基于无人机多传感器数据的茶树低温胁迫快速监测


发布时间:

2023-09-30

来源:

本站

作者:

PhenoTrait

在气候变化背景下,以霜害为代表的极端天气事件对茶树生长的负面影响越来越大。这给茶叶产业带来了巨大的损失。传统上,茶树田间霜害评估采用目视法,这种方法耗费大量人力且主观性强。本研究采用搭载多光谱(MS)、热红外(TIR)和RGB传感器的无人机(UAV),采集不同时期茶园自然越冬的多模式遥感数据。通过获取当天茶叶的生理数据,构建了茶叶冷损伤评分(TCIS)。然后,改进卷积神经网络-门循环单元(CNN-GRU)模型,用于评估茶叶冷损伤指数。为了更好的比较CNN-GRU的性能,本研究还使用了单个GRU模型和三个经典的机器学习模型进行比较。研究发现:(1)多模态数据融合优于单模态数据。组合双模态MS + RGB数据的预测效果最佳(Rp2 = 0.862, RMSEP = 0.138, RPD = 2.220);(2) CNN-GRU混合模型优于其他4种基线模型。基于 MS + RGB(Rp2 = 0.862)或 MS + RGB + TIR(Rp2 = 0.850)的多元输入效果最佳;(3)去除土壤特征后的模型精度低于未去除背景的模型。因此,TCIS-CNN-GRU 模型与多源遥感数据相结合,能客观准确地评价茶树的霜害表型,使 CNN-GRU 模型更具科学性和应用前景。

 

图1 无人机多元遥感数据的获取与分析

 

图2 实验区的位置。(a)中国长江以北地区之一——山东省。(b)日照茶叶研究所茶园。(c)无人机Arial Vehicle RGB图像:采样地点。

 

图3 GRU-CNN混合神经网络。Conv:卷积,BN:批量归一化,ELU:指数线性单元(激活函数层),Drop:Dropout层,FCL:全连接层,RL:回归层。

 

图4 四个时期茶树的数据分布。(a)气温变化。(b)冠层物候变化。(c)低温诱导组分的变化。(d) TCIS的变化。

 

图5 特征变量与茶冠霜害的关系;(a)特征变量与TCSI的相关系数。(红色、蓝色和黄色分别表示MS、RGB和TIR变量与TCIS的相关性较强。) (b)不同低温胁迫时期MS变量和RGB变量的变化。TCIS的建模与估计。

 

图6 基于多模态数据的CNN-GRU、GRU、PLSR、SVR和RFR模型的TCIS预测。(a) CNN-GRU。(b) GRU。(c) PLSR。(d) SVR。(e) RFR。其中红点为预测值,红线为数据拟合线,黑线为1:1线,黑色虚线之间为样本的95%置信区间。

 

图7 植被指数阈值分割结果。(a-f)分别表示RE.750、NIR.840、DVI、EVI、SAVI、RDVI。上排为植被指数图像,中排为二值图像,下排为去噪点图像。

 

来 源

Mao, Y. L., Li, H., Wang, Y., Wang, H., Shen, J. Z., Xu, Y., Ding, S. B., Wang, H., Ding, Z. T., Fan, K. Rapid monitoring of tea plants under cold stress based on UAV multi-sensor data, Computers and Electronics in Agriculture,

 

编辑

劳广术

推荐新闻

石时之约|韩志国:透过表型数据,看见植物的喜怒哀乐!

本期石时之约,我们将对话慧诺瑞德(北京)科技有限公司总经理、国际植物表型学会(IPPN)执委会委员/工业分会副主席韩志国,一起从表型数据的科学角度,去读懂农作物的喜怒哀乐和前世今生。

慧科研、慧育种、慧种田——慧聚改变的力量

让我们“慧聚”在一起,为“慧科研、慧育种、慧种田”赋能。

高通量植物表型平台建设注意事项

育种,是在给定的环境条件下,选择各种表型指标(产量、品质、抗性)最优的基因型材料的过程(AI育种,从这里起步)。育种工作中大约70%的工作量来自表型观察测量和筛选,是最耗人力物力的过程。

作物生理表型测量基础原理

生理表型测量的核心在于“早、快”,要在肉眼可见之前就能测量并预判出变化趋势,才是这个技术的核心价值。叶绿素荧光成像,恰好满足了这个要求。