Evaluation of UAV-RGB Imagery and machine learning algorithms for monitoring and mapping of soil salinity

Abstract

The purpose of this study is to help you get an assessment of unmanned flatland photographs. And learning algorithms to help you visualize and map soil salinity. Drive the RGB camera setup to get the recording value of the Red, Green, Blue wavelengths to learn about the calculation of the electric charge caused by the salt from the soil. He comes from a 2nd source, which is the surface (depth 0 anyway) and this laser (depth 30), which gives you a spacing per size 5, 25, 50, and 100 that haven't yet. Efficiency was evaluated by matte metal with a general linear model. In addition, the support vector machine, the results of the ground-surface conductivity measurement (0 depth forward) measurement study, will help the 25 wavelength ground-distance vector machine to provide good retrospective values. The most This will make the failure coefficient (R2) equal to 0.561 and RMSE equal to 16.698. The best comparison result was compared with the coefficient of decision (R2) of 0.448 and RMSE of 1.588.

Research shows that the use of images from UAVs at low prices or prices that everyone can afford. It can be used to inspect, evaluate and survey the area that is expected to be a preliminary saline soil area.

วัตถุประสงค์ของการศึกษานี้เพื่อทำการประเมินภาพถ่ายจากอากาศยานไร้คนขับ และอัลกอริธึมการเรียนรู้ของเครื่องสำหรับการติดตามและทำแผนที่ความเค็มของดิน โดยใช้เทคโนโลยีการรับรู้จากระยะไกลด้วยภาพถ่ายจากอากาศยานไร้คนขับ ที่ติดตั้งกล้อง RGB โดยใช้ค่าการสะท้อนแสงของช่วงคลื่น Red, Green, Blue เพื่อศึกษาการประมาณค่าการนำไฟฟ้า ซึ่งเกิดจากเกลือที่มีอยู่ในดิน โดยแบ่งออกเป็น 2 ความลึก คือที่ผิวดิน (ลึก 0 เซนติเมตร) และที่ความลึกใต้ดิน (ลึก 30 เซนติเมตร) และใช้ระยะพื้นต่อพิกเซลขนาด 5, 25, 50, และ 100 เซนติเมตร นำมาประเมินประสิทธิภาพแบบจำลองทางคณิตศาสตร์ด้วยวิธี แบบจำลองโมเดลเชิงเส้นโดยนัยทั่วไป แบบจำลอง Random forest และแบบจำลอง Support vector machine ผลการศึกษาพบว่า การประมาณค่าการนำไฟฟ้าที่ผิวดิน (ลึก 0 เซนติเมตร) แบบจำลอง Support vector machine ระยะพื้นต่อพิกเซลขนาด 25 เซนติเมตร ให้ผลการประมาณค่าได้ดีที่สุด โดยที่ค่าสัมประสิทธิ์การตัดสินใจ (R2) เท่ากับ 0.561 และ RMSE เท่ากับ 16.698 และการประมาณค่าการนำไฟฟ้าที่ความลึกใต้ดิน (ลึก 30 เซนติเมตร) แบบจำลอง Random forest ระยะพื้นต่อพิกเซลขนาด 50 เซนติเมตร ให้ผลการประมาณค่าได้ดีที่สุด โดยที่ค่าสัมประสิทธิ์การตัดสินใจ (R2) เท่ากับ 0.448 และ RMSE เท่ากับ 1.588

ผลการวิจัยแสดงให้เห็นว่าการใช้ภาพถ่ายจากอากาศยานไร้คนขับที่ราคาต่ำหรือราคาที่ทุกๆคนก็สามารถจับต้องได้ ก็สามารถนำมาใช้ในการตรวจสอบ ประเมิณ และสำรวจ พื้นที่ที่คาดว่าน่าจะเป็นพื้นที่ดินเค็มในเบื้องต้นได้