基于无人机和随机森林的水稻植物性状估计


发布时间:

2021-06-20

来源:

本站

作者:

PhenoTrait

在整个作物生长阶段,需要快速、准确和经济的方法进行植物表型分析。然而,目前利用无人机多光谱相机对植物性状进行综合评价的研究较少。此外,机器学习算法倾向于过拟合或欠拟合数据,且通过集成学习方法来优化其性能的能力有限。本研究的目的是:(1)综合评价基于无人机(UAV)多光谱图像估计12个水稻植株性状;(2)引入随机森林AdaBoost(RFA)算法作为一种优化的植株性状估计方法。

 

不同水稻生长阶段所有植株性状的原始带训练(a–c)和测试(d–f)模型的R2值。

 

水稻不同生育期所有植株性状的原始条带训练(a-c)和检验(d-f)模型的RMSE值

 

2018年2月至6月的种植淡季,在马来西亚丁加奴的一个农民田地进行了试验,涉及5个水稻品种和3个氮(N)率。根据生长发育阶段,对12个植物性状进行了4个波段、13个指数和随机森林AdaBoost(RFA)回归模型的评价。结果发现,在植株性状中,株高、绿叶生物量、贮藏器官生物量、叶片含氮量均得到较好的估计,决定系数R2均在0.80以上。在比较波段和指数时,红、归一化差异植被指数(NDVI)、比率植被指数 (RVI)、红边宽动态范围植被指数(REWDRVI)和红边土壤调整植被指数 (RESAVI)在分蘖期、孕穗期以及乳熟期对所有植物性状的影响显著,R2值范围为 0.80-0.99,均方根误差(RMSE) 值范围为0.04-0.22。乳熟期是评价植物性状的最佳生长阶段。综上所述,我们的研究结果表明,集成学习方法可以提高植物表型算法的准确度,同时减少欠拟合/过拟合。

 

水稻生长阶段所有植株性状可见近红外指数训练(a-c)和试验(d–f)模型R2

 

来源:

Muharam F, Nurulhuda K, Zulkafli Z, et al. UAV- and Random-Forest-AdaBoost (RFA)-Based Estimation of Rice Plant Traits. Agronomy 2021, 11(5), 915; https://doi.org/10.3390/agronomy11050915.

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。