基于多尺度无人机图像特征融合和机器学习方法的玉米全生育期冠层叶绿素含量评价


发布时间:

2023-07-04

来源:

植物表型资讯

作者:

PhenoTrait

本文采用无人机多光谱数据,结合图像的空间特征、光谱特征和频率特征构建多尺度特征数据集(数据集I,数据集II,数据集III和数据集IV),并采用随机森林(RF)、支持向量机(SVM)和多元线性回归(MLR)机器学习方法,构建玉米全生育时期冠层叶绿素含量的评估模型。目标是:(1)评估所使用的机器学习进行玉米全生育时期叶绿素含量估算的准确性;(2)确定估算叶绿素含量的最佳特征集;(3)比较两种CCD估计策略的准确性。结果表明:(1)RFR比SVM和MLR更准确地估计玉米叶绿素含量;(2)基于融合后的多尺度特征数据集IV和RFR机器学习结合的方法可以实现玉米全生育时期叶绿素含量的精准估算(R2=0.97,NRMSE=26.78%);(3)两种CCD估计策略都可以准确估计CCD,直接估算得到的CCD精度略过于间接估算得到的CCD(CCDP表示)。本研究为精确农业中CCD的精确评价提供了新的参考。

 

图1 研究区概况

 

图片图2 玉米叶绿素含量估算的流程

图3 三种方法估算玉米叶绿素含量的精度对比

 

表1 四种数据集估算玉米叶绿素含量的精度图4 两种CCD估算策略的精度

图5 玉米叶绿素含量的空间分布

 

 

来 源

Zhou, L.; Nie, C.; Su, T.; Xu, X.; Song, Y.; Yin, D.; Liu, S.; Liu, Y.; Bai, Y.; Jia, X.; et al. Evaluating the Canopy Chlorophyll Density of Maize at the Whole Growth Stage Based on Multi-Scale UAV Image Feature Fusion and Machine Learning Methods. Agriculture 2023,13, 895. 

 

作者介绍

论文第一作者为安徽理工大学空间信息与测绘工程学院的周丽丽硕士,论文通讯作者为中国农科院作物科学研究所的金秀良研究员。本研究得到了中国农业科学院中央公益事业单位基础研究基金(Y2020YJ07,Y2022XK22),新疆农业科学院科技创新重点培育专项(xjkcpy-2020003),国家自然科学基金(42071426, 51922072, 51779161, 51009101),“十四五”国家重点研发计划(2021YFD1201602),中国农业科学院科技创新工程,海南省崖州湾种子实验室(JBGS+B21HJ0221),中国农业科学院南繁研究院南繁专项资助(YJTC01,YBXM01),水资源与水电工程科学国家重点实验室(2021NSG01),江苏省农业科技自主创新专项资金(CX(21)3065)。
 

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。