在干豌豆育种中，成熟度是一个重要的性状，但是目前常用的测量方法耗时、费力，而且容易出错。因此，一种更高效、准确的方法将有助于支持干豌豆育种项目。本文提出了一种利用机器学习算法和无人机系统（UASs）采集的数据来测量干豌豆成熟度的新方法。我们评估了五种机器学习算法（随机森林、人工神经网络、支持向量机、K-最近邻和朴素贝叶斯）在田间试验中准确预测干豌豆成熟度的能力。机器学习算法考虑了一系列变量，包括作物高度指标、窄带光谱和18种不同的颜色和光谱植被指数。我们采用了后向特征消除法来选择最重要的特征，通过迭代不断去除不显著的特征，直到模型的预测性能达到最优。研究结果表明，测量干豌豆成熟度最有效的方法是结合窄带光谱、红边、近红外（NIR）和基于RGB的植被指数，以及图像纹理指标和作物高度指标。随机森林模型的应用进一步提高了结果的准确性，显示出最高的准确性水平，三个指标精确度、召回率和f1分数都达到了0.99的值。敏感性分析表明，在预测豌豆成熟度时，光谱特征优于结构特征。虽然多光谱相机取得了最高的准确性，但是使用RGB相机也可能导致相对较高的准确性，在成本限制的情况下，可实用选择RGB相机。综上，本研究证明了将机器学习算法、UASs携带的LIDAR和多光谱数据相结合，可以准确地评估豌豆的成熟度。

图1 区分早熟和晚熟干豌豆地块的工作流程。

图2 （a）北达科他州在美国地图上的位置；（b） Prosper位于北达科他州；（c） 714个试验小区的概述；（d）早熟地块（黄色）和晚熟地块（蓝色）的位置。

 图3 试验区去除阴影和从土壤背景中分割植被的示例图。（a）原始RGB图像；（b）过量绿色（ExG）图像显示了土壤和阴影像素；（c）植被像素用红色显示。

 图4 种植后67（a）、84（b）和100（c）天早熟和晚熟干豌豆的光谱曲线

 图5 通过后向特征消除方法确定的特征重要性。（a）NSP窄谱带；（b）CHM作物高度指标；（c）ITM图像纹理；（d）RGBVIs 基于rgb的植被指数；（e）NIRVIs近红外植被指数；（f）ReVIs红边植被指数。蓝色框表示重要性分数累加超过90%的特征。

图6 ROC曲线分析和AUC值，用于区分早熟和晚熟干豌豆植株的不同预测因子。

图7 不同的数据集下，不同机器学习算法（ANN—人工神经网络，KNN—K-最近邻，SVM—支持向量机，NB—朴素贝叶斯，RF—随机森林）估计干豌豆成熟度的预测精度。

图8 基于五种机器学习模型，对早熟和晚熟基因型在播种100天后，预测的和实际的成熟度空间位置比较图。

图9 特征选择前（灰色）和选择后（深蓝色）不同机器学习模型的稳定性分析。

 图10 根据作物高度评估早熟和晚熟干豌豆。(a) RGB图像表示晚熟干豌豆植株（A）、地面（B）、早熟干豌豆植株（C）和i和ii横断面黑线。(b) 晚熟植株（A）、地面（B）、早熟植株（C）的三维横断面i–ii。（c）不同生长阶段早熟和晚熟干豌豆植株的平均植高变异性。