MLVI-CNN:使用机器学习优化指数和深度学习用于精密农业的超谱应激检测框架
1Department of Electronics Communication Engineering, SRM Institute of Science and Technology, Vadapalani Campus, Chennai, India.
Frontiers in plant science
|October 3, 2025
概括
新的高光谱指数 (MLVI和H_VSI) 能够更早地检测作物压力. 通过机器学习进行优化,它们可以改善早期识别植物中的水和结构压力,从而支持可持续农业.
科学领域:
- 农业遥感 农业遥感
- 植物应激生理学 植物应激生理学
背景情况:
- 早期发现作物压力对于粮食安全和可持续农业至关重要.
- 传统的植被指数 (例如,NDVI,NDWI) 对于早期压力检测具有有限的光谱灵敏度.
研究的目的:
- 引入新的高光谱指数 (MLVI,H_VSI) 以提高作物压力检测.
- 开发和验证一个卷积神经网络 (CNN) 模型来分类作物压力严重程度.
主要方法:
- 开发了两个新的超谱指数:基于机器学习的植被指数 (MLVI) 和超谱植被压力指数 (H_VSI).
- 使用关键光谱频段 (NIR,SWIR1,SWIR2) 和递归特征消除 (RFE) 进行索引优化.
- 采用一个卷积神经网络 (CNN) 模型来使用开发的指数进行压力分类.
主要成果:
- 在六个作物压力严重程度级别中,CNN模型实现了83.40%的分类准确性.
- MLVI和H_VSI使得压力检测比传统指数提前10-15天.
- 在新型指数和基准真相压力标志物之间显示出强烈的相关性 (r = 0.98).
结论:
- 新的MLVI和H_VSI指数,加上CNN模型,在早期作物压力检测方面取得了重大进展.
- 该框架可适应在无人机 (UAV),卫星平台和精密农业系统上部署.
- 这些发现有助于改善作物管理和提高农业可持续性.
