Determination of Water Stress in Okra Plants Using Canopy Temperature Measurement by Infrared Thermometer
Muneeb Ajmer · Sayam Prajapati · Somil Narang 等 5 人
用红外测温仪测秋葵冠层温度并结合随机森林，实现水分胁迫的早期无损分类。
手持红外测温获取冠层温度与气象参数，计算CWSI，用随机森林分类。
随机森林测试集准确率95%，无漏判胁迫样本，Tdry、SVPleaf等为关键特征。
可扩展到多作物、多生育期及无人机热红外尺度，验证CWSI阈值与模型迁移性。
印度查谟地区小样本田间研究，红外测温结合随机森林实现秋葵水分胁迫早期识别，方法可迁移至小农精准灌溉，但样本量仅100条、地域局限，产业影响有限。
水资源短缺是半干旱及水分胁迫耕作区农业生产力的最严重制约因素之一。在传统蔬菜种植中，农民主要依赖萎蔫的视觉症状来检测水分亏缺胁迫，而这类症状通常只有在发生大量生理损伤、细胞脱水及不可逆产量损失之后才会显现。本研究提出了一种非破坏性精准农业框架，利用手持式红外测温仪结合集成随机森林机器学习分类器，实现对秋葵（Abelmoschus esculentus）水分胁迫的早期检测与分类。在印度查谟地区多变的气象日变化条件下，采集了包含100个观测值的初始田间数据集。记录及衍生的参数包括冠层表面温度（Tc）、湿球参考温度（Twet）、干球参考温度（Tdry）、环境气温（Ta）、相对湿度（RH）、空气饱和水汽压（SVPair）、实际水汽压（AVP）、叶片饱和水汽压（SVPleaf）、叶片水汽压亏缺（VPDleaf）、冠层-空气温差（Tc – Ta）以及作物水分胁迫指数（CWSI）。采用经验性CWSI阈值0.30，将样本划分为非胁迫（CWSI ≤ 0.30）和胁迫（CWSI > 0.30）生理状态。数据集按80:20划分为训练集和测试集（80个训练样本，20个测试样本）。训练后的随机森林分类器在未见测试集上实现了95.0%的总体分类准确率（20个中正确分类19个）。对于非胁迫类别，模型精确率为1.00，召回率为0.92，F1分数为0.96（支持样本数=12）。对于水分胁迫类别，模型精确率为0.89，召回率为1.00，F1分数为0.94（支持样本数=8），假阴性为零（FN = 0），确保无胁迫作物被漏检。基尼特征重要性分析表明，干球参考温度（Tdry，得分=0.187）、叶片饱和水汽压（SVPleaf，得分=0.172）、湿球参考温度（Twet，得分=0.160）、叶片水汽压亏缺（VPDleaf，得分=0.112）以及Tc – Ta（得分=0.101）是主导分类的主要驱动因素。研究结果证实，将热辐射测量与湿度特征工程及集成学习相结合，可提供一种可靠的非接触式诊断机制