欧亚国际

快速、无损地监测玉米生化参数对高效筛选玉米优质基因型至关重要。近年来迅速发展的无人机监测技术，以其灵活机动、成本低、分辨率高的优点，成为获取作物生长信息的重要手段。数据融合可以进行数据优势互补，能够有效提高作物表型估算精度。相比普通的机器学习方法，集成算法可以提高模型预测的精度及泛化能力。贝叶斯模型平均法能够考虑主观先验信息及单模型的不确定性从而提高模型的可靠性和准确度。

近日，Plant Phenomics在线发表了中国农业大学数字农业研究团队题为Application of UAV Multisensor Data and Ensemble Approach for High-Throughput Estimation of Maize Phenotyping Traits的研究论文。

本研究基于玉米育种田间试验，获取玉米4个生长期的无人机数码和多光谱影像。基于无人机数码影像提取了各小区RGB波段、冠层覆盖度、株高和纹理，从无人机多光谱影像上提取了各小区光谱信息（图1）。比较分析了单一数据和融合数据结合岭回归、支持向量机、随机森林、高斯过程、K邻近网络、集成算法、贝叶斯平均法在玉米LAI、地上部鲜重和干重上的监测能力。

图1基于无人机多传感器数据的特征变量提取流程

结果表明数据融合能够提高模型精度，而模型集成能够更一步提高模型的准确性和稳定性。从数据源来看，无人机数码提取的光谱、结构、纹理三种参数中，结构参数表现最优，结构参数+纹理或结构参数+光谱均能够提高模型精度，其中结构参数+纹理+光谱表现最佳。对于光谱信息，无人机多光谱指数明显比数码光谱指数表现更佳，且高于结构、纹理信息。两种传感器所有数据融合后模型估算精度最优。从建模方法来看，因研究对象和所使用的建模参数不同，在5种单一模型中岭回归和随机森林表现较好。Stacking和贝叶斯模型平均比单模型精度均有提高，其中贝叶斯模型平均法表现更好（图3）。因此，无人机成像数据与集成学习相结合能够快速准确地提取地块尺度玉米LAI及地上部鲜重和干重，研究可为无人机技术监测育种材料性状参数的应用方面提供参考。

图2研究区株高估算热力图

图3基于BMA模型的各表型估算值与实测值的验证集结果

论文第一作者为中国农业大学土地科学与技术学院博士研究生束美艳，论文通讯作者为马韫韬教授，合作者包括李保国教授、郭焱教授和杨小红教授。

论文链接

http://doi.org/10.34133/2022/9802585

推荐阅读

Repeated Multiview Imaging for Estimating Seedling Tiller Counts of Wheat Genotypes Using Drones

http://doi.org/10.34133/2020/3729715

Plant Phenomics | 使用无人机多视角成像技术估算小麦幼苗分蘖数

Canopy Roughness: A New Phenotypic Trait to Estimate Aboveground Biomass from Unmanned Aerial System

http://doi.org/10.34133/2020/6735967

Plant Phenomics | 冠层粗糙度：一种用于无人机航测估算地上生物量的新表型性状