基于无人机的LiDAR和多光谱成像用于估计干豆植物的高度,宿舍和种子产量
Shubham Subrot Panigrahi1, Keshav D Singh1, Parthiba Balasubramanian1
1Lethbridge Research and Development Center, Agriculture and Agri-Food Canada (AAFC), 5403 1st Avenue South, Lethbridge, AB T1J 4B1, Canada.
Sensors (Basel, Switzerland)
|September 19, 2025
概括
基于无人机的光检测和测距 (LiDAR) 和多谱成像 (MSI) 为干豆育种提供了高效的高通量表型. 整合LiDAR和MSI数据可以准确地预测植物特征,如高度,宿位和种子产量.
科学领域:
- 农业科学 农业科学
- 遥感 遥感 遥感 遥感
- 植物育种 植物育种
背景情况:
- 气候变化影响干豆生产,需要先进的育种技术.
- 高吞吐量表型化对于开发适应气候变化的干豆品种至关重要.
研究的目的:
- 评估基于无人机 (UAV) 的光检测和射程 (LiDAR) 和多谱成像 (MSI) 干豆表型.
- 评估LiDAR和MSI在估计植物高度,沉积和种子产量的准确性.
- 展示集成传感器数据在加速干豆育种计划中的实用性.
主要方法:
- 在两个干豆实地试验中收集LiDAR和MSI数据.
- 提取了LiDAR衍生特征 (天花板高度,住宿,生物质) 和MSI衍生指数 (例如,NDVI).
- 使用机器学习模型 (渐变增强,随机森林,物流回归) 来进行特征估计和分类.
主要成果:
- 在R6阶段,来自LiDAR的树冠高度与测量的植物高度 (R2 = 0.86) 有很强的相关性.
- 住宿的分类是最准确的使用R8阶段的树冠高度.
- 与单个数据集相比,集成的LiDAR和MSI模型改善了种子产量预测 (最高R2 = 0.64),NDVI是关键的光谱特征.
结论:
- 基于无人机的LiDAR和MSI提供了准确的,非破坏性的方法来表型干豆特征.
- 整合来自两种传感器的数据可以提高对关键农业特征的预测.
- 这种方法支持高效的品种发展,以改善干豆生产.
