使用机器学习与多种多光谱图像特征估计玉米叶的水含量
Yuchen Wang1, Jianliang Wang2,3, Jiayue Li2,3
1College of Hydraaulic Science and Engineering, Yangzhou University, Yangzhou 225009, China.
Plants (Basel, Switzerland)
|April 23, 2025
概括
准确估计玉米叶水含量 (LWC) 对作物管理至关重要. 这项研究使用无人机多谱图像和随机森林回归模型来精确估计LWC的成长阶段.
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:
- 叶子含水量 (LWC) 是玉米水分状况的关键指标,直接影响作物产量和生长.
- 精确的LWC估计对于有效的水资源管理和实施精准农业战略至关重要.
- 目前用于LWC评估的方法需要提高农业大规模监测的准确性和效率.
研究的目的:
- 开发和验证一种高精度的方法,用无人机基于多光谱图像来估计玉米的LWC.
- 评估随机森林回归 (RFR) 模型在估计不同玉米生长阶段的LWC时的性能.
- 将RFR模型与传统回归技术的有效性进行比较,并评估优化对预测准确性的影响.
主要方法:
- 采集基于无人机的玉米作物的多光谱图像.
- 提取相关特征,包括植被指数,图像覆盖面和纹理特征.
- 将提取的特征与地面真相LWC数据集成,用于模型训练和验证.
- 应用随机森林回归 (RFR),多重线性回归 (MLR) 和回归 (RR) 模型.
- 使用粒子集群优化 (PSO) 优化RFR模型的优化.
主要成果:
- 在RRMSE中,RFR模型在幼苗阶段 (RRMSE: 2.99%) 与化阶段 (RRMSE: 4.13%) 相比,表现最佳.
- 在所有增长阶段,RFR在LWC估计准确度方面始终优于MLR和RR模型,培训和测试数据集的错误率较低.
- 粒子集群优化 (PSO) 显著提高了RFR模型的准确性,将训练数据集RRMSE从1.46%降至1.19%.
结论:
- 基于无人机的多光谱图像与RFR相结合,为整个生长周期中估计玉米LWC提供了非常准确和有效的方法.
- RFR模型提供了优于MLR和RR的性能,突出了其适用于复杂农业数据分析的适用性.
- 这种方法支持改善作物水资源管理,精准农业实践,并为估计其他作物的水含量提供可转移的框架.
