利用基于无人机的RGB和多光谱图像区分茶叶品种及芽萌发物候

《International Journal of Remote Sensing》：Discrimination of tea varieties and bud sprouting phenology using UAV-based RGB and multispectral images

中国山东茶区通过UAV多光谱与RGB影像采集，对比分析7个茶树品种发芽期前后光谱特征，采用LSTM、BP、PSO-BP、GA-BP和SVM五类机器学习算法进行分类。结果表明：发芽期光谱差异更显著，模型准确率提升0.45%-2.11%，其中BP模型在品种分类（93.65%）和发芽期识别（92.86%）中表现最优，兼具实时性优势，为茶树种质资源鉴定和物候监测提供技术支撑。

　　

摘要

中国拥有丰富的茶树种质资源。有效识别茶树品种并评估茶芽萌发期（BSP）对茶树育种和茶园管理至关重要。本研究重点关注中国山东省茶区种植的主要茶树品种。在春季茶芽萌发前后，利用无人机采集了7个茶树品种的多光谱和RGB图像。研究采用了五种机器学习分类算法（LSTM、BP、PSO-BP、GA-BP和SVM）来对这些茶树品种及其萌发期进行分类。结果表明，不同茶树品种在六个光谱波段之间存在显著的光谱差异；尤其是在萌发期间采集的样本中，这种差异更为明显。机器学习技术能够有效区分不同的茶树品种及其萌发期。基于萌发期间数据建立的LSTM、BP和PSO-BP模型，使茶树品种的分类准确率比萌发前期提高了0.45%至2.11%。结合两个采样时期的指数和纹理特征进一步提升了分类准确性。其中，BP模型的品种和萌发期分类准确率最高，测试集准确率分别为93.65%和92.86%；其次是LSTM模型，准确率分别为93.65%和90.48%。综合考虑计算速度和分类准确性，BP模型非常适合各种应用场景中的实时分类需求。本研究为大规模茶树品种分类及萌发物候监测提供了技术支持，同时为快速筛选、鉴定和改良优质茶树种质提供了宝贵参考，从而提高了育种效率。