Estimation of Crop Biomass and Leaf Area Index from Multitemporal and Multispectral Imagery Using Machine Learning Approaches

<p>L’estimation précise de la biomasse et de l’indice de surface foliaire (ISF) nécessite des modèles et des variables prédictives appropriés. Ces paramètres biophysiques indiquent la productivité des cultures et présentent donc un intérêt pour des applications telles que la prévision du rendement des cultures et l’agriculture de précision. Cette étude a évalué le potentiel de valorisation des indices de végétation dérivés des données multi-temporelles RapidEye en utilisant une approche d’apprentissage automatique pour estimer la biomasse des cultures et l’ISF. Les indices basés sur les bandes spectrales proche infrarouge et le red-edge ont été pris en compte dans cette étude. Des mesures in-situ de ces deux paramètres pour trois grandes cultures (canola, maïs et soja) ont été collectées au cours d’une campagne sur le terrain et utilisées pour l’étalonnage et la validation des modèles. Les modèles d’estimation ont été développés à l’aide du réseau de neurones artificiels (RNA) et de la régression des vecteurs de support (RVS). Les résultats montrent que, pour chaque culture, le RVS modélise l’ISF et la biomasse de manière plus précise que le RNA. Pour la biomasse, l’erreur moyenne quadratique (EMQ) de RVS est de 25,22 g/m² pour le canola, de 88,13 g/m² pour le maïs, de 5,91 g/m² pour le soja, et de 56,14 g/m² pour l’ensemble des cultures. De même, pour l’ISF, RVS a fourni le meilleur modèle avec EMQ = 0,59 m²/m² pour le canola, EMQ = 0,27 m²/m² pour le maïs, EMQ = 0,21 m²/m² pour le soja et EMQ = 0,51 m²/m² pour l’ensemble des cultures. </p><h2>Abstract</h2><p> Accurate estimation of biomass and Leaf Area Index (LAI) requires appropriate models and predictor variables. These biophysical parameters are indicative of crop productivity, and thus, are of interest in applications such as crop yield forecasting and precision farming. This study evaluated the potential of leveraging vegetation indices derived from multi-temporal RapidEye data using a machine learning approach to estimate crop biomass and LAI. Both near-infrared and red-edge based indices were considered in this study. In-situ measurements of these two parameters for three main cash crops, including canola, corn, and soybeans, were collected during a field campaign and used for model calibration and validation. Crops models were developed using the artificial neural network (ANN) and support vectors regression (SVR). Results showed that, for each crop, the SVR modeled LAI and biomass more accurately than ANN. For biomass, the SVR’s Root Mean Square Errors (RMSEs) were reported as 25.22 g/m² for canola, 88.13 g/m² for corn, 5.91 g/m² for soybean, and 56.14 g/m² for all crops pooled. Similarly, for the LAI, SVR provided the best model with RMSE = 0.59 m²/m² for canola, RMSE = 0.27 m²/m² for corn, RMSE = 0.21 m²/m² for soybean, and RMSE = 0.51 m²/m² for all crops together.</p>