利用RGB图像和机器学习方法估算水稻氮素营养


发布时间:

2020-12-11

来源:

本站

作者:

PhenoTrait

红-绿-蓝(RGB)图像是作物氮素营养评估的有力工具。目前已经提出各种利用作物氮营养参数和图像指数的回归模型,但尚未对其氮素估算的准确性和泛化性能进行全面评估。

 

原始水稻冠层图像(a)和相应的分割图像(b)的示例

 

在这项研究中,使用商用数码相机在2年的田间实验中捕获水稻冠层RGB图像,并使用了三种回归方法(简单的非线性回归SNR,反向传播神经网络BPNN和随机森林回归RF)估算水稻地上部干物质(DM)、氮积累(NA)和叶面积指数(LAI)。对三种回归方法进行了1000次重复随机二次抽样验证,以评估模型的性能和稳定性。结果发现,RF回归模型验证数据集的准确性最高:DM、LAI和NA估计的平均测试预测准确性(ATPA)分别为80.17%,79.44%和81.82%,其次是BPNN和SNR模型。根据1000次计算中ATPA的分布,在BPNN模型中观察到最高标准偏差(SD)和最大的区间范围(5%–95%),这表明BPNN模型最容易受到数据集分裂的影响。而RF和SNR模型的SD较低、区间范围较小,这表明RF和SNR模型受数据集分裂的影响较小,并且能够始生成可靠的回归模型。

 

用于估算水稻氮营养参数的SNR测试

用于估算水稻氮营养参数的BPNNs测试

 

水稻氮素营养参数估算的RF模型测试

 

综上所述,RF模型的集成算法有效地防止了处理不同数据集分段时的过度拟合,因此RF模型具有较强的泛化性能。结合数字图像和适当的机器学习方法有助于方便,可靠地估算作物的氮素营养。

 

三种回归模型中水稻氮素营养参数最优估计的ATPA比较

 

来源:

Shi P, Y, Xu J, et al. Rice nitrogen nutrition estimation with RGB images and machine learning methods. https://doi.org/10.1016/j.compag.2020.105860。

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。