[論文レビュー] Mapping Walnut Water Stress with High Resolution Multispectral UAV Imagery and Machine Learning

Kaitlyn Wang, Yufang Jin|arXiv (Cornell University)|Dec 30, 2023

Plant and Fungal Interactions Research被引用数 4

ひとこと要約

本研究では、高分解能マルチスペクトルUAV画像と気象データを用いた機械学習フレームワークを開発し、個々の木レベルでのクヌーストウ水ストレスをマッピングすることを目的としている。ランダムフォレスト回帰および分類モデルを適用することで、茎水ポテンシャルの推定においてR² = 0.70、ストレスレベルの分類において85%の正確性を達成した。これは、カリフォルニアのクヌーストウ畝において、精密灌漑のための手動測定の代替手段として、スケーラブルでコスト効率の良い手法であることを示している。

ABSTRACT

Effective monitoring of walnut water status and stress level across the whole orchard is an essential step towards precision irrigation management of walnuts, a significant crop in California. This study presents a machine learning approach using Random Forest (RF) models to map stem water potential (SWP) by integrating high-resolution multispectral remote sensing imagery from Unmanned Aerial Vehicle (UAV) flights with weather data. From 2017 to 2018, five flights of an UAV equipped with a seven-band multispectral camera were conducted over a commercial walnut orchard, paired with concurrent ground measurements of sampled walnut plants. The RF regression model, utilizing vegetation indices derived from orthomosaiced UAV imagery and weather data, effectively estimated ground-measured SWPs, achieving an $R^2$ of 0.63 and a mean absolute error (MAE) of 0.80 bars. The integration of weather data was particularly crucial for consolidating data across various flight dates. Significant variables for SWP estimation included wind speed and vegetation indices such as NDVI, NDRE, and PSRI.A reduced RF model excluding red-edge indices of NDRE and PSRI, demonstrated slightly reduced accuracy ($R^2$ = 0.54). Additionally, the RF classification model predicted water stress levels in walnut trees with 85% accuracy, surpassing the 80% accuracy of the reduced classification model. The results affirm the efficacy of UAV-based multispectral imaging combined with machine learning, incorporating thermal data, NDVI, red-edge indices, and weather data, in walnut water stress estimation and assessment. This methodology offers a scalable, cost-effective tool for data-driven precision irrigation management at an individual plant level in walnut orchards.

研究の動機と目的

• 全畝全体にわたり、スケーラブルで非侵襲的な方法でクヌーストウ水ストレスをモニタリングし、精密灌漑を支援すること。
• 人的労力がかかる点測定式の茎水ポテンシャル（SWP）測定の限界を補い、高分解能UAVリモートセンシングを活用すること。
• マルチスペクトル画像、熱画像、気象変数（風速、気温、VPD）を機械学習モデルに統合し、SWP推定を改善すること。
• 植物指数（NDVI、NDRE、PSRI）と気象要因の、クヌーストウ水ストレス予測における相対的な重要性を評価すること。
• 水ストレスを3段階（軽度、中程度、重度）に分類し、意思決定可能な灌漑計画に活用可能な高い正確性を達成すること。

提案手法

• 7バンドマルチスペクトルカメラを用いて、商業的クヌーストウ畝を5回のUAV飛行で撮影し、高分解能オルソマosaic画像を取得した。
• 圧力室を用いて200本のクヌーストウ木から同時に地面真値のSWP測定値を収集し、モデルのキャリブレーションに用いた。
• NDVI、NDRE、PSRIなどの主要な植物指数を計算し、マルチスペクトルセンサの熱帯域データも使用した。
• 近隣の気象局から得た局所的気象データ（風速、気温、水蒸気圧不足）を統合し、時間的変動を補正した。
• 統合されたデータセットを用いてランダムフォレスト回帰および分類モデルを訓練し、特徴量の重要度分析により主要な予測要因を同定した。
• 熱画像およびマルチスペクトル画像における影の影響を低減するために、正規化過剰緑色指数（NExG）を適用した。

(a)

実験結果

リサーチクエスチョン

• RQ1 高分解能マルチスペクトルUAV画像に加え気象データを組み合わせることで、スケール上でクヌーストウの茎水ポテンシャル（SWP）を正確に推定できるか？
• RQ2 どの植物指数（NDVI、NDRE、PSRIなど）と気象変数（風速、VPD、気温）がクヌーストウ水ストレスを最も予測可能か？
• RQ3 レッドエッジ指数（NDRE、PSRI）を含めることで、標準的な指数のみを用いたモデルと比較してSWP推定の正確性がどのように向上するか？
• RQ4 機械学習分類モデルは、クヌーストウ水ストレスを3つの明確な段階（軽度、中程度、重度）に信頼性高く分類できるか？
• RQ5 気象データを統合することで、異なる飛行日における条件の変化に対応してモデル性能がどの程度向上するか？

主な発見

• ランダムフォレスト回帰モデルは、地面真値の茎水ポテンシャル（SWP）推定においてR² = 0.70、平均絶対誤差（MAE）が0.80 barを達成した。
• 特に風速を含む気象データの統合により、異なる飛行日におけるモデルの一貫性が顕著に向上し、時間的データ統合におけるその重要性が示された。
• NDVIがSWP推定において最も重要な植物指数であり、次いで熱帯域、NDRE、PSRIの順に重要度が高かった。
• レッドエッジ指数（NDRE、PSRI）を除外するとモデルの正確性が低下し、R²は0.63に低下した。これは、初期の水ストレスを捉えるためにこれらの指標の価値が確認されたことを示している。
• ランダムフォレスト分類モデルは、水ストレスの重症度レベルを85%の正確性で正しく予測した。これは、簡略化モデル（80%の正確性）を上回る性能であった。
• 本研究では、マルチスペクトル、熱画像、気象データを機械学習により統合することで、クヌーストウ畝における個々の木レベルでの正確でスケーラブルかつコスト効率の良い水ストレスマッピングが可能であると確認した。

(b)