點擊藍色字免費訂閱,每天收到這樣的好資訊
在這項研究中,使用商用數位相機在2年的田間實驗中捕獲水稻冠層RGB圖像,並使用了三種回歸方法(簡單的非線性回歸SNR,反向傳播神經網絡BPNN和隨機森林回歸RF)估算水稻地上部乾物質(DM)、氮積累(NA)和葉面積指數(LAI),植物表型資訊介紹如下。
紅-綠-藍(RGB)圖像是作物氮素營養評估的有力工具。目前已經提出各種利用作物氮營養參數和圖像指數的回歸模型,但尚未對其氮素估算的準確性和泛化性能進行全面評估。
原始水稻冠層圖像(a)和相應的分割圖像(b)的示例
在這項研究中,使用商用數位相機在2年的田間實驗中捕獲水稻冠層RGB圖像,並使用了三種回歸方法(簡單的非線性回歸SNR,反向傳播神經網絡BPNN和隨機森林回歸RF)估算水稻地上部乾物質(DM)、氮積累(NA)和葉面積指數(LAI)。對三種回歸方法進行了1000次重複隨機二次抽樣驗證,以評估模型的性能和穩定性。結果發現,RF回歸模型驗證數據集的準確性最高:DM、LAI和NA估計的平均測試預測準確性(ATPA)分別為80.17%,79.44%和81.82%,其次是BPNN和SNR模型。根據1000次計算中ATPA的分布,在BPNN模型中觀察到最高標準偏差(SD)和最大的區間範圍(5%–95%),這表明BPNN模型最容易受到數據集分裂的影響。而RF和SNR模型的SD較低、區間範圍較小,這表明RF和SNR模型受數據集分裂的影響較小,並且能夠始生成可靠的回歸模型。
用於估算水稻氮營養參數的SNR測試
用於估算水稻氮營養參數的BPNNs測試
水稻氮素營養參數估算的RF模型測試
綜上所述,RF模型的集成算法有效地防止了處理不同數據集分段時的過度擬合,因此RF模型具有較強的泛化性能。結合數字圖像和適當的機器學習方法有助於方便,可靠地估算作物的氮素營養。
三種回歸模型中水稻氮素營養參數最優估計的ATPA比較
來源:
Shi P, Y, Xu J, et al. Rice nitrogen nutrition estimation with RGB images and machine learning methods. https://doi.org/10.1016/j.compag.2020.105860
國際植物表型網絡IPPN介紹和入會指南
表型資訊3周年目錄匯總
植物表型資訊2020年1-11月目錄匯總
點擊「在看」,助力傳播