Оценка динамики восстановления кукурузы после полегания на основе анализа гиперспектральных изображений, полученных с беспилотных летательных аппаратов

Qian  Sun1,2,3, Liping  Chen4, Baoyuan  Zhang2, Xuzhou  Qu2, Yanglin  Cui2, Meiyan  Shu5*, and Xiaohe  Gu2*
1Jiangsu Key Laboratory of Crop Genetics and Physiology, Jiangsu Key Laboratory of Crop Cultivation and Physiology, Agricultural College of Yangzhou University, Yangzhou 225009 , China. 2Research Center of Information Technology, Beijing Academy of Agriculture and Forestry Sciences, Beijing 100097, China. 3Beijing PAIDE Science and Technology Development Co. Ltd., Beijing 100097, China. 4Research Center of Intelligent Equipment, Beijing Academy of Agriculture and Forestry Sciences, Beijing 100097, China. 5College of Information and Management Science, Henan Agricultural University, Henan 450046, China.

Для оперативного и бесконтактного контроля временной динамики изменений агрономических характеристик полёгших растений кукурузы крайне важно проводить мониторинг процесса восстановления роста.. Цель данного исследования состояла в оценке временной динамики изменения процесса восстановления роста кукурузы после полегания с использованием технологии гиперспектральной съемки с беспилотных летательных аппаратов (БПЛА).

Используя метод энтропии, индекс структуры кроны (CSI) оценивался на основе высоты растения (CH) и покрытия кроны (CC), тогда как индекс физиологической активности (PAI) определялся на основании содержания хлорофилла в листьях (LCC) и влагосодержания растений (PWC). Основываясь на теории нормального (скошенного) распределения, класс восстановления роста (GRG) полеглой кукурузы классифицировался исходя из расчетных значений CSI и PAI.

Основные результаты были следующими: (а) По мере увеличения количества дней после полегания (DAL) высота растений сначала увеличивалась, а затем снижалась, в то время как остальные агрономические признаки демонстрировали тенденцию к снижению. (б) Коэффициенты детерминации (R2R2) моделей оценки CH, CC, LCC и PWC составили соответственно 0,75, 0,69, 0,54 и 0,49, в то время как значения средней абсолютной процентной ошибки (MAPE) составляли соответственно 14,03%, 8,84%, 16,62% и 6,22% в тестовом наборе. (в) Классификация восстановления роста полеглой кукурузы была проведена путем установления пороговых значений на основе рассчитанных индексов CSI и PAI, достигнув общей точности классификации 77,68%.

Таким образом, предложенный метод оценки восстановления роста кукурузы после полегания оказался эффективным инструментом мониторинга повреждений вследствие полегания. Данное исследование предоставляет основу для эффективного и неразрушающего наблюдения за восстановлением роста полеглых растений кукурузы с применением гиперспектральных снимков, сделанных с БПЛА.

Введение

Кукуруза является одной из основных продовольственных культур в мире, играя важную роль в глобальном производстве продуктов питания, торговле продовольствием и продовольственной безопасности [1,2]. Изменение климата оказало серьезное негативное воздействие на сельскохозяйственное производство. Сильные осадки, вызванные тайфунами в Китае, в основном происходят летом, совпадая с быстрым ростом кукурузы. Из-за структурных особенностей, таких как тонкие стебли и слабая устойчивость к полеганию у растений кукурузы, они подвержены полеганию [3,4]. Полегание относится к стрессовым условиям, вызванным природными катастрофами, при которых растения падают из своего вертикального положения. Это приводит к снижению высоты растений (PH) и перекрытию листьев. Стресс от полегания изменяет структуру кроны популяции растений, а затененные листья влияют на физиологическую активность растения [5]. Таким образом, быстрая диагностика стресса от полегания и мониторинг временных изменений могут помочь понять его влияние на восстановление роста кукурузы.

Традиционный метод измерения полегания сельскохозяйственных культур включает в себя проведение агротехниками полевых исследований для оценки распространенности, углов и типов полегания. Этот подход субъективен, требует привлечения большого количества специалистов и значительных временных затрат [6,7]. Развитие технологий дистанционного зондирования в сельском хозяйстве открывает новые возможности для мониторинга полегания сельскохозяйственных культур, играя решающую роль в оценке их роста [8]. С помощью технологий дистанционного зондирования мы можем всесторонне контролировать и оценивать процесс роста сельскохозяйственных культур [8,9], площади посевов [10], урожайность [11,12], болезни и вредителей [13], а также многое другое [14].

По сравнению с традиционными полевыми наблюдениями, технология дистанционного зондирования предлагает значительные преимущества, такие как более широкий охват, более высокое пространственное и временное разрешение, повышенная эффективность мониторинга и снижение затрат [15]. Принцип сельскохозяйственного дистанционного зондирования заключается в использовании таких платформ, как спутники и беспилотные летательные аппараты (БПЛА), для сбора спектральной информации, отражающей состояние роста сельскохозяйственных культур [16]. Влияние стресса полегания на рост сельскохозяйственных культур является сложным и часто варьируется в зависимости от конкретных культур, стадий роста и генетических сортов.

Полегание не только изменяет пространственную структуру растений кукурузы, но и приводит к наклону и взаимному покрытию листьев кукурузы. Это явление привело к значительным изменениям в структуре полога популяций кукурузы [17], существенно влияя на фотосинтез, газообмен и транспорт растительных ауксинов. Наиболее очевидным признаком полегания растений является наклон растения и значительное уменьшение его вертикальной высоты [5,18–20]. Для определения полегающих и неполегающих растений успешно применялись различные модели и технологии, включая модели поверхности растений [5], цифровые модели полога [19], цифровые модели рельефа [21] и данные лидара [22]. Эти методы точно измеряли или оценивали фактическую высоту растений и эффективно выявляли полегание растений. В частности, использование показателя PH позволяет эффективно различать различные степени полегания, где меньший показатель PH часто указывает на более сильное полегание [19]. Многовременные данные облака точек, полученные с помощью лазерного сканера Riegl VUX-1, были использованы для построения модели высоты полога (CH) для полегающей кукурузы, и точность модели была подтверждена данными полевых измерений [23]. Результаты показали, что R2 составил 0,98, а среднеквадратическая ошибка – 3,75% в период выметывания, а R2 – 0,95, а среднеквадратическая ошибка – 9,89% в период налива. Эти результаты демонстрируют, что технология БПЛА-LiDAR может эффективно оценивать CH полегающей кукурузы. Полегание приводит к образованию угла между наклоненными растениями и землей [24,25], который обычно отражает изменение положения растения после полегания. Исследователи использовали RADARSAT-2 и Sentinel-1 для успешной оценки углов наклона полегания пшеницы [24] и кукурузы [25], а затем оценили степень полегания растений.

Исследование показало, что степень полегания увеличивается по мере увеличения угла между полегающим растением и землей. Данные Sentinel-1A с двойной поляризацией использовались для мониторинга изменений pH кукурузы до и после полегания, а углы полегания рассчитывались для оценки степени полегания [25]. Однако общая точность составила всего 67%, что указывает на относительно низкую точность оценки. Оценка полегания пшеницы была построена с использованием площади и угла полегания, что эффективно оценивало степень полегания пшеницы [26]. Исследования показали, что более высокая оценка полегания соответствовала более сильным сортам пшеницы.

Изменение положения растений в результате полегания не только меняет их внешний вид, но и напрямую влияет на рост и распределение корней. После полегания корни могут корректировать направление и глубину роста, чтобы адаптироваться к новым почвенным условиям. Этот процесс адаптации существенно влияет на способность растений усваивать питательные вещества из почвы и воду. Перераспределение корней после полегания может изменить эффективную площадь корней и поглощение питательных веществ. Это явление влияет на важнейшие физиологические процессы, такие как поглощение и эффективность использования питательных веществ во время роста и развития растений [27]. Плотность хлорофилла в пологе кукурузы была построена на основе содержания хлорофилла и pH для оценки физиологического состояния полегающей кукурузы [17]. Этот метод позволяет понять специфические механизмы воздействия полегания на физиологические процессы кукурузы. Исследования, связанные с физиологическими механизмами влияния полегания на рост и урожайность сельскохозяйственных культур, выявили эти воздействия путем моделирования изменений в структуре полога и фотосинтезе, вызванных полеганием [5,27]. Был выявлен механизм, посредством которого полегание снижает урожайность сельскохозяйственных культур, что подчеркивает, что полегание снижает урожайность сельскохозяйственных культур, вызывая самозатенение и снижая фотосинтез полога [5]. Модель фотосинтеза полога была разработана специально для того, чтобы объяснить, как изменения в структуре полога, вызванные полеганием, влияют на фотосинтез и, в конечном итоге, на урожайность сельскохозяйственных культур [27]. В настоящее время существует дефицит исследований, посвященных влиянию стресса, вызванного полеганием, на физиологические параметры сельскохозяйственных культур. Конкретные механизмы и степень влияния полегания на физиологические процессы сельскохозяйственных культур все еще требуют дальнейших исследований и обсуждений.

После полегания сельскохозяйственные культуры претерпевают самоадаптацию, при которой крона трансформируется, стеблевые узлы меняют углы наклона, а верхние части стебля дают новый вертикальный рост [27]. Эта адаптивная реакция позволяет сельскохозяйственным культурам адаптироваться к новым условиям роста после полегания. Растения кукурузы восстанавливаются после стресса, вызванного полеганием, благодаря механизму, называемому «гусиная шея» [28,29]. Эта адаптивная реакция не только позволяет растению вернуться в вертикальное положение, но и смягчает негативное влияние полегания на фотосинтез и общий рост. Хотя PH и угол полегания широко использовались для оценки степени полегания сельскохозяйственных культур, исследований, посвященных восстановлению сельскохозяйственных культур после полегания, было проведено мало. Понимание состояния восстановления сельскохозяйственных культур после полегания имеет решающее значение для разработки эффективных стратегий ведения сельского хозяйства. Исследования показали, что измерение pH временных рядов может помочь оценить скорость восстановления кукурузы после корневого полегания (RL) и оценить урожайность в конце сезона [30]. Кроме того, показатель CH после полегания использовался для оценки способности растений кукурузы к самовосстановлению [23]. Методы оценки, основанные на показателе CH, интуитивно понятны, просты в использовании и дают ценную информацию об устойчивости растений к стрессу и их адаптивности. Однако полегание кукурузы — сложный процесс, и использование только одного показателя не может обеспечить комплексную или объективную оценку восстановления роста после полегания. Хотя такой показатель, как pH, может выявить изменения в структуре растения, он не может полностью отразить общее состояние роста и способность растений к восстановлению после полегания. После полегания, хотя высота растений уменьшается, также наблюдаются значительные изменения в физиологической активности. Таким образом, была предложена двумерная структура анализа для комплексного описания состояния восстановления роста популяции полегающих культур с учетом двух аспектов: структуры полога и физиологической активности.

После того, как посевы подвергаются стрессу полегания, структура полога нарушается [17], а физиологическая активность подавляется [31–33], что влияет на общий статус роста посевов. Данное исследование направлено на предложение метода комплексной оценки восстановления роста полегающей кукурузы с использованием структуры полога и индикаторов физиологической активности. Конкретные цели следующие: (а) проанализировать динамические изменения временных рядов агрономических признаков кукурузы с различными типами полегания и построить индекс структуры полога (CSI) и индекс физиологической активности (PAI) для популяции кукурузы; (б) выяснить взаимосвязь между агрономическими признаками и спектром полога полегающей кукурузы и определить чувствительные длины волн, связанные с агрономическими признаками; (c) разделить степень восстановления роста (GRG) полегающей кукурузы на основе пороговых значений, полученных из оцененных CSI и PAI с использованием гиперспектральных изображений.

Материалы и методы

В данном исследовании проводились сбор гиперспектральных изображений растительности кукурузы различного типа полегания на этапах вегетационного развития на 1-й, 7-й, 14-й, 21-й и 28-й дни после полегания (DAL), а также на репродуктивной стадии молочной спелости (R3) на 1-й, 7-й и 14-й DAL.

Агрономические характеристики кукурузы (высота растений CH, покрытие площади CC, содержание хлорофилла в листьях LCC, водообеспеченность растений PWC) разных типов полегания измерялись в полевых условиях на стадиях VT и R3.

Путём анализа взаимосвязи спектра растительности с агрономическими признаками были выявлены чувствительные длины волн, коррелирующие с этими характеристиками, с использованием алгоритма отбора признаков. Затем агрономические признаки были оценены с помощью гиперспектральных изображений, снятых с беспилотных летательных аппаратов (БПЛА). Статус и степень восстановления роста полёгшей кукурузы определяли и ранжировали на основе оценочных значений индекса структуры кроны (CSI) и индекса физиологической активности (PAI). Точность предлагаемого подхода проверялась сравнением с фактическими показателями CSI и PAI.

Общий алгоритм оценки состояния восстановления роста популяции кукурузы после полегания представлен на рис. 1.

Территория исследования и схема эксперимента

 Общая ситуация на территории исследования

 Для проведения контрольного эксперимента по полеганию кукурузы были выбраны три участка (рис. 2). Эти районы не подвержены влиянию тайфунов, и для обеспечения точности и достоверности данных могут быть проведены эксперименты по строгому контролю за полеганием кукурузы.

 Участок 1 расположен на Национальной научно -демонстрационной базе точного земледелия (40°10' северной широты, 116°27' восточной долготы), Сяотаншань,  Пекин. Это типичный умеренный муссонный полувлажный климат. Среднегодовая температура и количество осадков составляют 11,80 °C и 550,30 мм соответственно; годовая продолжительность солнечных часов составляет 2684 часа; средняя высота над уровнем моря составляет 36 м. Почва здесь водно-аккумулятивная , а содержание органического вещества и общего азота составляет от 15,80 до 20 г/кг и от 1 до 1,20 г/кг соответственно.

Участок 2 расположен на экспериментальной базе Чжаосянь (37°50' северной широты,
114°49' восточной долготы) Научно-исследовательского института сельского и лесного хозяйства города Шицзячжуан, провинция Хэбэй. Он расположен на Северо-Китайской равнине, с пологим рельефом и средней высотой над уровнем моря 45 м. Здесь умеренно
-континентальный муссонный климат. Среднегодовая температура и количество осадков составляют 12,30 °C и 464 мм соответственно, а годовая продолжительность солнечных часов составляет 2800 часов. Здесь легкая суглинистая почва коричного цвета, а содержание органического вещества и общего азота составляет  14,30 г/кг и 1,20 г/кг соответственно.

Участок 3 расположен на территории Комплексной экспериментальной базы Синьсян (35°18′ с.ш., 113°53′ в.д.) Китайской академии сельскохозяйственных наук в уезде Синьсян, провинция Хэнань. Здесь умеренный континентальный муссонный климат. Среднегодовая температура и количество осадков составляют 14,10 °C и 573,40 мм соответственно; годовая продолжительность солнечных часов составляет 2407 часов; средняя высота над уровнем моря составляет 73,20 м. Почва здесь водно-аккумулятивная, а содержание органического вещества и общего азота составляет 13,28 г/кг и 1,19 г/кг соответственно.

План эксперимента

Эксперименты по полеганию кукурузы проводились на 3 участках с 2019 по 2021 год. Конкретная схема посева кукурузы представлена ​​в таблице 1. Полегание проводилась опытными экспериментаторами для обеспечения соответствия реальным условиям полегания в полевых условиях. Период полегания был установлен на стадии VT (за 2–3 дня до выметывания столбиков) и стадии R3 (через 15–20 дней после опыления). Каждая экспериментальный участок имел размеры 3,5 м × 3,5 м, с интервалом между участками 1,2 м. Вокруг экспериментальной зоны полегания были размещены изоляционные полосы (рис. 3А). Общая площадь эксперимента составила около 1370 м². Было выделено 6 типов полегания и один тип без полегания (рис. 3В), с 3 повторениями для каждого типа полегания. Когда растение полностью лежало на земле от основания корней, его классифицировали как RL. Изгиб стебля (SB) наблюдался, когда междоузлия стеблей были согнуты, но не сломаны. SB1 обозначал изгиб в 2–3 междоузлиях над корнем, а SB2 относился к изгибу в междоузлиях под початком кукурузы. Когда растение кукурузы наклонялось под углом к ​​вертикали, его классифицировали как наклон стебля (SI). Углы наклона составляли 60° (SI60°), 45° (SI45°) и 30° (SI30°). Нормальные прямостоячие растения (не полегающие) служили в качестве контроля (CK).

Получение данных

Гиперспектральные изображения с БПЛА

Эксперимент по гиперспектральному полету проводился с 12:00 до 13:00, когда небо было чистым и безоблачным. 6-роторный S900 электрический беспилотный летательный аппарат (SZ DJI Technology Co. Ltd., Шэньчжэнь, Китай) (Рис. 4А) был оснащен гиперспектральным тепловизором UHD185 (Cubert GmbH, Ульм, Германия) (рис. 4B) для получения экспериментальных изображений (рис. 4C-E). Длина одного рычага устройства Длина БПЛА составляла 386 мм, масса нетто - 4 кг, масса груза - 6 кг, продолжительность полета - от 15 до 20 минут. Тепловизор UHD185 - это полнокадровый гиперспектральный прибор для получения изображений в режиме реального времени без сканирования система, которая позволяет получать полноцветные фотографии (.jpg) и гиперспектральные фотографии в формате cube (.cub). Она работает со 125 каналами, охватывающими длины волн от 450 до 950 нм. Гиперспектральный тепловизор UHD185 был откалиброван с использованием стандартной белой доски перед началом работы. БПЛА работал на высоте 30 м с 80% курсовым и боковым перекрытием и интервалом получения изображений 1 мс. Исходные полученные изображения имели разрешение 1000 пикселей × 1000 пикселей.

Таблица 1. Подробная схема посадки кукурузы

Спектр кроны полегающей кукурузы

Каждый экспериментальный участок служил базовой единицей для получения гиперспектральных изображений, полученных с помощью беспилотника, где спектр кроны перед удалением фона был получен как средний спектр всех пикселей в пределах участка.

Индекс растительности использовался для различения кукурузы и фона на гиперспектральных изображениях, полученных с помощью БПЛА. В данном случае под "фоном" понимались другие наземные объекты (в основном тени растений и почва), за исключением кукурузы на исследуемой территории. Стебли были идентифицированы с помощью анализа гиперспектральных изображений высокого разрешения получено с помощью БПЛА. Для каждой из этих категорий были отобраны чистые пиксельные образцы: стебли, листья, тени и почва.

Пятьдесят образцов каждого объекта (лист, стебель, почва, тень) были случайным образом отобраны из гиперспектральных изображений и рассчитана их средняя спектральная отражательная способность (рис. 5А). В этом исследовании фон гиперспектральных изображений в основном состоял из теней почвы и растений (рис. 5B). Анализируя спектральную отражательную способность различных наземных объектов, был выбран индекс разности растительности (DVI) для выделения растений кукурузы (рис. 5C).

 DVI =R802 −R470  (1)
 где R802 представляет спектральный коэффициент отражения при 802 нм, а
R470 представляет спектральный коэффициент отражения при 470 нм.
 Пороговое значение между кукурузой и фоном было определено с использованием максимальной дисперсии по классу [34], что привело к сегментации изображений кукурузы и изображений без фона (рис. 5D).

Впоследствии фон был удален с использованием метода маскировки, чтобы выделить гиперспектральное изображение, содержащее только растения кукурузы.
 Аналогично, каждый экспериментальный участок был взят за базовую единицу, и спектр растительного покрова после удаления фона был получен путем усреднения спектров всех пикселей кукурузы в пределах участка.

Агрономические характеристики кукурузы

Сбор агрономических данных о полёгшей кукурузе был синхронизирован с гиперспектральными изображениями. Агрономические характеристики кукурузы были получены для каждого участка в качестве базовой единицы. Информация о гиперспектральном спектре кроны была усреднена по всем пикселям внутри каждого участка. Таким образом, каждый участок включал гиперспектральные данные кроны вместе с соответствующими агрономическими данными кукурузы. Конкретные даты полегания и даты сбора агрономических данных на стадии выметывания метёлки (VT) и стадии молочной спелости (R3) с 2019 по 2021 год подробно описаны в Таблице 2.

CH (высота растений): В каждом экспериментальном участке случайным образом выбирались 3 репрезентативных растения для измерения их высоты, которая определялась как вертикальное расстояние между верхушкой растения и землей. Среднее значение этих 3 измерений считалось высотой (CH) популяции кукурузы в данном участке.

CC (покрытие кроны): Чистые пиксели кукурузы внутри каждого экспериментального участка извлекались с использованием программного обеспечения ENVI (L3Harris Geospatial Solutions, Broomfield, CO, USA). Формула для расчета CC была следующей:

где Pixmaize​ — общее количество пикселей кукурузы в экспериментальном участке, а Pixplot​ — общее количество пикселей в экспериментальном участке.

LCC (содержание хлорофилла): Раствор хлорофилла был извлечен из листьев двух репрезентативных растений кукурузы в каждом участке. Значение поглощения хлорофилла на определенной длине волны измерялось с помощью спектрофотометра (L6 UV-Vis, Шанхай, Китай), а содержание хлорофилла стандартизировалось на основе закона Бера–Ламберта [35]. Формула расчета была следующей:

Таблица 2. Конкретные даты сбора агрономических данных

где OD649 и OD665 представляют собой значения поглощения раствора хлорофилла при 649 и 665 нм соответственно, а Ca и Cb - концентрации хлорофилла a и b соответственно. После этого было получено следующее уравнение:

где Chl - общее содержание хлорофилла, L – объем раствора хлорофилла (мл), B - кратность разведения, а m - масса листьев хлорофилла в свежем виде (г).

PWC (содержание воды в растении): В каждом участке было отобрано два репрезентативных растения для отделения стеблей и листьев. Измерялась свежая масса всех листьев, после чего они подвергались сушке в печи. Листья сначала сушили при температуре 105 °C в течение 30 минут (для инактивации ферментов, чтобы остановить реакцию и роль ферментов в листьях), а затем сушили при температуре 85 °C примерно 48 часов до достижения постоянной массы. Относительное содержание воды в растении кукурузы рассчитывалось следующим образом:

где FW - масса всех листьев в свежем виде (г), а DW - масса всех листьев в сухом виде (г).

Методы

 Алгоритм выбора длины волны

В гиперспектральных данных по пологу кукурузы содержится 125 длин волн. Сильная корреляция между этими несколькими непрерывными длинами волн приводит к избыточности данных и увеличивает сложность модели [36]. Метод выбора признаков извлекает наиболее релевантную спектральную информацию из исходных данных, снижая сложность модели и сохраняя при этом важную информацию. В данном исследовании была установлена ​​взаимосвязь между агрономическими признаками и спектром полога полегающей кукурузы. Для повышения эффективности модели оценки агрономических признаков было необходимо снизить избыточность гиперспектральных данных. Поэтому для выбора оптимальной комбинации длин волн был использован алгоритм BorutaShap.

BorutaShap объединяет два известных метода машинного обучения для выбора признаков из исходных данных, не требуя обширных гиперпараметров или произвольных пороговых значений. Алгоритм BorutaShap объединяет исходный метод Boruta с алгоритмом Shap, улучшая основной этап исходного подхода Boruta.
Это сочетание улучшает исходный метод важности перестановки как по скорости, так и по качеству выбранного подмножества функций. Этот алгоритм не только предоставляет превосходное подмножество функций, но также предлагает наиболее точное и последовательное глобальное упорядочение функций, что важно для интерпретации модели [37]. Конкретные шаги алгоритма BorutaShap следующие:

1. Создание теневых признаков. Порядок каждого реального признака случайным образом перемешивается для создания соответствующих теневых признаков. Затем реальные признаки конкурируют с соответствующими им теневыми признаками на последующих этапах.

2. Вычисление важности признаков. Матрица признаков, которая включает как реальные признаки, так и соответствующие им теневые признаки, используется для обучения модели случайного леса (RF). Значения формы рассчитываются для определения рейтингов важности признаков. Этот процесс позволяет получить значения важности признаков (Z-оценки) как для реальных признаков, так и для соответствующих им теневых признаков.

3. Установка порогового значения. Для установления порогового значения используется максимальная Z-оценка среди теневых признаков. Реальные признаки, Z-оценки которых превышают этот порог, сохраняются.
4. Отбор признаков. Каждый еще не определенный признак проходит двусторонний тест по отношению к его соответствующему теневому признаку. Признаки, значение которых значительно ниже порогового значения, считаются «неважными» и удаляются. Признаки, значительно превышающие пороговое значение, считаются «важными». Сохраняемые признаки — это признаки, имеющие сильную корреляцию с целевой переменной, что гарантирует их релевантность.

5. Итерация. Удалите все теневые признаки и повторяйте описанные выше шаги, пока каждому признаку не будет присвоена важность или пока алгоритм не выполнит заданное количество итераций.

Используя алгоритм BorutaShap для автоматического выбора оптимальных длин волн, спектральные признаки можно ранжировать по их важности для каждого агрономического признака (CH, CC, LCC, PWC). Такой подход гарантирует, что выбранное подмножество признаков сохранит интерпретируемость исходных спектральных данных.

Построение и оценка модели

Основанные на алгоритмах регрессии RF и частично наименьших квадратов (PLS), модели оценки для CH, CC, LCC и PWC были построены с использованием чувствительных длин волн. Связь между спектром полога и агрономическими признаками полегающей кукурузы была установлена ​​с помощью алгоритмов регрессии RF и PLS для достижения точной оценки этих признаков. RF относится к классу ансамблевых алгоритмов «бэггинг». Он объединяет несколько слабых моделей для создания надежной и точной модели. RF достигает этого путем обучения множества деревьев решений и усреднения их прогнозов. Такой ансамблевый подход повышает обобщающую способность и стабильность модели за счет снижения дисперсии между различными подмоделями.

Метод многомерного регрессионного анализа (PLS) объединяет сильные стороны множественной линейной регрессии, анализа главных компонент и регрессии наименьших квадратов. Он эффективно решает проблемы мультиколлинеарности между зависимыми и независимыми переменными.

Точность каждой модели оценки оценивалась с использованием коэффициента детерминации (R2) и средней абсолютной процентной ошибки (MAPE). Более высокий R2 указывает на лучшее соответствие модели, а значения, близкие к 1, указывают на более высокую производительность. MAPE, равный 0%, означает идеальную модель, в то время как MAPE, превышающий 100%, свидетельствует о низкой производительности. Меньший MAPE указывает на более точную модель оценки. R2 и MAPE использовались для оценки точности каждой модели оценки агрономических признаков, рассчитываемой по следующим формулам:

где yi – измеренные значения агрономических признаков, y – среднее значение измеренных значений агрономических признаков, yi – расчётные значения агрономических признаков, i – i-й образец, n – количество образцов.
Для обеспечения достоверности результатов оценки использовалась случайная выборка для разделения выборки на обучающий и тестовый наборы. Образцы были разделены таким образом, что 70% были отнесены к обучающему набору, а оставшиеся 30% – к тестовому. В частности, общее количество образцов составило 336: 235 образцов были отнесены к обучающему набору, а оставшиеся 101 образец – к тестовому набору.

Построение индекса роста полегающей кукурузы

Структура полога кукурузы претерпевает значительные изменения после полегания, в частности, снижение pH и повреждение корней и стеблей, что ухудшает транспорт питательных веществ и замедляет рост. Оценка восстановления роста кукурузы после полегания требует комплексной оценки с использованием нескольких показателей, а не одного единого показателя. Для оценки восстановления роста полегающей кукурузы рассматривались два аспекта: структура полога и физиологическая активность. Структура полога характеризовалась индексом роста полога (CSI), который был построен с использованием коэффициентов роста (CH) и клиренса (CC). Физиологическая активность была представлена ​​индексом роста полога (PAI), который был построен с использованием коэффициентов роста полегающей кукурузы (LCC) и клиренса (PWC). CSI и PAI были построены с использованием метода энтропии для мониторинга восстановления роста полегающей кукурузы. Основополагающий принцип энтропии заключается в назначении весов на основе изменчивости каждого показателя. Как правило, более низкая энтропия индикатора указывает на большую его изменчивость. Это означает, что индикатор предоставляет больше информации, что повышает его важность в комплексной оценке и увеличивает его вес. И наоборот, более высокая энтропия предполагает меньшую изменчивость индикатора, что указывает на меньшую информативность и снижает его роль в комплексной оценке, тем самым уменьшая его вес. Агрономические признаки для построения CSI и PAI были следующими:

Конкретные этапы построения CSI и PAI с использованием метода энтропии были следующими:

1. Определение показателей оценки

Предполагая, что имеется n образцов для оценки и m показателей оценки, исходная матрица данных выглядит следующим образом:

где xnm представляет значение m-го показателя оценки n-го образца.

2. Безразмерность показателей

Чтобы исключить влияние различных показателей на результаты оценки, каждый показатель должен быть безразмерным. Энтропия обычно использует либо положительные, либо обратные безразмерные преобразования. Если значение показателя максимизировано, выберите положительную безразмерную обработку:

Если значение индикатора минимизировано, выбираем обратное безразмерное преобразование:

где xij представляет значение индикатора после безразмерной величины, xij представляет значение j-го оценочного показателя i-го образца, min(xj) представляет минимальное значение j-го оценочного показателя, а max(xj) представляет максимальное значение j-го оценочного показателя. В данном исследовании каждый индикатор был преобразован в положительную или отрицательную безразмерную форму на основе изменений в структуре полога и физиологической активности кукурузы после полегания. Высота растений кукурузы уменьшалась после полегания, при этом не полегающая кукуруза демонстрировала наибольшую высоту, что свидетельствует о том, что более высокие значения CH соответствуют лучшим результатам CSI. Следовательно, CH рассматривался как положительный безразмерный показатель. Однако перекрытие листьев кукурузы увеличивалось после полегания, что приводило к увеличению покрытия пологом (CC). CC не полегающей кукурузы был самым низким, что указывает на то, что меньшие значения CC соответствуют лучшим результатам CSI. Поэтому CC считался обратно безразмерным. Что касается физиологической активности, содержание хлорофилла и воды в кукурузе снижалось после полегания. Неполегающая кукуруза продемонстрировала самые высокие значения LCC и PWC, что указывает на то, что более высокие значения LCC и PWC соответствуют лучшим результатам PAI. Поэтому LCC и PWC рассматривались как положительные безразмерные величины.

3. Рассчитайте долю каждого показателя.

Расчет доли значения i-й выборки к j-му оценочному показателю заключается в вычислении вариации этого показателя.

4. Вычислите энтропию каждого показателя
 Согласно определению энтропии в теории информации, энтропия группы данных определяется как:

где

5. Вычисление избыточности энтропии

6. Рассчитайте вес каждого индикатора.
Вес, присвоенный j-му индикатору, равен:

Для CSI веса, присвоенные CH и CC, составили 0,51 и 0,49 соответственно. Для PAI веса, присвоенные LCC и PWC, составили 0,64 и 0,36 соответственно.
7. Рассчитайте балл каждой выборки
После определения веса каждого индикатора балл каждой выборки рассчитывается следующим образом:

GRG кукурузы

Структура и физиологическая активность полога являются двумя критическими показателями для оценки состояния роста популяции кукурузы. GRG кукурузы оценивался путем одновременного учета CSI и PAI (рис. 6). CSI был нелинейной комбинацией CH и CC, представляющий размер полога популяции кукурузы. Его конечные точки соответствовали популяциям кукурузы с небольшим пологом на одном конце и популяциям кукурузы с большим пологом на другом.

PAI представлял собой нелинейную комбинацию LCC и PWC, отражающую физиологическую активность популяции кукурузы. Его конечные точки представляли популяции кукурузы со слабой физиологической активностью на одном конце и популяции кукурузы с сильной физиологической активностью на другом конце. GRG полегающей популяции кукурузы был качественно разделен на 9 градаций: GRG 1, GRG 2, GRG 3, GRG 4, GRG 5, GRG 6, GRG 7, GRG 8 и GRG 9. Популяция имела небольшой полог и слабую физиологическую активность (GRG 1), что указывает на наихудшее состояние восстановления роста среди полегающей кукурузы. Популяция имела средний размер полога и слабую физиологическую активность (GRG 2), что указывает на плохой статус восстановления роста полегающей кукурузы. Популяция имела небольшой полог и среднюю физиологическую активность (GRG 3), что указывает на плохой статус восстановления роста полегающей кукурузы. Популяция имела большой полог и слабую физиологическую активность (GRG 4), что указывает на статус восстановления роста полегающей кукурузы, который находится между плохим и умеренным. Популяция имела средний размер полога и среднюю физиологическую активность (GRG 5), что указывает на средний статус восстановления роста полегающей кукурузы. Популяция имела небольшой полог и сильную физиологическую активность (GRG 6), что указывает на статус восстановления роста полегающей кукурузы, который находится между плохим и умеренным. Популяция имела большой полог и среднюю физиологическую активность (GRG 7), что указывает на хороший статус восстановления роста полегающей кукурузы. Популяция имела средний размер полога и сильную физиологическую активность (GRG 8), что указывает на хорошее состояние восстановления роста полегающей кукурузы. Популяция имела большой полог и сильную физиологическую активность (GRG 9), что указывает на наилучшее состояние восстановления роста полегающей кукурузы.

Результаты

Вариация агрономических признаков кукурузы, подверженной полеганию

Высота растений (CH) у кукурузы, не подверженной полеганию, была выше, чем у кукурузы, подверженной полеганию, и CH значительно различалась среди 6 типов полегания. CH типа SI30° была самой высокой, а CH типа SB1 — самой низкой (рис. 7A и B). На стадии VT по мере увеличения дней полегания CH сначала увеличивалась, а затем уменьшалась для одного и того же типа полегания, достигая пика на 14-й день после полегания (DAL) (рис. 7A). На стадии R3 CH увеличивалась с увеличением дней полегания для типов RL и SB1, в то время как для других типов полегания CH сначала увеличивалась, а затем уменьшалась. Кукуруза, подверженная полеганию, обладает способностью к самовосстановлению, что проявляется в росте растений вверх, в частности, в увеличении CH популяции кукурузы.

На стадиях VT и R3 CC уменьшалась по мере увеличения дней полегания (рис. 7C и D). Кукуруза, подверженная полеганию, демонстрирует способность к самовосстановлению, так как верхняя часть растения растет вверх, изменяя структуру полога после полегания и уменьшая CC. Среди типов полегания CC была самой высокой для типа SB1, за ним следовал тип SB2, а CC типа RL была самой низкой. Тип RL демонстрирует медленное восстановление, так как только верхняя часть стебля кукурузы растет вверх. Кроме того, корни растений типа RL были сильно повреждены, что привело к более быстрому пожелтению нижних листьев по сравнению с другими типами полегания.

На стадиях VT и R3 LCC увеличивалась после уменьшения по мере увеличения дней полегания (рис. 7E и F). LCC была самой низкой на 14-й день после полегания (DAL) на стадии VT и на 7-й день после полегания на стадии R3. После полегания структура полога разрушалась, листья и стебли блокировали друг друга, уменьшая площадь приема света полога и вызывая снижение содержания хлорофилла. По мере восстановления кукурузы листья снова подвергались воздействию света, восстанавливая фотосинтез и увеличивая содержание хлорофилла.

Разница в PWC среди различных типов полегания была минимальной (рис. 7G и H). В целом, PWC демонстрировал нисходящую тенденцию по мере увеличения дней полегания. Уменьшение PWC у кукурузы, подверженной полеганию, было больше, чем у кукурузы, не подверженной полеганию. Это можно объяснить двумя факторами: во-первых, по мере прохождения кукурузы через стадии роста PWC естественным образом уменьшалась. Во-вторых, стресс от полегания вызывал потерю воды в кукурузе, что приводило к более значительному снижению PWC по сравнению с кукурузой, не подверженной полеганию.

Связь между агрономическими признаками и спектром полога

Используя все образцы, была проанализирована корреляция Пирсона между агрономическими признаками и спектром полога до и после удаления фона (рис. 8). Корреляция между CH и спектром полога до и после удаления фона была отрицательной в диапазоне длин волн от 450 до 950 нм (рис. 8А). Корреляция между CH и спектром полога до удаления фона была выше, чем после удаления фона. Корреляция между CC и спектром полога до удаления фона была положительной в диапазоне 450–586 нм и 718–950 нм, и отрицательной в диапазоне 590–714 нм (рис. 8B). Корреляция между CC и спектром полога после удаления фона была положительной в диапазоне 450–570 нм и 738–950 нм, и отрицательной в диапазоне 574–734 нм. Корреляция между спектром полога до удаления фона и CC была выше, чем после удаления фона. CH и CC служат индикаторами плотности популяции культур, описывая особенности популяции, поэтому ожидается высокая корреляция с спектром полога до удаления фона. Таким образом, спектр полога до удаления фона был выбран в качестве спектрального параметра для моделей CH и CC.

Корреляция между LCC и спектром полога до и после удаления фона была отрицательной в диапазоне длин волн от 450 до 718 нм и положительной в диапазоне длин волн от 722 до 950 нм (рис. 8C). Корреляция между спектром полога после удаления фона и LCC была сильнее, чем до удаления фона. Поскольку хлорофилл является внутренним пигментом растения кукурузы, он был тесно связан со спектром полога после удаления фона. Корреляция между PWC и спектром полога до и после удаления фона была положительной в диапазоне длин волн от 450 до 950 нм (рис. 8D). В диапазонах длин волн от 450 до 762 нм и от 934 до 950 нм корреляция между спектром полога до удаления фона и PWC была сильнее, чем после удаления фона. Напротив, в диапазоне длин волн от 766 до 930 нм корреляция между спектром полога после удаления фона и PWC была сильнее, чем до удаления фона. LCC и PWC являются индивидуальными индикаторами сельскохозяйственных культур, описывающими их особенности, и их корреляция со спектром полога после удаления фона была выше, чем до удаления фона. Поэтому спектр полога после удаления фона был выбран в качестве спектральных параметров для моделей оценки LCC и PWC.

Выбор длины волны из спектра полога

С помощью алгоритма BorutaShap чувствительные длины волн CH и CC были отобраны из спектра полога перед удалением фона, а чувствительные длины волн LCC и PWC были отобраны из спектра полога после удаления фона. На рис. 9 синий прямоугольник представляет максимальный, средний, медианный и минимальный Z-баллы теневых объектов, а зеленый, желтый и красный прямоугольники представляют Z-баллы важных, предварительных и неважных объектов. Алгоритм BorutaShap был выполнен 1000 раз.

Количество важных длин волн, выявленных для CH, CC, LCC и PWC, составило 24, 25, 18 и 18 соответственно. Для CH 24 длины волн (942, 734, 914, 546, 614, 566, 594, 454, 642, 750,
926, 574, 542, 726, 742, 458, 950, 570, 578, 934, 730, 558, 946 и 738 нм) были определены как важные характеристики. Кроме того, 2 длины волн были рассмотрены как предварительные характеристики (938 и 610 нм), в то время как остальные 99 длин волн были признаны неважными (рис. 9А). Для CC 25 длин волн (734, 914, 918, 922, 454,
694, 834, 814, 898, 722, 822, 926, 718, 678, 882, 906, 726, 702, 686, 698, 902, 730, 690, 738 и 826 нм) были определены как важные характеристики. Кроме того, 2 длины волн были рассмотрены как предварительные характеристики (830 и 798 нм), в то время как остальные 98 длин волн были признаны неважными (рис. 9B). Для LCC 18 длин волн (934, 938, 930, 942, 946, 918, 714, 566, 466, 774, 718, 538, 458, 950, 462, 454, 830 и 642 нм) были определены как важные характеристики, в то время как остальные 107 длин волн были признаны неважными (рис. 9C). Для PWC 18 длин волн (782, 730, 946, 798, 786, 758, 794, 806, 914, 918, 770, 766, 778, 742, 950, 818, 454 и 830 нм) были определены как важные характеристики, в то время как остальные 107 длин волн были признаны неважными (рис. 9D).

Большинство чувствительных длин волн находились после 700 нм, особенно в красном краевом и ближнем инфракрасном диапазонах. Результаты указывают на значительную связь между агрономическими признаками и красным краем и ближним инфракрасным диапазонами. Это связано с тем, что спектральное отражение в красном краевом и ближнем инфракрасном диапазонах в первую очередь зависит от компонентов полога и физиологической активности растений. Для неполегающей кукурузы спектр полога в основном формируется верхними обычными листьями. Однако после полегания структура полога разрушается, и спектр полога в основном формируется стеблями кукурузы и перекрывающимися листьями. Многослойность листьев в пологе кукурузы вызывает многократное рассеяние и пропускание света, что приводит к вариациям спектрального отражения в красном краевом и ближнем инфракрасном диапазонах.

Следовательно, изменения в структуре полога делают CH и CC более чувствительными к спектральному отражению в этих диапазонах. У полегающей кукурузы перекрывающиеся листья приводят к неравномерному распределению света и влияют на физиологическую активность, в результате чего красный край и ближний инфракрасный диапазоны существенно влияют на LCC и PWC.

Модели оценки агрономических признаков полегающей кукурузы

На основе чувствительных длин волн были построены модели оценки CH, CC, LCC и PWC полегающей кукурузы с использованием методов регрессии RF и PLS. Для прямой демонстрации точности этих моделей оценки были сравнены и проанализированы измеренные и оцененные значения агрономических признаков (рис. 10 и 11). Для двух методов регрессии RF показал более высокую точность, чем PLS, при построении моделей оценки агрономических признаков. В частности, в тестовом наборе точность модели агрономического признака, построенной с помощью PLS, была заметно низкой, с R2 менее 0,53 (рис. 11). Более того, значения R2 для моделей оценки CH, CC, LCC и PWC, построенных с помощью RF, были на 41,51%, 68,29%, 25,58% и 75% выше, чем у PLS. В тестовом наборе все значения R2 превысили 0,49, а значения MAPE были ниже 20% при использовании метода регрессии RF, демонстрируя высокую точность оценки агрономических признаков. В частности, модель оценки CH показала самую высокую точность (R2 = 0,75, MAPE = 14,03%; рис. 10A), за ней следует модель оценки CC (R2 = 0,69, MAPE = 8,84%; рис. 10B), затем следует модель оценки LCC (R2 = 0,54, MAPE = 16,62%; рис. 10C), а модель оценки PWC показала самую низкую точность (R2 = 0,49, MAPE = 6,22%; рис. 10D).

Оценка GRG полегающей кукурузы

Гистограмма отображает распределение CSI и PAI в популяции кукурузы, показывая частоту, пиковые значения и асимметрию распределения. В частности, среднее значение CSI для образцов составляет 47,56, что указывает на относительно концентрированное распределение CSI (рис. 12А). Это наблюдение может указывать на относительно однородную структуру полога в популяции полегающей кукурузы.

Среднее значение PAI для образцов составляет 41,67, и его распределение демонстрирует небольшой левый асимметрический сдвиг, что свидетельствует об относительно низких значениях PAI (рис. 12Б). Это может указывать на то, что в некоторых случаях некоторые растения в популяции полегающей кукурузы находятся в более слабом физиологическом состоянии, или что факторы окружающей среды оказывают определенное влияние на их рост и состояние восстановления.

 Стратегия порогового разделения была основана на сочетании статистической гистограммы и теории нормального (асимметричного) распределения. Используя среднее значение (μ) и стандартное отклонение (σ) оценочных CSI и PAI, данные были разделены на 3 части: [0, μ − 1,25 * σ], [μ − 1,25 * σ, μ + 1,25 * σ] и [μ + 1,25 * σ, Max], где Max — максимальное значение оценочных CSI и PAI. Для CSI минимальное, среднее, стандартное отклонение и максимальное значения составили 3,70, 47,56, 18,23 и 84,03 соответственно. Для PAI соответствующие значения составили 0,06, 41,67, 16,10 и 97,74 соответственно. Эти пороговые значения CSI и PAI служат эталоном для классификации статуса восстановления роста полегающей кукурузы на числовом уровне.

Комбинированное пороговое деление с распределением рассеивания оцененных CSI и PAI, статус восстановления роста полегающей кукурузы был разделен на 9 градаций (рис. 6). Узлы градации для CSI составили 24,78 и 70,35, в то время как узлы градации для PAI составили 21,54 и 61,79. Большинство образцов полегающей кукурузы попадают в GRG 5, тогда как количество образцов в других категориях относительно невелико (рис. 13A). Результаты показали, что общий статус восстановления роста популяции кукурузы в условиях стрессового полегания был хорошим. Хотя GRG полегающей кукурузы, основанные на измеренных CSI и PAI, несколько отличались от GRG, основанных на расчетных CSI и PAI, общая тенденция была в целом последовательной (рис. 13B). Это расхождение может быть связано с ограничениями метода оценки модели, который не может полностью воспроизвести измеренные условия.

Как в измеренных, так и в оцененных образцах, CK был распределен по 4 классам: GRG 5, GRG 7, GRG 8 и GRG 9. Результаты показали, что не полегающие растения кукурузы росли хорошо.

Была рассчитана доля каждого типа полегания в каждой GRG для оцененных образцов (таблица 3).

На стадии VT в типе RL было 22 образца, относящихся к категории GRG 5 (умеренный статус восстановления роста), что составило 73,33%. Большинство популяций кукурузы в типе RL продемонстрировали средний уровень GRG. Это указывает на то, что полегающая популяция кукурузы типа RL все еще обладает относительно хорошей способностью к восстановлению на стадии VT. В типе SB 18,33% образцов относились к категории GRG 3, показывая несколько плохой статус восстановления роста полегающей популяции кукурузы. Кроме того, 55% образцов относились к категории GRG 5, что указывает на то, что большинство популяций кукурузы сохраняли умеренный уровень роста в типе SB. Эти результаты подчеркивают различия в показателях восстановления роста среди популяций полегающей кукурузы в типе SB. В типе SI 61,11% образцов относились к категории GRG 5, что указывает на то, что показатели восстановления роста популяций полегающей кукурузы преимущественно оставались на среднем уровне. Кроме того, 17,78% образцов относились к категории GRG 7, что указывает на хорошие показатели восстановления роста. Это демонстрирует, что значительная часть полегающих популяций кукурузы в типе SI продолжает демонстрировать относительно хорошие условия. В целом, несмотря на различия между различными типами полегания на стадии VT, полегающие популяции кукурузы в целом демонстрируют высокую способность к восстановлению роста. На стадии R3 38,89% образцов в типе RL относились к категории GRG 3 (умеренное восстановление роста), что указывает на то, что небольшая часть популяции кукурузы имела плохое восстановление после полегания. Кроме того, 50% образцов относились к категории GRG 5, что указывает на то, что большинство полегающих растений кукурузы демонстрировало умеренные показатели восстановления роста. Восстановление роста большинства полегающих растений кукурузы было ниже среднего уровня на стадии R3. В типе SB 38,89% образцов относились к категории GRG 3, что указывает на относительно высокую долю популяций полегающей кукурузы со слабым восстановлением роста. Кроме того, 47,22% образцов относились к категории GRG 5, что указывает на то, что значительная часть популяций кукурузы сохраняла умеренный уровень восстановления роста в типе SB. Это подчеркивает различия в показателях восстановления роста популяций полегающей кукурузы в типах SB. В типе SI 64,81% образцов относились к категории GRG 5, что указывает на то, что показатели восстановления роста полегающей кукурузы были преимущественно на среднем уровне. Несмотря на то, что полегание происходит на стадии R3, большинство популяций полегающей кукурузы смогли поддерживать относительно умеренное состояние роста. В целом, восстановление роста кукурузы демонстрировало различия между различными типами полегания, но в целом демонстрировало умеренную способность к восстановлению.

Было отмечено, что доля образцов, отнесенных к средней степени и выше (включая GRG 5, GRG 7, GRG 8 и GRG 9), различалась в зависимости от типа полегания. В частности, на стадии VT 86,67% образцов типа RL были отнесены к средней степени и выше, что указывает на то, что большинство полегающих популяций кукурузы смогли достичь хорошего уровня восстановления. Напротив, в типе SB эта доля составила 68,33%, что свидетельствует об относительно слабом восстановлении роста популяции кукурузы. Напротив, в типе SI эта доля достигла 90%, что указывает на то, что подавляющее большинство полегающих популяций кукурузы смогли поддерживать хорошие условия роста. На стадии R3 доля образцов, отнесенных к средней степени и выше, составила 50% в типе RL, что ниже, чем на стадии VT, но все же указывает на то, что большинство полегающих популяций кукурузы сохраняли умеренный уровень восстановления. В типе SB образцы, отнесенные к средней степени и выше, составили 50%, что указывает на относительно низкое восстановление роста полегающей популяции кукурузы. Напротив, в типе SI доля образцов средней степени и выше достигла 85,19%, что указывает на то, что подавляющее большинство полегающих популяций кукурузы может поддерживать хорошие условия роста. Кукуруза демонстрирует способность восстанавливать рост в условиях стресса полегания, причем ее восстановительная способность зависит как от стадии полегания, так и от типа полегания. На каждой стадии роста типы полегания были расположены сверху вниз следующим образом: RL, SB1, SB2, SI60°, SI45°, SI30° и CK (рис. 14). Что касается стадии полегания, то способность популяции кукурузы к восстановлению роста была несколько лучше на стадии VT по сравнению со стадией R3. Во время стадии VT кукуруза переходит от вегетативного к репродуктивному росту, что повышает её способность быстро усваивать питательные вещества и восстанавливать повреждения, вызванные полеганием. Напротив, на стадии R3, когда кукуруза находится в стадии полного репродуктивного роста, питательные вещества в первую очередь направляются на развитие зерна, а не на восстановление растений. Среди полегающих типов тип SI продемонстрировал наибольшую способность к восстановлению, тогда как типы RL и SB показали более слабую способность к восстановлению. Это различие в первую очередь обусловлено повреждением корней и стеблей у типов RL и SB, что снизило эффективность транспорта питательных веществ и отрицательно повлияло на способность кукурузы к самовосстановлению. Напротив, тип SI сохранил целостность морфологии корней и растений, что обеспечило высокую способность к восстановлению.

Валидация групп GRG в полегающей кукурузе

В таблице 4 показано распределение образцов и точность классификации для каждой группы GRG. Среди оцененных образцов ни один не попал в категорию GRG 1. Только один образец был отнесен к категории GRG 4, что указывает на относительно редкий статус роста для этого класса. Напротив, наибольшее количество образцов, в общей сложности 201, было отнесено к категории GRG 5, что составляет 59,82% от общего числа образцов. Эти результаты показывают, что восстановление роста популяции полегающей кукурузы в целом характеризовалось умеренным статусом. В частности, умеренной средней густотой полога и умеренной физиологической активностью. Это говорит о том, что общий уровень роста оставался относительно стабильным после полегания, без значительных тенденций к избыточному или недостаточному росту. В измеренных образцах более 90% образцов были правильно классифицированы на группы GRG 2, GRG 4 и GRG 7. Доля правильно классифицированных образцов была самой высокой в ​​группе GRG 4 – 100%, за ней следовала группа GRG 2 – 95,83%. Наибольшее количество правильно классифицированных образцов относилось к категории GRG 5, составив 85,01% от общего числа образцов, что указывает на средний уровень восстановления роста этих образцов. Это показало, что восстановление роста полегающей кукурузы относилось к средней категории со средней густотой полога и умеренной физиологической активностью. Общая точность классификации восстановления роста составила 77,68%. Эти результаты продемонстрировали эффективность схемы оценки группы GRG полегающей кукурузы, предложенной в данной статье.

Обсуждение

Гиперспектральная оценка восстановления роста полегающей кукурузы с помощью БПЛА

Своевременная и точная оценка состояния восстановления роста после полегания имеет важное значение для управления после стихийных бедствий и урегулирования страховых случаев [38,39]. При использовании БПЛА для мониторинга полегания сельскохозяйственных культур большинство методов основаны на спектральных изменениях и пространственных вариациях для качественного выявления полегания. Анализируя различия в спектре полога между полегающими и нормальными культурами, исследователи использовали вегетационный индекс [27,40,41] и текстурные характеристики [19,42] для прямого выявления полегающих культур.

Кукуруза, подверженная стрессу полегания, демонстрирует заметное снижение вертикальной высоты полога (рис. 3B). Наклон стебля или полное покрытие землей приводит к нарушению ориентации листьев, что значительно изменяет структуру полога (рис. 4C). Стресс полегания, при котором растения опираются друг на друга, снижает фотосинтетическую способность сельскохозяйственных культур. Это подавление физиологической активности было задокументировано [27,31–33]. Изменения структуры и физиологического состояния растительного полога обычно влияют на сигналы дистанционного зондирования, при этом спектр растительного полога служит комплексным отражением обоих факторов. В некоторых исследованиях для количественной оценки полегания растений использовались исключительно структурные характеристики, такие как pH и угол полегания [7,20].

Гиперспектральный датчик на базе БПЛА имеет небольшие размеры и обладает такими преимуществами, как узкие полосы пропускания, высокое спектральное разрешение и подробная спектральная информация, что позволяет точно различать наземные объекты [43]. Гиперспектральный датчик визуализации объединяет технологии обработки изображений и спектральные технологии, фиксируя не только двумерную пространственную информацию о объектах, но и спектральные свойства [44,45]. Таким образом, гиперспектральные изображения могут быть полезны для оценки состояния восстановления роста полегающей кукурузы. С помощью корреляционного анализа агрономических признаков и спектра полога, полученных с гиперспектральных изображений, полученных с помощью БПЛА, было обнаружено, что CH и CC демонстрируют сильную корреляцию со спектром полога до удаления фона (рис. 8A и B), в то время как LCC и PWC сильно коррелируют со спектром полога после удаления фона (рис. 8C и D). Соответственно, чувствительные длины волн были выбраны из спектра полога до удаления фона для построения моделей оценки CH и CC, а также из спектра полога после удаления фона для построения моделей оценки LCC и PWC. Модели оценки продемонстрировали высокую точность со значениями R2 выше 0,49 и MAPE ниже 20% в тестовом наборе (рис. 10). Эти результаты свидетельствуют о высокой эффективности оценки агрономических признаков полегающей кукурузы.

Полегание кукурузы – сложный процесс, который изменяет структуру полога и подавляет физиологическую активность листьев кукурузы. Оценка состояния восстановления роста популяций полегающей кукурузы предполагает комбинированный подход, интегрирующий структуру полога и физиологическую активность. С использованием метода энтропии были разработаны CSI и PAI для комплексной оценки этого состояния, что дало многообещающие результаты. CSI включает CH и CC, а PAI – LCC и PWC. Основываясь на теории нормального (асимметричного) распределения, состояние восстановления роста полегающей кукурузы было разделено на 9 градаций с использованием оцененных CSI и PAI (рис. 6 и 12A и B). Значительная часть образцов относилась к GRG 5, что указывает на в целом хорошее состояние восстановления роста полегающей кукурузы (рис. 12C). Сравнение оценочных и измеренных значений CSI и PAI выявило небольшие расхождения, при общей точности классификации 77,68% (таблица 4). Плотность хлорофилла в пологе полегающей кукурузы была получена как на основе структуры полога, так и на основе физиологических показателей, достигнув максимальной точности 0,63 в модели оценки [17]. Это указывает на то, что метод оценки восстановления роста кукурузы после полегания, предложенный в данном исследовании, оказался эффективным по сравнению с предыдущими исследованиями. В другом исследовании была разработана модель CH специально для полегающей кукурузы, достигшая точности, превышающей 0,9. Однако автор в первую очередь анализировал возможности восстановления различных типов полегания кукурузы на основе данных об урожайности [23]. Кроме того, точность классификации в данном исследовании в отношении GRG полегающей кукурузы требует дальнейшего совершенствования. Учитывая факторы, влияющие на точность классификации, такие как недостаточное разнообразие выборки, неправильный выбор признаков и низкое качество данных дистанционного зондирования, в дальнейшей работе для повышения точности классификации можно использовать следующие методы: (a) увеличение разнообразия выборки: расширение набора данных для включения более широкого спектра сортов кукурузы, стадий роста и условий окружающей среды для лучшего отражения изменчивости степеней восстановления; (b) уточнение выбора признаков: использование передовых методов выбора признаков, таких как методы глубокого обучения, для выявления наиболее релевантных признаков для оценки восстановления роста; (c) повышение качества данных дистанционного зондирования: уточнение использования данных дистанционного зондирования с более высоким разрешением или интеграция нескольких технологий дистанционного зондирования, таких как объединение мультиспектральных и гиперспектральных данных, повышает способность обнаруживать признаки полегания.

Эффективность выбора чувствительных длин волн из гиперспектральных данных растительного покрова.

Гиперспектральная система дистанционного зондирования собирала спектральные данные отражения с использованием 125 узких длин волн, что приводило к избыточности данных [46]. Модели оценки агрономических признаков, использующие все длины волн, склонны к переобучению, что приводит к низкой точности и интерпретируемости модели [47]. Поэтому извлечение эффективно при полегании кукурузы. Снижение размерности гиперспектральных данных широко рассматривается как эффективный способ повышения точности и интерпретируемости модели. На основе определенных критериев выбираются длины волн, чувствительные к агрономическим признакам, чтобы сохранить основные характеристики исходных гиперспектральных данных [48}. Алгоритм BorutaShap был использован для выделения чувствительных длин волн для уменьшения размеров и точной оценки агрономических признаков. BorutaShap, метод выбора функций-оболочек, который объединяет алгоритм Boruta и Shap value, обеспечивает повышенную скорость и качество по сравнению с оригинальным методом определения важности. Этот алгоритм не только идентифицирует надежное подмножество признаков, но и обеспечивает наиболее точное и последовательное глобальное ранжирование признаков для интерпретации модели.

Для оценки влияния длин волн, выбранных алгоритмом BorutaShap, на каждый агрономический признак (рис. 15) была использована фреймворк Shap. Значения Shap для каждой длины волны по всем образцам были нанесены на график, чтобы выделить наиболее значимые длины волн и диапазон их влияния на набор данных. Каждая строка (ось Y) представляет собой признак (длину волны), а ось X – значение Shap. Признаки упорядочены по их среднему значению Shap. Каждая точка на графике представляет образец, цвет которого указывает на значение признака: красный обозначает более высокие значения, а синий – более низкие. Вертикальное смещение образцов по оси Y указывает на изменчивость, а более широкие кластеры предполагают группы более крупных образцов. Таким образом, эта визуализация дает представление о распределении значений Shap для каждого признака, позволяя ранжировать их на основе важности.

Распределение образцов на длинах волн 570, 566, 950 и 454 нм было заметно рассеянным, что свидетельствует о значительном влиянии и важности в модели CH (рис. 15A). Высокие значения отражательной способности (красный цвет) на этих длинах волн оказывали негативное влияние на модель оценки CH, тогда как низкие значения отражательной способности (синий цвет) имели положительное воздействие. Распределение образцов на длинах волн 834, 826, 814, 454 и 822 нм наблюдалось достаточно рассеянным, что указывает на значительное влияние и важность в модели СС (рис. 15B). Высокие значения отражательной способности (красный цвет) на этих длинах волн положительно воздействовали на модель оценки СС, в то время как низкие значения отражательной способности (синий цвет) оказывали отрицательное влияние. Распределение образцов на длинах волн 942, 454 и 950 нм демонстрировало значительную степень разброса, что свидетельствовало о существенном влиянии на модель LCC (рис. 15C). Высокие значения отражательной способности (красный цвет) на длинах волн 942 и 950 нм позитивно сказывались на модели оценки LCC, тогда как низкие значения отражательной способности (синий цвет) на этих длинах волн приводили к негативному эффекту. Напротив, высокие значения отражательной способности (красный цвет) на длине волны 454 нм негативно влияли на модель оценки LCC, в то время как низкие значения отражательной способности (синий цвет) способствовали положительному воздействию. На длине волны 462 нм большинство образцов группировались вокруг SHAP=0, что предполагает минимальное влияние отражательной способности на этой длине волны на большинство предсказаний LCC, затрагивая лишь небольшую подгруппу оценок LCC.

Таблица 4. Количество и точность образцов кукурузы с различной степенью восстановления роста

Распределение образцов на длинах волн 794, 730 и 454 нм показало значительное рассеяние, что указывает на их существенное влияние на модель PWC (рис. 15D). Высокие значения отражения (красный цвет) на 794 и 454 нм положительно повлияли на модель оценки PWC, тогда как низкие значения отражения (синий цвет) на этих длинах волн оказали отрицательный эффект. Высокие значения отражения (красный цвет) на 730 нм оказали отрицательный эффект на модель оценки PWC, в то время как низкие значения отражения (синий цвет) на 730 нм оказали положительный эффект.

Алгоритм BorutaShap успешно обеспечил точную оценку агрономических признаков полегающей кукурузы за счет снижения размерности данных, достигнув положительных результатов (рис. 10). Следовательно, BorutaShap эффективно уменьшил размерность гиперспектральных данных, повысив как точность оценки, так и эффективность расчетов агрономических признаков. Чувствительные к идентификации длины волн служат ценным ориентиром для будущей разработки датчиков дистанционного зондирования, предназначенных для мониторинга состояния восстановления роста полегающих культур.

Ограничения в оценке восстановления роста полегающей кукурузы

Обобщение степени ущерба, наносимого урожаю полеганием, затруднено . Влияние на рост кукурузы варьируется в зависимости от таких факторов, как время и степень полегания, стадия роста и географическая среда. Например, раннее полегание может привести к меньшему повреждению корней и более высокому потенциалу восстановления кукурузы, тогда как
полегание на критических стадиях роста может значительно снизить урожайность [27].

Проблемы оценки восстановления роста кукурузы после полегания в первую очередь проявляются в следующих аспектах. Во-первых, способность кукурузы к восстановлению зависит от ее сорта. Существуют заметные различия в устойчивости к полеганию между различными сортами. Некоторые могут проявлять более высокую устойчивость к полеганию и более быстрое восстановление, в то время как другие могут быть более восприимчивыми. В данном исследовании рассматривались только 2 сорта кукурузы, а различия между несколькими сортами не учитывались. В дальнейшей работе мы планируем исследовать различия в характеристиках роста и устойчивости к полеганию у разных сортов кукурузы. Это позволит нам проанализировать применимость и эффективность наших методов для разных сортов.

Во-вторых, рост урожая сильно зависит от факторов окружающей среды в полевых условиях. Такие переменные, как температура, влажность и осадки, играют решающую роль в восстановлении кукурузы. Благоприятные условия обычно способствуют быстрому возобновлению роста, тогда как неблагоприятные факторы окружающей среды могут замедлить восстановление или даже привести к дальнейшему повреждению. В данном исследовании эксперименты по полеганию кукурузы проводились в трех отдельных районах, каждый из которых отличался различными методами возделывания, типами почв и климатическими условиями.

Однако эти факторы не были всесторонне проанализированы. Будущие исследования должны включать параметры окружающей среды и изучать обобщаемость результатов исследований для различных условий окружающей среды. Это включает изучение потенциального влияния таких факторов, как тип почвы, температура, осадки и методы возделывания, на методы мониторинга.
Наконец, интерпретация и анализ данных дистанционного зондирования зависят от ряда факторов, таких как рельеф местности, метеорологические условия и растительный покров. Эти элементы существенно влияют на мониторинг восстановления роста полегающей кукурузы. Например, изменения рельефа местности могут изменить отражение и рассеяние света, что потенциально влияет на точность данных дистанционного зондирования. Метеорологические условия, такие как осадки и температура, напрямую влияют на скорость роста и способность растений к восстановлению. Сложность этих факторов увеличивает сложность мониторинга сельскохозяйственных культур с использованием методов дистанционного зондирования.

Таким образом, существует множество неопределенностей и ограничений при оценке восстановления роста кукурузы после полегания. Крайне важно всесторонне учитывать множество факторов и проводить долгосрочные наблюдения и оценку, чтобы точно оценить их фактическое влияние на урожайность.

Благодарности
Мы благодарим сотрудников, помогавших в сборе данных для экспериментов по полеганию кукурузы.

Финансирование: Эта работа была поддержана Национальной ключевой программой исследований и разработок Китая (номер гранта: 2023YFD2301500).

Вклад авторов: Q.S.: концептуализация, программное обеспечение, методология, формальный анализ и написание — первоначальный черновик. L.C.: проверка, написание — обзор и редактирование, и проверка. B.Z.: программное обеспечение и формальный анализ. X.Q.: программное обеспечение и управление данными. Y.C.: исследование и ресурсы. M.S.: исследование и управление проектом. X.G.: проверка, написание — обзор и редактирование, и получения финансирования.

Конфликт интересов: Авторы заявляют, что у них нет конфликта интересов.

Ссылки
1. Herrmann I, Bdloach E, Montesey Y, Rachmilevitch S, Townsend PA, Karnieli A. Assessment of maize yield and phenology by drone-mounted hyperspectral camera. Precis Agric. 2020;21:51–76.

2. Mi C, Zhang X, Li S, Yang J, Zhu D, Yang Y. Assessment of environment lodging stress for maize using fuzzy synthetic evaluation. Math Comput Model. 2011;54(3–4):1053–1060.

3. Abdon BG, Darrah LL, Tracy WF. Developmental changes associated with divergent selection for rind penetrometer resistance in the Mo17 maize synthetic. Crop Sci. 1999;39(1):108–114.

4. Hondroyianni E, Papakosta DK, Gagianas AA, Tsatsarelis KA. Corn stalk traits related to lodging resistance in two soils of differing salinity. Maydica. 2000;45:125–133.

5. Setter TL, Laurie EW, Mazaredo AM. Lodging reduces yield of rice by self-shading and reductions in canopy photosynthesis. Field Crop Res. 1997;49:95–106.

6. Bock CH, Poole GH, Parker PE, Gottwald TR. Plant disease severity estimated visually, by digital photography and image analysis, and by hyperspectral imaging. Crit Rev Plant Sci. 2010;29(2):59–107.

7. Singh D, Wang X, Kumar U, Gao L, Noor M, Imtiaz M, Singh RP, Poland J. High-throughput phenotyping enabled genetic dissection of crop lodging in wheat. Front Plant Sci. 2019;10:394–404.

8. Rasti S, Bleakley CJ, Holden NM, Whetton R, Langton D, O'Hare G. A survey of high resolution image processing techniques for cereal crop growth monitoring. Inf Process Agric. 2022;9:300–315.

9. Bégue A, Arvor D, Bellon B, Betbeder J, De Abelleira D, RPD F, LeBourgeois V, Lelong C, Simões M, Verón SR. Remote sensing and cropping practices: A review. Remote Sens. 2018;10(1):99.
10. Orynbaykzyzy A, Gessner U, Conrad C. Crop type classification using a combination of optical and radar remote sensing data: A review. Int J Remote Sens. 2019;40:6553–6595.

11. Elavarasan D, Vincent DR, Sharma V, Zomaya AY, Srivinasan K. Forecasting yield by integrating agrarian factors and machine learning models: A survey. Comput Electron Agric. 2018;155:257–282.

12. Schauberger B, Jägermeyr J, Gornott C. A systematic review of local to regional yield forecasting approaches and frequently used data resources. Eur J Agron. 2020;120:126153.

13. Abd El-Ghany NM, Abd El-Aziz SE, Marei SS. A review: Application of remote sensing as a promising strategy for insect pests and diseases management. Environ Sci Pollut Res Int. 2020;27(27):33503–33515.
14. Virnödkar SS, Pachghare VK, Patil VC, Jha SK. Remote sensing and machine learning for crop water stress determination in various crops: A critical review. Precis Agric. 2020;21(5):1121–1155.

15. Atzberger C. Advances in remote sensing of agriculture: Context description existing operational monitoring systems and major information needs. Rem Sens. 2013;5(2):949–981.

16. Zhang M, Wu B, Yu M, Zhou W, Zheng Y. Crop condition assessment with adjusted NDVI using the uncropped arable land ratio. Remote Sens. 2014;6:5774–5794.

17. Sun Q, Gu X, Chen L, Xu X, Wei Z, Pan Y, Gao Y. Monitoring maize canopy chlorophyll density under lodging stresses based on UAV hyperspectral imagery. Comput Electron Agric. 2022;193(1):106671.

18. Chu T, Starek MJ, Brewer MJ, Murray SC, Pruter LS. Assessing lodging severity over an experimental maize (Zea mays L.) field using UAS images. Remote Sens. 2017;9(9):923–946.

19. Murakami T, Yui M, Amaha K. Canopy height measurement by photogrammetric analysis of aerial images: Application to buckwheat (Fagopyrum esculentum Moench) lodging evaluation. Comput Electron Agric. 2012;89:70–75.

20. Wilke N, Siegmann B, Klingbeil L, Burkart A, Kraska T, Müller O, van Doorn A, Heinemann S, Rascher U. Quantifying lodging percentage and lodging severity using a UAV-based canopy height model combined with an objective threshold approach. Remote Sens. 2019;11(5):515–532.
21. Chapman S, Merz T, Chan A, Jackway P, Hrabar S, Drecqer M, Holland E, Zheng B, Ling T, Berni J, et al. Phenocopter: A low-altitude autonomous remote-sensing robotic helicopter for high-throughput field-based phenotyping. Agronomy. 2014;4(2):297–301.

22. Zhou L, Gu X, Cheng S, Gujurin Y, Shu M, Sun Q. Analysis of plant height changes of lodged maize using UAV-LiDAR data. Agriculture. 2020;10(5):146.

23. Hu X, Sun L, Gu X, Sun Q, Wei Z, Pan Y, Chen L. Assessing the self-recovery ability of maize after lodging using UAV-LiDAR data. Remote Sens. 2021;13(12):2270.

24. Chauhan S, Darvishzadeh R, Boschetti M, Nelson A. Estimation of crop angle of inclination for lodged wheat using multi-sensor SAR data. Remote Sens Environ. 2020b;236:111488.

25. Shu M, Zho L, Gu X, Ma Y, Sun Q, Yang G, Zho C. Monitoring of maize lodging using multi-temporal Sentinel-1 SAR data. Adv Space Res. 2020;65(1):470–480.

26. Chauhan S, Darvishzadeh R, Boschetti M, Nelson A. Discriminant analysis for lodging severity classification in wheat using RADARSAT-2 and Sentinel-1 data. ISPRS J Photogramm Remote Sens. 2020a;164:138–151.

27. Berry PM, Spink J. Predicting yield losses caused by lodging in wheat. Field Crop Res. 2012;137:19–26.

28. Dhugga KS. Maize biomass yield and composition for biofuels. Crop Sci. 2007;47(6):2211–2227.

29. Zhang Q, Pettinoli FA, Dhugga KS, Rafalski JA, Tingey S, Taylor J, Shirley NJ, Hayes K, Beattie M, Abrams SR, et al. Cell wall modifications in maize pulvini in response to gravitational stress. Plant Physiol. 2011;156(4):2155–2171.

30. Tirado SB, Hirsch CN, Springer NM. Utilizing temporal measurements from UAVs to assess root lodging in maize and its impact on productivity. Field Crop Res. 2021;262:108014.
31. Khan S, Anwar S, Jie K, Nomana A, Zho G. Alteration in yield and oil quality traits of winter rapeseed by lodging at different planting density and nitrogen rates. Sci Rep. 2018;8(1):1–12.

32. Robertson DJ, Julius M, Lee SY, Cook DD. Maize stalk lodging: Morphological determinants of stalk strength. Crop Sci. 2017;57(2):926–934.

33. Shah AN, Tanveer M, Rehman A, Anjum SA, Iqbal J, Ahmad R. Lodging stress in cereal—Effects and management: An overview. Environ Sci Pollut Res Int. 2017;24(6):5222–5237.

34. Otsu N. A threshold selection method from gray-level histograms. IEEE Trans Syst Man Cybern. 1979;9(1):62–66.

35. Muhammad A, Ishfaq M, Ahmad N. Morpho-physiological changes of jatropha curcas leaves cultivated in marginal land under rain fed condition. ARPN J Agric Biol Sci. 2018;13:124–132.

36. Fang Y, Yang F, Zho Z, Lin L, Li X. Hyperspectral wavelength selection and integration for bruise detection of Korla pears. J Spectrosc. 2019;2019:6715247.

37. Ghosh I, Chaudhuri TD. Integrating Navier-Stokes equation and neoteric iForest-BorutaShape-Facebook’s prophet framework for stock market prediction: An application in Indian context. Expert Syst Appl. 2022;210:118391.

38. Kendall SL, Holmes H, White CA, Clarke SM, Berry PM. Quantifying lodging-induced yield losses in oilseed rape. Field Crops Res. 2017;211:106–113.

39. Tian B, Luan S, Zhang L, Liu Y, Zhang L, Li H. Penalties in yield and yield associated traits caused by stem lodging at different developmental stages in summer and spring foxtail millet cultivars. Field Crops Res. 2018;217:104–112.

40. Liu HY, Yang GJ, Zho HC. The extraction of wheat lodging area in UAV’s image used spectral and texture features. Appl Mech Mater. 2014;651–653:2390–2393.
41. Zhao X, Yuan Y, Song M, Ding Y, Lin F, Liang D, Zhang D. Use of unmanned aerial vehicle imagery and deep learning UNet to extract rice lodging. Sensors. 2019;19(18):3859–3871.

42. Sun Q, Sun L, Shu M, Gu X, Yang G, Zho L. Monitoring maize lodging grades via unmanned aerial vehicle multitemporal imagery. Plant Phenomics. 2019;2019:5704154.

43. Faical BS, Freitas H, Gomes PH, Mano LY, Pessin G, de Carvalho ACPLF, Krishnamachari B, Ueyama J. An adaptive approach for UAV-based pesticide spraying in dynamic environments. Comput Electron Agric. 2017;138:210–223.

44. Deng L, Yan Y, Gong H, Duann F, Zhong R. The effect of spatial resolution on radiometric and geometric performances of a UAV-mounted hyperspectral 2D imager. ISPRS J Photogramm Remote Sens. 2018;144:298–314.

45. Gu Y, Liu T, Gao G, Ren G, Ma Y, Chanusso J, Jia X. Multimodal hyperspectral remote sensing: An overview and perspective. Science China Inf Sci. 2021;64(2):121301.

46. Morales G, Sheppard J, Logan R, Shaw J. Hyperspectral dimensionality reduction based on inter-band redundancy analysis and greedy spectral selection. Remote Sens. 2021;13(18):3649.

47. Thorpe KR, Wang G, Bronson KF, Badaaruddin M, Mon J. Hyperspectral data mining to identify relevant canopy spectral features for estimating durum wheat growth, nitrogen status, and grain yield. Comput Electron Agric. 2017;136:1–12.

48. Fu Z, Yu S, Zhang J, Xi H, Gao Y, Lu R, Zheng H, Zhuy Y, Cao W, Liu X. Combining UAV multispectral imagery and ecological factors to estimate leaf nitrogen and grain protein content of wheat. Eur J Agron. 2022;132:126405.