使用机器学习模型和时间UAV数据进行大豆新鲜生物质的非破坏性估计

科学领域:

• 农业科学 农业科学
• 遥感 遥感 遥感 遥感
• 机器学习 机器学习

背景情况:

• 生物质积累是大豆产量和资源利用的关键指标.
• 传统的生物质测量方法具有破坏性,耗时,并提供单点数据.
• 开发用于季节性生物质估计的非破坏性方法对于大豆育种至关重要.

研究的目的:

• 开发和验证机器学习模型,用于非破坏性,季节性估计大豆新鲜生物质 (FB).
• 评估多光谱 (MS) 图像和植被指数 (VI) 对生物质预测的有用性.
• 为了确定最有效的预测因素,以准确和高效的FB估计.

主要方法:

• 无人驾驶飞行器 (UAV) 安装的多光谱 (MS) 成像被用来捕获两个生长季节的数据.
• 随机森林 (RF) 和部分最小平方回归 (PLSR) 算法用于模型开发.
• 树冠覆盖 (CC),植物高度 (PH) 和TGI和GCI等选定的植被指数 (VIs) 被用作预测指标.

主要成果:

• 与PLSR (MAE = 0.20 kg/m2) 相比,随机森林模型获得了更高的准确性 (MAE = 0.17 kg/m2).
• 仅使用四个预测指标 (CC,PH,TGI,GCI) 的节模型证明了大豆FB的高预测准确性.
• 该模型成功地区分了干旱压力下的生物质积累与独立试验中的最佳条件.

结论:

• 基于无人机的多谱成像与机器学习相结合,为非破坏性大豆FB估计提供了强大而有效的工具.
• 通过删除高度相关的指数,增强模型效率的变量选择.
• 经过验证的模型可以准确地评估受到干旱等环境因素影响的生物质变异,有助于繁殖计划.