基于无人机多光谱传感器评估玉米叶绿素含量和荧光的机器学习技术

《BMC Plant Biology》：Machine learning techniques for accessing the chlorophyll content and fluorescence in maize based on UAV multispectral sensor

　　

摘要

冠层叶绿素含量 (CCC) 和叶绿素荧光 (ChlF) 是作物生理状态和生产力 的关键指标。基于无人驾驶航空器 (UAV) 的多光谱传感技术与机器学习 (ML) 的整合，为这些性状的精确和非破坏性监测开辟了新的可能性。本研究评估了三十种植被指数 (VIs) 和六种机器学习算法在印度泰米尔纳德邦农业大学哥印拜陀分校估计玉米在雨季和旱季期间 CCC 和 ChlF 的表现。回归分析显示，红边指数（如 RECI、NDRE、MTCI 和 LCI）始终优于绿度指数。其中，在雨季期间，RECI 和 NDRE 达到了最高的 R² 值（CCC 为 0.893，ChlF 为 0.829）和最低的 RMSE 值（CCC 为 0.058，ChlF 为 0.021）。相比之下，在旱季期间，MTCI 用于 CCC 和 LCI 用于 ChlF 表现最佳，R² 值分别为 0.783 和 0.883，RMSE 值分别为 0.081 和 0.018。在机器学习算法中，偏最小二乘回归 (PLSR) 在雨季期间对 CCC（R²?=?0.891, RMSE?=?0.063, MAE?=?0.045）和 ChlF（R²?=?0.889, RMSE?=?0.017, MAE?=?0.013）实现了最高的预测精度。然而，随机森林 (RF) 在旱季期间表现更好，分别实现了 CCC（R²?=?0.623, RMSE?=?0.083, MAE?=?0.066）和 ChlF（R²?=?0.867, RMSE?=?0.015, MAE?=?0.011）的最高精度。相比之下，K 近邻 (KNN) 在雨季和旱季预测 CCC 和 ChlF 时始终表现不佳。总体而言，本研究展示了将基于 UAV 的多光谱植被指数 (VIs) 与 ML 算法整合，用于在不同季节条件下准确和可扩展地估计玉米 CCC 和 ChlF 的潜力，强调了其在精准作物监测和可持续农业管理中的适用性。然而，在不同作物季节和多个地点的进一步验证仍然有限。

图文摘要