高分辨率卫星图像与机器学习技术在预测马铃薯产量和氮吸收量中的应用

《Agronomy Journal》:High-resolution satellite imagery and machine learning for predicting yield and nitrogen uptake in potatoes

【字体: 大 中 小 】 时间:2026年07月16日 来源:Agronomy Journal 2.5

编辑推荐:

   摘要 优化氮素管理对于在减少环境影响的同时提高马铃薯(Solanum tuberosum L.)的产量至关重要。要做到这一点,就需要及时了解作物在生长季内的氮素状况,并能在生长初期预测最终的块茎产量。然而,

  

摘要

优化氮素管理对于在减少环境影响的同时提高马铃薯(Solanum tuberosum L.)的产量至关重要。要做到这一点,就需要及时了解作物在生长季内的氮素状况,并能在生长初期预测最终的块茎产量。然而,目前常用的方法,如破坏性采样或基于无人机的监测,往往耗时费力、成本高昂,且难以大规模应用。本研究评估了高分辨率SkySat卫星图像结合机器学习技术,在佛罗里达州东北部的五项养分管理试验中预测最终块茎产量及生长季内氮素吸收情况的有效性。通过卫星图像得到的植被指数被用来训练三种机器学习算法:随机森林、支持向量回归和偏最小二乘回归。在嵌套交叉验证下,这些模型对产量的预测精度较高(R2 = 0.74–0.79),其中随机森林在种植后77天内仍保持良好预测效果(R2 = 0.78,标准化均方根误差[nRMSE]% = 16.1%),而支持向量回归则能在最后一次施氮之前就进行早期预测(R2 = 0.76,nRMSE% = 16.5%)。由SkySat数据得出的植被指数也能有效预测生长季中的氮素吸收情况(R2最高可达0.82)。SHapley加性解释分析指出,改良土壤调整植被指数、土壤调整植被指数以及Thiam变换植被指数是重要的预测因子。不过,当在“留一实验法”下进行测试时,模型的性能显著下降,出现负的R2值,这说明这些模型在不同实验条件间的通用性较差。这些研究结果表明,虽然高分辨率卫星图像结合机器学习技术能够在特定实验条件下提供准确的生长季预测,但模型在不同环境间的迁移能力仍是一个重要限制。这一发现强调了为精准农业应用开发多环境数据集及更可靠的建模方法的重要性。

通俗版总结

马铃薯种植者需要更好的方法来管理氮肥。施肥不足会降低产量,而施肥过量则会增加成本并损害环境。目前的检测方法,如田间采样或无人机监测,既耗时又难以在大面积农田中推广使用。在这项研究中,我们探讨了高分辨率SkySat卫星图像结合机器学习技术是否能够帮助预测马铃薯的产量和氮素吸收情况。利用佛罗里达州东北部田间试验的数据,这些模型能够在研究条件下准确预测产量和氮素吸收情况,甚至能在最后一次施氮之前就做出预测。改良土壤调整植被指数、土壤调整植被指数以及Thiam变换植被指数等关键植被指数对这类预测起着重要作用。不过,当这些模型在不同的试验条件下测试时,其预测性能会下降,这说明这些预测结果难以在不同田间环境下直接应用。

利益冲突声明

作者声明不存在任何利益冲突。

相关新闻
生物通微信公众号
微信
新浪微博
  • 搜索
  • 国际
  • 国内
  • 人物
  • 产业
  • 热点
  • 科普

热点排行

    今日动态 | 人才市场 | 新技术专栏 | 中国科学人 | 云展台 | BioHot | 云讲堂直播 | 会展中心 | 特价专栏 | 技术快讯 | 免费试用

    版权所有 生物通

    Copyright© eBiotrade.com, All Rights Reserved

    联系信箱:

    粤ICP备09063491号