《Computers and Electronics in Agriculture》：Use of smartphone images in the evaluation of weed control with glyphosate: A computational approach using Random Forest
编辑推荐：
摘要专业翻译
评估除草剂对杂草的防除效果是一项人工且耗时的过程。本研究开发了一种评估除草效果的新方法。该方法将智能手机摄像头采集的图像与植被指数（Vegetation Indices, VIs）相结合，并应用于机器学习分析。随机森林（Random Forest
摘要专业翻译
评估除草剂对杂草的防除效果是一项人工且耗时的过程。本研究开发了一种评估除草效果的新方法。该方法将智能手机摄像头采集的图像与植被指数（Vegetation Indices, VIs）相结合，并应用于机器学习分析。随机森林（Random Forest, RF）算法能够以高精度估算草甘膦（glyphosate）对U. brizantha（臂形草属牧草）的防除效果。研究结果表明，智能手机图像能够实现对除草剂防除效果的评估。
论文解读
一、研究背景与问题提出
全球农业生产因杂草问题遭受巨大损失，即便已采取部分防控措施。化学防除是应用最广泛的杂草控制手段，其中草甘膦（glyphosate）是全球使用量最大的除草剂。在巴西，2022年草甘膦占除草剂销售额的54%，折合26.609万吨制剂产品，其用量是排名第二的2,4-D除草剂的四倍。草甘膦也是巴西常规种植中清理地块以及免耕等保护性耕作系统中植被干燥的主要除草剂，包括对Urochloa属植物的干燥处理。该属禾本科植物在巴西广泛用作饲料和免耕种植的地表覆盖植物，在整个新热带区、撒哈拉以南非洲和东南亚地区均具有重要性。
除草剂的合理使用在全球范围内日益受到重视。从农学角度看，对除草剂的依赖会导致农业生态系统植物多样性降低、邻近区域除草剂飘移以及抗性植株的选择等问题。过度或不当使用除草剂还会造成水体污染、土壤微生物毒性、土壤/水体/食物链残留以及对人类和动物的污染等环境问题。
化学防除的实施涉及田间杂草诊断、选择合适除草剂、施用及防除效果评估等步骤。防除效果评估是杂草综合管理计划中的关键环节，其信息可反馈至数据库，为未来处理和管理决策提供依据。目前，除草剂防除效果评估主要依赖经过培训的人员在田间进行目视评分，依据产品对植株的作用效果打分。也可通过处理后剩余植株生物量进行评估，即采集植株地上部分样品并分离为活体与死亡材料，计算除草剂杀灭材料的百分比。植被指数（如归一化差异植被指数NDVI）和高光谱传感器采集的植被光谱反射率可用于评估除草剂防除效率及检测抗草甘膦植株。
然而，基于评分量表的目视评估依赖评估者的经验，耗时、低效且不准确。利用机器学习生成模型并将其应用于应用程序开发，可使评估更加快速可靠，减少人为主观性。一种可能的替代方案是使用智能手机拍摄的图像，结合植被指数和人工智能技术，相比高成本设备，智能手机提供了更易获取的图像采集方案。计算图像分析在农业科学中已广泛应用，因其在自动化、提高效率和精度方面具有潜力。目前文献中关于利用图像和机器学习评估除草剂防除效果的信息十分稀缺。因此，本研究分析了以植被指数为输入变量生成预测模型的可能性，旨在通过智能手机获取的图像准确估算草甘膦对U. brizantha的防除效率。
二、研究内容与主要技术方法
研究人员在巴西米纳斯吉拉斯州蒙蒂斯克拉鲁斯市联邦大学农学研究所的Hamilton de Abreu Navarro实验农场开展田间试验，该区域存在均匀的U. brizantha侵染。试验设置草甘膦剂量为144、288、576、864、1152和1440 g ae ha?1，另设不施药对照。试验区划分为七条5×30 m的条带，每条带接受不同剂量，每条带再分为20个7.5 m2（5×1.5 m）小区。植株刈割后生长60天，在株高达到40.4±0.87 cm时施用草甘膦，采用背负式喷雾器配TTI11002喷头，恒压阀200 kPa，施药量98.5 L ha?1。施药期间平均风速2.9 km h?1，温度19.1°C，相对湿度68%。
在施药后7、15和30天（DAT），研究人员对每个小区进行目视防除效果评分（依据Frans等1972年的评分量表，0-100%，0表示无明显伤害，100表示植株死亡），同时使用智能手机（小米Poco X3 Pro，配备48 MP索尼IMX 582传感器）拍摄每个小区的图像。图像采集使用木质支架固定手机以保持相机稳定，拍摄高度1.30 m，相机与地面保持90°角，分辨率4000×3000像素，手动模式，EV为0，ISO 200，无限远对焦，白平衡5200 K，快门速度1/2500 s。30 DAT时，在每个小区采集1 m2样方内的植株样品，分离为活体和死亡材料，65°C烘干72小时后称重，计算实际防除率（死亡材料质量占死亡与活体材料总质量的比例）。
图像分析使用R软件及ExpImage包。每张图像被分割为四份以扩充数据库，共获得3360张图像，其中70%（2352张）随机选取用于训练样本，其余用于验证样本。图像分割采用VARI指数和Otsu算法分离植株（前景）与土壤（背景）像素。分割后，对所有对应植株的像素估算27个植被指数（包括r、g、b单波段，r/g、g/r、b/r等波段比值，饱和度S、亮度指数BI、土壤颜色指数SCI、绿色叶指数GLI、色调指数HI、归一化绿红差异指数NGRDI、可见光抗大气指数VARI、修正绿红植被指数MGRVI、修正光化学反射指数MPRI、过量绿ExG、红绿蓝植被指数RGBVI等），计算每张图像各指数的像素均值，并使用RSNNS包的normalizeData()函数对各指数进行归一化处理。模型构建采用randomForest包中的随机森林（RF）方法，以27个指数为输入变量，分别预测目视评分和实际防除率。为提升精度、稳健性和泛化能力，采用集成方法，拟合100个RF模型并取输出变量的均值。统计检验包括Pearson相关分析、决定系数计算、一阶多项式回归拟合及模型过拟合稳健性分析。
三、研究结果
3.1 防除效果的变化趋势
目视评分评估显示，U. brizantha的防除效果随草甘膦剂量增加呈上升趋势。7和15 DAT时，所有剂量均未达到90%以上的防除效果；30 DAT时，两个最高剂量下防除效果超过91%。目视评分与实际防除率（除草剂杀死的植株生物量）的趋势线行为相似。7、15和30 DAT评估的防除效果在不同草甘膦剂量下呈现0%至100%的广泛评分范围，这一范围为后续建模提供了重要数据基础。
3.2 指数间相关性分析
Pearson相关分析显示，公式中提出相似关系的植被指数（相同波段间的比值、对特定波段的强调等）彼此呈高度正相关（深蓝色），如GLI与RGBVI对（均以相似方式强调绿色波段）以及NGRDI与VARI对（均以相似的波段间比值强调绿色波段）。提出波段间反向关系的指数呈高度负相关（深红色），如SCI与NGRDI对（一个强调红色波段优于绿色波段，另一个相反）以及HI与GLI对。
3.3 指数与目视评分的关联
各植被指数与目视防除评分的Pearson相关分析显示，S、ExG、g/r、VARI、MGRVI、MPRI、NGRDI、RGBVI和GLI指数与防除评分呈高度反比相关（绝对值大于0.90），决定系数介于82%至89%之间。SCI、b/g、r/g和HI指数与防除评分呈大于0.90的正比相关，决定系数介于83%至87%之间。SI、b/r和HUE指数的决定系数为72%至77%。其余所有指数的决定系数低于60%。g指数与防除评分的Pearson相关和决定系数值极低，表明该指数在反映草甘膦对该物种的效果方面无效。
3.4 随机森林模型对目视评分的预测
线性回归分析评估随机森林模型拟合质量显示，模型预测的防除评分与训练样本中观察到的评分之间存在显著直接关联，决定系数为91.76%。验证样本的决定系数更高，达92.31%，证实了模型基于智能手机图像预测防除评分的潜力。训练（n=2223）和验证（n=953）模型拟合方程的截距（β?）和斜率（β?）系数均具有稳健显著性（p<0.05）。
3.5 目视评分模型中指数的重要性
对于目视评分预测模型，最重要的两个指数为GLI和HI，其余指数的重要性均低于10%。g/b、b/g、S、g、b/r、r、SI、rg、gb、rb、BI、BIM和rgb指数在拟合的随机森林模型中几乎没有重要性。
3.6 指数与实际防除率的关联
各指数与实际防除率（除草剂杀死的植株生物量）的Pearson相关分析显示，SI、VARI、ExG、MPRI、NGRDI、g/r、MGRVI、S、GLI和RGBVI指数与实际防除率呈高度反比相关（绝对值大于0.90），决定系数介于84%至89%之间。b/g、SCI、b/r、HI和r/g指数与实际防除率呈大于0.90的正比相关，决定系数介于82%至88%之间。HUE、g/b和r/b指数的决定系数为67%至77%。其余所有指数的决定系数低于60%。g指数同样表现出极低的相关和决定系数值。
3.7 随机森林模型对实际防除率的预测
随机森林模型对实际防除率的拟合质量评估显示，模型估算的实际防除率与训练样本中观察到的实际防除率之间存在显著相关性，拟合决定系数为88.05%。验证样本中模型效率更高，r2达90.33%，表明模型预测的实际防除率与通过U. brizantha死亡材料质量获得的实际防除率非常接近。拟合线的线性和角度系数均显著（p<0.05），训练（n=783）和验证（n=336）样本的数据量增强了拟合质量。
3.8 实际防除率模型中指数的重要性
对于实际防除率预测模型，HI、b/g和RGBVI指数最为重要（重要性大于10%），对模型的预测能力影响最大。S、ExG、GLI、b/r和SI指数占模型预测能力的5%至10%，其余指数贡献较小（重要性低于5%）。
四、讨论与结论
本研究利用智能手机图像分析结合随机森林算法，以植被指数为输入变量，成功开发了能够准确评估除草剂防除效果的模型。该研究在利用配备常规RGB相机的智能手机图像评估草甘膦防除效果方面具有创新性。已有研究使用RF图像分析进行杂草种类识别、侵染绘图和管理系统监测，但利用智能手机图像和机器学习评估除草剂防除效果的信息在文献中十分稀缺。
随机森林模型在训练和验证样本中对目视评分和实际防除率的预测均表现出高精度（r2分别达91.76%/92.31%和88.05%/90.33%），且验证样本表现优于训练样本，表明模型具有良好的泛化能力，未出现过拟合问题。植被指数与防除效果之间的高度相关性（多个指数相关系数绝对值大于0.90）为模型的准确性提供了基础。GLI和HI指数在目视评分模型中最为重要，HI、b/g和RGBVI在实际防除率模型中最为重要，这些指数主要基于绿色波段与红/蓝波段的比值关系，能够有效反映草甘膦处理后植株的褪绿和枯死程度。
研究结论表明，基于智能手机图像和随机森林算法生成的预测模型能够以高精度估算草甘膦对U. brizantha的防除效果，为田间杂草防除效果评估提供了一种比传统目视评分和生物量测定更快速、更可靠且成本更低的替代方案。该技术具有在田间评估中应用的潜力，可减少人为主观性，提高评估效率和准确性。该论文发表在《Computers and Electronics in Agriculture》期刊上。
