超光谱指数数据基于机器学习的融合,通过MRMR算法增强,用于估计玉米的叶绿素含量
Attila Nagy1,2, Andrea Szabó1,2, Ahmed Elbeltagi3
1Institute of Water and Environmental Management, Faculty of Agricultural and Food Sciences and Environmental Management, University of Debrecen, Debrecen, Hungary.
Frontiers in plant science
|October 31, 2024
概括
准确的玉米叶绿素估计对于作物健康至关重要. 这项研究结合了超光谱指数和机器学习,Matern 5/2高斯过程回归显示了预测叶绿素含量的最高准确性.
科学领域:
- 农业科学 农业科学
- 遥感 遥感 遥感 遥感
- 数据科学数据科学数据科学
背景情况:
- 准确的叶绿素估计对于监测玉米的健康和生长至关重要.
- 超光谱成像为此提供了丰富的数据.
- 先进的机器学习模型可以提高叶绿素估计的准确性.
研究的目的:
- 开发和评估机器学习模型,以使用高光谱指数估计玉米的叶绿素含量.
- 为此应用确定最有效的机器学习模型.
- 通过使用最小冗余性最大相关性 (MRMR) 算法来改进特征选择.
主要方法:
- 开发机器学习模型,使用专有超频谱指数.
- 应用六种先进模型:强大的线性渐进回归,支向量机 (SVM),细高斯 SVM,Matern 5/2 高斯渐进回归和三层神经网络.
- 集成MRMR算法,以实现光谱带的最佳特征选择.
主要成果:
- 在6个机器学习模型中观察到显著的性能差异.
- 马特恩5/2高斯过程回归模型展示了最高的预测准确性.
- 验证集的性能:R2=0.79,RMSE=296.37μg/g,MAE=237.12μg/g. 在此过程中,R2=0.79,RMSE=296.37μg/g,MAE=237.12μg/g.
结论:
- 马特恩5/2高斯过程回归模型与MRMR特征选择相结合,对于预测玉米的叶绿素含量非常有效.
- 这种方法对精准农业有重大影响,使实时作物健康监测和管理成为可能.
- 准确的叶绿素估计有助于及时和有针对性的农民干预.
