典型文献
基于无人机多源图谱融合的水稻稻穗表型监测
文献摘要：
稻穗表型是表征水稻生长状况和产量品质的关键参数,稻穗表型的准确监测对于大田精准管理和水稻智慧育种具有重要意义.无人机图谱数据已被广泛用于水稻生长监测,然而大部分研究主要集中在水稻的营养生长阶段,针对抽穗期和成熟期稻穗表型监测方面的研究非常有限.因此,该研究利用无人机多源图谱数据进行水稻稻穗表型监测研究,分析了不同氮肥梯度和生长时期对稻穗表型的影响,构建了稻穗覆盖度、生物量以及倒伏等监测模型.结果表明,不同生长时期和氮肥梯度的稻穗表型呈现显著差异,稻穗覆盖度与图像特征高度相关.利用粒子群优化算法(Particle Swarm Optimization,PSO)和支持向量机(Support Vector Machine,SVM)回归模型能够从可见光图像中准确识别稻穗,计算的穗覆盖度与实际标记值高度相关,决定系数(coefficient of determination,R2)为0.87,将此结果与多光谱图像反射率融合,利用随机森林(Random Forest,RF)回归模型可以提高稻穗覆盖度的评估精度,R2为0.93,相对均方根误差(relative Root Mean Square Error,rRMSE)为9.47％.融合可见光图像的颜色和纹理以及多光谱图像的光谱反射率改善了穗生物量的评估精度,R2高达0.84,rRMSE为8.68％,此模型能够在不同种植年间迁移,进一步利用模型更新添加10％新样本能够改善模型迁移能力.基于PSO-SVM分类模型,联合可见光图像的颜色和纹理以及多光谱图像的光谱反射率也准确地识别稻穗倒伏,准确率达99.87％.上述研究结果证明了无人机遥感用于水稻稻穗表型监测的可行性,可为作物精准管理和智慧育种提供决策支持.
文献关键词：
无人机;模型;可见光图像;多光谱图像;水稻稻穗;倒伏;机器学习;表型
中图分类号：
作者姓名：
万亮;杜晓月;陈硕博;于丰华;朱姜蓬;许童羽;何勇;岑海燕
作者机构：
浙江大学华南工业技术研究院,浙江大学生物系统工程与食品科学学院,杭州310058;农业农村部光谱检测重点实验室,杭州310058;沈阳农业大学信息与电气工程学院,沈阳110866;辽宁省农业信息化工程技术研究中心,沈阳 110866;浙江大学现代光学仪器国家重点实验室,杭州 310027
文献出处：
引用格式：
[1]万亮;杜晓月;陈硕博;于丰华;朱姜蓬;许童羽;何勇;岑海燕-.基于无人机多源图谱融合的水稻稻穗表型监测)[J].农业工程学报,2022(09):162-170
A类：
B类：
水稻稻穗,水稻生长,生长状况,产量品质,大田,精准管理,育种,谱数据,生长监测,营养生长,生长阶段,抽穗期,成熟期,研究利用,氮肥,生长时期,覆盖度,生物量,倒伏,监测模型,图像特征,特征高度,粒子群优化算法,Particle,Swarm,Optimization,PSO,Support,Vector,Machine,可见光图像,准确识别,决定系数,coefficient,determination,多光谱图像,Random,Forest,RF,relative,Root,Mean,Square,Error,rRMSE,光谱反射率,模型更新,新添,本能,模型迁移,迁移能力,分类模型,无人机遥感,决策支持
AB值：
0.291279
相似文献
机标中图分类号，由域田数据科技根据网络公开资料自动分析生成，仅供学习研究参考。
