首先从植物高度 (PH) 和植被指数 (VI) 图中确定预测番茄产量的重要变量。这些地图来自无人机 (UAV) 拍摄的图像。其次,使用选定的变量集,
检验多机器学习算法对番茄鲜枝质量(SM)、果实重量(FW)和果实数量(FN)的预测准确性。
为了实现目标,无人机在 2024 年番茄生长季节的十天内收集了超高分辨率 RGB 和多光谱图像。
从这些图像中,提取了756个总变量,包括每种植物的一阶(如平均值、标准差、偏度、范围和最大值)和二阶(如灰度共生矩阵特征和PH和VIs的生长率)统计数据。
使用几种选择算法(即Boruta、DALEX、遗传算法、最小绝对收缩和选择算子以及递归特征消除)来选择对预测SM、FW和FN有用的变量集。
随机森林,岭回归和支持向量机被用来预测产量使用前五个选定的变量集。
在果实形成早期到中期,大约在收获前一个月收集的PH和VIs的一阶统计数据是预测SM的重要变量。
与SM的情况类似,收获前大约一个月收集的变量对于预测FW和FN很重要。
此外,与 PH 相关的变量对于预测并不重要。 与仅用一阶统计量得到的预测结果相比,用VIs的二阶统计量得到的预测结果对FW和FN更为准确。
由所有变量构建的模型(rRMSE = 8.8-28.1%)对SM、FW和FN的预测精度优于一阶统计量模型(rRMSE = 10.0-50.1%)。
除了基本统计数据(如平均值和标准差),作者还利用超高分辨率无人机图像导出了植物水平的PH和VIs的二阶统计数据。
结果表明,该变量选择方法减少了番茄产量预测所需的变量数量,提高了表型数据收集的效率,有助于育种计划中高产品系的选择。
电话
微信