利用光谱,结构和纹理特征来估计麦地表生物质,使用无人机基于多光谱数据和机器学习
Rakshya Dhakal1, Maitiniyazi Maimaitijiang2, Jiyul Chang3
1Plant Breeding Graduate Program, University of Florida, Gainesville, FL 32608, USA.
Sensors (Basel, Switzerland)
|December 23, 2023
概括
无人机与机器学习相结合,通过整合光谱,结构和纹理数据,改善了麦生物质估计. 这种先进的表型增强了作物育种效率.
科学领域:
- 农业科学 农业科学
- 遥感 遥感 遥感 遥感
- 植物育种 植物育种
背景情况:
- 精确的地表生物质监测对于植物育种至关重要,但传统方法是劳动密集型和昂贵的.
- 无人驾驶飞行器 (UAV) 为田间地块提供了一个快速,非破坏性的表型化解决方案.
- 现有的植被指数 (VI) 方法主要使用光谱数据,忽视了3D树冠结构和空间关系.
研究的目的:
- 探索无人机多光谱图像衍生的光谱,结构和纹理特征与机器学习的整合,以准确估计麦生物质.
- 评估树冠结构和纹理特征以及光谱特征的重要性.
- 为了比较不同机器学习算法用于生物质估计的预测性能.
主要方法:
- 无人机多谱图像采集了2020年和2021年在两个地点和多个生长阶段的六种麦基因型.
- 从图像中提取了图片层面的天花板光谱,结构和纹理特征.
- 部分最小平方回归 (PLSR),支向量回归 (SVR) 和随机森林回归 (RFR) 用于估计生物量.
主要成果:
- 树冠结构和纹理特征被确定为麦生物质估计的重要指标,补充光谱数据.
- 与使用单个特征类型相比,结合光谱,结构和纹理特征显著提高了生物质估计的准确性.
- 机器学习算法表现出强大的预测能力,随机森林回归 (RFR) 获得了最高的准确性 (R2 = 0.926,RMSE% = 15.97%).
结论:
- 基于无人机的多功能融合与机器学习提供了一个有前途的方法,用于准确地表生物质估计在麦育种苗圃.
- 这种综合方法可以通过先进的表型识别显著提高麦育种计划的效率.
- 这些发现支持采用基于无人机的表型鉴定来加强作物管理实践.
