文摘
产量预测和评估生产品种的选择是至关重要的组件和性能在育种计划和精准农业。自植物整合遗传学、周围环境和管理条件下,作物表型已经测量了种植季节代表品种的特征。这些天,“无人飞行系统”(无人驾驶飞机系统)提供了一个新的机会收集高质量图像和有效地生成可靠的表型数据。在这里,我们提出高通量表现型(HTP)从多瞬时无人机图像对番茄产量估算。每周和每两周运行一次UAS-based RGB和多光谱图像采集,分别。番茄的形状特征如林冠覆盖,树冠,体积,和植被指数来自无人机图像估计在整个赛季。从UAS-based表型数据提取时间序列特性、作物生长和增长率曲线安装使用数学曲线和一阶导数方程。时间序列特性,比如最大的增长率,在一个特定的事件,和持续时间的拟合曲线提取不同的表型。高产生的线性回归模型值即使不同的变量选择方法:所有变量(0.79),提出选择(0.7)和逆向选择(0.77)。因子分析,我们发现两个重要因素,经济增长速度和时机,与高收益品种。然后,五个时序表型选择产量预测模型解释方差的65%实际的收获。表型特征源自RGB图像在预测产量扮演更重要的角色。这项研究还表明,成功可以选择较之番茄品种。这项工作的结果可能是有用的在育种程序和研究农场选择高收益和疾病——/抗虫害品种。
1。介绍
蔬菜生产是农业最重要的组件之一,也与谷物食品。在美国商业蔬菜生产大约是3390万吨,129亿年的2018美元(1]。值得注意的是,西红柿有利用价值最高的生产,西红柿的价值增加了10%以上(19亿美元)在2018年。最近,番茄生产面临着持续的压力从生物和非生物压力如气候、疾病和害虫会导致重大损失的产量和果实品质2]。识别潜在的番茄产量表现,先进的表现型,可以有效地地图,监控和预测植物特征是必需的。尽管蔬菜生产的重要性,传统方法开发新的品种的育种程序,监测作物生长/疾病,并预测收益率仍采用人工取样测量,破坏性的,劳动密集型、费时和昂贵的(3,4]。
精准农业需要大量的数据,以确保知情决策在特定的作物和情节层面。遥感数据被用来收集数据及时或接近实时地对农业应用程序由于传感器原始测量已成为近几十年来无损和更有效的(5]。然而,卫星和航空遥感经常无法提供植物所需的合适的数据——或者plot-level评估由于数据采集受到云层的影响,成本、低空间分辨率、时间分辨率有限(6]。近年来,无人机系统(uas),也就是说,无人驾驶飞行器(无人机)或无人机,被认为是一种很有前途的技术与高潜力的农业应用,如作物生长监测、疾病监测、产量预测,和生物量估算7,8]。“无人飞行系统”还提供了新的机会来收集数据和更精细的时空分辨率高通量表现型(HTP)。此外,无人机平台和传感器的硬件成本下降,创造一个较低的进入壁垒,这样学生、研究人员和利益相关者可以很容易地采用“无人飞行系统”。这些新技术是一个可选择的解决方案来解决手册或传统的遥感方法的局限性来衡量作物特征(3,4]。
在几项研究已经证明UAS-based遥感数据可以测量作物性状如林冠覆盖,株高,植被指数更频繁和持续在一个更大的区域,而不是手动测量(3,9,10]。耕种作物的地上部生物量(AGB)也被估计的无人机高度模型(11]。江et al。12和李et al。13]也估计AGB使用无人机对大米和土豆、多光谱和高光谱图像。产量预测使用无人机数据精准农业的另一个主要话题。荣格et al。14]表明UAS-based HTP可以提供棉花基因型的秩和高收益品种可以生产收益率高出10%,而Maimaitijiang et al。15]估计大豆生物量从UAS-based树冠体积模型。最近的研究也已采用了人工智能(AI)技术对生物量和产量估计(16,17]。工厂压力如干旱、疾病、营养不足,害虫,杂草已经被无人机(监测和评估18]。先前的研究提取作物从无人机数据参数和发展各种方法直接使用的变量,但是UAS-based测量波动由于错误取决于数据收集情况,比如天气、传感器、日期和时间。
尽管商业番茄的重要性,但很少有研究使用无人机数据收益率估计。Enciso et al。19字段数据)验证无人机测量而番茄品种。约翰森et al。20.)使用无人机图像的时间序列监控个人番茄植物的表型性状,包括树冠面积、条件、和增长率,量化对盐度的反应压力和识别番茄植物体内表现最佳的收益。约翰森et al。21]提出了建模和预测个人番茄植物的生物量和产量在农场规模通过字段,UAS-based表现型。近年来,机器学习框架开发番茄产量估计使用多瞬时从无人机遥感数据收集22]。然而,这些最初的作品直接使用有限的时间序列数据在整个种植季节和表型。
在这项研究中,我们提出一种新颖的方法来提取高级表型特性从无人机数据的番茄产量估计和品种选择的领域。表型数据的增长,增长率曲线生成多瞬时无人机数据提取作物特征表明增长时间和速度在整个种植季节。因子分析是应用于分析表型特征更有价值。最后,我们生成的收益率估计模型在番茄领域,然后演示了选择高性能的品种和消除的可能性较之品种。
2。研究区和材料
2.1。研究区域
研究区位于德州农工(农业和机械)Weslaco生态农业研究与推广中心,美国德克萨斯州(纬度:26°924N,经度:97°5746W)(图1(a))。番茄字段由两个主要组件识别/描述抵抗昆虫媒介传播疾病和评估日期和地膜覆盖种植延长番茄的生产。研究西部地区选择应用UAS-based表现型的高产品种选择的方法。每个实验的情节由四个人建立了番茄三种植日期(3月16日,2月29日和3月31日,2016年),塑料地膜覆盖(黑色,白色,和裸露的),和品种不同品种(9)。每个品种复制三次种植日期和地膜覆盖在随机部署。番茄收获3乘以每个情节,三丰收的金额(总收率)用于产量预测模型和评估。
地面控制点(gcp)被安装在研究区域的准确运用和coregistration加工无人机数据,包括orthomosaic图像和数字表面模型(dsm) [3]。尽管所有图片的近似位置被记录到无人机机载GPS,总共9 gcp被安装在这个研究(数据1(b)和1(c))。八GCP坐落在番茄网站,GCP中间安装一个研究区域正确保龄球效应的结构与运动(SfM),这是最常用的算法来生成orthomosaic无人机的图像数据(23]。所有gcp的中心坐标测量使用APS-3实时运动GPS (RTK)(美国加州阿尔特斯定位系统,Inc .)。
2.2。“无人飞行系统”平台和传感器
收幻影产品(收、深圳、中国),这是最受欢迎的商业化模式,和无人机平台组成的研究团队开发的一个虹膜四轴飞行器(美国伯克利博士3)和佳能件数码相机(佳能、东京、日本),这是一个拥有相机,用来收集RGB(图2(一个))。对于多光谱数据,另一个无人机系统的混合体octocopter(美国伯克利博士3)和ADC Snap (Tetracam,就是,“无人飞行系统”)(图2 (b)),它可以收集3乐队,包括波长的绿色,红色,近红外(NIR)。山科珀斯克里斯蒂研究小组设计了一个集成的多光谱相机底部的混合体的平台。山是由一个3 d打印机打印出来并与阻尼器组装。发达系统收集标记了RGB和多光谱图像。表1显示UAS-based RGB和多光谱系统的规范在本研究中用于数据收集。
(一)
(b)
2.3。无人机数据收集
两个飞行小组独立操作无人机平台和更频繁的时间序列数据集收集数据。科珀斯克里斯蒂的研究小组使用了收幻影系列(幻2和4)×8平台和多光谱相机收集RGB和多光谱图像,分别每2周。RGB和多光谱UAS系统单独运行更高效的航班。飞行条件包括高度,飞行速度,和相机设置应该是不同的从RGB和多光谱相机有不同的规格,如视野(FOV)和焦距。另一航班团队Weslaco收集RGB图像利用虹膜的平台和一个佳能相机。
表2和3飞行日志RGB和多光谱图像,包括飞行高度等参数,图像重叠和决议。18个航班被收集RGB图像进行3个月(2016年3月~ 6月),在多光谱UAS系统每隔一周飞。该决议是地面采样距离(德牧)SfM orthomosaic图像生成的算法。
3所示。UAS-Based高通量表现型(HTP)
3.1。无人机图像的预处理
3.1.1。DSM Orthomosaic形象代
光扫描图Pro软件(Agisoft LLC,圣彼得堡,俄罗斯)使用SfM算法应用于从“无人飞行系统”生成DSM和orthomosaic图像原始图像。SfM算法是一种最常用的商业软件生成的3 d点云,dsm, orthomosaics UAS原始图像。gcp的GPS坐标输入到软件精确运用和coregistration DSM和orthomosaic。尽管无人机原始图像的图像位置记录元数据的标记图像,精度水平是不够的,这可能导致碗效果,SfM算法的一个主要的错误。质量与精度高和良好的部署可以解决这些问题当SfM算法应用于无人机原始图像(24]。DSM orthomosaics RGB和多光谱图像使用光扫描图生成与gcp Pro。DSM的地理定位精度和orthomosaics不到一个像素。
3.1.2。对多光谱图像辐射校准
对多光谱图像进行辐射校正计算更准确的植被指数NDVI等。在这项研究中,我们使用辐射校准板转换的数字号码(DN)多光谱orthomosaic图像反射率值使用经验行方法(ELM) [25]。四个反射板(5%,12%,33%,和52%)被放置在飞行前的番茄领域多光谱平台。多光谱中的每一个反射板的平均DN orthomosaic图像与实际反射率值测量在实验室(图3)。实证线(EL)是为每个生成的飞行。整个多光谱orthomosaic图像的像素值转换为反射由发达EL。
(一)
(b)
3.2。从无人机数据产品生成
3.2.1之上。绘制多边形生成
矩形多边形生成作为每个品种的情节边界提取plot-based表型信息(图4(一))。创建矩形的大小( 米)根据情节设计,四个人的中心线在每个情节都手动使用树冠划定区域orthomosaic图像3月28日,2018年。直线的角度和中心被认为是自动确定多边形。情节适当边界包括四株(图4 (b))。选择多边形内的像素提取表型数据的一个品种。在研究区,有81个多边形( )每种植日期。
(一)
(b)
3.2.2。地理空间产品代
林冠覆盖(CC)、树冠体积(CV)、过度的绿色指数(ExG)和归一化植被指数(NDVI)从RGB和多光谱图像和dsm orthomosaic生成。树冠是地上部分的植物或农作物。树冠作物状态密切相关,健康,和环境,树冠覆盖监测作物的一种有用的方式发展和生产力。尽管林冠覆盖测量使用主观方法(26,27],树冠像素的RGB图像,这意味着绿色区域,可以无损地提取出来。Canopeo算法,定义为方程(1),采用分类树冠从RGB orthomosaic图像像素28]。因为有三个塑料地膜覆盖(黑色,白色,和裸露)在研究区,两个条件确定noncanopy像素被认为是方程(2): 在哪里和参数对绿色像素进行分类和吗是一个参数设置的最低多余的绿色指数。和表示每个像素的主要绿色。充分有效地分类黑或灰色像素不能歧视和 。基本上,我们建议使用 , ,和值(0.95,0.95,和20)的一项研究[28]。是数字的总和(DN)数量的乐队在每个像素,而显示绿色和蓝色乐队的区别。然而,参数根据经验调整取决于每个RGB orthomosaic图像的色调和色彩。和被用来去除白色和黑色塑料地膜覆盖,分别。白色和黑色地膜显示非常高或低的DN,和值600和30是用来过滤掉,分别。CC地图指示树冠和noncanopy像素生成。每个情节多边形的树冠面积除以多边形大小来计算所有品种的CC值。
计算的简历,树冠高度模型(CHM)是由减去数字地形模型(DTM)从DSM为每个无人机飞行。DTM创建的3 d点云数据生成从先前的无人机飞行3月23日,2016年。3 d点分为地面和使用LAStools nonground点,DTM是自然生成的邻居从地面点插值算法。从CHM像素值,这意味着树冠高度,计算像素体积乘以像素大小。像素的体积之和情节多边形被认为是每个不同的简历。
两个植被指数,ExG和归一化植被指数,分别从RGB和多光谱orthomosaic图像生成。ExG计算从RGB颜色方程(3),而直接从多光谱图像生成与方程(4)[29日]。只有ExG和树冠的NDVI值区域绘制多边形选择ExG和归一化植被指数的平均值计算值作为代表每个品种: 在哪里
3.3。从时间序列无人机数据特征提取
3.3.1。增长和增长速度曲线
多瞬时表型包括CC、简历、ExG和归一化植被指数启用先进的表型特征。这些表型是用于模型的时间序列测量每个不同的增长模式。s形和多项式函数采用符合最优曲线根据输入变量。CC和简历测量在生长季节都装有一个s形的函数来生成生长曲线(图5)。虽然有18个UAS观察,最后三个测量没有选择s形曲线拟合。生长曲线的一阶导数作为生成增长率曲线。
第三次多项式函数适合18 ExG观察ExG进展曲线(图6)。ExG进展曲线分成两部分的日期最大ExG值。左右的日期显示增加和减少树冠生长周期,分别。归一化植被指数而言,由于天气状况和数据采集时间,选择四个多光谱图像是基于数据质量符合第二个多项式曲线。清晨收集的多光谱图像包含大量的影子和饱和像素低太阳角和效应引起的周围的风衣阴谋。归一化植被指数进展曲线也分成两部分,ExG。
3.3.2。表型特征提取
在这项研究中,共计22个表型特征提取从增长和发展模型来自时序无人机(表测量4)。最大的CC (F1)和最大的简历(F5)从曲线(图中提取7(一))。从增长速度曲线,包括最大增长率(F2和F6),天种植(DAP)的最大增长率(F3和F7),在一半的最长时间和持续时间(F4和F8)衣冠楚楚的最大计算(图的一半7 (b))。最大ExG值(F9)和衣冠楚楚的最大ExG值(F10)提取ExG发展曲线。然后ExG测量两个时期都装有线性模型计算的增加和减少树冠时期(季和F15)。增加和减少的最大值在最大ExG DAP (F12和F16),持续时间(F13和F17),每个周期(F14和F18)面积计算拟合曲线(图7 (c))。四个特征提取的NDVI曲线发展。最大的归一化植被指数(F19)和DAP最大NDVI (F20)也从NDVI曲线进展中提取。NDVI增加斜率(F21)和归一化植被指数下降斜率(——F22)也计算的发展曲线通过连接第一次观察到的最大NDVI值和最后的NDVI与最大NDVI值观察。
(一)
(b)
(c)
4所示。结果与讨论
4.1。相关系数的表型特征和收获产量
大多数研究都试图找到的特性与产量高度相关使用无人机数据和报告之间的正相关植被指数和生物量和产量(30.- - - - - -32]。一些研究也关注提取离散表型数据,如林冠覆盖,树冠高度,和植被指数、生物量和产量相关对番茄21,33]。虽然他们可以预测生物量和产量使用UAV-derived表型和环境条件,数据量有限考虑整个生长周期。是不可能在同一DAP收集无人机数据在不同的季节。此外,植被指数等离散表型值应根据周围的环境和条件不同的无人机(平台和传感器)。
尽管存在这些挑战,UAS-based表型特性可以在帮助植物育种工作中发挥重要作用。支持如番茄笼子和木棍应该安装在番茄字段,株高(PH)不显示明显的变化来表示不同番茄品种。我们计算CC的表型特征之间的相关系数,简历,ExG,和归一化植被指数在桌子上4和实际产量81年种植(表1日情节5)。衣冠楚楚的简历(F7)的最大增长速度和弹跳的最大值ExG (F10)与实际产量高度相关(0.63)。功能都可能与健壮的早期作物生长和发育阶段扩大工厂规模,也可能表明健康的(绿色)树冠。水果高负荷会导致更强的源库关系的转变产生的植物因为光合作用在林冠(叶)层面将消耗主要生产番茄果实,而不是增长。因此,我们预计高水果负载导致更快的树冠恶化为水果以优先于营养生长的碳水化合物。源库关系的这种转变,这将最终导致作物成熟,通常表示为一个树叶颜色的变化,叶子衰老,或两者的结合。有趣的是,当看着ExG,减少边坡最大后本赛季后期(F15)也表现出良好的相关性与作物产量(-0.63)。下降斜率是一个负值,这种相关性表明,植物将能量转移到水果快可以产生高收益。
4.2。产量估算模型
在大多数近年来,人工智能技术,如机器和深度学习收到了极大关注和衍生成果显著预测各作物生物量和产量(21,31日,34]。基于ai的生物量和产量预测模型导致超过90%的精度高;人工智能算法的一个关键问题是,需要大量的训练数据集获得健壮和准确的机器学习算法。然而,构建大量训练样本需要很长时间和沉重的劳动35]。例如,约翰森et al。21]预测生物量和产量使用81 UAV-derived变量和随机森林算法1200番茄植物。虽然人工智能算法提供了非常准确的产量预测,不能采用本研究领域因为数量有限的阴谋导致奇点。因此,我们使用无人机数据利用线性回归估计番茄产量81年番茄品种。
81块在第一次种植日期三个地面覆盖条件(白色和黑色塑料和裸露的地面)被选为线性回归。估产模型是由使用实际的番茄产量作为因变量和相应的多瞬时表型特征作为独立变量的线性回归。所有22个表型特性从无人机数据选择开发产量估算模型。此外,两个不同的特征选择方法是使用-(1)提出了特征选择的方法从一个空模型和(2)一个反向特性消除方法从一个完整的,以自动选择功能和开发显著模型(表6)。所有导致高产量估算模型(> 0.7)之间的实际和预计产量。尽管人工智能算法可能显示精度高,线性回归可以替代根据现场条件和数据规范。一般来说,落后的消除方法导致更高比选择,但自动输入变量的数量仍然在最后模型显著大于正向选择的方法。落后的消除方法往往overfit许多变量,提出选择方法可以更简单和更有效率。
向前选择模型中,这一天在ExG最大值(F10),减少边坡ExG价值(F15),在CC (F3)的最大增长率,天最大增长速率的简历(F7),持续时间超过一半最大时期的简历(F8),和持续时间增加ExG时期(F13)选择的顺序。三个表型特征(F7、F10 F15)与实际产量高度相关输入的选择模型。所选变量在模型中可以分为两组,作物生长时间(F3、F7和F10)和作物生长持续时间(F8、F13和F15)。作物生长时机表明特定的前一天,当植物种植达到最环保的树冠和增长最快的状态。作物生长时间积极的与实际产量之间的关系,这意味着成熟时机是产量表现密切相关,成熟后可以使工厂规模大。在作物生长期间,作物生长时期是一个关键变量影响产量,而恶化的速度也是相关的。
4.3。因子分析对UAS-Based表型特征
尽管变量重要性可以预测生物量和产量计算,它不能一致的生物量和产量预测根据无人机数据集和它的规格(21]。22此外,一些表型特性提出了研究高度相关,进行因素分析,以避免共线性和过度拟合问题的回归模型和识别统计上显著的表型特征。因子分析是用来描述许多变量之间的协方差关系的一些基础,但难以察觉的,随机量(36]。在这项研究中,采用最大似然(ML)方法,和两个主要因素有超过75%的累计解释选择使用最大方差法的旋转因子矩阵计算方法后七个迭代。最后两个因素解释方差的75%,由九个表型特征显示两种作物特征(表7)。第一个因素包括6个表型特征,包括天后种植ExG值最大时(F10),一半时间最大林冠覆盖(F4),几天后种植树冠体积增长率最大时(F7),几天后种植NDVI最大值(F20)时,天后种植树冠覆盖增长速度最大时(F3),和持续时间的一半最大树冠体积(F8)。这些种类的天,持续时间密切相关的“作物生长的时间事件。“四6个变量的线性回归模型中选择向前选择方法包含在第一个因素。如前所述,作物生长时间和持续时间强烈影响番茄产量表现。第一个因素的六个变量意味着植物增长速度和时间,直到树冠恶化以来可以产生更多的水果大工厂可以使用更多的能源来生产番茄果实。第二个因素包括增加的斜率ExG(季),增加的斜率的归一化植被指数(F21)的三角形面积减少的斜率ExG (F18),标明“作物生长的速度。“在因子分析,其他功能(季、F18和F21)作物生长速度组的选择,而不是增加ExG期的持续时间(F13)和ExG斜率值的减少(F15)。F13和F15交替F11 F18,表明类似的作物生长速度的特点。一个非常有趣的事实是,表型特征从多光谱图像包含在第一和第二两方面的因素。 As the fitted curves of ExG and NDVI have similar trends, NDVI-related features have a high correlation with the features of ExG. Two NDVI-based features also represented the timing of crop growth and growth speed. The results of factor analysis found that growth timing, duration, and growth speed were the main traits affecting tomato yield. Our results showed what crop characteristics should be considered in breeding programs for cultivar improvement.
九个表型特征选择因素分析输入的线性回归模型来估计番茄产量。提出了特征选择的方法,和五个表型特性被选为最终的模型。剩下的特性在最后的回归模型是天后种植ExG值最大时(F10),几天后种植树冠体积增长率最大时(F7),几天后种植树冠覆盖增长速度最大时(F3),一半的时间最大树冠体积(F8),和三角形的面积减少ExG斜率(F18)。所示的产量预测模型,方程(5),解释65%的变异在实际收获产量(图8)。四个特征(F3、F7, F8, F10)有关作物生长时间。我们意识到表型特性与作物生长时间在预测产量发挥更重要的作用。此外,种植后的天数ExG (F10)是最重要的农作物产量估计参数是决定不仅通过因子分析,而且一般线性回归模型。
产量预测模型中的所有变量的因子分析可以从时间序列中提取CC,简历,ExG源自RGB图像相似的精度与表型特征从RGB和多光谱图像。结果表明,RGB图像可以提供足够的信息来预测收益率在字段级别。与RGB无人机平台传感器相对便宜和容易操作的数据收集和校准,他们应该是一个好的选择收集大量的农业作物参数精度。CC和简历可以从多光谱图像和归一化植被指数计算ExG趋势相似,可以采用RGB或多光谱图像预测番茄产量在字段级别:
4.4。番茄品种选择
基于最终回归模型的估计产量因子分析,表现最好的番茄基因型的等级是由precited产量。前10,20、30和40个品种表现基于等级的评估比较实际的收获产量找到匹配的品种。图9(一个)显示有多少品种选择该方法正确匹配相同数量的品种根据实际产量。当估计量选择十大品种(蓝线),其中有五个是包含在前10位的实际产量高的品种,这意味着匹配率为50%。十大品种的估计都是包含在前40名高性能品种实际收益率。选择的前20个品种的评估模型,我们可以选择精度达到100%排名前50的品种的实际收益率。当40个品种选择与开发模型在这项研究中,34个品种,这是85%的40,包含在列表顶部40实际收益率。虽然我们不能选择高性能的品种完全,我们的结果表明,绩效较差的品种可以成功地消除了拟议的框架。例如,科学家可以选择和消除提出了10个品种的底部框架在不丢失任何高性能品种。这个工作的优点是,它不需要在地里收获了品种。经济资源,换句话说,我们可以节省时间和人力,使育种程序更高效。
(一)
(b)
荣格et al。14]棉花单株皮棉产量相比平均后剩余的品种之间的不同选择基于UAV-derived表型验证无人机种类选择框架的性能。在棉花地里,平均单株皮棉产量增加了10%相比原来的人口在不同选择使用无人机数据。UAV-selected品种与超过70%的相同列表排名由实际测量领域收获。在这项研究中,能看到更多的细节,消除佳的品种,选择的品种的实际平均收益率UAV-estimated和实际收益率计算(图9 (b))。当十大高收益品种UAV-estimated选择和实际产量,平均约10公斤番茄产量不同。更多种类的选择减少差距无人机和现场组织之间的平均收益率。在选择50多个品种,小于1公斤的区别。番茄产量平均增加了53%和100相比,各种不同选择使用实际和无人机数据后,分别。这意味着该方法可以提供可行的信息选择高或低档次品种没有破坏性的人工取样和实际的收获。
5。结论
在这项研究中,一种新型HTP框架的数据提出了使用多瞬时无人机数据预测番茄产量。形状特征,包括树冠覆盖、树冠体积和植被指数衍生在情节层面,确定适合的数学曲线。时间序列提取表型的增长和增长速度曲线。虽然时序表型特征分别与实际收益率,产生高线性回归模型值(> 0.7)。基于因子分析的两个重要因素,经济增长速度和时机,被发现是番茄品种的产量表现紧密相关。最后,五个时序表型选择收益率预测模型解释方差的65%实际的收获。表型特征源自RGB图像扮演了重要的角色在提供足够的信息来预测产量。我们比较实际产量的估计产量确定UAS-based品种育种程序中选择的可能性。虽然不能完全选择高性能的品种使用估计量,UAS-based之间的低档次品种完全匹配和实际收益率。最终,该品种选择/取消过程使用无人机数据其余品种的番茄产量平均增加了53%。这项工作的结果可用于育种程序选择高收益和疾病/抗虫害品种番茄字段。在未来,我们将采用人工智能算法开发一个更复杂的模型产量预测和品种选择在农业应用中。
数据可用性
数据用于支持本研究的发现没有提供,因为它只是用于研究人员和德克萨斯A&M生态农业研究与推广的合作者。
的利益冲突
作者宣称没有利益冲突。
确认
这项研究受到了德州生态农业研究。