基于高通量表型和机器学习的大豆产量的估计
Xiuni Li1,2,3, Menggen Chen1,2,3, Shuyuan He1,2,3
1College of Agronomy, Sichuan Agricultural University, Chengdu, China.
Frontiers in plant science
|June 21, 2024
概括
这项研究表明,结合多角度RGB图像和机器学习,特别是渐变增强决策树 (GBDT),可以显著提高大豆产量预测的准确性. 这为加速大豆育种计划提供了宝贵的工具.
科学领域:
- 农业科学 农业科学
- 计算机科学 计算机科学
- 遥感 遥感 遥感 遥感
背景情况:
- 中国大豆自给自足是一个重大问题,进口量很高.
- 准确的大豆产量预测对于农业规划和育种至关重要.
- RGB摄像头和机器学习为作物产量估计提供了有前途的途径.
研究的目的:
- 使用RGB图像功能开发和评估用于大豆产量预测的机器学习模型.
- 确定最佳特征和模型参数,以准确估计产量.
- 评估多角度图像视角对预测准确性的影响.
主要方法:
- 在R6阶段从侧面和顶部视角捕获了240种大豆品种的RGB图像.
- 从图像中提取了形态,颜色和纹理特征.
- 使用皮尔森相关系数 (≥0.5) 应用特征选择.
- 开发了使用五种机器学习算法 (CatBoost,LightGBM,RF,GBDT,MLP) 的产量估计模型.
主要成果:
- 渐变增强决策树 (GBDT) 成为最佳模型,达到0.82.8的R2.
- 该模型表现出强大的预测性能,RMSE为1.99g/植物,MAE为3.12%.
- 融合多角度和多类型图像指标提高了大豆产量预测的准确性.
结论:
- 使用RGB图像参数的机器学习模型显示大豆产量估计的巨大潜力.
- 这种方法为加速大豆育种提供了理论基础和技术支持.
- 多角度成像和先进算法的集成是改善农业预测的关键.


