使用无人机图像和机器学习算法估计茶叶植物生理参数
Zhong-Han Zhuang1,2, Hui-Ping Tsai1,2,3,4, Chung-I Chen5
1Department of Civil Engineering, National Chung Hsing University, Taichung 402, Taiwan.
Sensors (Basel, Switzerland)
|April 12, 2025
概括
这项研究使用无人机图像和机器学习来监测茶叶植物的健康状况,发现农业生态农业方法提供了更好的环境适应性. 这支持精准农业,以稳定茶叶生产.
科学领域:
- 农业科学 农业科学
- 遥感 遥感 遥感 遥感
- 植物生理学 植物生理学
背景情况:
- 气候变化威胁着茶叶生产,影响了茶叶的生长,光合作用,产量和品质.
- 精确的实时监测对于有效的茶叶种植园管理和生产稳定至关重要.
研究的目的:
- 开发和验证使用遥感数据估计茶叶植物生理参数的预测模型.
- 为了比较传统农业方法 (CFM) 和农业生态农业方法 (AFM) 在台湾中部的有效性.
主要方法:
- 综合叶面积指数 (LAI),光化学反射率指数 (PRI) 和光系统II (ΦPSII) 的量子产量数据.
- 利用无人机衍生可见光和多光谱图像来计算颜色和多光谱指数 (MI).
- 使用特征排名和8个回归算法,包括XGBoost,来估计生理参数.
主要成果:
- 农业生态农业方法 (AFM) 与传统农业方法 (CFM) 相比,显示了较低的LAI,但具有更高的环境适应性 (更高的PRI和 ΦPSII).
- 多谱指数 (MIs) 为茶叶植物生理参数提供了稳定的预测.
- 在预测LAI (R2=0.716),PRI (R2=0.643) 和 ΦPSII (R2=0.920) 方面,XGBoost表现出卓越的性能.
结论:
- 将梯度增强模型与多谱数据相结合,可以有效地捕捉茶叶植物的生理特征.
- 开发的可通用预测模型推进了非接触式作物监测,用于精确的茶叶种植园管理.
- 这些发现为增强茶叶作物的弹性和可持续农业实践提供了科学基础.
