüfatı idarəetməsi baxımından mühüm bir mərhələdir.

Rottboellia cochinchinensis, tədqiqatın aparıldığı sahədə şəkər qamışı sıraları arasında və sıralar boyunca müşahidə olunan dominant alaq növüdür. Növün erkən mərhələdə şəkər qamışına morfoloji cəhətdən bənzəyə bilməsi yalnız RGB təsvirində vizual ayrımı çətinləşdirir. Tədqiqatın əsas ideyası, insan gözünə bənzər görünən iki bitkinin müxtəlif dalğa uzunluqlarındakı əksolunma davranışlarının eyni olmaq məcburiyyətində olmamasıdır.

Spektral imza nədir?

Spektral imza hədəfin elektromaqnit spektrinin müxtəlif hissələrində ölçülən əksolunma dəyərlərinin yaratdığı nümunədir. Bitki piqmentləri görünən sahədə, hüceyrə quruluşları NIR sahəsində, bitki-su-quruluş əlaqələri isə müxtəlif spektral sahələrdə əksolunma əyrisinə təsir göstərə bilər. Buna görə şəkər qamışı ilə R. cochinchinensis fiziki olaraq oxşar görünsə də, Blue, Green, Red, RedEdge və NIR bantlarında eyni əksolunma paylanmasını yaratmaya bilər.

Mənbə Figure 4-də sintez edilmiş spektral əyrilərlə birbaşa MicaSense RedEdge-P təsvirlərindən əldə edilən əyriləri müqayisə edir. İki məlumat mənbəyindən törədilmiş əyrilərin ümumi formaları bir-birinə yaxındır. Kamera əsaslı əyrilər Red bantında üst-üstə düşür, digər bantlarda isə ayrılma görünür. Figure 4-ün xam əksolunma nöqtələri cədvəl şəklində yayımlanmadığı üçün Verianla bu əyrini yeni dəqiq ədədi nöqtələr yaradaraq yenidən çəkmir.

Hiperspektral Məlumat Niyə Multispektral Bantlara Sintez Edildi?

Hiperspektral məlumat çox sayda dar dalğa uzunluğunda ətraflı spektral məlumat verdiyi halda, təsərrüfat miqyasında istifadəsi daha bahalı və mürəkkəbdir; tədqiqat bu ətraflı məlumatı MicaSense RedEdge-P kimi daha əlçatan beş bantlı UAV sensorunun ölçmə məkanına riyazi şəkildə köçürərək növ ayrımı üçün əməliyyat yönümlü multispektral iş axını yaratmağı məqsəd qoymuşdur.

Hiper-spektral ölçmə sistemi

FieldSpec 4 Std-Res spektro-radiometri 350–2500 nm spektral diapazon və 1 nm nümunələmə intervalı ilə istifadə edilmişdir. R. cochinchinensis üçün 80, şəkər qamışı üçün 34 yarpaq ölçməsi aparılmışdır. Ölçmələr hər yarpağın orta hissəsindən 10:00–12:00 arasında aparılmış, cihaz hər on ölçmədən sonra kalibrasiya paneli ilə yenidən kalibrasiya edilmişdir.

Hər nümunə götürmə mövqeyi RTK CHCNAV i50 sistemi ilə üçölçülü şəkildə qeydə alınmışdır. Bu coğrafi uyğunlaşdırma, yerdəki spektrometr ölçməsinin UAV təsvirindəki uyğun piksel və ya sahə ilə əlaqələndirilə bilməsi üçün zəruridir.

UAV multispektral təsvirləmə

Multispektral təsvirlər Blue, Green, Red, RedEdge və NIR olmaqla beş banda malik MicaSense RedEdge-P kamera ilə əldə edilmişdir. Kamera DJI Matrice 300 UAV üzərində daşınmış, DJI D-RTK2 düzəliş stansiyası mövqe dəqiqliyini dəstəkləmiş və yekun təsvirlərin məkan ayırdetməsi 2 cm olmuşdur.

Spektral ilkin emal

Hiper-spektral ölçmələr R 4.5.2 proqramında işlənmişdir. Araşdırılan spektral diapazon 1300 nm-dən aşağı dalğa uzunluqları ilə məhdudlaşdırılmışdır. Mənbəyə görə bu məhdudlaşdırmanın iki məqsədi vardır: hiper-spektral məlumatı MicaSense RedEdge-P sensorunun həssas olduğu sahə ilə daha yaxşı uyğunlaşdırmaq və sahə şəraitində daha çox ekoloji dəyişkənlik göstərən SWIR sahəsindəki səs-küyün təsirini azaltmaq.

Seçilmiş spektral diapazonda əlavə smoothing, normalization və ya başqa spektral transform tətbiq edilməmişdir. Təmsilçi növ əyriləri eyni sinif daxilindəki əksolunma nümunələrinin birlikdə qiymətləndirilməsi ilə yaradılmışdır.

Nizamlanmış xətti spektral sintez

Tədqiqat hər bir multispektral bantın həmin banda qonşu hiper-spektral dalğa uzunluqlarının çəkili xətti birləşməsi ilə təxminən yenidən qurula biləcəyini fərz edir. İstifadə ediləcək hiper-spektral dalğa uzunluqları hədəf multispektral bantın full width at half maximum (FWHM) diapazonu ilə məhdudlaşdırılmışdır.

Mənbənin Denklem (1)-i xətti əmsalları nizamlanmış ən kiçik kvadratlar problemi ilə qiymətləndirir:

\[ \min \left( \left\|R_{\mathrm{real}}^{MSI}-H^{HSI}c_{i,j}\right\|^2 + \lambda\left\|c_{i,j}\right\|^2 \right) \tag{1} \]

\(R_{\mathrm{real}}^{MSI}\), MicaSense RedEdge-P sensoru ilə ölçülən real multispektral əksolunmanı; \(H^{HSI}\), hiper-spektral əksolunma matrisini; \(c_{i,j}\), qiymətləndirilən xətti birləşmə əmsallarını; \(\lambda\) isə nizamlama parametrini təmsil edir.

Tənliyin ilk termini sintez edilən dəyərlə real multispektral ölçmə arasındakı xətanı kiçiltməyə çalışır. İkinci termin əmsalların həddindən artıq böyüyərək fiziki olmayan salınımlar yaratmasının qarşısını alan nizamlama terminidir. \(\lambda\) mənbədə sabit nəzəri dəyər kimi verilməmiş; spektral dəyişkənliklə həll sabitliyini tarazlaşdırmaq məqsədilə iterativ sınaqlarla empirik şəkildə seçilmişdir.

Əmsallar müəyyənləşdirildikdən sonra mənbə Denklem (2)-dən istifadə edir:

\[ R_i^{MSI}(\lambda_k) = \sum_{j=1}^{N_{HSI}} c_{i,j}R_i^{HSI}(\lambda_k), \qquad k=1,\ldots,n;\; i=1,\ldots,N_{MSI} \tag{2} \]

\(R_i^{MSI}(\lambda_k)\), müvafiq multispektral bantın sintez edilmiş əksolunmasını; \(N_{HSI}\), hiper-spektral bantların ümumi sayını; \(c_{i,j}\), hiper-spektral və multispektral bantlar arasındakı xətti əmsalları; \(R_i^{HSI}(\lambda_k)\) isə FieldSpec tərəfindən \(\lambda_k\) dalğa uzunluğunda ölçülən hiper-spektral əksolunmanı ifadə edir. Tənlikdəki indekslər mənbədə verilən formada qorunmuşdur.

Uyğunlaşdırılmış spektral nümunələr

Coğrafi baxımdan uyğunlaşdırılmış hiper-spektral və multispektral məlumatlardan R. cochinchinensis üçün 51, şəkər qamışı üçün 34 nümunə cütü hazırlanmışdır. Cəmi 85 uyğunlaşdırılmış müşahidə yalnız spektral imza istehsalı və ayrılma qabiliyyəti analizi üçün istifadə edilmiş; təsnifatçı təliminin bir hissəsi edilməmişdir.

Spektral sintezin dəqiqlik yoxlaması

Blue, Green və Red bantlarında sintezlə real kamera ölçməsi arasındakı xəta aşağıdır; RedEdge və xüsusilə NIR-da xəta daha yüksəkdir. Mənbə mətni bütün bantlarda RMSE-nin 0.10-dan kiçik olduğunu desə də, cədvəldə R. cochinchinensis üçün NIR dəyəri 0.1005-dir. Bundan əlavə, mənbə mətni şəkər qamışının xüsusilə NIR-da bir qədər daha yüksək RMSE göstərdiyini bildirdiyi halda, cədvəl NIR-da əks sıralama verir. Verianla bu ziddiyyətləri düzəltmək əvəzinə cədvəl dəyərlərini olduğu kimi qoruyur.

Spektral indekslər

Blue və Green bantlarının növ ayrımındakı performansı və NIR daxil edən bəzi indekslərin zəif vizual ayrımı nəzərə alınaraq, sonrakı analiz üçün Blue, Green, Red və RedEdge kombinasiyalarından doqquz indeks araşdırılmışdır. Bunlar Michelson contrast, Weber contrast və Chlorophyll Index ailələrinə əsaslanır.

Jeffries–Matusita məsafəsi nəyi ölçür?

Jeffries–Matusita (JM) məsafəsi iki sinfin statistik paylanmalarının nə qədər üst-üstə düşdüyünü qiymətləndirən ayrılma qabiliyyəti ölçüsüdür. Mənbənin istifadə etdiyi şkala 0 ilə \(\sqrt{2}\) arasındadır. Dəyər yüksəldikcə iki sinfin spektral paylanmaları daha aydın ayrılır; mənbə 1.3-dən yuxarı dəyərləri güclü sinif ayrılması üçün tipik hədd kimi göstərir.

RedEdge Təkbaşına Ən Yüksək JM Dəyərini Verməsə də Niyə Faydalıdır?

RedEdge tək bant kimi JM = 0.5871 ilə Blue, Green və NIR-dan geri qalsa da, UAV təsvirlərində torpaq, kölgə, çətir quruluşu və spektral qarışma kimi sahə təsirlərinə qarşı NIR-dan daha sabit davrana bildiyi üçün görünən bantlarla yaradılan RedEdge indeksləri alaq ləkələrinin təsvir üzərində daha aydın ayrılmasını təmin etmişdir.

Bu məqam tək bir “ən yaxşı bant” seçiminin niyə kifayət etmədiyini göstərir. Nöqtə əsaslı, saf bitki spektrlərində NIR bantı RedEdge-dən daha yüksək JM dəyəri vermişdir. Lakin NIR yarpaq daxili quruluşu, çətir geometrisi, su tərkibi və sensorun baxış geometrisindəki dəyişikliklərə güclü reaksiya verir. Erkən mərhələ sahə təsvirlərində açıq torpaq və kiçik bitkilər eyni piksel və ya segment daxilində qarışdıqda bu dəyişkənlik sinifdaxili paylanmanı genişləndirə bilər.

RedEdge isə qırmızı sahədəki güclü xlorofil absorbsiyasından NIR-dakı yüksək əksolunmaya keçid sahəsini təmsil edir. Mənbə xüsusilə RedEdge + Blue və RedEdge + Green indekslərinin alaq ləkələrini təsvir üzərində aydınlaşdırdığını göstərir. Buna görə tək bant JM göstəricisi ilə real təsvirlərdəki təsnifat faydalılığı eyni performans anlayışı deyil.

Tədqiqatın Metodu və Nəticələri

Tədqiqat sahəsi

Tədqiqat La Palma de Abangares, Guanacaste Province, Costa Rica-da yerləşən kommersiya şəkər qamışı plantasiyasında aparılmışdır. Mənbə sahə koordinatlarını 10°14′43.6″ N, 85°4′33.8″ W kimi verir. Bölgənin illik orta yağıntısı təxminən 1900 mm, gündüz maksimum temperaturu təxminən 33 °C, gecə minimum temperaturu isə təxminən 22 °C-dir.

Nümunə götürülən şəkər qamışı LAICA-09374 sortudur və nümunə götürülmə zamanı əkindən təxminən 42 gün keçmişdi. Sahəyə alaq nəzarəti tətbiq edilməmişdir. R. cochinchinensis xüsusilə şəkər qamışı sıraları arasında və sıra kənarlarında mövcud olmuşdur.

Metod axını

Təsnifat nümunəsi

Beş multispektral bant və yüksək ayrılma qabiliyyətinə malik seçilmiş spektral indekslər birləşdirilərək kompozit raster yaradılmışdır. Sahə müşahidələri ilə doğrulanan üç sinif istifadə edilmişdir: R. cochinchinensis, şəkər qamışı və açıq torpaq.

Hər sinif üçün 73 homogen nümunə poliqonu əl ilə rəqəmsallaşdırılmışdır. Bərabər sinif nümunə sayı model təlimində sinif balanssızlığından yarana biləcək qərəzi azaltmağı məqsəd qoymuşdur. Nümunələr təsadüfi olaraq %70 təlim və %30 doğrulama qruplarına bölünmüş; təlim məlumat dəstində 5 qatlı çarpaz doğrulama istifadə edilmişdir.

Piksel əsaslı Random Forest

Obyekt əsaslı təsvir analizi

OBIA-da təsvir əvvəlcə qonşu və oxşar piksellərdən ibarət homogen obyektlərə bölünmüşdür. Segment Mean Shift alqoritmi ArcGIS Pro 3.5.4 daxilində spektral detal 15.5, məkan detalı 15 və minimum segment ölçüsü 20 piksel parametrləri ilə işlədilmişdir.

Segmentasiya parametrləri müxtəlif parametrlərin iterativ sınaqdan keçirilməsi və istinad təsvirləri ilə vizual qiymətləndirmə yolu ilə seçilmişdir. Məqsəd vahid real sahənin həddən artıq parçalanmasını və bir-birindən fərqli sahələrin bir segmentdə birləşməsini azaltmaqdır.

Hər təsvir obyekti üçün spektral bantların orta və standart sapma dəyərləri, bitki indeksləri və sahə, perimetr, compactness və elongation kimi həndəsi xüsusiyyətlər hesablanmışdır. Bu xüsusiyyətlər R 4.5.2-yə ötürülmüş və `randomForest` paketi ilə 500 ağaclı təsnifatçı yaradılmışdır. Mənbə `mtry` dəyişəninin istifadə edildiyini bildirir, lakin onun ədədi dəyərini təqdim etmir.

Spektral ayrılma qabiliyyəti nəticələri

Tək bant nəticələrində Blue ən yüksək JM dəyərinə, Green isə ikinci ən yüksək dəyərə malikdir. Qlobal beş bant kombinasiyası 1.4142 ilə nəzəri maksimuma çatır. İndekslərin birlikdə qiymətləndirildiyi Table 3 sətri isə 1.412 bildirir.

Mənbə mətnində Table 1-dəki bütün indekslərin JM = 1.4142 nəzəri maksimum dəyərinə çatdığı yazıldığı halda, Table 3-də “All indices in Table 1” üçün 1.412 verilmişdir. Verianla elmi nüvəsi bu fərqi gizlətmir və cədvəl dəyərini mənbədə olduğu kimi saxlayır.

Təsnifat performansı

Producer's Accuracy, həqiqətən müəyyən sinfə aid olan nümunələrin nə qədərinin model tərəfindən düzgün tutulduğunu göstərir və omission error ilə əlaqəlidir. User's Accuracy isə modelin müəyyən sinif kimi etiketlədiyi nümunələrin nə qədərinin həqiqətən həmin sinfə aid olduğunu göstərir və commission error ilə əlaqəlidir.

Obyekt Əsaslı Təsnifat Niyə Piksel Əsaslı Yanaşmadan Daha Uğurlu Oldu?

OBIA ayrı-ayrı pikselləri müstəqil təsnif etmək əvəzinə oxşar qonşu pikselləri spektral, məkan və həndəsi xüsusiyyətlər daşıyan təsvir obyektlərində birləşdirdiyi üçün 2 cm ayırdetməli erkən mərhələ UAV təsvirlərində torpaq, kölgə və bitkidaxili dəyişkənliyin yaratdığı “salt-and-pepper” parçalanmasını azaltmış və tədqiqat sahəsində daha bütöv alaq ləkələri yaratmışdır.

Mənbə Figure 6 bu fərqi vizual olaraq açıq göstərir. Piksel əsaslı xəritədə siniflər kiçik və dağınıq piksellər şəklində parçalandığı halda, obyekt əsaslı nəticədə sinif sərhədləri sahə quruluşuna və bitki ləkələrinin məkan formasına daha yaxşı uyğun gəlir.

Bu nəticə yalnız təsvirin daha “təmiz” görünməsi ilə məhdudlaşmır; ədədi performans da eyni istiqamətdədir. OBIA ümumi dəqiqlik, Kappa, şəkər qamışı producer/user dəqiqliyi və R. cochinchinensis producer/user dəqiqliyi baxımından piksel əsaslı modelin bildirilmiş dəyərlərinin hamısından daha yüksəkdir.

Tədqiqatın dəstəklədiyi nəticələr

Tədqiqat erkən mərhələ LAICA-09374 şəkər qamışı sahəsində R. cochinchinensis ilə şəkər qamışının multispektral və sintez edilmiş spektral məlumatdan istifadə etməklə ayrıla bildiyini dəstəkləyir.

Tədqiqat hiper-spektral ölçmələrin nizamlanmış xətti sintez yolu ilə MicaSense RedEdge-P-nin multispektral bant məkanına köçürülməsinin bu məlumat dəstində növ səviyyəsində spektral xarakterizasiya üçün istifadə edilə bildiyini göstərir.

Tədqiqat sınaqdan keçirilən sahə və təsvir şəraitində OBIA + Random Forest iş axınının piksel əsaslı Random Forest təsnifatına nisbətən daha yüksək dəqiqlik və daha yüksək məkan bütövlüyü təmin etdiyini dəstəkləyir.

Tədqiqat həmçinin Blue və Green bantlarının tək bant səviyyəsində güclü statistik ayrılma qabiliyyəti verdiyini; RedEdge-in isə görünən bantlarla kombinasiya halında UAV təsvirlərində faydalı kontrast yarada bildiyini göstərir.

Tədqiqatın dəstəkləmədiyi nəticələr

Tədqiqat metodun bütün şəkər qamışı sortlarında, fərqli ölkələrdə, fərqli fenoloji mərhələlərdə və ya bütün alaq növlərində eyni dəqiqliyə çatacağını göstərmir.

Tədqiqat real dəyişkən normada herbisid tətbiqi aparmamış; herbisid miqdarındakı real azalmanı, iqtisadi qənaəti, məhsul məhsuldarlığını və ya ekoloji təsirin azalmasını eksperimental olaraq ölçməmişdir. Yaradılan təsnifat xəritələrinin belə tətbiqlər üçün istifadə edilə bilməsi tədqiqatın gələcək tətbiq potensialıdır.

Tədqiqat həmçinin daha aşağı məkan ayırdetməsinə malik və ya fərqli multispektral sensorlarla eyni model performansının qorunacağını sübut etmir.

Məhdudiyyətlər

Tədqiqat bir kommersiya plantasiyasında, yalnız LAICA-09374 şəkər qamışı sortunda və təxminən 42 günlük erkən böyümə mərhələsində aparılmışdır. Bitkilərin spektral reaksiyası iqlim, torpaq, genotip, böyümə mərhələsi və çətir inkişafı ilə dəyişə bildiyi üçün ümumi keçərlilik fərqli sahə şəraitində ayrıca doğrulanmalıdır.

Tədqiqatın istifadə etdiyi 2 cm UAV təsvir ayırdetməsi kiçik alaq ləkələrini ətraflı göstərir; lakin çox yüksək ayırdetmə məlumat həcmini və hesablama tələbatını artırır. Bu vəziyyət metodun geniş kommersiya plantasiyalarında miqyaslana bilməsi baxımından praktiki məhdudiyyətdir.

JM ayrılma qabiliyyəti nəticələrinin bir hissəsi saf bitki reaksiyalarını təmsil edən nöqtə əsaslı spektral nümunələrdən əldə edilmişdir. Müəlliflər bu vəziyyətin real UAV təsvirlərindəki spatial autocorrelation, sub-pixel heterogeneity, torpaq fonu və spektral qarışmanı tam təmsil etmədiyini xüsusi vurğulayırlar.

Gələcək tədqiqatlar

Müəlliflər iş axınının müxtəlif ekoloji şəraitdə, şəkər qamışının fərqli böyümə mərhələlərində, fərqli məkan ayırdetmələrində və müxtəlif istehsal sistemlərində sınaqdan keçirilməsini təklif edirlər. Metodun başqa alaq növlərinə ötürülə bilməsinin araşdırılması da miqyaslana bilmənin müəyyənləşdirilməsi baxımından vacibdir.

Mənbə və Metod Qeydi

Orijinal başlıq: Mapping Sugarcane Weeds Using Spectral Signatures Derived from Spectroscopic Data and Multispectral Images

Müəlliflər: María P. Iglesias; Muditha K. Heenkenda; Kerin F. Romero

Yazışma müəllifi: Kerin F. Romero

Qurumlar: Department of Agricultural Engineering, Instituto Tecnológico de Costa Rica, Cartago, Costa Rica; Department of Geography and the Environment, Lakehead University, Thunder Bay, Canada.

Jurnal: AgriEngineering

Nəşriyyat: MDPI

Cild / Say / Məqalə: 8 / 5 / 172

DOI: 10.3390/agriengineering8050172

Tarixlər: Alındı: 19 Fevral 2026; yenidən işlənmişdir: 24 Aprel 2026; qəbul edildi: 29 Aprel 2026; yayımlandı: 1 May 2026.

Mənbə növü: Resenziyalı tədqiqat məqaləsi; sahə spektroskopiyası, UAV multispektral uzaqdan zondlama, spektral sintez, statistik ayrılma qabiliyyəti analizi və Random Forest təsvir təsnifatı.

Lisenziya: Creative Commons Attribution (CC BY). Görünən mənbə PDF mətni lisenziya versiya nömrəsini ayrıca göstərmədiyindən versiya təxmin edilməmişdir.

Tədqiqat sahəsi: La Palma de Abangares, Guanacaste Province, Costa Rica.

Şəkər qamışı sortu: LAICA-09374; nümunə götürülmə zamanı təxminən 42 gün.

Hədəf alaq: Rottboellia cochinchinensis.

Hiper-spektral cihaz: FieldSpec 4 Std-Res; 350–2500 nm; 1 nm nümunələmə intervalı.

UAV təsvirləmə sistemi: MicaSense RedEdge-P; DJI Matrice 300; DJI D-RTK2; 2 cm məkan ayırdetməsi.

Spektral nümunə sayı: R. cochinchinensis üçün 80; şəkər qamışı üçün 34 FieldSpec ölçməsi.

Uyğunlaşdırılmış spektral nümunə: R. cochinchinensis üçün 51; şəkər qamışı üçün 34. Bu nümunələr təsnifatçı təlimi üçün deyil, spektral xarakterizasiya və ayrılma qabiliyyəti analizi üçün istifadə edilmişdir.

Təsnifat nümunəsi: Şəkər qamışı, R. cochinchinensis və açıq torpaq üçün hər sinfə 73 nümunə; %70 təlim / %30 müstəqil doğrulama; təlimdə 5-fold cross-validation.

Piksel əsaslı model: Google Earth Engine Random Forest; 1000 ağac; variablesPerSplit = 4; minimum leaf population = 2; bag fraction = 0.8; maksimum 200 node/ağac.

OBIA: ArcGIS Pro 3.5.4 Segment Mean Shift; spectral detail = 15.5; spatial detail = 15; minimum segment size = 20 piksel. Segment xüsusiyyətləri R 4.5.2 daxilində 500 ağaclı Random Forest ilə təsnif edilmişdir.

Statistik qiymətləndirmə: Jeffries–Matusita məsafəsi və birtərəfli ANOVA.

Performans qiymətləndirməsi: Confusion matrix; producer's accuracy, user's accuracy, overall accuracy və Cohen's Kappa.

Maliyyələşdirmə: Vice-Rectorate of Research and Outreach of the Costa Rica Institute of Technology, layihə “Metodología de detección remota para la identificación y control localizado de malezas en caña de azúcar”, ID 10421038; Emerging Leaders of the Americas Program, Global Affairs Canada, 27 May 2025.

Etika komitəsi: Tətbiq edilmir.

Məlumatlandırılmış razılıq: Tətbiq edilmir.

Məlumat əlçatanlığı: Nəticələri dəstəkləyən xam məlumatların sorğu əsasında müəlliflər tərəfindən təqdim ediləcəyi bildirilmişdir.

Maraqlar toqquşması: Müəlliflər maraqlar toqquşması olmadığını bildirmişlər.

Müəllif töhfələri: Konseptuallaşdırma: María P. Iglesias və Kerin F. Romero. Metod və proqram təminatı: María P. Iglesias, Kerin F. Romero və Muditha K. Heenkenda. Formal analiz: María P. Iglesias və Muditha K. Heenkenda. Orijinal qaralama: María P. Iglesias. Nəzərdən keçirmə və redaktə: Muditha K. Heenkenda. Məsləhətçilik: Muditha K. Heenkenda. Layihə idarəçiliyi və maliyyə əldə edilməsi: Kerin F. Romero.

Mənbədaxili ədədi ziddiyyət 1: Mətn bütün bantlarda RMSE-nin 0.10-dan kiçik olduğunu dediyi halda, Table 2 R. cochinchinensis NIR RMSE dəyərini 0.1005 kimi verir.

Mənbədaxili ədədi ziddiyyət 2: Mətn şəkər qamışının xüsusilə NIR sahəsində bir qədər daha yüksək RMSE verdiyini bildirdiyi halda, Table 2 NIR üçün şəkər qamışında 0.0929 və R. cochinchinensis-də 0.1005 bildirir.

Mənbədaxili ədədi ziddiyyət 3: Nəticə mətni araşdırılan indekslərin JM = 1.4142 nəzəri maksimumuna çatdığını dediyi halda, Table 3 “All indices in Table 1” üçün JM = 1.412 verir. Verianla bu fərqi düzəltməmiş, hər iki qeydi öz kontekstində görünən saxlamışdır.

Əsas metodoloji məhdudiyyət: Nəticələr bir sahəyə, bir şəkər qamışı sortuna və erkən böyümə mərhələsinə aiddir. Fərqli mühit, genotip, fenoloji mərhələ, sensor, məkan ayırdetməsi və alaq növlərində xarici doğrulama tələb olunur.