缺乏有效的作物生长监测是导致农业产量下降的因素之一，及时和准确地获取植物生长状况对于农业生产决策至关重要。然而，田间数据的收集往往费时费力。因此，需要准确高效的方法来监测作物的生长和发育。
本研究旨在评估结合无人机(UAV)成像和机器学习(ML)技术监测甜玉米高度、生物量和产量的有效性。采用完全随机区组设计( RCBD )，设置25 %、50 %、75 %和100 %充分灌溉4个灌水处理，每个处理4个重复，共16个试验小区。收集株高、鲜/干生物量以及产量的田间数。同时，使用大疆Matrix 210 v2无人机配备MicaSense RedEdge-MX多光谱传感器进行无人机图像采集，并使用Pix4Dmapper 4.7.5进行图像处理。基于数字表面和地形模型之间的像素间差异，计算出代表估计株高(UAVH)的作物表面模型。采用简单的线性回归模型，从无人机影像估算UAVH估计甜玉米的生物量和产量。此外，采用了两种线性算法模型( 线性模型LM，Lasso和elastic-net正则化的广义线性模型GLMNET)、三种非线性ML算法（随机森林RF，支持向量机SVM，K近邻KNN）预测株高和生物量。利用基于无人机图像估计的8个植被指数（VIs）和UAVH来评估ML模型预测生物量、株高（仅使用VIs）的性能。
结果表明，无人机成像可以有效地估算株高(d = 0.99, r2 = 0.99, MAE = 5 cm，d为一致指数，r2为决定系数，MAE为平均绝对误差)；预测的鲜/干生物量与实测数据也具有良好的一致性，r2分别为0.75和0.70；收获时测量的鲜产量与UAVH呈显著线性相关，d、调整后r2和MAE分别为0.84、0.66和67 g•m−2；所有ML模型对玉米生物量的估计都很好，d值在0.88 ~ 0.99之间；kNN和SVM在生物量估计方面优于所有其他模型，GMLNET对株高的估计优于其他模型。总体而言，结果表明无人机成像和ML模型可以提供高分辨率的图像和数据用于分析植物性状、预测作物产量，节省时间与劳动力，有助于优化田间生产管理策略以提高作物产量。
图4 （a）大疆Matrix 210 v2无人机；（b）云母校准反射面板；（c）MicaSense RedEdge-MX多光谱相机；（d）大疆遥控器；（e）Atlas飞行任务规划器( iOS版)。
图5 甜玉米田四个地块的RGB图像、数字地形模型 （DTM）、数字表面模型 （DSM） 和作物表面模型 （CSM）。DSM与DTM均Pix4Dmapper 4.7.5生成，其中DSM表示平均海平面以上任意地物的高程，DTM 表示去除所有非地物的连续地面高程。利用ArcGIS 10.7.1估算DSM与DTM的像元级差值，得到CSM。有关此图例中对颜色引用的解释，读者请参阅本文的网络版本。
图6 从无人机影像估算甜玉米株高、产量和生物量的工作流程图。
图7数据处理和机器学习方法示意图。其中，RMSE为均方根误差, MAE为平均绝对误差, d为一致性指数, r2为决定系数, LM为线性模型, GLMNET为Lasso和elastic-net正则化的广义线性模型, RF为随机森林, SVM为支持向量机, kNN为k近邻。
图8 实测株高与无人机影像估测株高的散点图。
图10 植被指数与生物量(新鲜、干燥) 的相关性矩阵图。EVI2为增强型植被指数, GNDVI为绿色归一化植被指数, NDVI为归一化植被指数, NDVIre为红边归一化植被指数, NGRDI为归一化红绿差值指数, NIRRENDVI为NDVI-RE归一化植被指数, RENDVI为红边归一化植被指数, SAVI为土壤调整植被指数, TFB为总鲜生物量, TDB为总干生物量。
文献来源：Fitsum T T, Haimanote K B, Gerrit H, Bruce S, Aditya S, Yiannis A. Unmanned aerial vehicle (UAV) imaging and machine learning applications for plant phenotyping. Computers and Electronics in Agriculture, 2023, 212:108064.
鄂公网安备42018502003245号 网站地图
