DESIGN OF AN INTEGRETED SOIL MOISTURE REMOTE SENSING SYSTEM

Abstract

Measuring soil moisture is of paramount importance in precision agriculture, water resource management and environmental monitoring. By analyzing the intensity of pixels in captured images, the combination of drones using optical remote sensing with artificial intelligence and machine learning represents an advanced and effective method for estimating this crucial variable. Land surfaces can be captured in high resolution by drones equipped with optical sensors. These images contain valuable data on soil conditions, including moisture content. The relationship between pixel intensity in these images and various soil characteristics, such as moisture, is straightforward. However, to obtain and understand this information accurately, advanced machine learning techniques are essential. To begin the process, drones are used to capture optical images at different altitudes and resolutions. The images are then pre-processed to correct distortions, and normalized to ensure uniform observations. Next, machine learning models such as ANN, Random Forest and XGBoost are applied to analyze pixel intensity and make a prediction about soil moisture levels. Models are trained using labeled datasets, where true soil moisture values are available, with the aim of detecting links between pixel intensity and soil moisture levels. Model performance is evaluated using various metrics, such as coefficient of determination (R²), mean square error (MSE) and mean absolute error (MAE). To analyze model results and guarantee their credibility, we use various methods of explicability, such as SHAP (SHapley Additive exPlanations) analysis. These tools enable us to visualize how different input variables, such as pixel intensity, impact on predictions and contribute to understanding the complex relationships in the models. ------------------------------------------------------------------------------------ إن قياس رطوبة التربة له أهمية حيوية في الزراعة الدقيقة وإدارة الموارد المائية والمراقبة البيئية. ومن خلال تحليل كثافة البكسلات في الصور الملتقطة، يمثل الجمع بين الطائرات بدون طيار باستخدام الاستشعار البصري عن بُعد والذكاء الاصطناعي والتعلم الآلي طريقة متقدمة وفعالة لتقدير هذا المتغير الحيوي. يمكن التقاط أسطح الأراضي بدقة عالية بواسطة الطائرات بدون طيار المزودة بأجهزة استشعار بصرية. تحتوي هذه الصور على بيانات قيمة عن حالة التربة، بما في ذلك محتواها من الرطوبة. والعلاقة مباشرة بين كثافة وحدات البكسل في هذه الصور والخصائص المختلفة للتربة، مثل محتواها من الرطوبة. ومع ذلك، من أجل الحصول على هذه المعلومات وفهمها بدقة، من الضروري استخدام تقنيات التعلم الآلي المتقدمة. لبدء العملية، يتم استخدام طائرات بدون طيار لالتقاط صور بصرية على ارتفاعات ودقة مختلفة. ثم تتم معالجة الصور مسبقاً لتصحيح التشوهات وتطبيعها لضمان توحيد الملاحظات. بعد ذلك يتم تطبيق نماذج التعلم الآلي مثل ANN و Random Forest و XGBoost لتحليل كثافة البكسل والتنبؤ بمستويات رطوبة التربة. يتم تدريب النماذج باستخدام مجموعات بيانات موسومة، حيث تتوفر قيم حقيقية لرطوبة التربة، بهدف اكتشاف الروابط بين كثافة البكسل ومستويات رطوبة التربة. يتم تقييم أداء النموذج باستخدام مقاييس مختلفة مثل معامل التحديد (R²) ومتوسط الخطأ المربع (MSE) ومتوسط الخطأ المطلق (MAE). من أجل تحليل نتائج النماذج وضمان مصداقيتها، يتم استخدام طرق مختلفة للتفسير، مثل تحليل SHAP (تحليلات سابلي المضافة السابقة). تمكننا هذه الأدوات من تصور كيفية تأثير متغيرات المدخلات المختلفة، مثل كثافة البكسل، على التنبؤات وتساعدنا على فهم العلاقات المعقدة في النماذج. ------------------------------------------------------------------------------------ Mesurer l'humidité du sol est d'une importance capitale dans le domaine de l'agriculture de précision, la gestion des ressources hydriques et la surveillance environnementale. En analysant l'intensité des pixels des images capturées, la combinaison de drones utilisant la télédétection optique avec l'intelligence artificielle et le machine learning représente une méthode avancée et efficace pour estimer cette variable cruciale. Les surfaces terrestres peuvent être capturées en haute résolution par des drones munis de capteurs optiques. Dans ces images se trouvent des données précieuses concernant l'état du sol, incluant son taux d'humidité. La relation entre l'intensité des pixels dans ces images et diverses caractéristiques du sol, telle que son humidité, est directe. Toutefois, afin d'obtenir et de comprendre ces informations avec précision, il est primordial de recourir à des techniques avancées en apprentissage automatique. Pour commencer le processus, des drones sont utilisés afin de capturer des images optiques à différentes altitudes et résolutions. Par la suite, on procède au prétraitement des images afin de corriger les distorsions et à leur normalisation pour uniformiser les observations. Par la suite, on applique des modèles de machine learning tels que les ANN, Random Forest et XGBoost pour analyser l'intensité des pixels et faire une prédiction sur le niveau d'humidité du sol. Les modèles sont formés en utilisant des jeux de données étiquetés, où les vraies valeurs d'humidité du sol sont disponibles, dans le but de détecter les liens entre l'intensité des pixels et les niveaux d'humidité du sol. On évalue les performances des modèles en utilisant différentes métriques comme le coefficient de détermination (R²), l'erreur quadratique moyenne (MSE) et l'erreur absolue moyenne (MAE). Afin d'analyser les résultats des modèles et garantir leur crédibilité, on recourt à différentes méthodes de explicabilité comme l'utilisation de l'analyse SHAP (SHapley Additive exPlanations). Ces outils permettent de visualiser comment les différentes variables d'entrée, par exemple l'intensité des pixels, impactent les prédictions et contribuent à la compréhension des relations complexes dans les modèles.