通过基于现场的高通量表型和机器学习模型,提高覆盖作物生物质的估计

科学领域:

• 农业科学 农业科学
• 农业学是一种农业学.
• 植物科学 植物科学

背景情况:

• 覆盖作物通过减少土壤侵蚀,抑制杂草和增加土壤碳来提高农业的可持续性.
• 地表生物质 (AGB) 是覆盖作物的有效性的一个关键因素,但缺乏全面的基于现场的量化.
• 高通量表型化 (HTP) 和机器学习 (ML) 为准确的AGB估计提供了潜力.

研究的目的:

• 使用HTP和ML模型量化五种覆盖作物物种的地面生物量 (AGB).
• 为了比较四个ML模型 (RFR,SVR,PLSR,ANN) 的性能,用于AGB估计.
• 确定用于预测AGB的关键光谱,形态和环境特征.

主要方法:

• 在美国内布拉斯加州东部进行了一项为期两年的实地实验,使用了五种覆盖作物物种.
• 在每个春季季节,破坏性AGB采样进行了多次.
• 使用传感器收集了形态,光谱,热量和环境数据,并作为ML模型的输入特征使用.

主要成果:

• 部分最小平方回归 (PLSR) 实现了AGB估计的最高预测准确度 (R2 = 0.84,NRMSE = 8.87%).
• 包括规范差异红边 (NDRE),太阳引起的光 (SIF) 和规范差异植被指数 (NDVI) 在内的光谱特征被确定为重要的预测因素.
• 人工神经网络 (ANN) 在使用更少的输入特征,特别是形态和光谱数据时表现强.

结论:

• HTP和ML技术可用于对多种覆盖作物物种的准确AGB估计.
• PLSR是一个适合预测覆盖作物AGB的模型,其光谱特征具有高度的信息性.
• 未来的研究应该涉及多个地点,多年采样,以进一步提高模型的稳定性.