学术中心
不考虑土壤类型背景的小麦生长季LAI估算通用模型
发布时间:
2023-06-03
来源:
植物表型资讯
作者:
PhenoTrait
在不同土壤背景下,利用无人机多光谱数据准确估算小麦叶面积指数(LAI)具有重要的应用价值。为了实现这一目标,本文研究了两种策略来改进现有的随机森林回归(RFR)模型。
本研究通过研究合成训练数据中土壤反射率(策略1)和随机森林回归(RFR)模型的冠层-光谱输入(策略2)的设置,构建了不受背景干扰的模型预测小麦LAI。在澳大利亚不同土壤类型背景下总共开发了21个RFR模型(3组训练土壤背景×7组RFR冠层-光谱输入)进行了测试。仿真分析表明,采用这两种策略得到的通用模型既能准确估计小麦LAI,又能抵抗土壤背景干扰。经过2年的田间试验验证,该模型对整个作物周期的LAI都有很高的预测精度,可靠地捕捉了不同处理在基因型、植物密度和水氮管理方面的LAI动态的季节特征(相关系数为0.82~0.98)。通过适当的调整,该框架可以调整到任何类型的传感器,用于估计作物育种、精准农业等相关学科中各种物种(包括但不限于小麦的LAI)的多种性状。
相较于以往基于局部土壤定标和图像背景校正的方法对特定土壤背景下的小麦进行可靠的LAI估算,本研究提供了一种改进的解决方案,建立了一种适用于不同土壤背景的通用预测模型。
图1. 研究流程图
图2. 实验Exp16和Exp19分别于相应的生长阶段记录十进制Zadoks分数:出苗期(SG)、分蘖期(T)、拔节期(SE)、孕穗(B)、孕穗期(H)、开花期(F)、乳熟期(MD)、面团形成时间(DD)和成熟期(R)。
图3.土壤样品的土壤反射率曲线。实线表示测试集中使用的土壤反射率,虚线表示训练集中使用的土壤反射率。
图4. 基于PROSAIL数据的土壤背景变化对不同LAl水平下各波段反射率和植被指数的相对贡献
图5. 使用背景调整方法生成RGB复合格式增强图像的原理图
图6. 0 ~7 m2 m-2范围内RFR模型预测LAI的模拟性能
图7.不同的合成测试集(n = 10,000)上,已知LAl与预测LAl的对比
图8. 在2个不同基因型和管理方式的田间试验中,观察不同生长阶段的LAI与预测的LAl。
Chen Q, Zheng B, Chenu K, Chapman SC. A Generic Model to Estimate Wheat LAI over Growing Season Regardless of the Soil-Type Background. Plant Phenomics. 2023 May 23;5:0055. doi: 10.34133/plantphenomics.0055. PMCID: PMC10205590.
编辑
扩展阅读
推荐新闻
视频展示