Computers and Electronics in Agriculture·10月1日 · 周四论文农业人工智能与决策模型阅读 0
Use of smartphone images in the evaluation of weed control with glyphosate: A computational approach using Random Forest
Israel Gomes Cruz · Alcinei Místico Azevedo · Richardson Fernandes de Souza 等 7 人
论文解读
79精选
速览
用智能手机图像和随机森林模型评估草甘膦对杂草的防效。
方法
智能手机拍摄杂草图像，提取27个植被指数，随机森林建模。
发现
基于视觉评分和死株率的模型验证r²分别达0.92和0.90，效果优异。
机会点
可开发移动端杂草防效实时评估应用，并拓展至其他除草剂与作物场景。
影响力16
信息增量22
专业深度18
信源权威14
时效性9
核心期刊论文，用手机图像与随机森林实现除草效果快速评估，方法新颖且可落地移动应用，值得进入每日精选。
原文摘要
除草剂防效评价是杂草综合治理中的关键环节，其信息可反馈至数据库以指导未来的作物保护决策。目前，除草剂杂草防效评价主要依赖田间目测，该方法耗时且不够精确。本研究利用随机森林（Random Forest）结合计算图像分析，构建了能够评估草甘膦对俯仰臂形草（Urochloa brizantha）防效的模型。图像通过智能手机在草甘膦灭杀的俯仰臂形草侵染区域获取。为划分防效梯度，设置了0、144、288、576、864、1152和1440 g a.e. ha⁻¹的草甘膦剂量处理。模型估算以27个植被指数作为输入变量，目标为基于目测评价数据和由除草剂作用导致的植株死亡质量确定的防效百分比数据进行防效估算。基于目测防效评分数据开发的模型表现优异，训练集r²为0.92，验证集r²为0.92。基于植株死亡质量百分比训练的模型同样表现良好，训练样本r²为0.88，验证样本r²为0.90。所提出的评价方法相较常规方法具有优势，原因在于智能手机图像获取便捷，且所开发的指数和模型可嵌入移动应用程序中。