南京农业大学智慧农业创新团队在农林科学国际刊物《Computers and Electronics in Agriculture》发表了题为“Improving rice leaf area index monitoring accuracy via robot-integrated multi-sensors and meteorological data fusion with explainable machine learning”的研究论文，报道了他们在提高水稻叶面积指数监测精度方面的重要进展。
准确、无损地估算水稻叶面积指数（LAI）对于作物生长评估和产量预测至关重要。近距离非接触式光学方法是目前常用的LAI监测方法。然而，这些方法的精度往往受限于平台，且大多数依赖于单一数据源，容易受到饱和效应和背景干扰的影响。
为了克服这些局限性，本研究开发了一种基于表型分析机器人的多源高分辨率数据融合方法，用于田间尺度的LAI监测。本文研究团队使用配备多光谱高分辨率RGB相机的表型分析机器人采集高分辨率RGB图像，提取植被指数、颜色指数、纹理特征和冠层覆盖度等信息。这些特征与气象变量相结合，构建了机器学习模型。结果表明，随机森林模型表现最佳（R² = 0.92，RMSE = 0.302）。
本研究采用SHAP（Shapley加性解释）方法解释模型，并量化多光谱特征、RGB纹理信息、冠层覆盖度和气象因子的重要性。结果表明，冠层覆盖度、NDVI和Clgreen是提升模型性能的关键因子，冠层覆盖度与其他特征之间的互补机制可以缓解高叶面积指数（LAI）阶段的饱和效应。
研究结果表明，将机器人高分辨率遥感数据与气象数据相结合，可以有效缓解LAI估算中的饱和效应和土壤背景干扰，显著提高LAI估算精度。
本研究为田间表型分析提供了一个实用且可扩展的框架，并为精准水稻种植和智慧农业提供了技术支持。
图2 实验场景。配备多光谱和 RGB 相机的表型分析机器人拍摄图像并同时获取气象数据，而水稻叶面积指数 (LAI) 则由扫描仪测量
图3 特征之间的相关性。总共 55 个特征之间的相关性，这些特征属于五类：植被指数、颜色指数、纹理特征、气象因子和冠层覆盖度。
图4 ML模型超参数优化：（A）RFR，（B）PLSR，（C）XGBoost，（D）SVR。
图5 具有不同特征输入的最优模型的 10 折交叉验证结果：（A）植被指数，（B）颜色指数，（C）纹理特征，（D）气象因子，（E）四个特征的集成，（F）四个特征和覆盖度的融合。
图6 不同生长阶段各种模型的准确性评估雷达图：（A）和（B）比较四个模型在不同生长阶段的R 2和RMSE ，（C）和（D）比较具有不同特征输入的最优模型在不同生长阶段的R 2和RMSE。
https://www.sciencedirect.com/science/article/abs/pii/S0168169926001766免责声明：文章所引图文来自农业科技侠数字与智慧农业，仅供学习参考，若涉及侵犯版权请告知，我们将及时删除。