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值

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.