近日,南京农业大学园艺学院房婉萍教授团队,利用无人机遥感与数字化技术实现江苏省代表性茶园树体长势的智能无损监测。研究成果以“Non-destructive monitoring of tea plant growth through UAV spectral imagery and meteorological data using machine learning and parameter optimization algorithms”为题,发表在国际著名期刊《Computers and Electronics in Agriculture》。
图1随机森林算法参数的迭代优化
(a-d)茶树叶片生物量,(e-h)茶树叶片氮素积累量
随着茶园管理逐渐向集约化发展,急需适用于不同规模茶园的树体长势精准管理策略。研究选取了江苏省8个具有代表性的茶园作为研究对象,核心区面积涵盖8.33至39.01公顷。研究团队通过无人机遥感系统获取茶园遥感影像,同时收集了各茶园的气象数据。采用参数优化算法分别耦合随机森林、弹性回归网络和偏最小二乘回归方法进行茶树叶片生物量和和氮素积累量监测模型构建。研究结果表明,含红边信息的光谱特征在茶树叶片生物量与氮积累量估测中表现最好,传统机器学习在耦合参数优化算法后模型精度得到显著提升(图1),其中结合三种光谱特征的叶片生物量(R2= 0.76)和氮素积累量(R2= 0.76)监测模型的精度最高。以90和183天为时间区间构建的温度、辐射、降水指标对叶片生物量和氮素积累量监测具有更高的贡献度(图2),其与光谱特征的结合进一步提高了茶树生长监测模型(R2= 0.79-0.80)的精度。研究同时利用高清无人机影像结合GIS平台对各茶园地块进行数字化处理,量化了地块空间位置、数量、面积等属性,最终将茶树生长监测模型与茶园地块数字信息相结合,评估了8个茶园的树体生长空间变异情况(图3;CV = 5.28% ~ 15.90%)。研究为茶树生长定量化监测和数字化管控提供了重要技术支持。
图2 光谱特征(a和c)与气象指标(b和d)对茶树生长监测模型构建的贡献度
南京农业大学园艺学院房婉萍教授为该论文的通讯作者,钟山青年研究员江杰为论文第一作者,本团队研究生姬浩田、周官子、潘荣玉、赵丽玉,朱旭君副教授、马媛春和段玉老师,南京农业大学农学院刘小军教授,以及江苏鑫品茶业有限公司尹娟、段兆翔参与了部分研究工作。本研究得到了国家自然科学基金、国家现代农业(茶叶)产业技术体系、中国博士后科学基金面上资助、国家资助博士后研究人员计划等项目资助。
图3江苏省8个代表性茶园的树体生长空间变异图
(a-h)茶树叶片生物量,(i-p)茶树叶片氮素积累量