UAV-based RGB imagery and supervised–unsupervised machine learning for estimating sorghum biomass and grain yield under water and nitrogen stress
Anoop Valiya Veettil · Ripendra Awal · Ali Fares 等 6 人
用无人机RGB影像与机器学习估算水分氮胁迫下高粱生物量和产量。
低成本无人机RGB影像，K-means与CNN分割，多种回归模型预测。
单一模型未持续最优，RGB指数在特定时期具中等预测能力。
可研究多时相RGB影像与深度学习融合，提升胁迫下作物产量预测精度。
低成本无人机RGB影像结合机器学习估算高粱生物量与产量的方法学研究，结论审慎，对精准农业养分水分管理有参考价值，但属单点单期试验，影响范围有限。
精准农业已成为在水资源与养分合理管理中的关键策略，以应对全球人口增长所驱动的日益增长的粮食需求。因此，及时监测田间作物对于维持作物田块中适宜的养分和水分水平至关重要。植被指数在植物养分管理和指导施肥推荐中的应用正日益受到研究。然而，这些指数尚未在不同水分和氮素施用水平下对作物养分管理进行充分评估。本研究探讨了来自低成本无人机（UAV）的RGB影像结合机器学习技术在量化高粱[Sorghum bicolor (L.) Moench]作物表现中水分和养分胁迫方面的潜在应用。位于德克萨斯州东南部的Prairie View A&M大学的田间试验设置了四个灌溉水平（灌溉量的0%、75%、100%和125%；100%灌溉水平为充分灌溉处理，无水分胁迫）和四个氮素施用量（0、90、180和360 kg N ha⁻¹）。RGB图像在收获籽粒高粱前采集。使用K-means聚类和卷积神经网络（CNN）进行图像分割，以将高粱作物与土壤和杂草分离。从分割图像中提取的植被指数，包括绿红植被指数（GRVI）、绿叶指数（GLI）和过量绿指数（ExG），被用于通过多元线性回归、偏最小二乘回归、岭回归和XGBoost预测高粱籽粒和生物量产量。结果表明，在两种分割方法和响应变量下，没有单一模型始终优于其他模型，这表明RGB指数中的预测信息在所选机器学习方法下具有意义。例如，使用岭回归进行生物量预测时，基于K-means聚类所得指数的Pearson相关系数（r）为0.65，RMSE为0.72。这些模型表现出中等、特定阶段的预测性能，在两种分割方法和响应变量下，没有单一回归方法始终优于其他方法。由于影像仅在生殖后期采集一次，RGB指数主要反映当时的冠层状况、成熟度和衰老程度。研究结果证明了低成本、