Analyzing Soybean Growth Patterns in Open-Field Smart Agriculture under Different Irrigation and Cultivation Methods Using Drone-Based Vegetation Indices

고승환; 박종화

doi:https://doi.org/10.7780/kjrs.2024.40.1.9

추천

검색

자료유형: 학술저널

저자정보: 고승환 (충북대학교) 박종화 (충북대학교)

저널정보: 대한원격탐사학회 대한원격탐사학회지 대한원격탐사학회지 제40권 제1호

발행연도: 2024.2

수록면: 93 - 101 (9page)

DOI: https://doi.org/10.7780/kjrs.2024.40.1.9

이용수

📌

연구주제

📖

연구배경

🔬

연구방법

🏆

연구결과

초록· 키워드

오류제보하기

Accurate field crop classification is essential for various agricultural applications, yet existingmethods face challenges due to diverse crop types and complex field conditions. This study aimed toaddress these issues by combining support vector machine (SVM) models with multi-seasonal unmannedaerial vehicle (UAV) images, texture information extracted from Gray Level Co-occurrence Matrix(GLCM), and RGB spectral data. Twelve high-resolution UAV image captures spanned March–October2021, while field surveys on three dates provided ground truth data. We focused on data from August(-A), September (-S), and October (-O) images and trained four support vector classifier (SVC) models(SVC-A, SVC-S, SVC-O, SVC-AS) using visual bands and eight GLCM features. Farm maps provided bythe Ministry of Agriculture, Food and Rural Affairs proved efficient for open-field crop identificationand served as a reference for accuracy comparison. Our analysis showcased the significant impact ofhyperparameter tuning (C and gamma) on SVM model performance, requiring careful optimization foreach scenario. Importantly, we identified models exhibiting distinct high-accuracy zones, with SVC-Otrained on October data achieving the highest overall and individual crop classification accuracy. Thissuccess likely stems from its ability to capture distinct texture information from mature crops. IncorporatingGLCM features proved highly effective for all models, significantly boosting classification accuracy. Amongthese features, homogeneity, entropy, and correlation consistently demonstrated the most impactfulcontribution. However, balancing accuracy with computational efficiency and feature selection remainscrucial for practical application. Performance analysis revealed that SVC-O achieved exceptional resultsin overall and individual crop classification, while soybeans and rice were consistently classified well byall models. Challenges were encountered with cabbage due to its early growth stage and low field coverdensity. The study demonstrates the potential of utilizing farm maps and GLCM features in conjunctionwith SVM models for accurate field crop classification. Careful parameter tuning and model selectionbased on specific scenarios are key for optimizing performance in real-world applications.

#Field crop classification #UAV images #GLCM #SVM #Precision agriculture

참고문헌 (0)

참고문헌 신청

참고문헌이 DBpia에서 서비스 중이라면, [참고문헌 신청]을 통해 등록해보세요

함께 읽어보면 좋을 논문

논문 유사도에 따라 DBpia 가 추천하는 논문입니다. 함께 보면 좋을 연관 논문을 확인해보세요!

최근 본 자료

전체보기

구분	그룹	데이터 항목
AI 학습용 데이터	원문	원문 PDF 파일
AI 학습용 데이터	원문 + 메타 (기본/상세)	원문 PDF 파일 및 서지정보 CSV
대량 구매용 데이터	B2B 구독 방식	특정 자료 한정으로 원문 접근 권한 부여
대량 구매용 데이터	URL 전달 방식	바로 PDF 뷰어를 열람할 수 있는 URL 제공

구분	그룹	데이터 항목
AI 학습용 데이터	기본 메타	발행기관명, 간행물명, 권호명, 권(vol), 호(issue), 통권, 발행연도, 발행월, 논문명, 저자명, 시작페이지, 종료페이지, 전체페이지, 상세페이지URL
상세 메타 데이터	발행기관 메타	발행기관 이명, 영문명, 창립연도, 홈페이지URL, 발행기관 소개
	간행물 메타	부제목, 간행물 유형, ISSN, ISBN, 최초발행연도, 폐간연도, 간행빈도, 발행주기, 등재사항, 이용수, 피인용수, 권호수, 논문수, 표지이미지
	논문 메타	작성 언어, 부제목, 대등제목, 목차, 키워드, 초록, 이미지, 참고문헌, 이용수, 피인용수, 논문활용도, DBpia통합주제분류, KDC분류, DDC분류, 한국연구재단분류, UCI, DOI
	저자 메타	소속기관, 소속부서, 직급, 연구분야, 연구키워드, 이용수, 피인용수, 저자 논문활용도

구분	그룹	데이터 항목
※ 결합형/맞춤형 메타 데이터는 신청 내용에 따라 다양하게 제공 가능
이용순위 정보	주제분야별 많이 이용된 논문	“인문학”에서 많이 이용된 논문 TOP100
	이용기관별 많이 이용된 논문	“중고등학교”에서 많이 이용된 논문 TOP100
	세부기관별 많이 이용된 논문	“서울대학교”에서 많이 이용된 논문 TOP100
	키워드별 많이 이용된 논문	“Chat GPT”에서 많이 이용된 논문 TOP100
키워드 정보	많이 이용된 키워드	특정기간/분야/저널 내 많이 이용된 키워드
	많이 발행된 키워드	특정기간/분야/저널 내 많이 발행된 키워드
	많이 검색된 키워드	특정기간/분야/저널 내 많이 검색된 키워드
	연구 트렌드 키워드	특정 키워드 연관 연구동향 분석 데이터 키워드

논문 기본 정보

초록· 키워드

AI 요약

연구주제

연구배경

연구방법

연구결과

주요내용

목차

참고문헌 (0)

함께 읽어보면 좋을 논문

최근 본 자료

댓글(0)