UAV-based multispectral imaging and machine learning for characterizing herbicide injury and desiccant responses in field crops

方法

2022-2024年三地田间试验，UAV多光谱植被指数结合六种ML模型与AUDP

发现

集成模型预测精度高（R²最高96%），但跨地点/年份迁移性下降；NDVI与NDGI最相关。

机会点

可研究跨环境模型迁移校正与多时相表型融合，提升药害监测泛化能力。

摘要 目的 除草剂和干燥剂对杂草控制和收获管理至关重要；然而，其效力因作物种类、环境和生长季节而异。本研究评估了基于无人机（UAV）的多光谱成像结合机器学习（ML）作为一种非破坏性方法，用于量化加拿大大草原农业生态系统中除草剂药害和干燥响应。方法 2022年至2024年在阿尔伯塔省和萨斯喀彻温省三个地点使用栽培燕麦、东方芥菜和扁豆进行了田间试验。栽培燕麦和东方芥菜分别作为野燕麦和野芥菜的模拟杂草模型。在处理后0至21天收集无人机多光谱影像和同期地面视觉评级，以表征作物响应的时间动态。使用无人机衍生的植被指数评估了六种机器学习模型。结果 集成模型，包括梯度提升、极端梯度提升和随机森林，始终表现出较强的预测性能，地点特异性决定系数（R）在燕麦中为66–90%，芥菜中为60–75%，扁豆中为43–96%。多地点模型的R值为65–83%；然而，燕麦和芥菜的留一地点法（LOSO）和留一年份法（LOYO）验证在独立环境中显示出预测性能下降，突显了模型可迁移性的局限。植被指数捕捉了跨作物的除草剂药害和胁迫时间动态，而干燥进展曲线下面积（AUDPC）分析量化了扁豆脱水并区分了干燥剂性能。Pearson相关分析确定NDVI和NDGI指数与跨作物和环境的视觉药害评级强相关。NDVI在燕麦和芥菜中表现出最一致的关系，而NDVI、NDGI和VARI与扁豆干燥响应表现出可比的关系。结论 总体而言，整合基于无人机的多光谱成像、植被指数、机器学习和AUDPC提供了一个可扩展、客观且非破坏性的框架，用于在多变田间条件下评估除草剂药害和干燥剂效力。