027-87860098

无人机多传感器数据和集成方法在玉米表型性状高通量估计中的应用

2022/9/28
利用无人机(UAV)图像对表型性状进行高通量估计有助于提高育种玉米的筛选效率。在小区尺度上准确估计育种玉米的表型性状有助于促进特定性状的基因挖掘,为加速优良品种选育提供保障。建立高效、准确的无人机多传感器数据估计模型是无人机多传感器数据应用的关键。

实验场地的位置

本研究旨在应用集成学习模型来提高使用基于无人机的红绿蓝 (RGB) 和多光谱传感器估计玉米表型性状的可行性和准确性。分别获得了四个生长阶段的无人机图像。从RGB图像中提取可见光波段的反射率、冠层覆盖率、植物高度(PH)和纹理信息,并从多光谱图像中计算植被指数。我们比较分析了玉米LAI(叶面积指数)、鲜重(FW)和干重(DW)单特征和多特征的估计精度。基本模型包括岭回归 (RR)、支持向量机 (SVM)、随机森林 (RF)、高斯过程 (GP) 和 K 邻域网络 (K-NN)。集成学习模型包括堆叠和贝叶斯模型平均(BMA)。结果表明,集成学习模型提高了玉米表型性状估计的准确性和稳定性。

2020年7月30日获取的无人机RGB (a)和多光谱(b)图像。(b)波段组合为近红外波段、红色波段和绿色波段。

在从无人机RGB图像中提取的特征中,通过光谱、结构和纹理的组合特征获得了最高的精度。利用两个传感器的所有特征构建的模型具有最佳的精度。包括叠加和BMA在内的集成学习模型的估计精度高于基本模型, LAI、FW 和 DW 的最佳验证结果的决定系数 () 分别为 0.852、0.888 和 0.929。因此,基于无人机的多源数据与集成学习模型相结合,可以在小区尺度上准确估计育种玉米的表型性状。