为什么禁电子烟不禁香烟,雪域香烟,荷花烟多少钱一包,香烟推荐

027-87860098

無人機多傳感器數據和集成方法在玉米表型性狀高通量估計中的應用

2022/9/28
利用無人機(UAV)圖像對表型性狀進行高通量估計有助于提高育種玉米的篩選效率。在小區尺度上準確估計育種玉米的表型性狀有助于促進特定性狀的基因挖掘，為加速優良品種選育提供保障。建立高效、準確的無人機多傳感器數據估計模型是無人機多傳感器數據應用的關鍵。

實驗場地的位置

本研究旨在應用集成學習模型來提高使用基于無人機的紅綠藍 (RGB) 和多光譜傳感器估計玉米表型性狀的可行性和準確性。分別獲得了四個生長階段的無人機圖像。從RGB圖像中提取可見光波段的反射率、冠層覆蓋率、植物高度（PH）和紋理信息，并從多光譜圖像中計算植被指數。我們比較分析了玉米LAI（葉面積指數）、鮮重（FW）和干重（DW）單特征和多特征的估計精度。基本模型包括嶺回歸 (RR)、支持向量機 (SVM)、隨機森林 (RF)、高斯過程 (GP) 和 K 鄰域網絡 (K-NN)。集成學習模型包括堆疊和貝葉斯模型平均（BMA）。結果表明，集成學習模型提高了玉米表型性狀估計的準確性和穩定性。

2020年7月30日獲取的無人機RGB (a)和多光譜(b)圖像。(b)波段組合為近紅外波段、紅色波段和綠色波段。

在從無人機RGB圖像中提取的特征中，通過光譜、結構和紋理的組合特征獲得了最高的精度。利用兩個傳感器的所有特征構建的模型具有最佳的精度。包括疊加和BMA在內的集成學習模型的估計精度高于基本模型， LAI、FW 和 DW 的最佳驗證結果的決定系數 () 分別為 0.852、0.888 和 0.929。因此，基于無人機的多源數據與集成學習模型相結合，可以在小區尺度上準確估計育種玉米的表型性狀。


返回
上一篇：基于無人機成像、建模和機器學習的小塊區域葉面積指數無監督表型 下一篇：基于高光譜成像和機器學習的遺傳和表型相似玉米品種種子真實性檢測模型