学术中心
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
扫二维码用手机看
推荐新闻
发布时间 : 2022-11-13 07:26:55
发布时间 : 2022-05-20 11:45:57
发布时间 : 2022-05-13 10:56:43
视频展示
专题报道
联系我们
慧诺瑞德（北京）科技有限公司
地址：北京市海淀区西三旗街道建材城中路12号院8号楼2门
电话：010-62925490、82928854、82928864、82928874、18600875228
传真：010-62925490-802
Email: info@phenotrait.com
邮编：100096
在线留言
关注我们
植物表型圈
植物表型资讯
慧诺瑞德（北京）科技有限公司版权所有 京ICP备15043840号 网站建设：中企动力 北二分 法律声明