利用无人飞行器遥感与机器学习技术预测半干旱地区牧草仙人掌的生产性能与生理特征

《AgriEngineering》：Unmanned Aerial Vehicle Remote Sensing and Machine Learning to Predict Productive and Physiological Traits of Forage Cactus in Semi-Arid Forage Systems

　　

摘要

将无损技术与机器学习相结合，已成为估算农业系统中的结构特征及生产性能的一种极具前景的方法。本研究探讨了利用无人机影像结合随机森林算法，预测在半干旱条件下种植的饲料仙人掌的结构、生理及生产指标的潜力。实验持续了两年，共使用了四种品种：Orelha de Elefante Mexicana（OEM）、Miúda、IPA Sertania和IPA 20。通过RGB图像、红绿近红外图像以及数字高程模型，获取了与实地测量数据相关的光谱和结构参数。模型性能通过决定系数（R²）来评估。这些模型在预测干物质产量方面表现优异，尤其是OEM、IPA Sertania和IPA 20品种（R²分别为0.85、0.85和0.83）。叶绿素A和B等生理指标也显示出较好的预测效果（R²分别为0.70和0.83），而高度和体积等结构指标的预测稳定性则较低。不同品种间的差异会影响模型精度，尤其是Miúda品种，因其植株结构特点所致。尽管模型性能受植物结构影响，但无人机影像与机器学习的结合为监测饲料仙人掌提供了一种可靠的方法。