无人机高光谱成像融合机器学习预测番茄生理生态参数与产量的创新研究

为解决地中海地区加工番茄的精准监测难题，研究人员创新性地将无人机高光谱成像（UAV-HS）与机器学习（ML）技术相结合。通过三年田间试验采集叶片叶绿素（CHL）、水势（LWP）、产量（YLD）和可溶性固形物（TSS）等参数，结合递归特征消除（RFE）优化特征选择，发现基于随机森林（rf）的RFE结合线性模型（LM）对CHL（R2=0.52）和LWP（R2=0.56）预测效果最佳，而rf-PLS对产量预测达R2=0.73。该研究为精准农业提供了可推广的技术范式。

　　

这项突破性研究展示了无人机搭载的高光谱相机（400-1000nm波段）如何化身"空中实验室"，通过机器学习算法解码番茄作物的生理密码。科研团队如同破解植物摩斯密码般，利用支持向量机（SVM）和随机森林（RF）进行递归特征消除（RFE），从19种植被指数（VIs）和原始光谱中筛选出关键信号。有趣的是，不同生理指标各有其"偏好"的预测模型：叶片叶绿素含量（CHL）和水势（LWP）最听线性模型（LM）的话，而产量（YLD）则与偏最小二乘（PLS）模型配合默契，预测精度高达R²=0.73。更妙的是，可溶性固形物（TSS）这个品质指标，在随机森林（RF）的调教下，预测误差仅0.42°Brix。这些发现不仅为番茄种植装上了"智能导航"，更揭示了多源数据融合在作物表型组学研究中的巨大潜力，堪称精准农业领域的"瑞士军刀"式解决方案。