本項(xiàng)研究的目的是雙重的，首先從植物高度 (PH) 和植被指數(shù) (VI) 圖中確定預(yù)測(cè)番茄產(chǎn)量的重要變量。這些地圖來(lái)自無(wú)人機(jī) (UAV) 拍攝的圖像。其次，使用選定的變量集，檢驗(yàn)多機(jī)器學(xué)習(xí)算法對(duì)番茄鮮枝質(zhì)量(SM)、果實(shí)重量(FW)和果實(shí)數(shù)量(FN)的預(yù)測(cè)準(zhǔn)確性。為了實(shí)現(xiàn)目標(biāo)，無(wú)人機(jī)在 2020 年番茄生長(zhǎng)季節(jié)的十天內(nèi)收集了超高分辨率 RGB 和多光譜圖像。從這些圖像中，作者提取了756個(gè)總變量，包括每種植物的一階(如平均值、標(biāo)準(zhǔn)差、偏度、范圍和值)和二階(如灰度共生矩陣特征和PH和VIs的生長(zhǎng)率)統(tǒng)計(jì)數(shù)據(jù)。使用幾種選擇算法(即Boruta、DALEX、遺傳算法、最小收縮和選擇算子以及遞歸特征消除)來(lái)選擇對(duì)預(yù)測(cè)SM、FW和FN有用的變量集。隨機(jī)森林，嶺回歸和支持向量機(jī)被用來(lái)預(yù)測(cè)產(chǎn)量使用前五個(gè)選定的變量集。

本研究中使用的實(shí)驗(yàn)場(chǎng)。位于日本東京。這張正射影像是使用6月18日拍攝的無(wú)人機(jī)影像創(chuàng)建的

在果實(shí)形成早期到中期，大約在收獲前一個(gè)月收集的PH和VIs的一階統(tǒng)計(jì)數(shù)據(jù)是預(yù)測(cè)SM的重要變量。與SM的情況類(lèi)似，收獲前大約一個(gè)月收集的變量對(duì)于預(yù)測(cè)FW和FN很重要。此外，與 PH 相關(guān)的變量對(duì)于預(yù)測(cè)并不重要。 與僅用一階統(tǒng)計(jì)量得到的預(yù)測(cè)結(jié)果相比，用VIs的二階統(tǒng)計(jì)量得到的預(yù)測(cè)結(jié)果對(duì)FW和FN更為準(zhǔn)確。由所有變量構(gòu)建的模型(rRMSE = 8.8-28.1%)對(duì)SM、FW和FN的預(yù)測(cè)精度優(yōu)于一階統(tǒng)計(jì)量模型(rRMSE = 10.0-50.1%)。

除了基本統(tǒng)計(jì)數(shù)據(jù)(如平均值和標(biāo)準(zhǔn)差)，作者還利用超高分辨率無(wú)人機(jī)圖像導(dǎo)出了植物水平的PH和VIs的二階統(tǒng)計(jì)數(shù)據(jù)。結(jié)果表明，該變量選擇方法減少了番茄產(chǎn)量預(yù)測(cè)所需的變量數(shù)量，提高了表型數(shù)據(jù)收集的效率，有助于育種計(jì)劃中高產(chǎn)品系的選擇。

來(lái)源：Plant Methods.Prediction of plant-level tomato biomass and yield using machine learning with unmanned aerial vehicle imagery.Kenichi Tatsumi, Noa Igarashi & Xiao Mengxue
/articles/10.1186/s13007-021-00761-2