Utafiti huu unachunguza utenganishaji wa kispektra wa gugu Rottboellia cochinchinensis, ambalo linaweza kufanana kimofolojia na miwa (Saccharum officinarum) katika hatua za mwanzo za ukuaji, na kuchorwa kwake kwenye picha za ndege isiyo na rubani (Unmanned Aerial Vehicle, UAV). Sahihi ya spektra iliyo katikati ya utafiti ni muundo bainifu wa uakisi unaotokana na nishati ya sumakuumeme inayoakisiwa na mmea katika urefu mbalimbali wa mawimbi kulingana na bendi. Watafiti walibadilisha vipimo vya hipaspektra vilivyopatikana kwa spektromita ya FieldSpec 4 Std-Res kuwa bendi za multispektral za kamera ya MicaSense RedEdge-P kwa kutumia usanisi wa spektra wa mstari uliodhibitiwa; walitathmini utengano wa spishi kwa umbali wa Jeffries–Matusita na ANOVA ya mwelekeo mmoja; kisha wakalinganisha mtiririko wa Random Forest unaotegemea pikseli na uchanganuzi wa picha unaotegemea vitu (Object-Based Image Analysis, OBIA). OBIA ilifikia usahihi wa jumla wa 0.9038 na thamani ya Cohen Kappa ya 0.8499, na hivyo kuzidi matokeo ya njia ya pikseli ya usahihi wa jumla 0.83 na Kappa ya 0.7419. Hata hivyo, kwa kuwa utafiti ulifanywa katika eneo moja tu nchini Costa Rica, kwa aina moja ya miwa na katika hali za ukuaji wa awali, haifai kujumlisha matokeo moja kwa moja kwa aina nyingine, hatua nyingine za fenolojia na maeneo mengine ya uzalishaji.

Uchanganuzi wa spektra ulionyesha kwamba kwa kiwango cha bendi moja, bendi za Blue na Green zilitoa thamani za juu zaidi za Jeffries–Matusita katika kutenganisha madarasa mawili ya mimea. Ingawa thamani ya JM ya bendi ya RedEdge peke yake ilikuwa ndogo zaidi, ilichangia kufanya mabaka ya magugu yaonekane kwa uwazi zaidi kwenye picha katika fahirisi zilizoundwa pamoja na bendi zinazoonekana kama Blue au Green. Utengano wa kuona wa madarasa katika michanganyiko inayotegemea NIR ulikuwa dhaifu zaidi kwa sababu katika uoto wa hatua za mwanzo huwa nyeti zaidi kwa mambo kama muundo wa ndani wa jani, jiometria ya taji, kiwango cha maji na mchanganyiko wa kispektra na udongo ulio wazi.

Lengo la vitendo la utafiti ni kufanya taarifa ya kina ya spektra inayotolewa na vihisi vya hipaspektra itumike pamoja na picha za UAV za multispektral ambazo zinapatikana kwa urahisi zaidi katika kiwango cha shamba. Mtiririko huo wa uchora ramani unaweza, katika hali zilizojaribiwa na utafiti, kutenganisha mabaka ya R. cochinchinensis na miwa pamoja na udongo ulio wazi, na hivyo kutoa safu ya data kwa usimamizi wa magugu unaolenga eneo mahususi na ramani za matumizi ya viwango vinavyobadilika katika siku zijazo. Hata hivyo, utafiti haukupima moja kwa moja matumizi halisi ya dawa za kuua magugu, akiba ya kiuchumi au ongezeko la mavuno la muda mrefu.

Kwa nini kutenganisha magugu mapema ni muhimu?

Kulingana na fasihi ya chanzo, ushindani wa magugu katika miwa ni muhimu hasa katika hatua za kuanzishwa kwa mmea, uotaji na utoaji wa machipukizi. Shamba lililotumika katika utafiti lilikuwa na aina ya LAICA-09374 iliyopandwa takribani siku 42 kabla, na udhibiti wa magugu haukuwa umetumika kabla ya uchukuaji sampuli. Hali hii ni ngumu kwa utambuzi wa mbali kwa sababu mimea ya miwa ilikuwa bado haijafunga kikamilifu taji na udongo ulio wazi ulichangia kwa nguvu katika ishara ya picha, lakini ni kipindi muhimu kwa usimamizi wa kilimo.

Rottboellia cochinchinensis ndiyo spishi kuu ya gugu iliyozingatiwa kati ya safu za miwa na kandokando ya safu katika eneo la utafiti. Uwezo wa spishi hii kufanana kimofolojia na miwa katika hatua za mwanzo hufanya utenganishaji wa kuona kwenye picha za RGB kuwa mgumu. Wazo kuu la utafiti ni kwamba mimea miwili inayoonekana kufanana kwa macho ya binadamu si lazima iwe na tabia sawa ya uakisi katika urefu tofauti wa mawimbi.

Sahihi ya spektra ni nini?

Sahihi ya spektra ni muundo unaotokana na thamani za uakisi zilizopimwa katika sehemu mbalimbali za spektra ya sumakuumeme. Rangi asilia za mimea zinaweza kuathiri mkunjo wa uakisi katika eneo linaloonekana, miundo ya seli katika eneo la NIR, na mahusiano kati ya mmea, maji na muundo katika maeneo mbalimbali ya spektra. Kwa hiyo, hata kama miwa na R. cochinchinensis zinaonekana kufanana kimwili, zinaweza zisitoe mgawanyo sawa wa uakisi katika bendi za Blue, Green, Red, RedEdge na NIR.

Chanzo kinalinganisha katika Figure 4 mikunjo ya spektra iliyosanisiwa na ile iliyopatikana moja kwa moja kutoka picha za MicaSense RedEdge-P. Maumbo ya jumla ya mikunjo iliyotokana na vyanzo hivyo viwili vya data yako karibu. Mikunjo inayotegemea kamera inafunikana katika bendi ya Red, huku kutengana kukionekana katika bendi nyingine. Kwa kuwa pointi ghafi za uakisi za Figure 4 hazikuchapishwa katika jedwali, Verianla haichori upya mkunjo huo kwa kuunda pointi mpya za namba za uhakika.

Kwa Nini Data ya Hipaspektra Ilisanisiwa Kuwa Bendi za Multispektral?

Data ya hipaspektra hutoa taarifa ya kina ya spektra katika idadi kubwa ya urefu mwembamba wa mawimbi, lakini matumizi yake katika kiwango cha shamba ni ghali na changamano zaidi; utafiti ulilenga kuhamisha taarifa hiyo ya kina kwa njia ya kihisabati kwenda kwenye nafasi ya kipimo ya kihisi cha UAV chenye bendi tano ambacho kinapatikana zaidi, kama MicaSense RedEdge-P, ili kuunda mtiririko wa kazi wa multispektral unaoweza kutumika kutenganisha spishi.

Mfumo wa vipimo vya hipaspektra

Spektroradiomita ya FieldSpec 4 Std-Res ilitumika katika masafa ya spektra ya 350–2500 nm na muda wa sampuli wa 1 nm. Vipimo 80 vya majani vilichukuliwa kwa R. cochinchinensis na 34 kwa miwa. Vipimo vilifanywa katika sehemu ya kati ya kila jani kati ya 10:00–12:00, na kifaa kilisawazishwa upya kwa paneli ya kalibresheni baada ya kila vipimo kumi.

Kila eneo la sampuli lilirekodiwa kwa vipimo vitatu kwa mfumo wa RTK CHCNAV i50. Ulinganishaji huu wa kijiografia ni muhimu ili kipimo cha spektromita cha ardhini kiweze kuhusishwa na pikseli au eneo linalolingana katika picha ya UAV.

Upigaji picha wa UAV wa multispektral

Picha za multispektral zilipatikana kwa kamera ya MicaSense RedEdge-P yenye bendi tano: Blue, Green, Red, RedEdge na NIR. Kamera ilibebwa kwenye UAV ya DJI Matrice 300, kituo cha marekebisho cha DJI D-RTK2 kiliunga mkono usahihi wa nafasi, na azimio la anga la picha za mwisho lilikuwa 2 cm.

Uchakataji wa awali wa spektra

Vipimo vya hipaspektra vilichakatwa kwa programu ya R 4.5.2. Masafa ya spektra yaliyochunguzwa yalipunguzwa kwa urefu wa mawimbi ulio chini ya 1300 nm. Kulingana na chanzo, kizuizi hiki kilikuwa na malengo mawili: kulinganisha vizuri zaidi data ya hipaspektra na eneo ambalo kihisi cha MicaSense RedEdge-P ni nyeti, na kupunguza athari ya kelele katika eneo la SWIR ambalo linaonyesha mabadiliko makubwa zaidi ya kimazingira katika hali za shamba.

Hakuna smoothing, normalization wala spectral transform nyingine iliyotumika katika masafa yaliyochaguliwa. Mikunjo wakilishi ya spishi iliundwa kwa kutathmini kwa pamoja sampuli za uakisi ndani ya darasa moja.

Usanisi wa spektra wa mstari uliodhibitiwa

Utafiti unadhani kwamba kila bendi ya multispektral inaweza kujengwa upya kwa takriban kwa kutumia mchanganyiko wa mstari wenye uzani wa urefu wa mawimbi wa hipaspektra ulio jirani na bendi hiyo. Urefu wa mawimbi wa hipaspektra uliotumika uliwekewa kikomo na masafa ya full width at half maximum (FWHM) ya bendi lengwa ya multispektral.

Denklem (1) ya chanzo hukadiria vigawo vya mstari kwa tatizo la least squares lililodhibitiwa:

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

\(R_{\mathrm{real}}^{MSI}\) inawakilisha uakisi halisi wa multispektral uliopimwa kwa kihisi cha MicaSense RedEdge-P; \(H^{HSI}\) matriksi ya uakisi wa hipaspektra; \(c_{i,j}\) vigawo vya mchanganyiko wa mstari vilivyokadiriwa; na \(\lambda\) parameta ya udhibiti.

Neno la kwanza la mlinganyo hujaribu kupunguza hitilafu kati ya thamani iliyosanisiwa na kipimo halisi cha multispektral. Neno la pili ni neno la udhibiti linalozuia vigawo kukua kupita kiasi na kutoa mitetemo isiyo ya kimwili. \(\lambda\) haikutolewa katika chanzo kama thamani thabiti ya kinadharia; ilichaguliwa kwa majaribio ya marudio kwa njia ya kiempiria ili kusawazisha mabadiliko ya spektra na uthabiti wa suluhisho.

Baada ya vigawo kubainishwa, chanzo kinatumia Denklem (2):

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

\(R_i^{MSI}(\lambda_k)\) inaonyesha uakisi uliosanisiwa wa bendi husika ya multispektral; \(N_{HSI}\) jumla ya idadi ya bendi za hipaspektra; \(c_{i,j}\) vigawo vya mstari kati ya bendi za hipaspektra na multispektral; na \(R_i^{HSI}(\lambda_k)\) uakisi wa hipaspektra uliopimwa na FieldSpec katika urefu wa wimbi \(\lambda_k\). Fahirisi katika mlinganyo zimehifadhiwa kama zilivyotolewa katika chanzo.

Sampuli za spektra zilizolinganishwa

Kutoka kwa data za hipaspektra na multispektral zilizolinganishwa kijiografia, jozi 51 za sampuli ziliandaliwa kwa R. cochinchinensis na 34 kwa miwa. Jumla ya uchunguzi 85 uliolinganishwa ilitumika tu kutengeneza sahihi za spektra na kuchanganua utenganishwaji; haikutumika katika mafunzo ya kiainishi.

Ukaguzi wa usahihi wa usanisi wa spektra

Katika bendi za Blue, Green na Red, hitilafu kati ya usanisi na kipimo halisi cha kamera ni ndogo; katika RedEdge na hasa NIR hitilafu ni kubwa zaidi. Ingawa maandishi ya chanzo yanasema RMSE iko chini ya 0.10 katika bendi zote, jedwali linaonyesha thamani ya NIR ya 0.1005 kwa R. cochinchinensis. Aidha, maandishi ya chanzo yanasema miwa ina RMSE iliyo juu kidogo hasa katika NIR, ilhali jedwali linaonyesha mpangilio wa kinyume katika NIR. Verianla huhifadhi thamani za jedwali kama zilivyo badala ya kusahihisha mikinzano hii.

Fahirisi za spektra

Kwa kuzingatia utendaji wa bendi za Blue na Green katika kutenganisha spishi na utenganishaji dhaifu wa kuona wa baadhi ya fahirisi zenye NIR, fahirisi tisa zinazotokana na michanganyiko ya Blue, Green, Red na RedEdge zilichunguzwa kwa uchanganuzi unaofuata. Zinatokana na familia za Michelson contrast, Weber contrast na Chlorophyll Index.

Umbali wa Jeffries–Matusita hupima nini?

Umbali wa Jeffries–Matusita (JM) ni kipimo cha utenganishwaji kinachotathmini kiwango ambacho usambazaji wa kitakwimu wa madarasa mawili unafunikana. Kiwango kilichotumiwa na chanzo ni kati ya 0 na \(\sqrt{2}\). Kadiri thamani inavyoongezeka, ndivyo usambazaji wa spektra wa madarasa hayo mawili unavyotengana kwa uwazi zaidi; chanzo kinataja thamani zilizo juu ya 1.3 kama kizingiti cha kawaida cha utenganishwaji mkubwa wa madarasa.

Kwa Nini RedEdge Ni Muhimu Ingawa Peke Yake Haitoi Thamani ya Juu Zaidi ya JM?

Ingawa RedEdge kama bendi moja ina JM = 0.5871 na iko nyuma ya Blue, Green na NIR, fahirisi za RedEdge zilizoundwa pamoja na bendi zinazoonekana ziliweza kufanya mabaka ya magugu yatengane kwa uwazi zaidi kwenye picha, kwa sababu RedEdge inaweza kuwa thabiti zaidi kuliko NIR dhidi ya athari za shamba kama udongo, kivuli, muundo wa taji na mchanganyiko wa spektra katika picha za UAV.

Jambo hili linaonyesha kwa nini kuchagua “bendi bora zaidi” moja hakutoshi. Katika spektra safi za mimea zinazotegemea pointi, bendi ya NIR ilitoa thamani ya juu zaidi ya JM kuliko RedEdge. Hata hivyo, NIR huathiriwa sana na mabadiliko katika muundo wa ndani wa jani, jiometria ya taji, kiwango cha maji na jiometria ya mtazamo wa kihisi. Katika picha za shamba za hatua za mwanzo, udongo ulio wazi na mimea midogo vinapochanganyika katika pikseli au sehemu moja, mabadiliko haya yanaweza kupanua usambazaji wa ndani ya darasa.

RedEdge inawakilisha eneo la mpito kutoka ufyonzaji mkubwa wa klorofili katika eneo jekundu kwenda uakisi mkubwa katika NIR. Chanzo kinaonyesha hasa kwamba fahirisi za RedEdge + Blue na RedEdge + Green huonyesha mabaka ya magugu kwa uwazi zaidi kwenye picha. Kwa hiyo, alama ya JM ya bendi moja na manufaa ya uainishaji katika picha halisi si dhana ileile ya utendaji.

Mbinu na Matokeo ya Utafiti

Eneo la utafiti

Utafiti ulifanywa katika shamba la kibiashara la miwa lililoko La Palma de Abangares, Guanacaste Province, Costa Rica. Chanzo kinatoa kuratibu za eneo kuwa 10°14′43.6″ N, 85°4′33.8″ W. Wastani wa mvua kwa mwaka katika eneo hilo ni takribani 1900 mm, kiwango cha juu cha joto mchana ni takribani 33 °C na kiwango cha chini usiku ni takribani 22 °C.

Miwa iliyochukuliwa sampuli ilikuwa aina ya LAICA-09374 na ilikuwa takribani siku 42 tangu kupandwa wakati wa uchukuaji sampuli. Udhibiti wa magugu haukuwa umetumika kwenye shamba. R. cochinchinensis ilionekana hasa kati ya safu za miwa na kandokando ya safu.

Mtiririko wa mbinu

Sampuli za uainishaji

Bendi tano za multispektral na fahirisi zilizochaguliwa zenye utenganishwaji mkubwa ziliunganishwa ili kuunda raster ya mchanganyiko. Madarasa matatu yaliyothibitishwa kwa uchunguzi wa shambani yalitumika: R. cochinchinensis, miwa na udongo ulio wazi.

Kwa kila darasa, poligoni 73 za sampuli zenye usawa zilichorwa kidijitali kwa mkono. Idadi sawa ya sampuli katika kila darasa ililenga kupunguza upendeleo unaoweza kutokea kutokana na kutokuwa na usawa wa madarasa katika mafunzo ya modeli. Sampuli ziligawanywa kwa nasibu kuwa %70 mafunzo na %30 uthibitishaji; 5-fold cross-validation ilitumika kwenye seti ya mafunzo.

Random Forest inayotegemea pikseli

Uchanganuzi wa picha unaotegemea vitu

Katika OBIA, picha iligawanywa kwanza kuwa vitu vyenye usawa vilivyoundwa na pikseli jirani na zinazofanana. Algoriti ya Segment Mean Shift iliendeshwa katika ArcGIS Pro 3.5.4 kwa mpangilio wa spectral detail 15.5, spatial detail 15 na minimum segment size 20 pikseli.

Vigezo vya ugawaji vilichaguliwa kwa kujaribu kwa marudio mipangilio mbalimbali na kuifanyia tathmini ya kuona dhidi ya picha za rejea. Lengo lilikuwa kupunguza mgawanyiko kupita kiasi wa eneo moja halisi na kuunganishwa kwa maeneo tofauti katika sehemu moja.

Kwa kila kitu cha picha, wastani na mkengeuko sanifu wa bendi za spektra, fahirisi za mimea, na sifa za kijiometri kama eneo, mzunguko, compactness na elongation zilihesabiwa. Sifa hizi zilihamishiwa R 4.5.2 na kiainishi chenye miti 500 kiliundwa kwa kifurushi cha `randomForest`. Chanzo kinasema kigezo cha `mtry` kilitumika lakini hakitoi thamani yake ya namba.

Matokeo ya utenganishwaji wa spektra

Katika matokeo ya bendi moja, Blue ina thamani ya juu zaidi ya JM na Green ina ya pili kwa juu. Mchanganyiko wa bendi tano kwa ujumla unafikia kiwango cha juu cha kinadharia kwa 1.4142. Mstari wa Table 3 ambapo fahirisi zinatathminiwa pamoja unaripoti 1.412.

Ingawa maandishi ya chanzo yanasema fahirisi zote katika Table 1 zilifikia thamani ya juu ya kinadharia ya JM = 1.4142, Table 3 inatoa 1.412 kwa “All indices in Table 1”. Msingi wa kisayansi wa Verianla haufichi tofauti hii na huhifadhi thamani ya jedwali kama ilivyo katika chanzo.

Utendaji wa uainishaji

Producer's Accuracy huonyesha ni kiasi gani cha sampuli ambazo kwa kweli ni za darasa fulani zilitambuliwa kwa usahihi na modeli, na huhusishwa na omission error. User's Accuracy huonyesha ni kiasi gani cha sampuli ambazo modeli ilizitaja kuwa darasa fulani kwa kweli ni za darasa hilo, na huhusishwa na commission error.

Kwa Nini Uainishaji Unaotegemea Vitu Ulikuwa na Mafanikio Zaidi Kuliko Njia ya Pikseli?

Kwa sababu OBIA huunganisha pikseli jirani zinazofanana kuwa vitu vya picha vyenye sifa za spektra, anga na jiometria badala ya kuainisha kila pikseli kwa kujitegemea, ilipunguza mgawanyiko wa “salt-and-pepper” unaotokana na udongo, kivuli na mabadiliko ndani ya mmea katika picha za UAV za hatua za mwanzo zenye azimio la 2 cm, na ikatoa mabaka ya magugu yaliyoungana zaidi katika eneo la utafiti.

Figure 6 ya chanzo inaonyesha tofauti hii kwa uwazi. Katika ramani inayotegemea pikseli, madarasa yamegawanyika kuwa pikseli ndogo na zilizotawanyika, ilhali katika matokeo ya vitu mipaka ya madarasa inalingana vizuri zaidi na muundo wa shamba na umbo la anga la mabaka ya mimea.

Matokeo haya hayahusu tu picha kuonekana “safi” zaidi; utendaji wa namba pia unaelekea upande huo. OBIA ni ya juu kuliko thamani zote zilizoripotiwa za modeli ya pikseli katika usahihi wa jumla, Kappa, usahihi wa producer/user wa miwa na usahihi wa producer/user wa R. cochinchinensis.

Matokeo yanayoungwa mkono na utafiti

Utafiti unaunga mkono kwamba katika shamba la mapema la miwa LAICA-09374, R. cochinchinensis na miwa zinaweza kutenganishwa kwa kutumia taarifa za multispektral na spektra zilizosanisiwa.

Utafiti unaonyesha kuwa kuhamisha vipimo vya hipaspektra kwenda kwenye nafasi ya bendi za multispektral za MicaSense RedEdge-P kupitia usanisi wa mstari uliodhibitiwa kunaweza kutumika kwa uainishaji wa spektra katika kiwango cha spishi katika seti hii ya data.

Utafiti unaunga mkono kwamba katika hali za shamba na picha zilizojaribiwa, mtiririko wa OBIA + Random Forest ulitoa usahihi wa juu zaidi na uthabiti mkubwa wa anga kuliko uainishaji wa Random Forest unaotegemea pikseli.

Utafiti pia unaonyesha kuwa bendi za Blue na Green zilitoa utenganishwaji mkubwa wa kitakwimu kwa kiwango cha bendi moja; RedEdge iliweza kutoa utofautishaji wenye manufaa katika picha za UAV ilipounganishwa na bendi zinazoonekana.

Matokeo ambayo utafiti hauungi mkono

Utafiti hauonyeshi kwamba njia hiyo itafikia usahihi sawa katika aina zote za miwa, nchi tofauti, hatua tofauti za fenolojia au spishi zote za magugu.

Utafiti haukutekeleza matumizi halisi ya dawa za kuua magugu kwa kiwango kinachobadilika; haukupima kwa majaribio upungufu halisi wa kiasi cha dawa, akiba ya kiuchumi, mavuno ya zao au kupungua kwa athari za mazingira. Uwezekano wa kutumia ramani za uainishaji zilizotengenezwa kwa matumizi hayo ni uwezo wa baadaye wa utafiti.

Utafiti pia hauthibitishi kwamba utendaji sawa wa modeli utadumishwa kwa vihisi vingine vya multispektral au kwa azimio la anga la chini zaidi.

Vikwazo

Utafiti ulifanywa katika shamba moja la kibiashara, kwa aina ya miwa LAICA-09374 pekee na katika hali ya ukuaji wa awali ya takribani siku 42. Kwa kuwa mwitikio wa spektra wa mimea unaweza kubadilika kulingana na hali ya hewa, udongo, genotipu, hatua ya ukuaji na maendeleo ya taji, uhalali wa jumla unahitaji kuthibitishwa tofauti katika mazingira mengine ya shamba.

Azimio la 2 cm la picha za UAV lililotumiwa linaonyesha mabaka madogo ya magugu kwa undani; hata hivyo, azimio la juu sana huongeza kiasi cha data na mahitaji ya uchakataji. Hii ni kikwazo cha vitendo kwa uwezo wa njia kupanuka katika mashamba makubwa ya kibiashara.

Sehemu ya matokeo ya utenganishwaji wa JM ilipatikana kutoka sampuli za spektra zinazotegemea pointi ambazo zinawakilisha mwitikio safi wa mimea. Waandishi wanasisitiza kwamba hali hii haiwakilishi kikamilifu spatial autocorrelation, sub-pixel heterogeneity, mandharinyuma ya udongo na mchanganyiko wa spektra katika picha halisi za UAV.

Utafiti wa baadaye

Waandishi wanapendekeza mtiririko wa kazi ujaribiwe katika hali tofauti za mazingira, hatua tofauti za ukuaji wa miwa, azimio tofauti za anga na mifumo tofauti ya uzalishaji. Kuchunguza uwezekano wa kuhamisha njia hiyo kwa spishi nyingine za magugu pia ni muhimu ili kubainisha uwezo wa kupanuka.

Maelezo ya Chanzo na Mbinu

Kichwa asilia: Mapping Sugarcane Weeds Using Spectral Signatures Derived from Spectroscopic Data and Multispectral Images

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

Mwandishi wa mawasiliano: Kerin F. Romero

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

Jarida: AgriEngineering

Mchapishaji: MDPI

Juzuu / Toleo / Makala: 8 / 5 / 172

DOI: 10.3390/agriengineering8050172

Tarehe: Imepokelewa: 19 Februari 2026; imerekebishwa: 24 Aprili 2026; imekubaliwa: 29 Aprili 2026; imechapishwa: 1 Mei 2026.

Aina ya chanzo: Makala ya utafiti iliyopitiwa na wataalamu; spektroskopi ya shambani, utambuzi wa mbali wa multispektral kwa UAV, usanisi wa spektra, uchanganuzi wa utenganishwaji wa kitakwimu na uainishaji wa picha kwa Random Forest.

Leseni: Creative Commons Attribution (CC BY). Kwa kuwa maandishi yanayoonekana katika PDF ya chanzo hayataji namba ya toleo la leseni kando, toleo halijakisiwa.

Eneo la utafiti: La Palma de Abangares, Guanacaste Province, Costa Rica.

Aina ya miwa: LAICA-09374; takribani siku 42 wakati wa uchukuaji sampuli.

Gugu lengwa: Rottboellia cochinchinensis.

Kifaa cha hipaspektra: FieldSpec 4 Std-Res; 350–2500 nm; muda wa sampuli wa 1 nm.

Mfumo wa upigaji picha wa UAV: MicaSense RedEdge-P; DJI Matrice 300; DJI D-RTK2; azimio la anga la 2 cm.

Idadi ya sampuli za spektra: 80 kwa R. cochinchinensis; vipimo 34 vya FieldSpec kwa miwa.

Sampuli za spektra zilizolinganishwa: 51 kwa R. cochinchinensis; 34 kwa miwa. Sampuli hizi zilitumika kwa uainishaji wa spektra na uchanganuzi wa utenganishwaji, si kwa mafunzo ya kiainishi.

Sampuli za uainishaji: Sampuli 73 kwa kila darasa kwa miwa, R. cochinchinensis na udongo ulio wazi; %70 mafunzo / %30 uthibitishaji huru; 5-fold cross-validation kwenye mafunzo.

Modeli ya pikseli: Google Earth Engine Random Forest; miti 1000; variablesPerSplit = 4; minimum leaf population = 2; bag fraction = 0.8; kiwango cha juu cha node 200/mti.

OBIA: ArcGIS Pro 3.5.4 Segment Mean Shift; spectral detail = 15.5; spatial detail = 15; minimum segment size = 20 pikseli. Sifa za sehemu ziliainishwa katika R 4.5.2 kwa Random Forest yenye miti 500.

Tathmini ya kitakwimu: Umbali wa Jeffries–Matusita na ANOVA ya mwelekeo mmoja.

Tathmini ya utendaji: Confusion matrix; producer's accuracy, user's accuracy, overall accuracy na Cohen's Kappa.

Ufadhili: Vice-Rectorate of Research and Outreach of the Costa Rica Institute of Technology, mradi “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 Mei 2025.

Kamati ya maadili: Haitumiki.

Ridhaa yenye taarifa: Haitumiki.

Upatikanaji wa data: Imeripotiwa kuwa data ghafi inayounga mkono matokeo itatolewa na waandishi kwa ombi.

Mgongano wa maslahi: Waandishi waliripoti kutokuwa na mgongano wa maslahi.

Michango ya waandishi: Uundaji wa dhana: María P. Iglesias na Kerin F. Romero. Mbinu na programu: María P. Iglesias, Kerin F. Romero na Muditha K. Heenkenda. Uchanganuzi rasmi: María P. Iglesias na Muditha K. Heenkenda. Rasimu ya awali: María P. Iglesias. Mapitio na uhariri: Muditha K. Heenkenda. Ushauri: Muditha K. Heenkenda. Usimamizi wa mradi na kupata ufadhili: Kerin F. Romero.

Kutolingana kwa namba ndani ya chanzo 1: Ingawa maandishi yanasema RMSE iko chini ya 0.10 katika bendi zote, Table 2 inatoa thamani ya NIR RMSE ya R. cochinchinensis kuwa 0.1005.

Kutolingana kwa namba ndani ya chanzo 2: Maandishi yanasema miwa ina RMSE iliyo juu kidogo hasa katika eneo la NIR, ilhali Table 2 inaripoti 0.0929 kwa miwa na 0.1005 kwa R. cochinchinensis katika NIR.

Kutolingana kwa namba ndani ya chanzo 3: Maandishi ya matokeo yanasema fahirisi zilizochunguzwa zilifikia kiwango cha juu cha kinadharia cha JM = 1.4142, ilhali Table 3 inatoa JM = 1.412 kwa “All indices in Table 1”. Verianla haijasahihisha tofauti hii na imeacha rekodi zote mbili zionekane katika muktadha wake.

Kizuizi kikuu cha kimethodolojia: Matokeo yanahusu eneo moja, aina moja ya miwa na hatua ya ukuaji wa awali. Uthibitishaji wa nje unahitajika katika mazingira, genotipu, hatua za fenolojia, vihisi, azimio za anga na spishi za magugu tofauti.