利用无人机对大豆进行多阶段表型分析


发布时间:

2023-01-12

来源:

植物表型资讯

作者:

PhenoTrait

随着遥感传感器和无人机(UAV)技术的快速发展,基于无人机的表型分析因其操作简单、成本低、获取速度快、时空分辨率高等优点,被广泛应用于作物营养诊断、植物密度估计、病虫害监测和作物生长评估等领域。基于无人机的遥感数据还可以估计植物的特定性状,如地上部生物量、叶面积指数(LAI)和叶绿素含量等。其中,LAI被认为是反映植被叶覆盖率和叶面积大小变化的重要指标,可以用于监测冠层结构的变化并评估其对环境的适应能力。在作物育种和生产中,LAI也用于作物生长监测和产量估计。因此,估算LAI并获得其在不同生长阶段的动态变化具有重要意义。
 

目前对LAI已经进行了许多研究,以利用安装在UAV上的传感器(数码相机、多光谱传感器、高光谱传感器和激光雷达等)获得的遥感数据来估计LAI。然而,大多数研究仅使用单一类型的传感器,并且很少报道在LAI模型构建中对不同传感器和传感器组合的比较研究。本研究利用三种类型的传感器,即高光谱、多光谱和激光雷达,来收集大豆三个生长阶段的遥感数据;利用六种典型的机器学习算法,包括一元线性回归(ULR)、多元线性回归(MLR)、随机森林(RF)、极限梯度增强(XGBoost)、支持向量机(SVM)和反向传播(BP),来构建LAI的预测模型。结果表明,高光谱和激光雷达数据没有显著提高LAI的预测精度,高光谱和多光谱数据的融合可以显著提高模型的预测能力。在由不同算法构建的预测模型中,XGBoost基于多模态数据构建的预测模型表现出了最佳性能。不同生长阶段模型的比较表明,开花阶段的XGBoost LAI模型以及三个生长阶段的XGBoost-LAI和RF-LAI通用模型表现出最佳性能。这项研究的结果为准确估计LAI提供了一些思路,也为利用多模态遥感数据进行大豆高通量表型分析提供了新的见解。

图1遥感数据和地面数据收集。(a)安装在DJI M600上的Gaiasky mini2 VN被用于采集高光谱数据;(b)DJI P4M用于采集多光谱数据;(c)M300RTK上的DJI L1用于采集LiDAR数据;(d)使用CI-110植物冠层分析仪从地面测量LAI。

 

图2 大豆LAI预测模型构建整体框架的概述图。

 

图3 单变量和多变量模型在不同发展阶段的预测能力和稳定性的比较。(a)花期;(b)结荚阶段;(c)成熟阶段。

 

图4 不同发育阶段所有激光雷达参数与LAI之间的相关系数。(a)花期;(b)成熟阶段。

 

图5 基于成熟阶段不同建模方法融合高光谱和多光谱参数的LAI预测模型。(a)MLR-LAI;(b)RF-LAI;(c)XGBoostAI;(d)SVM-LAI;(e)BP-LAI。注:yt表示训练集;yv表示验证集。

 

 

来 源

Zhang Y, Yang Y, Zhang Q, et al. Toward Multi-Stage Phenotyping of Soybean with Multimodal UAV Sensor Data: A Comparison of Machine Learning Approaches for Leaf Area Index Estimation. Remote Sens. 2023, 15, 7.

 

编 辑

Phenotypic researcher

 

扩展阅读

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。