Real-time monitoring and analysis algorithm for key biophysical indicators of cultivated alfalfa in a grassland intelligent perception system

doi:10.11686/cyxb2023046

Abstract

Abstract:

Alfalfa， as an important high-quality forage， plays a vital role in the development of grassland animal husbandry. Traditional ground surveys and satellite remote sensing to evaluate large-scale alfalfa cover and yield are easily affected by weather， manpower， and financial factors， and have certain limitations when used in spatio-temporal dynamic monitoring. In recent years， with the rapid development of sensors and artificial intelligence （AI） and their widespread application in crop monitoring and analysis， new methods have been developed for accurate and real-time estimation of alfalfa cover and yield. In this study， alfalfa cover and yield estimation models were established using deep learning （DL） and multiple linear regression （MLR） and random forest （RF） methods combined with ground-measured data for alfalfa cultivated in four northern provinces of Xinjiang， Inner Mongolia， Gansu， and Ningxia. The accuracy of all the models was evaluated. It was found that： 1） In general， cultivated alfalfa in northern Xinjiang， Hexi in Gansu， and other regions is mainly irrigated， with concentrated and contiguous plots and flat terrain， and is harvested three to four times a year， with an average yield and vegetation cover of 5362.81 kg·ha^-1 and 96.29%， respectively， at the peak growth period. Alfalfa in Eastern Gansu， southern Ningxia， and other regions is mainly cultivated using a dryland production system， is mostly grown on horizontal terraces in mountainous areas， and is harvested two to three times a year， with an average yield and cover of 3987.57 kg·ha^-1 and 91.55%， respectively， at the peak growth period. 2） For the alfalfa cover deep learning model using unmanned aerial vehicle visible light remote sensing data as inputs， the R² was 0.99， the root mean squared error was 1.44%， and the model accuracy was 92%， indicative of good ability to dynamically monitor cultivated alfalfa cover. 3） Compared with the MLR model， the RF model based on longitude， latitude， altitude， and key biophysical indicators of alfalfa height， cover， and their product provided more accurate estimates of alfalfa yield. The R²of the optimal estimation model test set was 0.69， and the RMSE was 1151.24 kg·ha^-1. In summary， we have established an intelligent perception system based on an algorithm for the rapid evaluation of key biophysical indicators of cultivated alfalfa. These findings provide technical support for the application of networked， automated， and intelligent alfalfa growth data acquisition and dynamic analysis systems in multiple locations and with a high frequency.

Key words: intelligent sensing system, alfalfa coverage, alfalfa yield, machine learning, deep learning, UAV

Chun-li MIAO, Zhong-xian LI, Zhi-cheng ZHAO, Shuai FU, Jin-long GAO, Jie LIU, Qi-sheng FENG, Tian-gang LIANG. Real-time monitoring and analysis algorithm for key biophysical indicators of cultivated alfalfa in a grassland intelligent perception system[J]. Acta Prataculturae Sinica, 2023, 32(12): 90-103.

Figures/Tables 8

References 47

1	Zhang C M， Wang C Z， Hu X F， et al. Research progress on nutritional value and application of alfalfa. China Feed， 2005， 38（1）： 15-17.
	张春梅，王成章，胡喜峰，等. 紫花苜蓿的营养价值及应用研究进展. 中国饲料， 2005， 38（1）： 15-17.
2	Yang Q C， Sun Y. The history， current situation and development of alfalfa breeding in China. Chinese Journal of Grassland， 2011， 33（6）： 95-101.
	杨青川，孙彦. 中国苜蓿育种的历史、现状与发展趋势. 中国草地学报， 2011， 33（6）： 95-101.
3	Li X L， Wan L Q. Research progress on Medicago sativa silage technology. Acta Prataculturae Sinica， 2005， 14（2）： 9-15.
	李向林，万里强. 苜蓿青贮技术研究进展. 草业学报， 2005， 14（2）： 9-15.
4	Zhao C J. State-of-the-art and recommended developmental strategic objectives of smart agriculture. Smart Agriculture， 2019， 1（1）： 1-7.
	赵春江. 智慧农业发展现状及战略目标研究. 智慧农业， 2019， 1（1）： 1-7.
5	Sun K T， Wang X L， Jiang D W， et al. 2030 scientific and technological breakthrough plan in the field of agriculture and food in the United States and its enlightenment. Global Science， Technology and Economy Outlook， 2020， 35（11）： 25-32.
	孙康泰，王小龙，蒋大伟，等. 美国农业和食品领域2030科技突破计划及启示. 全球科技经济瞭望， 2020， 35（11）： 25-32.
6	Liu X， Li W H， Zhao C J， et al. High-quality development of modern smart ecological agriculture. Strategic Study of CAE， 2022， 24（1）： 38-45.
	刘旭，李文华，赵春江，等. 面向2050年我国现代智慧生态农业发展战略研究. 中国工程科学， 2022， 24（1）： 38-45.
7	Wu W B， Shi Y， Duan Y L， et al. The precise management of orchard production driven by the remote sensing big data with the SAGI. China Agricultural Informatics， 2019， 31（4）： 1-9.
	吴文斌，史云，段云林，等. 天空地遥感大数据赋能果园生产精准管理. 中国农业信息， 2019， 31（4）： 1-9.
8	Li Y， Zhang W W， Jiang F， et al. Air， space and earth integrated smart agricultural service and management platform. Geomatics & Spatial Information Technology， 2022， 45（2）： 132-134.
	李岩，张雯雯，姜飞，等. 空天地一体化智慧农业服务与管理平台. 测绘与空间地理信息， 2022， 45（2）： 132-134.
9	Liu P Z， Meng X W， Tian P， et al. Design of a precision agriculture information perception system based on the internet of things. Computer Engineering & Science， 2012， 34（3）： 137-141.
	柳平增，孟祥伟，田盼，等. 基于物联网的精准农业信息感知系统设计. 计算机工程与科学， 2012， 34（3）： 137-141.
10	Zhang J N， Zhang X F， Jian M， et al. Crop covering algorithm using convolution neural network based on prior threshold optimization. Journal of Signal Processing， 2012， 33（9）： 1230-1238.
	张加楠，张雪芬，简萌，等. 先验阈值优化卷积神经网络的作物覆盖度提取算法. 信号处理， 2012， 33（9）： 1230-1238.
11	Fu S， Feng Q S， Dang J Y， et al. Comparison of grassland vegetation coverage extraction algorithms from UAV technology. Pratacultural Science， 2022， 39（3）： 455-464.
	伏帅，冯琦胜，党菁阳，等. 基于无人机图像的草地植被盖度估算方法比较. 草业科学， 2022， 39（3）： 455-464.
12	Zhou T， Hu Z Q， Han J Z， et al. Green vegetation extraction based on visible light image of UAV. China Environmental Science， 2021， 41（5）： 2380-2390.
	周涛，胡振琪，韩佳政，等. 基于无人机可见光影像的绿色植被提取. 中国环境科学， 2021， 41（5）： 2380-2390.
13	Li B， Xu X M， Han J W， et al. The estimation of crop emergence in potatoes by UAV RGB imagery. Plant Methods， 2020， 16（1）： 1-12.
14	Deng L X. Application of UAV images in monitoring flowering coverage and insect visiting activities of wetland plant communities. Wuhan： Wuhan University， 2022.
	邓璐希. 无人机影像用于监测湿地植物群落开花覆盖度与昆虫访花活动. 武汉：武汉大学， 2022.
15	Wang C B. Research of corn vegetation fraction based on UAV visible spectrum. Kunming： Kunming University of Science and Technology， 2017.
	王成波. 基于无人机可视光谱的玉米植被覆盖度研究. 昆明：昆明理工大学， 2017.
16	Wang K N， Wang X X. Research on winter wheat yield estimation with the multiply remote sensing vegetation index combination. Journal of Arid Land Resources and Environment， 2017， 32（3）： 44-49.
	王恺宁，王修信. 多植被指数组合的冬小麦遥感估产方法研究. 干旱区资源与环境， 2017， 32（3）： 44-49.
17	Zhu Z C， Chen L Q， Zhang J S， et al. Division of winter wheat yield estimation by remote sensing based on MODIS EVI time series data and spectral angle clustering. Spectroscopy and Spectral Analysis， 2012， 32（7）： 1899-1903.
	朱再春，陈联裙，张锦水，等. MODIS EVI 时间序列数据和光谱角聚类的冬小麦遥感估产分区方法研究. 光谱学与光谱分析， 2012， 32（7）： 1899-1903.
18	Li H. Rice growth monitoring and yield forecasting through HJ-1A/B image. Hefei： Anhui Agricultural University， 2013.
	李花. HJ-1A/B遥感监测水稻长势与产量的研究. 合肥：安徽农业大学， 2013.
19	An M L. Study on of spring maize-yield estimation of Ganzhou District by remote sensing in the middle reaches of Heihe River. Lanzhou： Northwest Normal University， 2015.
	安美玲. 黑河中游甘州区春玉米遥感估产研究. 兰州：西北师范大学， 2015.
20	Cheng Y F. Study of remote sensing cotton yield estimation model in north of Xinjiang. Urumqi： Xinjiang University， 2012.
	程乙峰. 新疆北疆棉花遥感估产模型研究. 乌鲁木齐：新疆大学， 2012.
21	A R N. The potato yield estimation and it’s accuracy accessment using multi-source remote sensing data. Hohhot： Inner Mongolia Normal University， 2015.
	阿茹娜. 基于多源遥感数据的马铃薯估产与精度评估. 呼和浩特：内蒙古师范大学， 2015.
22	Yuan H， Yang G， Li C， et al. Retrieving soybean leaf area index from unmanned aerial vehicle hyperspectral remote sensing： Analysis of RF， ANN， and SVM regression models. Remote Sensing， 2017， 9（4）： 309.
23	Jing X， Zhang J， Wang J J， et al. Comparison of machine learning algorithms for remote sensing monitoring of rice yields. Spectroscopy and Spectral Analysis， 2022， 42（5）： 1620-1627.
	竞霞，张杰，王娇娇，等. 水稻产量遥感监测机器学习算法对比. 光谱学与光谱分析， 2022， 42（5）： 1620-1627.
24	Yin H M， Guli J P E， Yu T， et al. Wheat yield estimation with remote sensing in Northern Kazakhstan. Arid Land Geography， 2022， 45（2）： 488-498.
	尹瀚民，古丽·加帕尔，于涛，等. 哈萨克斯坦北部小麦估产方法研究. 干旱区地理， 2022， 45（2）： 488-498.
25	Yu X H， Zhao W Q， Zhu Z C， et al. Research in crop yield estimation models on different scales based on remote sensing and crop growth model. Spectroscopy and Spectral Analysis， 2021， 41（7）： 2205-2211.
	余新华，赵维清，朱再春，等. 基于遥感数据和作物生长模型的多尺度冬小麦估产研究. 光谱学与光谱分析， 2021， 41（7）： 2205-2211.
26	Ronneberger O， Fischer P， Brox T. U-Net： Convolutional networks for biomedical image segmentation//International conference on medical image computing and computer assisted intervention. Heidelberg， Germany： Springer， 2015： 234-241.
27	Liang H， Gui J， Hua Y， et al. Modeling maize above-ground biomass based on machine learning approaches using UAV remote-sensing data. Plant Methods， 2019， 15： 10.
28	Meng B， Gao J， Liang T， et al. Modeling of alpine grassland cover based on unmanned aerial vehicle technology and multi-factor methods： A case study in the east of Tibetan Plateau， China. Remote Sensing， 2018， 10（2）： 320.
29	Park D， El-sharkawi M， Marks R， et al. Electric load forecasting using an artificial neural network. IEEE Transactions on Power Systems， 1991（2）： 442-449.
30	Breiman L. Random forests. Machine Learning， 2001， 45（1）： 5-32.
31	Liaw A， Wiener M. Classification and regression by random forest. R News， 2002， 2（3）： 18-22.
32	Schlerf M， Atzberger C， Hill J. Remote sensing of forest biophysical variables using HyMap imaging spectrometer data. Remote Sensing of Environment， 2005， 95（2）： 177-194.
33	Chen J， Yang Z Y， Li Z G. Design and implementation expert system of apple precise management. Science Technology and Engineering， 2011， 11（6）： 1231-1236.
	陈健，杨志义，李志刚. 苹果精准管理专家系统的设计与实现. 科学技术与工程， 2011， 11（6）： 1231-1236.
34	Wang X D. Design and implementation of farmland intelligent irrigation system based on WSN. Harbin： Northeast Agricultural University， 2018.
	王旭东. 基于WSN的农田智能灌溉系统的设计与实现. 哈尔滨：东北农业大学， 2018.
35	Zheng L H， Li M Z， Ji R H， et al. Development of soil moisture management models based on GIS for farmland and its application. Transactions of the Chinese Society of Agricultural Engineering， 2009， 25（Supp.2）： 13-17.
	郑立华，李民赞，冀荣华，等. 基于GIS的农田土壤水分状况管理模型及应用. 农业工程学报， 2009， 25（增刊2）： 13-17.
36	Yu G X， Wang W X， Xie J X， et al. Information acquisition and expert decision system in litchi based on internet of things. Transactions of the Chinese Society of Agricultural Engineering， 2016， 32（20）： 144-152.
	余国雄，王卫星，谢家兴，等. 基于物联网的荔枝园信息获取与智能灌溉专家决策系统. 农业工程学报， 2016， 32（20）： 144-152.
37	Yu Z H. Research on automatic observation technology of maize development stage based on image. Wuhan： Huazhong University of Science and Technology， 2014.
	余正泓. 基于图像的玉米发育期自动观测技术研究. 武汉：华中科技大学， 2014.
38	Yan J C. Technology on remote automatic monitoring of crop canopy coverage and height. Hangzhou： Zhejiang Sci-Tech University， 2016.
	严锦程. 作物冠层覆盖率、株高的远程自动监测技术. 杭州：浙江理工大学， 2016.
39	Wu Z L， Liang D， Zhao J L， et al. Image segemention method for Achnatherum splendens coverage based on UAV remote sensing image. Transducer and Microsystem Technologies， 2018， 37（4）： 51-53.
	吴赵丽，梁栋，赵晋陵，等. 基于无人机遥感影像芨芨草盖度的图像分割方法. 传感器与微系统， 2018， 37（4）： 51-53.
40	Zhao X Y， Chen J J， Zhang K Q， et al. Automatic extraction of vegetation coverage from unmanned aerial vehicle images based on HSV and Otsu algorithm. Science Technology and Engineering， 2021（35）： 15160-15166.
	赵晓宇，陈建军，张凯琪，等. 基于 HSV 色彩空间和 Otsu算法的无人机影像植被覆盖度自动提取. 科学技术与工程， 2021（35）： 15160-15166.
41	Li R， Li C J， Xu X G， et al. Winter wheat yield estimation based on support vector machine regression and multi-temporal remote sensing data. Transactions of the Chinese Society of Agricultural Engineering， 2009， 25（7）： 114-117.
	黎锐，李存军，徐新刚，等. 基于支持向量回归（SVR）和多时相遥感数据的冬小麦估产. 农业工程学报， 2009， 25（7）： 114-117.
42	Guo F C， Chen Z W， Zhang Z G. Research on remote sensing estimation of forage above-ground biomass based on optimal model selection. Acta Agrestia Sinica， 2021， 29（5）： 946-955.
	郭凡超，陈泽威，张志高. 基于最优模型选择的牧草地上生物量遥感估算研究. 草地学报， 2021， 29（5）： 946-955.
43	Mohsen A， Davoud A， Hossein A， et al. Alfalfa yield estimation based on time series of Landsat 8 and PROBA-V images： An investigation of machine learning techniques and spectral-temporal features. Remote Sensing Applications： Society and Environment， 2022， 25： 100657.
44	Wang J G， Lv X D， Yao G P， et al. Estimation of fresh forage yield of mixed sowing pastures of alfalfa and smooth-brome with hyperspectral remote sensing. Chinese Journal of Grassland， 2013， 35（1）： 35-41.
	王建光，吕小东，姚贵平，等. 苜蓿和无芒雀麦混播草地高光谱遥感估产研究. 中国草地学报， 2013， 35（1）： 35-41.
45	Gao H Y， Hou M J， Ge J， et al. Hyperspectral estimation of aboveground biomass of alpine grassland based on random forest algorithm. Acta Agrestia Sinica， 2021， 29（8）： 1757-1768.
	高宏元，侯蒙京，葛静，等. 基于随机森林的高寒草地地上生物量高光谱估算. 草地学报， 2021， 29（8）： 1757-1768.
46	Cui M R. Machine learning-based hyperspectral estimation of potato yield. Hohhot： Inner Mongolia Agricultural University， 2022.
	崔孟然. 基于机器学习的马铃薯产量高光谱估算. 呼和浩特：内蒙古农业大学， 2022.
47	Yang B P， Chen S B， Yu H Y， et al. Remote sensing estimation of rice yield based on random forest regression method. Journal of China Agricultural University， 2020， 25（6）： 26-34.
	杨北萍，陈圣波，于海洋，等. 基于随机森林回归方法的水稻产量遥感估算. 中国农业大学学报， 2020， 25（6）： 26-34.

月份 Month	采样地点 Sampling locations	灌溉情况 Irrigation condition	样本数量 Sample size	平均盖度 The average coverage （%）	产量Yield （kg·hm^-2）
月份 Month	采样地点 Sampling locations	灌溉情况 Irrigation condition	样本数量 Sample size	平均盖度 The average coverage （%）	平均 Average	最大值 Maximum	最小值 Minimum	标准差 Standard deviation
5	甘肃河西地区Hexi corridor， Gansu （2020，2021）	人工Artificial	69	96.29	5362.81	6010.40	1164.80	1934.90
7	甘肃陇东Eastern Gansu、宁夏南部Southern Ningxia （2018，2019）	旱作Dry farming	28	69.70	2588.42	2902.80	483.80	1386.49
7	新疆Xinjiang （2018）、内蒙古Inner Mongolia （2019）、甘肃河西地区Hexi corridor， Gansu （2020）	人工Artificial	38	82.45	3822.21	5157.33	732.00	2158.86
8	甘肃陇东、宁夏南部Eastern Gansu， Southern Ningxia （2021）	旱作Dry farming	18	91.55	3987.57	6566.53	1810.93	1436.25
9	甘肃河西地区Hexi corridor， Gansu （2021）	人工Artificial	32	95.00	3507.26	2902.80	1172.90	1380.26

月份 Month	采样地点 Sampling locations	灌溉情况 Irrigation condition	样本数量 Sample size	平均盖度 The average coverage （%）	产量Yield （kg·hm^-2）
月份 Month	采样地点 Sampling locations	灌溉情况 Irrigation condition	样本数量 Sample size	平均盖度 The average coverage （%）	平均 Average	最大值 Maximum	最小值 Minimum	标准差 Standard deviation
5	甘肃河西地区Hexi corridor， Gansu （2020，2021）	人工Artificial	69	96.29	5362.81	6010.40	1164.80	1934.90
7	甘肃陇东Eastern Gansu、宁夏南部Southern Ningxia （2018，2019）	旱作Dry farming	28	69.70	2588.42	2902.80	483.80	1386.49
7	新疆Xinjiang （2018）、内蒙古Inner Mongolia （2019）、甘肃河西地区Hexi corridor， Gansu （2020）	人工Artificial	38	82.45	3822.21	5157.33	732.00	2158.86
8	甘肃陇东、宁夏南部Eastern Gansu， Southern Ningxia （2021）	旱作Dry farming	18	91.55	3987.57	6566.53	1810.93	1436.25
9	甘肃河西地区Hexi corridor， Gansu （2021）	人工Artificial	32	95.00	3507.26	2902.80	1172.90	1380.26

因子 Factors	变量 Variables	训练集Train set		测试集Test set
因子 Factors	变量 Variables	R²	RMSE （kg·hm^-2）	R²	RMSE （kg·hm^-2）
环境因子Environmental factors	X、Y、h	0.03	4642.21	0.06	4617.09
生物物理指标Biophysical indicators of plants	H、C、H×C	0.62	1221.78	0.62	1271.58
环境因子、生物物理指标Environmental factors and biophysical indicators	X、Y、h、H、C、H×C	0.64	1189.00	0.63	1218.15

因子 Factors	变量 Variables	训练集Train set		测试集Test set
因子 Factors	变量 Variables	R²	RMSE （kg·hm^-2）	R²	RMSE （kg·hm^-2）
环境因子Environmental factors	X、Y、h	0.03	4642.21	0.06	4617.09
生物物理指标Biophysical indicators of plants	H、C、H×C	0.62	1221.78	0.62	1271.58
环境因子、生物物理指标Environmental factors and biophysical indicators	X、Y、h、H、C、H×C	0.64	1189.00	0.63	1218.15

因子 Factors	变量 Variables	训练集Train set		测试集Test set
因子 Factors	变量 Variables	R²	RMSE （kg·hm^-2）	R²	RMSE （kg·hm^-2）
环境因子Environmental factors （E）	X、Y、h	0.87	837.96	0.37	1623.17
植物生物物理指标Biophysical indicators of plants （B）	H、C、H×C	0.91	634.56	0.65	1216.24
E×B	X、Y、h、H、C、H×C	0.94	536.09	0.69	1151.24