使用集成的多光谱和支持矢量机器预测小麦SPAD

科学领域:

• 农业遥感 农业遥感
• 植物生理学 植物生理学
• 机器学习在农业中的应用.

背景情况:

• 准确的叶绿素含量估计对于冬季小麦健康监测和管理至关重要.
• 无人机 (UAV) 多光谱成像为评估作物状况提供了一种有希望的非破坏性方法.
• 以前的研究还没有完全解决生长阶段和作物密度对SPAD估计准确性的影响.

研究的目的:

• 开发和验证一种方法,以使用无人机多谱数据快速估计冬季小麦土壤和植物分析仪发展 (SPAD) 值.
• 调查不同生长阶段和水应力水平对SPAD估计准确性的影响.
• 为了确定最佳的植被指数和机器学习模型,以准确地预测SPAD.

主要方法:

• 收集了来自自然种群的冬季小麦多谱图像,长达三年 (2020-2022年).
• 从无人机图像中提取了植被指数,并分析了它们与测量的SPAD值的相关性.
• 开发了一个支持矢量机 (SVM) 模型,结合特征选择,以在不同的水条件下估计头部,开花和填充阶段的SPAD值.

主要成果:

• 与水限制条件相比,在正常灌下,SPAD值在正常灌下更高.
• 多个植被指数与SPAD值有显著的相关性.
• 在正常灌 (r=0.59-0.81) 和干旱压力 (r=0.69-0.79) 条件下,SVM模型实现了高估计准确性,在不同环境中具有低RMSE和RE值.

结论:

• 基于无人机的多光谱图像,结合SVM模型和适当的特征选择,提供了一个快速而准确的方法来估计冬季小麦SPAD值.
• 开发的方法在不同的生长阶段和水应力水平上是有效的,有助于精确的作物管理.
• 这种方法增强了遥感应用在监测作物生理状况和优化农业实践方面的潜力.