学术中心
基于高光谱波段信息对大豆不同作物变量的预测性能比较:从叶面积到种子成分
- 分类:植物表型资讯
- 作者:PhenoTrait
- 来源:本站
- 发布时间:2021-09-15 06:10
- 访问量:
【概要描述】本研究为如何利用高光谱数据对LAI进行预测以及改善与光截获无关的作物变量预测精度提供了研究思路。
基于高光谱波段信息对大豆不同作物变量的预测性能比较:从叶面积到种子成分
【概要描述】本研究为如何利用高光谱数据对LAI进行预测以及改善与光截获无关的作物变量预测精度提供了研究思路。
- 分类:植物表型资讯
- 作者:PhenoTrait
- 来源:本站
- 发布时间:2021-09-15 06:10
- 访问量:
在大豆收获前预测种植小区内的产量和种子成分有助于早期育种品种的筛选和收获。众所周知,高光谱波段的反射率信息已经被广泛应用于预测作物产量与其他作物变量。然而,在建立基于高光谱波段的预测模型时,缺少对大豆叶面积指数LAI、生物量、种子产量、蛋白质含量和含油量等作物变量预测精度的对比分析。该研究的目标是:(1)利用在不同生长时间点获取的高光谱波段信息对大豆不同作物变量进行预测;(2)根据预测结果的精度对作物变量进行排序;(3)通过对比分析排序结果验证理论假设,即植物生理过程中出现相对较早的作物变量更能被高光谱信号精准预测。
在该研究的数据分析部分,不同的基因型、生长环境和管理措施下的高光谱波段值与作物变量观测值被用来建立了偏最小二乘回归(PLSR)分析模型。基于交叉验证法评估了5个不同作物变量(LAI、生物量、种子产量、蛋白质含量和含油量)的预测精度,确定了LAI是最能准确预测的作物变量。研究结果表明高光谱反射率信息作为单一数据源可以准确地预测与光截获相关的作物变量,但是不足以提升植物生理过程下游的其他复杂的作物变量的预测精度。文章中指出,在其他作物变量预测过程中引入更多的有价值的作物变量有助于改善模型预测精度。本研究为如何利用高光谱数据对LAI进行预测以及改善与光截获无关的作物变量预测精度提供了研究思路。
图1 大豆发育阶段示意图
(包括叶面积指数、生物量、产量和组成成分的测定时间点以及高光谱数据获取时间点)
图2 不同作物变量的偏最小二乘回归(PLSR)结果
图3 LAI、生物量R1、生物量R4、种子产量、种子蛋白质和种子含油量的预测值与观测值的对比图
来源: Chiozza, MV, Parmley, KA, Higgins, RH, el al. Comparative prediction accuracy of hyperspectral bands for different soybean crop variables: From leaf area to seed composition. Field Crops Research, Volume 271, Article number: 108260, September 2021. https://doi.org/10.1016/j.fcr.2021.108260.
编辑: 张金诺
扫二维码用手机看
推荐新闻

发布时间 : 2022-11-13 07:26:55

发布时间 : 2022-05-20 11:45:57

发布时间 : 2022-05-13 10:56:43
视频展示
专题报道
联系我们
慧诺瑞德(北京)科技有限公司
地址:北京市海淀区西三旗街道建材城中路12号院8号楼2门
电话:010-62925490、82928854、82928864、82928874
传真:010-62925490-802
Email: info@phenotrait.com
邮编:100096
在线留言
关注我们

植物表型圈

植物表型资讯
慧诺瑞德(北京)科技有限公司版权所有 京ICP备15043840号 网站建设:中企动力 北二分 法律声明