RESUMO Para avaliar de forma rápida e precisa o crescimento de plantas de chá, este estudo visa encontrar uma nova maneira de prever o conteúdo de clorofila em dosséis de plantas de chá usando aprendizado de máquina. Utilizando aeronaves pilotadas remotamente equipadas com câmeras multiespectrais, imagens de áreas de plantações de chá são capturadas e a reflectância de quatro bandas espectrais é extraída, levando ao cálculo de índices de vegetação. Simultaneamente, o conteúdo relativo de clorofila nos dosséis das plantas de chá foi coletado no terreno usando um detector. Quatro modelos, nomeadamente Floresta Aleatória (RF), rede neural de retropropagação (BPNN), rede de função de base radial (RBFN) e Rede Neural de Regressão Geral (GRNN), foram construídos para prever o conteúdo relativo de clorofila nos dosséis das plantas de chá. Subsequentemente, variáveis importantes de sensoriamento remoto foram identificadas através de filtragem RF, seguidas por uma comparação do desempenho preditivo dos modelos de aprendizado de máquina sob diferentes condições de entrada. Por último, ao integrar o Algoritmo de Busca de Pardal (SSA) para otimizar o fator de suavização no GRNN, o estudo explora o impacto dos algoritmos de otimização no desempenho preditivo do modelo GRNN. Experimentos indicam que, dentro dos modelos de aprendizado de máquina estabelecidos, o GRNN demonstra a maior precisão preditiva. Ao classificar a importância das variáveis de sensoriamento remoto através de RF, 18 variáveis significativas de sensoriamento remoto foram selecionadas, o que melhorou a precisão preditiva dos modelos de aprendizado de máquina. A otimização do fator de suavização do GRNN através do algoritmo SSA pode melhorar significativamente a precisão preditiva do modelo GRNN. Com base em uma série de experimentos, o modelo de predição estabelecido RFSSA-GRNN demonstra um bom desempenho preditivo, com um alcançando 0,84. multiespectrais extraída vegetação Simultaneamente detector RF , (RF) BPNN, BPNN (BPNN) RBFN (RBFN (GRNN) Subsequentemente entrada último (SSA estabelecidos 1 selecionadas experimentos RFSSAGRNN RFSSA 084 0 84 0,84 (RF (BPNN (GRNN 08 8 0,8 0,
ABSTRACT To quickly and accurately assess tea plant growth, this study aims to find a new way to predict the chlorophyll content in tea plant canopies using machine learning. Using remotely piloted aircraft equipped with multispectral cameras, images of tea plantation areas are captured and reflectance from four spectral bands is extracted, leading to the calculation of vegetation indices. Simultaneously, chlorophyll relative content in the tea plant canopies was collected on the ground using a detector. Four models, namely Random Forest (RF), Backpropagation neural network (BPNN), Radial basis function network (RBFN), and General Regression Neural Network (GRNN), were constructed to predict the chlorophyll relative content in tea plant canopies. Subsequently, important remote sensing variables were identified through RF filtering, followed by a comparison of the predictive performance of machine learning models under different input conditions. Lastly, by integrating the Sparrow Search Algorithm (SSA) to optimize the smoothing factor in the GRNN, the study explores the impact of optimization algorithms on the predictive performance of the GRNN model. Experiments indicate that within the established machine learning models, the GRNN demonstrates the highest predictive accuracy. By ranking the importance of remote sensing variables through RF, 18 significant remote sensing variables were selected, which enhanced the predictive accuracy of the machine learning models. The optimization of the GRNN smoothing factor through the SSA algorithm can significantly enhance the predictive accuracy of the GRNN model. Based on a series of experiments, the established RFSSA-GRNN prediction model demonstrates good predictive performance, with an reaching 0.84. growth cameras extracted indices Simultaneously detector , (RF) BPNN, BPNN (BPNN) RBFN, RBFN (RBFN) (GRNN) Subsequently filtering conditions Lastly (SSA 1 selected experiments RFSSAGRNN RFSSA 084 0 84 0.84 (RF (BPNN (RBFN (GRNN 08 8 0.8 0.