曲葉矛櫚生長于潮濕的熱帶雨林，是保護亞馬遜生物群落的基礎，調節雨林的新熱帶濕地，可生產富含蛋白質、脂肪、維生素和碳水化合物的棕櫚果實。由于難以進入這些茂密的雨林，遙感方法成為其生長評估的重要技術手段。為了實現對亞馬遜曲葉矛櫚果實成熟狀態的識別，本研究采用配備多光譜相機的無人機在60 m高度上采集一個棕櫚物候期內的可見/近紅外圖像，與冠層水平上的反射狀態進行相關性分析。基于Mask R-CNN深度學習算法自動分割并識別感興趣區域( RoI )，并基于25個VIs和圖像提取的特征，形成一個二分類的數據集(綠色類GC和成熟類MC)來訓練7種有監督的ML模型來預測果實的成熟狀態，包括RF、SVM、KNN、NB、LR、ADB和ETC。對于果實成熟度的估計，還采用了CNN模型進行訓練，并創建三個新的數據集（每個數據集中GC與MC各50個）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模型進行了果實成熟度的預測。研究結果表明：

（1）冠層反射率與果實成熟期呈顯著相關。在25個指數中，NRBDI與RBGVI指數與時間變量之間呈中等相關性，GNDVI、RGVI、MGRVI、RG、RVI、NIRG、NB、RGBVI、NGRVI和GRAPH呈低相關性，GRVI與VARI呈低負相關性。其他特征，如NDVI，表現出較低的線性相關性。

（2）使用CNN進行分類的結果并不準確。CNN訓練模型損失曲線呈下降趨勢，表明誤差隨著訓練的進行而減小；但準確率曲線出現波動，說明分類結果不一致；訓練后的CNN模型在三個新的數據集上的分類準確率分別為53%、54%和48%，為中等精度，仍有改進空間。

（3）ML模型訓練的結果顯示，僅使用25個VIs進行訓練時，線性回歸(LR)模型表現最好，準確率為70%；僅使用從圖像中提取的50個特征進行訓練時，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行預測時，準確率高達72%。

圖3 系統架構。B1，獲取多光譜圖像，包括5個波段的( R、G、B、RE、NIR)以及RGB圖像；B2，使用手掌識別模型從每個波段中分割和提取感興趣區域( RoI )；B3，對每個特征進行時間變異性分析和建模，了解它們的響應以及與果實成熟期的相關性，到的數據是結構化的，并且有適當的標簽；B4，訓練、驗證和測試通過相關性識別果實成熟期的ML模型；B5，使用ML模型進行分割步驟，對RoI進行特征提取，并通過與冠層反射率的關聯來估計果實成熟度。


圖8 Pearson相關性熱圖。25個VIs和圖像特征(平均向量)與時間變量之間的關系。相關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。左圖表示損失曲線，隨著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。



文獻來源：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