缺乏有效的作物生長(zhǎng)監(jiān)測(cè)是導(dǎo)致農(nóng)業(yè)產(chǎn)量下降的因素之一,及時(shí)和準(zhǔn)確地獲取植物生長(zhǎng)狀況對(duì)于農(nóng)業(yè)生產(chǎn)決策至關(guān)重要。然而,田間數(shù)據(jù)的收集往往費(fèi)時(shí)費(fèi)力。因此,需要準(zhǔn)確高效的方法來(lái)監(jiān)測(cè)作物的生長(zhǎng)和發(fā)育。
本研究旨在評(píng)估結(jié)合無(wú)人機(jī)(UAV)成像和機(jī)器學(xué)習(xí)(ML)技術(shù)監(jiān)測(cè)甜玉米高度、生物量和產(chǎn)量的有效性。采用完全隨機(jī)區(qū)組設(shè)計(jì)( RCBD ),設(shè)置25 %、50 %、75 %和100 %充分灌溉4個(gè)灌水處理,每個(gè)處理4個(gè)重復(fù),共16個(gè)試驗(yàn)小區(qū)。收集株高、鮮/干生物量以及產(chǎn)量的田間數(shù)。同時(shí),使用大疆Matrix 210 v2無(wú)人機(jī)配備MicaSense RedEdge-MX多光譜傳感器進(jìn)行無(wú)人機(jī)圖像采集,并使用Pix4Dmapper 4.7.5進(jìn)行圖像處理?;跀?shù)字表面和地形模型之間的像素間差異,計(jì)算出代表估計(jì)株高(UAVH)的作物表面模型。采用簡(jiǎn)單的線(xiàn)性回歸模型,從無(wú)人機(jī)影像估算UAVH估計(jì)甜玉米的生物量和產(chǎn)量。此外,采用了兩種線(xiàn)性算法模型( 線(xiàn)性模型LM,Lasso和elastic-net正則化的廣義線(xiàn)性模型GLMNET)、三種非線(xiàn)性ML算法(隨機(jī)森林RF,支持向量機(jī)SVM,K近鄰KNN)預(yù)測(cè)株高和生物量。利用基于無(wú)人機(jī)圖像估計(jì)的8個(gè)植被指數(shù)(VIs)和UAVH來(lái)評(píng)估ML模型預(yù)測(cè)生物量、株高(僅使用VIs)的性能。
結(jié)果表明,無(wú)人機(jī)成像可以有效地估算株高(d = 0.99, r2 = 0.99, MAE = 5 cm,d為一致指數(shù),r2為決定系數(shù),MAE為平均絕對(duì)誤差);預(yù)測(cè)的鮮/干生物量與實(shí)測(cè)數(shù)據(jù)也具有良好的一致性,r2分別為0.75和0.70;收獲時(shí)測(cè)量的鮮產(chǎn)量與UAVH呈顯著線(xiàn)性相關(guān),d、調(diào)整后r2和MAE分別為0.84、0.66和67 g?m?2;所有ML模型對(duì)玉米生物量的估計(jì)都很好,d值在0.88 ~ 0.99之間;kNN和SVM在生物量估計(jì)方面優(yōu)于所有其他模型,GMLNET對(duì)株高的估計(jì)優(yōu)于其他模型??傮w而言,結(jié)果表明無(wú)人機(jī)成像和ML模型可以提供高分辨率的圖像和數(shù)據(jù)用于分析植物性狀、預(yù)測(cè)作物產(chǎn)量,節(jié)省時(shí)間與勞動(dòng)力,有助于優(yōu)化田間生產(chǎn)管理策略以提高作物產(chǎn)量。
圖4 (a)大疆Matrix 210 v2無(wú)人機(jī);(b)云母校準(zhǔn)反射面板;(c)MicaSense RedEdge-MX多光譜相機(jī);(d)大疆遙控器;(e)Atlas飛行任務(wù)規(guī)劃器( iOS版)。
圖5 甜玉米田四個(gè)地塊的RGB圖像、數(shù)字地形模型 (DTM)、數(shù)字表面模型 (DSM) 和作物表面模型 (CSM)。DSM與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連續(xù)地面高程。利用ArcGIS 10.7.1估算DSM與DTM的像元級(jí)差值,得到CSM。有關(guān)此圖例中對(duì)顏色引用的解釋?zhuān)x者請(qǐng)參閱本文的網(wǎng)絡(luò)版本。
圖6 從無(wú)人機(jī)影像估算甜玉米株高、產(chǎn)量和生物量的工作流程圖。
圖7數(shù)據(jù)處理和機(jī)器學(xué)習(xí)方法示意圖。其中,RMSE為均方根誤差, MAE為平均絕對(duì)誤差, d為一致性指數(shù), r2為決定系數(shù), LM為線(xiàn)性模型, GLMNET為L(zhǎng)asso和elastic-net正則化的廣義線(xiàn)性模型, RF為隨機(jī)森林, SVM為支持向量機(jī), kNN為k近鄰。
圖8 實(shí)測(cè)株高與無(wú)人機(jī)影像估測(cè)株高的散點(diǎn)圖。
圖10 植被指數(shù)與生物量(新鮮、干燥) 的相關(guān)性矩陣圖。EVI2為增強(qiáng)型植被指數(shù), GNDVI為綠色歸一化植被指數(shù), NDVI為歸一化植被指數(shù), NDVIre為紅邊歸一化植被指數(shù), NGRDI為歸一化紅綠差值指數(shù), NIRRENDVI為NDVI-RE歸一化植被指數(shù), RENDVI為紅邊歸一化植被指數(shù), SAVI為土壤調(diào)整植被指數(shù), TFB為總鮮生物量, TDB為總干生物量。
文獻(xiàn)來(lái)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.