生態学と行動 ハイパースペクトルデータと機械学習を用いた米 (Hemiptera: Delphacidae) のモニタリングのためのスペクトル指標とモデルの開発

科学分野:

• 農業の遠隔検知
• 植物病理学
• 機械学習アプリケーション

背景:

• 昆虫の害虫は作物の収穫量と品質に大きな影響を及ぼし,効果的な監視戦略が必要になります.
• 反射光学は,作物の健康を評価し,ストレスを検出するための非破壊的な方法を提供します.
• 農作物のスペクトル特性は害虫による被害と関連しているが,害虫のモニタリングにおける応用は限られている.

研究 の 目的:

• 中国における3つの主要なの種をモニタリングするためのスペクトル指標と機械学習モデルを開発する.
• 敏感なスペクトル帯を特定し,植物の感染を検出するための指標を開発する.
• プラントホッパー密度を推定するための異なる機械学習アルゴリズムの有効性を評価する.

主な方法:

• 感染した米と健康な米から 超スペクトル遠隔感知データを取得します
• 敏感帯 (420~509 nm,600~698 nm,728~986 nm) に基づく相対反射率とスペクトル指標の進化の計算
• 回帰と機械学習モデル (BPNN,SVR,CatBoost,AdaBoost) の開発と比較,スペクトル指標と感染期間を使用する.

主要な成果:

• 3つの敏感なスペクトル帯が特定され,平均相対反射率に基づいてスペクトル指標が開発されました.
• 感染期間は平均相対反射率と有意に相関する.
• バックプロパゲーションニューラルネットワーク (BPNN) モデルは,高いR2と低いRMSEで,プラントホッパー密度を推定する優れたパフォーマンスを示しました.

結論:

• 新しいスペクトル指数とBPNNモデルは,米の植物のインテリジェントモニタリングの大きな可能性を示しています.
• 機械学習と組み合わせた 超スペクトル遠隔感知は 害虫管理の効果的なツールです
• このアプローチは 精密農業を向上させ 植物の感染による作物の損失を減らすことができます