基于机器学习算法来估计的叶子度,使用优化的光谱指数和连续波波变换

科学领域:

• 农业科学 农业科学
• 遥感 遥感 遥感 遥感
• 植物生理学 植物生理学

背景情况:

• 精确估计叶子度 (LPC) 对于优化肥料管理和在精准农业中作物监测至关重要.
• 植物叶子的光谱反射性能受营养状况的影响,为非破坏性LPC评估提供了潜力.
• 机器学习算法可以处理复杂的光谱数据,以构建植物生理参数的预测模型.

研究的目的:

• 评估全频谱数据,光谱指数 (SI) 和波纹特征的有效性,以预测大米叶度 (LPC).
• 为了比较各种机器学习算法在使用不同的光谱特征集来估计LPC的性能.
• 确定光谱特征和机器学习模型的最佳组合,以准确可靠地估计大米中的LPC.

主要方法:

• 用不同的 (P) 处理和大米品种进行了实验,以收集叶子光谱反射率和LPC数据.
• 处理光谱数据以提取全频段 (OR),光谱指数 (SI) 和连续波波变换 (CWT) 特性.
• 机器学习算法,包括随机森林 (RF),用于构建LPC的预测模型,使用提取的光谱特征.

主要成果:

• 缺乏改变了叶子反射率,在可见区域增加,在近红外区域减少.
• 随机森林 (RF) 算法与光谱指数 (SI) 和连续波量变换 (CWT) 特性相结合,实现了最高的预测准确性 (R2 = 0.73,RMSE = 0.50 mg g-1).
• 使用SI + CWT的射频模型超过了仅基于SI的线性回归模型,提高了32%的LPC预测.

结论:

• 将光谱指数和连续波量变换特征与随机森林算法相结合,提供了一种可靠的方法,用于远程估计大米叶度.
• 这种基于光谱的方法为大规模监测大米状况提供了有价值的工具,支持精确的施肥和作物管理.
• 该研究强调了先进的光谱特征提取和机器学习的潜力,以进行植物营养水平的非破坏性评估.