利用基于无人机的遥感和机器学习技术对田间水稻叶片绿度（LCC 3和4等级）进行数字化处理 Piyumi P. Dharmaratne, Arachchige S. A. Salgadoe, Sujith S. Ratnayake, Danny Hunter, Upul K. Rathnayake, Aruna J. K. Weerasinghe

《Agriculture》：Digitization of Field Rice Leaf Greenness (LCC 3 and 4) Using Drone-Based Remote Sensing and Machine Learning Piyumi P. Dharmaratne, Arachchige S. A. Salgadoe, Sujith S. Ratnayake, Danny Hunter, Upul K. Rathnayake and Aruna J. K. Weerasinghe

　　```

摘要

利用无人机（UAV）技术对农作物进行精准监测，在斯里兰卡乃至全球的水稻种植系统中，正逐渐成为一种智能型农业实践。传统上，人们通过叶色图表（LCC）在田间手动将叶片与标准LCC类别进行比较，以判断植物的施肥情况。然而，这种方法缺乏自主监测能力、无法快速监测大面积田地，也难以实现评分的数字化处理，从而无法利用喷洒无人机进行精准施肥。配备多光谱相机的无人机可以提供一种更快、更数字化的解决方案，用于替代传统的LCC方法来识别叶片颜色。本文提出了一种新的方法，通过无人机拍摄的多光谱图像和机器学习算法，对田间水稻叶片的绿色程度进行数字化处理，并生成空间分布图。实验内容包括从农民田地中采集LCC 3级和4级的实地样本数据，并使用DJI Phantom 4多光谱无人机获取田地上的无人机图像数据，从中提取了15个与作物光谱相关的植被指数。这些植被指数被用于训练（70%）和测试（30%）机器学习算法，包括随机森林（RF）、SVM-linear和SVM-RBF，重点实现对LCC 3-4级别的分类。实验结果表明，随机森林算法的分类效果最佳，测试准确率为98.2%，优于SVM-linear（82.5%）和SVM-RBF（87.5%）。随机森林模型输出的SR、EVI、MSR、NDVI和TCARI等指数被用作判断水稻田地LCC 3级和4级分类的特征重要性指标。该方法成功地推动了无人机技术在实时监测水稻叶片施肥情况、空间识别田地不同区域的应用，进一步促进了智能型水稻种植的发展，实现了精准施肥和田地景观变化分析，凸显了田地数字化的重要性。

```