通过整合无人机飞行器光谱信息和纹理特征,在梨树叶中反转SPAD值
Ning Yan1,2, Yasen Qin1,2, Haotian Wang1,2
1College of Information Engineering, Tarim University, Alaer 843300, China.
Sensors (Basel, Switzerland)
|February 13, 2025
概括
无人驾驶飞行器 (UAV) 多谱数据和机器学习准确估计梨叶叶绿素 (SPAD) 值. 将植被指数和纹理特征与优化集成算法 (OIA) 结合起来,为果园管理带来了最好的结果.
科学领域:
- 精准农业 精准农业 精准农业
- 遥感 遥感 遥感 遥感
- 植物生理学 植物生理学
背景情况:
- 叶绿素含量对于梨树的健康和水果产量至关重要.
- 准确估计叶子叶绿素 (SPAD) 值对于有效的果园管理至关重要.
- 无人机 (UAV) 多光谱成像为评估植物健康提供了一种非破坏性的方法.
研究的目的:
- 整合来自无人机的多谱植被指数和纹理特征,以估计梨叶SPAD值.
- 为了比较不同机器学习模型 (XGBoost,RF,BPNN,OIA) 在SPAD值逆转中的性能.
- 确定特征和模型的最佳组合,以准确估计SPAD.
主要方法:
- 从无人机多光谱图像中提取植被指数和纹理特征,在梨果扩张过程中.
- 分析提取的特征与地面测量的SPAD值之间的相关性.
- 使用各种功能组合开发和比较四个机器学习模型 (XGBoost,RF,BPNN,OIA).
主要成果:
- 植被指数和纹理特征都与SPAD值有显著的相关性.
- 结合植被指数和纹理特征,大大提高了SPAD估计准确度,而不是单个特征类型.
- 优化集成算法 (OIA) 模型,使用组合的功能,实现了最高的准确性 (R2=0.931训练,R2=0.877验证).
结论:
- 综合的多谱植被指数和纹理特征提高了SPAD值估计的准确性.
- 机器学习模型,特别是OIA,使用组合功能有效地反转SPAD值.
- 这种方法支持精细的,数据驱动的梨园管理策略.
