结合数字农业与机器学习实现马铃薯叶面积指数（LAI）精准预测的创新研究与实践应用

本文系统探讨了基于数字图像与机器学习技术预测马铃薯叶面积指数（LAI）的方法，开发了一套集成图像处理与ML推断的低成本物联网（IoT）系统，并在树莓派（Raspberry Pi）上实现了实时LAI监测与Telegram机器人交互，显著推动了精准农业（Precision Agriculture）中作物表型监测的自动化与实用化。

　　

Highlight

本研究开发了一套马铃薯专用的图像处理流程，并集成了机器学习（ML）推断方法，能够直接从图像中估算叶面积指数（LAI）。该流程被部署在一个低成本、低功耗的嵌入式物联网（IoT）系统（树莓派）上，标志着数字成像与机器学习在农业监测应用中的重大进展。为验证研究的可靠性，我们进行了详尽的实验与分析。

Discussion

本研究建立了一套马铃薯专用的图像处理流程，结合严格的测试与机器学习推断，能够直接从图像中导出叶面积指数（LAI）。所开发的图像处理流程被部署并运行在一个低成本、低功耗的嵌入式物联网（IoT）系统（树莓派）上。这代表了数字成像与机器学习在农业应用中向前迈出的重要一步。

Conclusions

本研究提出了一种结合马铃薯专用图像处理流程与机器学习（ML）的方法，用于直接从田间图像中估算叶面积指数（LAI）。与常规方法不同，我们所实现的系统将图像采集、处理到机器学习推断的完整工作流程集成于单一低成本设备中，实现了作物生长的连续或按需监测。这是在精准农业中应用数字成像与ML的一项显著进展。

我们为期两年的田间试验表明，在植被生长阶段（VGS），基于图像的植被指数（如超绿指数 ExG、修改超绿红植被指数 MExGI 和色球指数 CGI）与实测LAI具有高度相关性（r ≥ 0.7），并在估算冠层性状方面表现出色（R2 ≥ 0.85）。机器学习模型——尤其是XGBoost、梯度提升回归（GBR）和随机森林（RF）—— consistently outperformed 线性回归模型。值得注意的是，XGBoost和GBR模型被部署在树莓派上，通过一个定制化的、与Telegram集成的“Potato_LAI监测机器人”实现了近实时LAI监测。