OBM-RFEcv:一个适应组合模型用于监测Gerbera的关键增长指标,使用多光谱图像融合特征
Xinrui Wang1, Yingming Shen2, Peng Tian1
1College of Big Data, Yunnan Agricultural University, Kunming, Yunnan, China.
PloS one
|May 20, 2025
概括
本研究介绍了一种适应组合模型 (OBM-RFEcv),使用多光谱图像来精确监测Gerbera生长指标,如植物高度 (PH) 和温室中的生物量. 该模型提供了一种非侵入性方法,用于增强作物管理.
科学领域:
- 农业遥感 农业遥感
- 植物生理学 植物生理学
- 机器学习用于农业
背景情况:
- 精确监测像Gerbera这样的温室作物对于优化产量至关重要.
- 评估植物高度 (PH),SPAD,叶面积指数 (LAI) 和地表生物质 (AGB) 的传统方法可能是劳动密集型和侵入性的.
- 开发用于实时作物监测的非侵入性技术对于精准农业至关重要.
研究的目的:
- 开发和验证一种先进的模型,用于对Gerbera植物的关键生长指标进行非侵入性监测.
- 评估多谱植被指数 (VIs) 和纹理特征的有效性,以预测PH,SPAD,LAI和AGB.
- 将适应组合模型 (OBM-RFEcv) 与温室作物监测单个模型的性能进行比较.
主要方法:
- 用低空无人机为Gerbera在不同增长阶段采集多光谱图像和地面真相数据.
- 导出五个植被指数 (VIs),包括NDVI,GNDVI,LCI,NDRE和OSAVI,并提取它们的纹理特征.
- 开发一个自适应组合模型 (OBM-RFEcv),将六个基础回归器与递归特征消除 (RFE) 集成为预测分析.
主要成果:
- 该OBM-RFEcv模型在预测PH,SPAD,LAI和AGB方面表现出卓越的性能,使用合的多光谱VI和纹理特征.
- 获得的最高R2值为PH (NDVI) 的0.92,SPAD (GNDVI) 的0.90,LAI (GNDVI) 的0.89和AGB (NDRE) 的0.93.
- 该模型显著提高了预测准确度,与单个模型相比减少了错误,展示了其有效性.
结论:
- 采用多光谱图像融合的OBM-RFEcv模型提供了一种高度准确且非侵入性的方法,用于监测温室环境中的Gerbera生长参数.
- 这种方法为精准农业提供了有价值的工具,使得及时和明智的作物管理决策成为可能.
- 该研究强调了将先进的机器学习技术与遥感集成的潜力,以优化园艺实践.
