Species identification of crops and weeds in wheat fields using hyperspectral data and machine learning algorithms
Rimma Meyramovna Ualiyeva · Mariya M. Kaverina · Александра Викторовна Осипова 等 6 人
利用高光谱数据与随机森林识别哈萨克斯坦东北部麦田作物与杂草，并分析误判的生物学原因。
VIS-NIR高光谱传感器采集数据，PCA分析光谱，随机森林分类春小麦与五种杂草
作物-杂草总体分类精度72.94%，小麦识别精度高（MCC=0.994），杂草种间分离受解剖结构影响
可探索融合形态解剖特征与深度学习，提升杂草种间分类精度，服务精准施药。
高光谱结合机器学习实现麦田作物与杂草识别，方法新颖、结论具体，对精准农业有参考价值，但属细分领域研究，影响范围有限。
在建立植物组织形态解剖特性与机器学习算法识别效率之间关系的基础上，首次对机器学习算法（以随机森林为例）在哈萨克斯坦东北部农业生态系统中作物与杂草多类识别方面的局限性进行了综合评估。研究证实了在高光谱特征空间中表现为类别光谱重叠的主要生物学成因。数据采集使用VIS-NIR波段的高光谱传感器完成。光谱剖面分析基于主成分分析的方差分布评估及反射率曲线构建进行。提取数据的分类采用随机森林算法完成。选取不同物候期的春小麦（Triticum aestivum）作物及五种优势杂草物种（Euphorbia virgata、Descurainia sophia、Vicia hirsuta、Fallopia convolvulus、Echinochloa crus-galli）作为研究对象。该算法在测试数据上实现了“作物-杂草”分离，总体分类精度为72.94%。小麦因其光谱稳定性及显著的红边特征（680-730 nm）而表现出较高的识别精度（MCC=0.994）。杂草类内分离精度降低由物种特异性解剖结构所致：Euphorbia virgata的厚角质层增加了反射率，Vicia hirsuta的复杂结构导致光谱离散，而Echinochloa crus-galli与禾本科植物之间的叶肉相似性导致其与作物特征发生光谱重叠。因此，该模型能够实现可靠的作物-杂草区分，这是精准农业和靶向农化施用的关键要求。