基于光谱的化学测量结合机器学习建模预测果叶的宏观和微量营养素
Gopal Ramdas Mahajan1, Bappa Das1, Parveen Kumar1
1Natural Resource Management, ICAR - Central Coastal Agricultural Research Institute, Old Goa, Goa 403402, India.
概括
超光谱遥感精确地预测果叶的营养成分,使精确农业成为可能. 这种非破坏性方法有助于特定地点的营养管理,以提高作物产量.
科学领域:
- 农业科学 农业科学
- 遥感 遥感 遥感 遥感
- 植物营养 植物营养
背景情况:
- 果园中精确的营养管理需要实时的植物营养状况数据.
- 目前的方法涉及叶子采样和化学分析是繁的,并且不能扩展到大面积.
- 需要快速,可靠和可重复的方法来估计营养含量.
研究的目的:
- 探索基于实验室的遥感和光谱技术,用于预测果仁作物的叶子营养状况.
- 开发和验证模型,以使用超光谱数据估计叶中的宏观和微量营养素含量.
- 评估不同的建模方法的有效性,包括光谱指数,化学测量和机器学习.
主要方法:
- 收集了果叶的可见近红外高光谱数据.
- 计算了新的光谱指数 (规范差异和简单比率).
- 采用了包括部分最小平方回归 (PLSR) 在内的化学测量建模.
- PLSR与机器学习算法 (Cubist,支持矢量机器回归,弹性网) 结合使用,用于预测11个宏观和微量营养素.
主要成果:
- 光谱指数为所有11种营养素提供了糟糕的预测.
- 单独的PLSR提供了最佳的化学测量性能,但不能被接受.
- 对于大多数营养素,除硫和铜外,PLSR与机器学习相结合,产生了可接受的到优秀的预测.
- 通过针对不同营养素的特定PLSR-ML组合 (例如,PLSR-Cubist为N,P,K,Mn,Zn) 实现了最佳预测.
结论:
- 基于超光谱遥感的模型是有效的非破坏性和快速估计果仁叶营养素.
- 开发的模型可以集成到运营工作流程中,用于果园的特定地点和精确营养管理.
- 这种方法在大型营养评估的传统方法上提供了显著的进步.
