加强作物营养分析利用多目标回归和高光谱成像的精准农业

高光谱成像和机器学习的最新进展彻底改变了作物营养状况的无损监测，从而能够准确预测植物元素浓度。尽管取得了成功，但单独预测浓度的单目标回归方法仍面临某些元素的准确性限制。

传统方法提供了准确性，但代价是具有破坏性且大规模使用时效率低下。当前的研究强调了多目标回归的潜力，它考虑了多个元素之间的关系，作为提高预测准确性的有希望的途径。然而，多目标回归在预测植物中多元素浓度方面的应用仍未得到充分探索，并且是未来研究的关键领域。

PlantPhenomics发表了题为“使用高光谱成像预测番茄叶中元素浓度的多目标回归方法”的研究。

本研究旨在通过多目标回归(MTSC)方法提高预测番茄叶片中元素浓度的准确性，该方法将预测元素值的顺序链接集成到原始高光谱成像输入中。

研究人员将此方法应用于17个元素，并利用五种不同的机器学习模型将其与传统的单目标回归(STR)结果进行比较。MTSC方法对10种元素的预测精度有了显着提高，其中Mn、Cu、Co、Fe和Mg等元素的决定系数(R2)显着增加，证明了其相对于STR的优越性。

他们的实验评估了高光谱数据的变异性，并显示出番茄植株内部和植株间的显着差异，这凸显了数据的复杂性。使用STR进行的初步预测显示，某些元素(例如Mg、Mo和Ca)具有相对较高的R2值，表明模型性能良好。

然而，对于STR中预测精度较低的元素，MTSC提供了一种有前途的替代方案，显着提高了元素子集(包括Mg、P、S、Mn、Fe、Co、Cu、Sr、Mo和Cd)的精度。这种改进在随机森林(RF)模型中最为明显，该模型显示R2的平均增幅最高，且均方根误差(RMSE)降低。

MTSC方法的有效性在测试数据集上得到了进一步验证，10个改进元素的预测优于STR预测。该方法的成功凸显了考虑元素间关系的重要性以及RF等非线性机器学习模型利用这些连接来提高预测精度的潜力。

总体而言，这些发现强调了MTSC方法显着增强植物组织中元素浓度预测的能力，并说明了该方法在纳入复杂的元素间关系方面的优势，从而为预测植物营养状况提供了更准确和更全面的方法。