Ushbu tadqiqot shakarqamish (Saccharum officinarum) bilan erta oʻsish davrida morfologik jihatdan oʻxshash boʻlishi mumkin bo‘lgan Rottboellia cochinchinensis begona oʻtini spektral ajratish va uchuvchisiz uchish apparati (Unmanned Aerial Vehicle, UAV) tasvirlarida xaritalashni oʻrganadi. Tadqiqot markazidagi spektral imzo — oʻsimlik turli toʻlqin uzunliklarida qaytargan elektromagnit energiyaning diapazonlar boʻyicha hosil qiladigan farqlovchi qaytarilish naqshidir. Tadqiqotchilar FieldSpec 4 Std-Res spektrometridan olingan giperspektral oʻlchovlarni tartiblashtirilgan chiziqli spektral sintez orqali MicaSense RedEdge-P kamerasining multispektral diapazonlariga aylantirgan; turlar ajraluvchanligini Jeffries–Matusita masofasi va bir yoʻnalishli ANOVA bilan baholagan; soʻng pikselga asoslangan Random Forest va obyektga asoslangan tasvir tahlili (Object-Based Image Analysis, OBIA) ish jarayonlarini taqqoslagan. OBIA umumiy aniqlikda 0.9038 va Cohen Kappa qiymatida 0.8499 ga erishib, pikselga asoslangan usulning 0.83 umumiy aniqlik va 0.7419 Kappa natijasidan yuqori boʻlgan. Biroq tadqiqot faqat Costa Rica-dagi bitta maydon, bitta shakarqamish navi va erta oʻsish sharoitlarida oʻtkazilgani sababli natijalarni boshqa navlar, fenologik bosqichlar va ishlab chiqarish hududlariga bevosita umumlashtirish maqsadga muvofiq emas.

Spektral tahlil bitta diapazon darajasida Blue va Green diapazonlari ikki oʻsimlik sinfini ajratishda eng yuqori Jeffries–Matusita qiymatlarini berganini koʻrsatdi. RedEdge diapazonining oʻzi JM qiymati pastroq boʻlsa-da, Blue yoki Green kabi koʻrinadigan diapazonlar bilan hosil qilingan indekslarda begona oʻt dogʻlarini tasvirda yanada yaqqol koʻrsatishga hissa qoʻshgan. NIR asosidagi kombinatsiyalarning vizual sinf ajratishi esa erta bosqichdagi oʻsimlik qoplamida bargning ichki tuzilishi, kanopi geometriyasi, suv miqdori va ochiq tuproq bilan spektral aralashuv kabi omillarga sezgirroq boʻlgani uchun zaifroq deb topilgan.

Tadqiqotning amaliy maqsadi giperspektral sensorlar beradigan batafsil spektral maʼlumotni xoʻjalik miqyosida nisbatan qulayroq boʻlgan UAV multispektral tasvirlari bilan foydalanish mumkin boʻlgan holga keltirishdir. Bunday xaritalash ish jarayoni tadqiqot sinovdan oʻtkazgan sharoitlarda R. cochinchinensis dogʻlarini shakarqamish va ochiq tuproqdan ajratib, kelajakda joyga xos begona oʻt boshqaruvi va oʻzgaruvchan meʼyordagi qoʻllash xaritalari uchun maʼlumot qatlamini taʼminlashi mumkin. Tadqiqot esa haqiqiy gerbitsid sarfini, iqtisodiy tejamkorlikni yoki uzoq muddatli hosildorlik oshishini bevosita oʻlchamagan.

Nega begona oʻtlarni erta bosqichda ajratish muhim?

Manba adabiyotiga koʻra, shakarqamishda begona oʻt raqobati ayniqsa oʻsimlikning shakllanish, unib chiqish va poyalanish davrlarida muhim. Tadqiqotdagi maydon taxminan 42 kun oldin ekilgan LAICA-09374 navidan iborat boʻlib, namuna olishdan oldin begona oʻt nazorati qoʻllanmagan. Shakarqamish oʻsimliklari hali toʻliq yopiq kanopi hosil qilmagani va ochiq tuproq tasvir signaliga kuchli qoʻshilgani sababli bu davr masofadan zondlash nuqtai nazaridan qiyin, ammo qishloq xoʻjaligi boshqaruvi uchun muhim hisoblanadi.

Rottboellia cochinchinensis tadqiqot oʻtkazilgan maydonda shakarqamish qatorlari orasida va qatorlar boʻylab kuzatilgan ustun begona oʻt turidir. Turning erta bosqichda shakarqamishga morfologik oʻxshash boʻlishi faqat RGB tasvirida vizual ajratishni qiyinlashtiradi. Tadqiqotning asosiy gʻoyasi shundaki, inson koʻziga oʻxshash koʻrinadigan ikki oʻsimlikning turli toʻlqin uzunliklaridagi qaytarilish xatti-harakati bir xil boʻlishi shart emas.

Spektral imzo nima?

Spektral imzo — nishonning elektromagnit spektrning turli qismlarida oʻlchangan qaytarilish qiymatlaridan hosil boʻladigan naqsh. Oʻsimlik pigmentlari koʻrinadigan sohada, hujayra tuzilmalari NIR sohasida, oʻsimlik-suv-tuzilma munosabatlari esa turli spektral sohalarda qaytarilish egri chizigʻiga taʼsir qilishi mumkin. Shu sababli shakarqamish va R. cochinchinensis jismonan oʻxshash koʻrinsa ham, Blue, Green, Red, RedEdge va NIR diapazonlarida bir xil qaytarilish taqsimotini hosil qilmasligi mumkin.

Manba Figure 4-da sintez qilingan spektral egri chiziqlarni bevosita MicaSense RedEdge-P tasvirlaridan olingan egri chiziqlar bilan taqqoslaydi. Ikki maʼlumot manbasidan olingan egri chiziqlarning umumiy shakllari bir-biriga yaqin. Kamera asosidagi egri chiziqlar Red diapazonida ustma-ust tushadi, boshqa diapazonlarda esa ajralish koʻrinadi. Figure 4-ning xom qaytarilish nuqtalari jadval koʻrinishida eʼlon qilinmagani sababli Verianla bu egri chiziqni yangi aniq raqamli nuqtalar yaratib qayta chizmaydi.

Giperspektral Maʼlumot Nega Multispektral Diapazonlarga Sintez Qilindi?

Giperspektral maʼlumot koʻplab tor toʻlqin uzunliklarida batafsil spektral axborot beradi, ammo xoʻjalik miqyosida undan foydalanish qimmatroq va murakkabroq; tadqiqot ushbu batafsil axborotni MicaSense RedEdge-P kabi qulayroq besh diapazonli UAV sensorining oʻlchov fazosiga matematik tarzda oʻtkazib, turlarni ajratish uchun operatsion multispektral ish jarayonini yaratishni maqsad qilgan.

Giperspektral oʻlchash tizimi

FieldSpec 4 Std-Res spektroradiometri 350–2500 nm spektral oraligʻi va 1 nm namuna olish oraligʻi bilan ishlatilgan. R. cochinchinensis uchun 80, shakarqamish uchun 34 barg oʻlchovi olingan. Oʻlchovlar har bir bargning oʻrta qismidan 10:00–12:00 oraligʻida bajarilgan, qurilma har o‘n o‘lchovdan keyin kalibrlash paneli bilan qayta kalibrlangan.

Har bir namuna olish joyi RTK CHCNAV i50 tizimi bilan uch oʻlchamli tarzda qayd etilgan. Bu geografik moslashtirish yerda olingan spektrometr oʻlchovini UAV tasviridagi tegishli piksel yoki maydon bilan bogʻlash uchun zarur.

UAV multispektral tasvirlash

Multispektral tasvirlar Blue, Green, Red, RedEdge va NIR kabi besh diapazonga ega MicaSense RedEdge-P kamera bilan olingan. Kamera DJI Matrice 300 UAV platformasida tashilgan, DJI D-RTK2 tuzatish stansiyasi pozitsion aniqlikni qoʻllab-quvvatlagan va yakuniy tasvirlarning fazoviy aniqligi 2 cm boʻlgan.

Spektral dastlabki ishlov

Giperspektral oʻlchovlar R 4.5.2 dasturida qayta ishlangan. Oʻrganilgan spektral oraliq 1300 nm dan past toʻlqin uzunliklari bilan cheklangan. Manbaga koʻra, bu cheklashning ikki maqsadi bor: giperspektral maʼlumotni MicaSense RedEdge-P sensori sezgir boʻlgan soha bilan yaxshiroq moslashtirish va dala sharoitida koʻproq ekologik oʻzgaruvchanlik koʻrsatadigan SWIR sohasidagi shovqin taʼsirini kamaytirish.

Tanlangan spektral oraliqda qoʻshimcha smoothing, normalization yoki boshqa spektral transform qoʻllanmagan. Vakillik qiluvchi tur egri chiziqlari bir xil sinf ichidagi qaytarilish namunalari birgalikda baholanishi orqali yaratilgan.

Tartiblashtirilgan chiziqli spektral sintez

Tadqiqot har bir multispektral diapazonni unga qoʻshni giperspektral toʻlqin uzunliklarining vaznli chiziqli kombinatsiyasi orqali taxminan qayta yaratish mumkin deb faraz qiladi. Ishlatiladigan giperspektral toʻlqin uzunliklari nishon multispektral diapazonning full width at half maximum (FWHM) oraligʻi bilan cheklangan.

Manbaning Denklem (1)-i chiziqli koeffitsiyentlarni tartiblashtirilgan eng kichik kvadratlar masalasi bilan baholaydi:

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

\(R_{\mathrm{real}}^{MSI}\), MicaSense RedEdge-P sensori bilan oʻlchangan haqiqiy multispektral qaytarilishni; \(H^{HSI}\), giperspektral qaytarilish matritsasini; \(c_{i,j}\), baholangan chiziqli kombinatsiya koeffitsiyentlarini; \(\lambda\) esa tartiblashtirish parametrini ifodalaydi.

Tenglamaning birinchi hadi sintez qilingan qiymat bilan haqiqiy multispektral oʻlchov oʻrtasidagi xatoni kamaytirishga intiladi. Ikkinchi had koeffitsiyentlarning haddan tashqari kattalashib, fizik boʻlmagan tebranishlar hosil qilishining oldini oluvchi tartiblashtirish hadidir. \(\lambda\) manbada qatʼiy nazariy qiymat sifatida berilmagan; spektral oʻzgaruvchanlik bilan yechim barqarorligini muvozanatlash uchun iterativ sinovlar orqali empirik tanlangan.

Koeffitsiyentlar aniqlangandan soʻng manba Denklem (2)-dan foydalanadi:

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

\(R_i^{MSI}(\lambda_k)\), tegishli multispektral diapazonning sintez qilingan qaytarilishini; \(N_{HSI}\), giperspektral diapazonlarning umumiy sonini; \(c_{i,j}\), giperspektral va multispektral diapazonlar orasidagi chiziqli koeffitsiyentlarni; \(R_i^{HSI}(\lambda_k)\) esa FieldSpec tomonidan \(\lambda_k\) toʻlqin uzunligida oʻlchangan giperspektral qaytarilishni bildiradi. Tenglamadagi indekslar manbada berilgan shaklda saqlangan.

Moslashtirilgan spektral namunalar

Geografik jihatdan mos giperspektral va multispektral maʼlumotlardan R. cochinchinensis uchun 51, shakarqamish uchun 34 namuna jufti tayyorlangan. Jami 85 moslashtirilgan kuzatuv faqat spektral imzo yaratish va ajraluvchanlik tahlili uchun ishlatilgan; klassifikatorni oʻqitish tarkibiga kiritilmagan.

Spektral sintez aniqligini tekshirish

Blue, Green va Red diapazonlarida sintez bilan haqiqiy kamera oʻlchovi orasidagi xato past; RedEdge va ayniqsa NIR da xato yuqoriroq. Manba matni barcha diapazonlarda RMSE 0.10 dan kichik ekanini aytsa-da, jadvalda R. cochinchinensis uchun NIR qiymati 0.1005. Bundan tashqari, manba matnida shakarqamish ayniqsa NIR da biroz yuqori RMSE ko‘rsatgani aytiladi, lekin jadval NIR da teskari tartibni beradi. Verianla bu qarama-qarshiliklarni tuzatmay, jadval qiymatlarini aynan saqlaydi.

Spektral indekslar

Blue va Green diapazonlarining turlarni ajratishdagi ishlashi va NIR ni oʻz ichiga olgan ayrim indekslarning zaif vizual ajratishi hisobga olinib, keyingi tahlil uchun Blue, Green, Red va RedEdge kombinatsiyalaridan toʻqqizta indeks tekshirilgan. Ular Michelson contrast, Weber contrast va Chlorophyll Index oilalariga asoslanadi.

Jeffries–Matusita masofasi nimani oʻlchaydi?

Jeffries–Matusita (JM) masofasi ikki sinf statistik taqsimotlarining qanchalik ustma-ust tushishini baholovchi ajraluvchanlik mezonidir. Manbada ishlatilgan shkala 0 bilan \(\sqrt{2}\) oraligʻida. Qiymat oshgan sari ikki sinfning spektral taqsimotlari aniqroq ajraladi; manba 1.3 dan yuqori qiymatlarni kuchli sinf ajraluvchanligi uchun odatiy chegara sifatida keltiradi.

RedEdge Oʻzi Eng Yuqori JM Qiymatini Bermasa Ham Nega Foydali?

RedEdge bitta diapazon sifatida JM = 0.5871 bilan Blue, Green va NIR dan ortda qolsa-da, UAV tasvirlarida tuproq, soya, kanopi tuzilishi va spektral aralashish kabi dala taʼsirlariga nisbatan NIR ga qaraganda barqarorroq boʻlishi sababli koʻrinadigan diapazonlar bilan tuzilgan RedEdge indekslari begona oʻt dogʻlarini tasvirda yanada aniq ajratishga yordam bergan.

Bu holat bitta “eng yaxshi diapazon” tanlash nega yetarli emasligini ko‘rsatadi. Nuqta asosidagi sof oʻsimlik spektrlarida NIR diapazoni RedEdge ga qaraganda yuqoriroq JM qiymatini bergan. Biroq NIR barg ichki tuzilishi, kanopi geometriyasi, suv miqdori va sensor koʻrish geometriyasidagi oʻzgarishlarga kuchli javob beradi. Erta bosqichdagi dala tasvirlarida ochiq tuproq va kichik oʻsimliklar bir piksel yoki segment ichida aralashganda bu oʻzgaruvchanlik sinf ichidagi taqsimotni kengaytirishi mumkin.

RedEdge esa qizil sohadagi kuchli xlorofill yutilishidan NIR dagi yuqori qaytarilishga oʻtish hududini ifodalaydi. Manba ayniqsa RedEdge + Blue va RedEdge + Green indekslari begona oʻt dogʻlarini tasvirda yaqqolroq ko‘rsatishini ko‘rsatadi. Demak, bitta diapazonli JM ko‘rsatkichi bilan haqiqiy tasvirdagi klassifikatsiya foydaliligi bir xil ishlash tushunchasi emas.

Tadqiqot Usuli va Natijalari

Tadqiqot maydoni

Tadqiqot La Palma de Abangares, Guanacaste Province, Costa Rica hududidagi tijoriy shakarqamish plantatsiyasida oʻtkazilgan. Manba maydon koordinatalarini 10°14′43.6″ N, 85°4′33.8″ W sifatida beradi. Hududning yillik oʻrtacha yogʻin miqdori taxminan 1900 mm, kunduzgi maksimal harorat taxminan 33 °C va tungi minimal harorat taxminan 22 °C.

Namuna olingan shakarqamish LAICA-09374 navi boʻlib, namuna olish paytida ekilganiga taxminan 42 kun boʻlgan. Maydonda begona oʻt nazorati qoʻllanmagan. R. cochinchinensis ayniqsa shakarqamish qatorlari orasida va qator chetlarida uchragan.

Usul oqimi

Klassifikatsiya namunasi

Besh multispektral diapazon va ajraluvchanligi yuqori tanlangan spektral indekslar birlashtirilib kompozit raster yaratilgan. Dala kuzatuvlari bilan tekshirilgan uchta sinf ishlatilgan: R. cochinchinensis, shakarqamish va ochiq tuproq.

Har bir sinf uchun 73 ta bir jinsli namuna poligoni qoʻlda raqamlashtirilgan. Sinflar boʻyicha teng namuna soni modelni oʻqitishda sinf nomutanosibligidan kelib chiqishi mumkin boʻlgan ogʻishni kamaytirishni ko‘zlagan. Namunalar tasodifiy ravishda %70 oʻqitish va %30 tekshirishga ajratilgan; oʻqitish maʼlumotlar toʻplamida 5-fold cross-validation qoʻllangan.

Piksel asosidagi Random Forest

Obyekt asosidagi tasvir tahlili

OBIA da tasvir avval qoʻshni va oʻxshash piksellardan iborat bir jinsli obyektlarga boʻlingan. Segment Mean Shift algoritmi ArcGIS Pro 3.5.4 da spektral tafsilot 15.5, fazoviy tafsilot 15 va minimal segment o‘lchami 20 piksel sozlamalari bilan ishlatilgan.

Segmentatsiya parametrlari turli sozlamalarni iterativ sinab ko‘rish va etalon tasvirlar bilan vizual baholash orqali tanlangan. Maqsad bitta haqiqiy maydonning haddan tashqari bo‘linishini va bir-biridan farqli maydonlarning bitta segmentga qo‘shilib ketishini kamaytirishdir.

Har bir tasvir obyekti uchun spektral diapazonlarning oʻrtacha va standart ogʻish qiymatlari, oʻsimlik indekslari hamda maydon, perimetr, compactness va elongation kabi geometrik xususiyatlar hisoblangan. Bu xususiyatlar R 4.5.2 ga uzatilgan va `randomForest` paketi bilan 500 daraxtli klassifikator yaratilgan. Manba `mtry` oʻzgaruvchisi ishlatilganini bildiradi, lekin uning raqamli qiymatini bermaydi.

Spektral ajraluvchanlik natijalari

Bitta diapazon natijalarida Blue eng yuqori JM qiymatiga, Green ikkinchi eng yuqori qiymatga ega. Global besh diapazon kombinatsiyasi 1.4142 bilan nazariy maksimumga yetadi. Indekslar birgalikda baholangan Table 3 qatori esa 1.412 ni bildiradi.

Manba matnida Table 1 dagi barcha indekslar JM = 1.4142 nazariy maksimum qiymatiga yetgani yozilgan, ammo Table 3 da “All indices in Table 1” uchun 1.412 berilgan. Verianla ilmiy yadrosi bu farqni yashirmaydi va jadval qiymatini manbadagi holicha saqlaydi.

Klassifikatsiya ishlashi

Producer's Accuracy amalda maʼlum sinfga tegishli boʻlgan namunalarning qanchasi model tomonidan toʻgʻri aniqlanganini ko‘rsatadi va omission error bilan bogʻliq. User's Accuracy esa model maʼlum sinf deb belgilagan namunalarning qanchasi haqiqatan o‘sha sinfga tegishli ekanini ko‘rsatadi va commission error bilan bogʻliq.

Obyekt Asosidagi Klassifikatsiya Nega Piksel Asosidagi Yondashuvdan Muvaffaqiyatliroq Boʻldi?

OBIA alohida piksellarni mustaqil klassifikatsiya qilish o‘rniga o‘xshash qo‘shni piksellarni spektral, fazoviy va geometrik xususiyatlarga ega tasvir obyektlariga birlashtirgani sababli 2 cm aniqlikdagi erta bosqich UAV tasvirlarida tuproq, soya va o‘simlik ichidagi o‘zgaruvchanlik hosil qilgan “salt-and-pepper” parchalanishini kamaytirdi va tadqiqot maydonida yanada yaxlit begona o‘t dog‘larini hosil qildi.

Manba Figure 6 bu farqni vizual ravishda yaqqol ko‘rsatadi. Piksel asosidagi xaritada sinflar kichik va tarqoq piksellarga bo‘linadi, obyekt asosidagi natijada esa sinf chegaralari dala tuzilishi va o‘simlik dog‘larining fazoviy shakliga yaxshiroq mos keladi.

Bu natija faqat tasvirning “tozaroq” ko‘rinishi bilan cheklanmaydi; raqamli ishlash ham shu yo‘nalishda. OBIA umumiy aniqlik, Kappa, shakarqamish producer/user aniqligi va R. cochinchinensis producer/user aniqligi bo‘yicha piksel asosidagi modelning bildirilgan barcha qiymatlaridan yuqori.

Tadqiqot qoʻllab-quvvatlaydigan natijalar

Tadqiqot erta bosqichdagi LAICA-09374 shakarqamish maydonida R. cochinchinensis va shakarqamishni multispektral hamda sintez qilingan spektral maʼlumot yordamida ajratish mumkinligini qoʻllab-quvvatlaydi.

Tadqiqot giperspektral oʻlchovlarni tartiblashtirilgan chiziqli sintez orqali MicaSense RedEdge-P ning multispektral diapazon fazosiga oʻtkazish ushbu maʼlumotlar toʻplamida tur darajasidagi spektral tavsiflash uchun ishlatilishi mumkinligini koʻrsatadi.

Tadqiqot sinovdan oʻtkazilgan dala va tasvir sharoitlarida OBIA + Random Forest ish jarayoni piksel asosidagi Random Forest klassifikatsiyasiga nisbatan yuqoriroq aniqlik va yuqoriroq fazoviy yaxlitlikni taʼminlaganini qoʻllab-quvvatlaydi.

Tadqiqot shuningdek Blue va Green diapazonlari bitta diapazon darajasida kuchli statistik ajraluvchanlik berganini; RedEdge esa koʻrinadigan diapazonlar bilan kombinatsiyada UAV tasvirlarida foydali kontrast yaratishi mumkinligini ko‘rsatadi.

Tadqiqot qoʻllab-quvvatlamaydigan natijalar

Tadqiqot usul barcha shakarqamish navlarida, turli mamlakatlarda, turli fenologik bosqichlarda yoki barcha begona o‘t turlarida bir xil aniqlikka erishishini ko‘rsatmaydi.

Tadqiqot haqiqiy o‘zgaruvchan meʼyordagi gerbitsid qo‘llashni bajarmagan; gerbitsid miqdoridagi haqiqiy kamayishni, iqtisodiy tejamkorlikni, hosildorlikni yoki ekologik taʼsir kamayishini tajribada oʻlchamagan. Yaratilgan klassifikatsiya xaritalaridan bunday ilovalar uchun foydalanish mumkinligi tadqiqotning kelajakdagi amaliy salohiyatidir.

Tadqiqot shuningdek pastroq fazoviy aniqlikdagi yoki boshqa multispektral sensorlar bilan bir xil model ishlashi saqlanishini isbotlamaydi.

Cheklovlar

Tadqiqot bitta tijoriy plantatsiyada, faqat LAICA-09374 shakarqamish navida va taxminan 42 kunlik erta oʻsish sharoitida oʻtkazilgan. Oʻsimlikning spektral javobi iqlim, tuproq, genotip, oʻsish bosqichi va kanopi rivojlanishi bilan oʻzgarishi mumkinligi sababli umumiy amal qilishi boshqa dala sharoitlarida alohida tekshirilishi kerak.

Tadqiqotda ishlatilgan 2 cm UAV tasvir aniqligi kichik begona oʻt dogʻlarini batafsil koʻrsatadi; ammo juda yuqori aniqlik maʼlumot hajmi va hisoblash talabini oshiradi. Bu holat usulning yirik tijoriy plantatsiyalarda masshtablanuvchanligi uchun amaliy cheklovdir.

JM ajraluvchanlik natijalarining bir qismi sof oʻsimlik javoblarini ifodalovchi nuqta asosidagi spektral namunalardan olingan. Mualliflar bu holat haqiqiy UAV tasvirlaridagi spatial autocorrelation, sub-pixel heterogeneity, tuproq foni va spektral aralashishni toʻliq ifodalamasligini alohida taʼkidlaydi.

Kelajakdagi tadqiqotlar

Mualliflar ish jarayonini turli ekologik sharoitlarda, shakarqamishning turli oʻsish bosqichlarida, turli fazoviy aniqliklarda va turli ishlab chiqarish tizimlarida sinashni tavsiya qiladi. Usulning boshqa begona oʻt turlariga koʻchiriluvchanligini oʻrganish ham masshtablanuvchanlikni aniqlash uchun muhim.

Manba va Usul Haqida Izoh

Asl sarlavha: Mapping Sugarcane Weeds Using Spectral Signatures Derived from Spectroscopic Data and Multispectral Images

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

Masʼul muallif: Kerin F. Romero

Muassasalar: 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

Nashriyot: MDPI

Jild / Son / Maqola: 8 / 5 / 172

DOI: 10.3390/agriengineering8050172

Sanalar: Qabul qilindi: 19 Fevral 2026; qayta ko‘rib chiqildi: 24 Aprel 2026; qabul qilindi: 29 Aprel 2026; chop etildi: 1 May 2026.

Manba turi: Taqrizdan o‘tgan tadqiqot maqolasi; dala spektroskopiyasi, UAV multispektral masofadan zondlash, spektral sintez, statistik ajraluvchanlik tahlili va Random Forest tasvir klassifikatsiyasi.

Litsenziya: Creative Commons Attribution (CC BY). Ko‘rinadigan manba PDF matni litsenziya versiyasi raqamini alohida ko‘rsatmagani sababli versiya taxmin qilinmagan.

Tadqiqot maydoni: La Palma de Abangares, Guanacaste Province, Costa Rica.

Shakarqamish navi: LAICA-09374; namuna olish paytida taxminan 42 kun.

Maqsad begona oʻt: Rottboellia cochinchinensis.

Giperspektral qurilma: FieldSpec 4 Std-Res; 350–2500 nm; 1 nm namuna olish oraligʻi.

UAV tasvirlash tizimi: MicaSense RedEdge-P; DJI Matrice 300; DJI D-RTK2; 2 cm fazoviy aniqlik.

Spektral namunalar soni: R. cochinchinensis uchun 80; shakarqamish uchun 34 FieldSpec oʻlchovi.

Moslashtirilgan spektral namuna: R. cochinchinensis uchun 51; shakarqamish uchun 34. Bu namunalar klassifikatorni oʻqitish uchun emas, spektral tavsiflash va ajraluvchanlik tahlili uchun ishlatilgan.

Klassifikatsiya namunasi: Shakarqamish, R. cochinchinensis va ochiq tuproq uchun har bir sinfga 73 namuna; %70 oʻqitish / %30 mustaqil tekshirish; oʻqitishda 5-fold cross-validation.

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

OBIA: ArcGIS Pro 3.5.4 Segment Mean Shift; spectral detail = 15.5; spatial detail = 15; minimum segment size = 20 piksel. Segment xususiyatlari R 4.5.2 da 500 daraxtli Random Forest bilan klassifikatsiya qilingan.

Statistik baholash: Jeffries–Matusita masofasi va bir yoʻnalishli ANOVA.

Ishlashni baholash: Confusion matrix; producer's accuracy, user's accuracy, overall accuracy va Cohen's Kappa.

Moliyalashtirish: Vice-Rectorate of Research and Outreach of the Costa Rica Institute of Technology, loyiha “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 kengashi: Qoʻllanilmaydi.

Axborotli rozilik: Qoʻllanilmaydi.

Maʼlumotlar mavjudligi: Natijalarni qoʻllab-quvvatlovchi xom maʼlumotlar soʻrov boʻyicha mualliflar tomonidan taqdim etilishi bildirilgan.

Manfaatlar toʻqnashuvi: Mualliflar manfaatlar toʻqnashuvi yoʻqligini bildirgan.

Muallif hissalari: Konseptuallashtirish: María P. Iglesias va Kerin F. Romero. Usul va dasturiy taʼminot: María P. Iglesias, Kerin F. Romero va Muditha K. Heenkenda. Formal tahlil: María P. Iglesias va Muditha K. Heenkenda. Dastlabki qoralama: María P. Iglesias. Ko‘rib chiqish va tahrirlash: Muditha K. Heenkenda. Maslahat: Muditha K. Heenkenda. Loyiha boshqaruvi va moliyalashtirishni olish: Kerin F. Romero.

Manba ichidagi raqamli nomuvofiqlik 1: Matn barcha diapazonlarda RMSE 0.10 dan kichik deya bildirsa, Table 2 R. cochinchinensis NIR RMSE qiymatini 0.1005 deb beradi.

Manba ichidagi raqamli nomuvofiqlik 2: Matn shakarqamish ayniqsa NIR sohasida biroz yuqori RMSE berganini bildirsa, Table 2 NIR uchun shakarqamishda 0.0929 va R. cochinchinensis da 0.1005 ni hisobot qiladi.

Manba ichidagi raqamli nomuvofiqlik 3: Natija matni o‘rganilgan indekslar JM = 1.4142 nazariy maksimumga erishganini bildirsa, Table 3 “All indices in Table 1” uchun JM = 1.412 beradi. Verianla bu farqni tuzatmagan va har ikkala qaydni o‘z kontekstida ko‘rinadigan holda saqlagan.

Asosiy metodologik cheklov: Natijalar bitta maydon, bitta shakarqamish navi va erta oʻsish davriga tegishli. Turli muhit, genotip, fenologik bosqich, sensor, fazoviy aniqlik va begona oʻt turlarida tashqi tekshiruv talab etiladi.