一种基于无人地面车辆表型的方法,用于生成三维多谱点云,以破译植物特征的空间异质性
Pengyao Xie1, Zhihong Ma1, Ruiming Du1
1College of Biosystems Engineering and Food Science, Zhejiang University, Hangzhou 310058, China; Key Laboratory of Spectroscopy Sensing, Ministry of Agriculture and Rural Affairs, Hangzhou 310058, China.
Molecular plant
|September 15, 2024
概括
这项研究引入了一种新的3D空间光谱数据融合方法,用于植物表型. 它提高了3D数据质量和放射性校准,提高了用于作物育种的叶绿素和水含量估计.
科学领域:
- 植物科学 植物科学
- 图像技术技术的成像技术
- 基因组学就是基因组学.
背景情况:
- 高通量植物表型化对于理解基因组与现象之间的关系至关重要.
- 由于复杂的树冠结构和有限的校准方法,获得高质量的植物3D多谱点云 (3DMPCs) 是具有挑战性的.
- 现有的方法在不同工厂架构的3D数据质量和放射性精度方面存在困难.
研究的目的:
- 为高质量的工厂3DMPCs开发一种新的3D空间光谱数据融合方法.
- 改进适应性数据采集和放射学校准,用于植物表型.
- 为了提高估计植物生理特征的准确性,例如叶绿素含量和水厚度.
主要方法:
- 整合下一个最佳视图规划,用于自适应性数据采集.
- 应用神经参考场 (NeREF) 进行精确的放射学校准.
- 获取和评估3DMPCs用于,西红和大麻的植物.
主要成果:
- 与固定视点相比,工厂点云的完整性平均提高了23.6%.
- 与传统方法相比,基于NeREF的放射学校准将光谱反射率RMSE降低了58.93%.
- 叶绿素含量和等效水厚 (EWT) 的RMSE预测分别下降了21.25%和14.13%.
结论:
- 开发的方法提供了一种有效的方法,用于在自然光下收集植物的高质量的3DMPC.
- 这种技术显著提高了植物特征表型的准确性和全面性.
- 这些发现促进了植物生物学,遗传学研究和作物育种计划的进步.
