点击蓝字↑↑↑“农作未来（FarmingFuture）”，轻松关注，农作制度研究与您同行！
编译：王上
原创微文，欢迎转发转载
原名：Using UAV-based multispectral and RGB imagery to monitor above-ground biomass of oat-based diversified cropping
译名：利用基于无人机的多光谱和RGB图像监测以燕麦为基础的多样化种植的地上生物量
期刊：European Journal of Agronomy
2023年影响因子：5.2
5年影响因子：5.9
在线发表时间：2024.10.08
第一作者：张鹏鹏
通讯作者：臧华栋 教授 zanghuadong@cau.edu.cn
曾昭海 教授 zengzhaohai@cau.edu.cn
第一单位：中国农业大学农学院/农业农村部农作制度重点实验室
文章亮点
使用三种特征选择方法，对不同生长阶段和无人机飞行高度下的AGB相关特征重要性进行综合评估
通过整合特征选择方法和机器学习模型，提高AGB估算的准确性
针对多样化种植系统中燕麦整个生长阶段和各个生长阶段的AGB，开发遥感监测模型
实时获取作物地上生物量（AGB）信息对于估算作物产量、有效管理水肥至关重要。无人飞行器（UAV）图像因其高效性和灵活性，为估算作物地上生物量提供了广阔的前景（promising avenues）。然而，这些估算的准确性会受到各种因素的影响，包括作物生长阶段、无人飞行器传感器的光谱分辨率和飞行高度。需要对这些因素进行深入研究，尤其是在作物多样性和生长阶段复杂交织的多样化种植系统中，这对地上生物量估测的准确性提出了挑战。
作者于2022-2023年的燕麦生长季依托地处河北省张北县的国家燕麦荞麦产业技术体系示范基地的燕麦实验田开展研究。旨在利用在不同飞行高度（25米、50米和100米）采集的多光谱和RGB无人机图像，估算在不同种植制度（单作、轮作和间作）下种植的燕麦在不同生长阶段（拔节期、开花期和籽粒饱满期）以及所有阶段的AGB总量。测试了三种特征选择方法--最大信息系数（MIC）、最小绝对值收敛和选择算子算法（LAS）以及递归特征消除（RFE）。四种机器学习模型—岭回归（RR）、多层感知器（MLP）、轻梯度提升机（LGBM）和极端梯度提升（XGBoost）--被用于估算AGB。每种特征选择方法都与每种机器学习模型（如MIC-RR、MIC-MLP、MIC-LGBM、MIC-XGBoost、LAS-RR）相结合，以评估它们的性能。
结果表明，在飞行高度为25米时获取的图像对AGB的估算精度最高。RFE-MLP模型在接合阶段表现出更优越的结果（R² = 0.84，RMSE = 217.45 kg ha-1， RMSLE = 0.16，MAPE = 4.15 %），LAS-RR模型在开花期表现出色（R² = 0.85，RMSE = 263.03 kg ha-1，RMSLE = 0.05，MAPE = 14.44 %），而RFE-XGBoost 模型在籽粒饱满期最为有效（R² = 0.68, RMSE = 865.03 kg ha-1，RMSLE = 0.12, MAPE = 8.88 %）。在跨生长期建模方面，RFE-MLP取得了显著效果（R² = 0.93，RMSE = 680.44 kg ha-1，RMSLE = 0.16，MAPE = 12.12 %）。
这项研究表明，将特征选择方法与机器学习算法相结合可有效提高燕麦 地上生物量估测的准确性。多种种植模式的参与增强了作者研究结果的可推广性，有助于在未来的多样化种植系统中实时、快速地监测作物生长情况。
原文链接：
https://www.sciencedirect.com/science/article/pii/S1161030124003435
农田健康、生态安全
作物高产、资源高效
加入微信群，获取文章PDF
