图像分割与机器学习建模在水质状况判定及精准灌溉管理中的应用

《Journal of Crop Science and Biotechnology》：Image segmentation and machine learning modelling for water status determination and precision irrigation management

植物表型学研究利用智能手机RGB成像技术评估玉米灌溉处理下的水分胁迫与叶绿素含量，发现DGCI、Hue、Saturation等植被指数与叶绿素含量显著相关（r=0.81-0.72，p<0.01），机器学习模型（PLS-DA 85.7%，随机森林92.4%）可有效区分灌溉处理，关键特征为DGCI、ExG、LB。

　　

摘要

植物表型分析是研究植物农艺特性的学科，现已发展成为一门融合成像技术和机器学习的数据驱动科学。这些方法在作物监测和水分状态检测的植物表型分析中得到广泛应用，从而优化了水资源利用并改进了育种策略。本文评估了智能手机RGB成像技术在区分灌溉条件下玉米植株以及揭示与水分状态和叶绿素相关的图像特征方面的潜力。通过R-G-B值计算了多种指数：包括色调（Hue）、饱和度（Saturation）、亮度（Intensity）和深绿色指数（Dark Green Color Index，DGCI）等植被指数。研究结果表明，不同的叶绿素含量与DGCI指数之间存在强线性相关性（r = 0.81，p < 0.01）、色调（r = -0.76，p < 0.01）和饱和度（r = 0.72，p < 0.05），这证实了这些指数对干旱胁迫的敏感性。多种多元分类模型利用主成分分析（PCA）能够有效区分不同处理组，解释了总方差的68.4%。PLS-DA的分类准确率为85.7%，而随机森林模型在区分不同处理组时表现最佳（总体准确率为92.4%，Kappa值为0.89）。特征重要性分析表明，DGCI、ExG和LB是反映水分状态的最重要特征。本研究强调了基于智能手机的表型分析技术作为一种低成本、非破坏性的监测方法，其在精准灌溉和可持续作物管理方面具有广泛的应用前景。