利用无人机表型评估蚕豆地上生物量和产量


发布时间:

2023-04-03

来源:

植物表型资讯

作者:

PhenoTrait

准确、经济地估算作物地上生物量(above-ground biomass,AGB)和大豆产量(bean yield,BY)是精准农业栽培管理的关键。无人机(Unmanned aerial vehicle,UAV)平台具有快速获取高时空分辨率遥感数据的能力,在作物AGB和BY估计方面显示出巨大潜力。本研究采用安装在无人机上的低成本消费级相机获取试验地点(图1)红绿蓝(RGB)图像,然后将其与集成学习相结合,估计蚕豆AGB和BY(图2)。结果表明:(1)无人机RGB图像获取的蚕豆株高与地面测量值具有较强的相关性(R2 = 0.84, RMSE = 63.6 mm,图3和图4)。(2)基于RGB图像的BY估计精度(R2 = 0.784, RMSE = 0.460 tha−1,NRMSE = 14.973%)高于AGB估计精度(R2 = 0.618, RMSE = 0.606 tha−1,NRMSE = 16.746%)。(3)植被指数、结构信息、纹理信息三个变量的组合提高了AGB和BY的估计精度(图5)。(4)灌浆中期AGB和BY估计性能最佳(图6)。(5)集成学习模型比5种基学习器(k-近邻模型、支持向量机模型、岭回归模型、随机森林模型和弹性网络模型)具有更高的AGB和BY估计精度(图7)。这些结果表明,无人机RGB图像结合机器学习算法,特别是集成学习模型,可以提供相对准确的蚕豆AGB (R2 = 0.683, RMSE = 0.568 tha−1,NRMSE = 15.684%)和BY (R2 = 0.854, RMSE = 0.390 tha−1,NRMSE = 12.693%)估计,对食用豆类的高通量表型研究有重要贡献。

 

图1 实验场地的布局

 

图2 AGB和BY估计的叠加回归模型的工作流程。KNN:k-近邻(k-nearest neighbor),SVM:支持向量机(support vector machine),RF:随机森林(random forest),RR:岭回归(ridge regression),EN:弹性网(elastic net),CV表示交叉验证,在训练阶段将训练好的基本模型执行到验证集得到val-pre集,在测试阶段将训练好的基本模型执行到测试集得到test-pre集

 

图3 地面测量和无人机测量植物高度(plant height,PH)之间的相关性

 

图4 RGB 植被指数(Vegetation indices,VIs)与AGB/BY之间的Pearson相关系数(r)。A豆荚期; B灌浆早期; C灌浆中期

 

图5 不同变量的AGB和BY估计性能与所有日期组合的比较

 

图6 不同生长阶段AGB和BY估计性能的比较

 

图7 集成学习模型中回归系数的分布。A豆荚期;B灌浆前期;C灌浆中期

 
 
来 源
Ji, Y., Liu, R., Xiao, Y. et al. Faba bean above-ground biomass and bean yield estimation based on consumer-grade unmanned aerial vehicle RGB images and ensemble learning. Precision Agric (2023). https://doi.org/10.1007/s11119-023-09997-5
 

编辑

王春颖
 

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。