超光谱技术和机器学习模型用于估计果和草作物的水果质量参数

科学领域:

• 农业科学 农业科学
• 遥感 遥感 遥感 遥感
• 机器学习 机器学习

背景情况:

• 评估水果质量的传统化学实验室方法耗时,劳动密集型,需要多个样本,限制了大规模应用.
• 使用光谱反射率的近距离遥感为测量水果中的生物化学参数提供了快速而准确的替代方案.
• 精确的水果质量评估对于优化收获时间,成熟过程和食品加工至关重要,具有显著的经济和生态效益.

研究的目的:

• 通过使用光谱反射率指数 (SRIs) 在各种成熟阶段评估果和草果的生物化学参数.
• 评估已建立和新开发的SRI与机器学习 (ML) 模型一起用于预测水果质量的有效性.
• 为了比较人工神经网络 (ANN),随机森林 (RF) 和决策树 (DT) 在估计生化参数方面的性能.

主要方法:

• 利用基于光谱反射率的近距离遥感来测量果和草果的生物化学参数.
• 使用既定和新开发的光谱反射率指数 (SRIs) 的组合.
• 集成的SRI与机器学习模型:人工神经网络 (ANN),随机森林 (RF) 和决策树 (DT) 用于预测分析.

主要成果:

• 在不同成熟阶段观察到SRI值的显著差异,与生化参数的变化相关.
• 新开发的SRI在评估水果生物化学参数方面表现优异,与已建立的指数相比.
• 将SRI与ML模型 (ANN,RF,DT) 集成,为果和草质量参数提供了准确的预测,高R2值.

结论:

• 将光谱反射率指数 (SRIs) 与机器学习模型 (ANN,RF,DT) 结合起来,是准确预测果和草果的生物化学性质的高效策略.
• 这种方法提供了一种非破坏性的,快速和有效的方法来评估水果的质量和成熟度,超越了传统实验室程序的局限性.
• 该研究强调了近距离遥感和ML在优化水果收获,收获后管理和加工应用方面的潜力.