在现场估计棉花第四内节长度和高度与节点的比率,使用无人机衍生的植被指数和机器学习算法

科学领域:

• 农业科学 农业科学
• 遥感 遥感 遥感 遥感
• 机器学习 机器学习

背景情况:

• 精确监测棉花植物的特征,如高度与节点的比率和内部节点的长度,对于优化植物生长调节器 (PGR) 应用至关重要.
• 传统的现场测量是劳动密集型的,可能不会为有效的管理决策提供及时的数据.

研究的目的:

• 调查非参数,非线性机器学习 (ML) 算法使用无人机 (UAV) 的植被指数 (VI) 来估计棉花植物特征的有效性.
• 提高监测棉花生长的精度和效率,以改善PGR应用时间.

主要方法:

• 利用无人机衍生的VI和各种ML算法 (包括支持向量回归和CatBoost) 来估计棉花厂的高度与节点的比率和第四个内部节点的长度.
• 使用嵌套的5倍交叉验证与贝叶斯优化用于超参数调整,并使用统计测试 (弗里德曼和威尔科克森签名等级) 评估模型性能.
• 应用沙普利增量解释 (SHAP) 来解释个别VI对模型预测的贡献.

主要成果:

• 机器学习算法与无人机衍生VI结合,可靠地估计了高度对节点的比率 (R2高达0.8257) 和第四个内部节点的长度 (R2高达0.799).
• 支持向量回归 (SVR) 在高度与节点比率估计方面表现出色,而CatBoost在预测第四个内部节点长度方面表现出色.
• SHAP分析提供了关于不同VI对模型预测准确性的影响的见解.

结论:

• 基于无人机的VI与ML算法相结合,提供了一种一致而准确的方法来估计棉花植物的关键特征.
• 这项技术可以作为传统田间测量的一种有价值的,非破坏性的替代方案,使作物监测更有效,PGR管理更精确.