人工智能增强模型利用无人机数据预测不同土壤中的小麦健康状况

在农业和遥感研究中，使用基于无人机的多光谱数据准确估算小麦的叶面积指数(LAI)对于监测作物健康和生长至关重要。传统上，LAI 测量准确但费力。

最近的进展引入了将辐射传输模型与机器学习相结合的混合方法，由于其效率和适用性而显示出前景。然而，这些方法面临挑战，特别是在不同的土壤背景下，需要特定土壤的模型但缺乏可扩展性。

目前的研究重点是开发一种“背景抗性”模型，用于在各种土壤类型和环境条件下稳定、准确地估算 LAI，特别有益于土壤特性可变且 LAI 较低的地区，例如旱地地区。

2023年5月，Plant Phenomics发表了一篇题为“ A Generic Model to Estimate Wheat LAI over Growing Season Different of the Soil-Type Background”的研究文章”的研究文章。

这项研究旨在开发一种通用的机器学习的通用模型，用于预测整个生长季节不同土壤背景下的小麦叶面积指数(LAI)，改进之前的特定土壤模型。

该模型的模拟性能最初是在独立的合成数据上进行测试的。基于合成数据训练的随机森林回归 (RFR) 模型显示出基于土壤反射率相似性的不同性能，基线模型在相似的土壤反射率上实现了 0.8 的 R²，但在不同的土壤上下降到 0.2。

扩大训练土壤背景的反射率范围提高了模型的稳健性，但事实证明，增强冠层光谱输入对于跨土壤背景的稳定 LAI 预测更为有效。在实验中，RFR 模型在不同生长阶段的合成数据和增强数据上进行了测试。

当改善冠层光谱输入而不是仅仅拓宽训练土壤背景的反射域时，LAI 预测的改进更加明显。defaultMulti2.VIc3 模型使用扩展的反射域和改进的冠层光谱指标，由于其在土壤中的稳定性和较少的输入变量，被选择进行进一步评估。

它对不同的土壤背景表现出良好的估计精度，但对于 2 到 5 之间的值，倾向于高估 LAI，而对于超过 5 的 LAI，则倾向于低估。该模型在整个生长季节的不同生长阶段进行了进一步评估，显示出预测精度的显着提高，尤其是在早期。和后期阶段。它可靠地捕获了不同处理下基因型、种植密度和水氮管理方面的季节性 LAI 动态。

研究得出的结论是，可以利用模拟数据有效地建立抗背景模型，在田间条件下不同土壤背景的小麦生长季节，根据基于无人机的孤立多光谱图像提供稳定而准确的 GAI 预测。该模型代表了在无需地面校准的情况下预测 LAI 的重大进步，使其成为农业监测和管理的有前途的工具。