摘要 大豆 (Glycine max (L.) Merrill) 叶片叶绿素含量是植物生长和健康问题的指标。然而，使用标准化学程序测量叶绿素很费力，而基于传感器的电子选项，如土壤植物分析开发 (SPAD) 仪表往往非常昂贵，并且只能进行现场测量。因此，开发了一种使用具有图像处理和机器学习模型的智能手机相机进行大豆叶绿素测量的更简单、更便宜的内场方法。大豆叶图像（720 张图像）和 SPAD 读数从不同的栽培品种 (4) 中收集，重复 (3) 和采样日期 (2) 来自实验地块。在测试的几种颜色植被指数 (CVI) 中，深绿色指数 (DGCI) 与 SPAD 仪表读数的相关性最好 (r = 0. 90 ），通过颜色校准进一步改进（ r = 0.93 ）。随机系数模型的结果表明，品种和采样日期均无显着影响（0.06≤P≤0.96），因此合并数据进行分析。更简单的统计线性回归 (SLR) 和多项式回归 (PR)、多元线性回归以及高级机器学习模型（支持向量机 (SVM)、随机森林 (RF)）使用配色方案输入（RGB、DGCI、 DGCI 的范围像素计数 (RPC) 和“Both”（RPC + RGB））使用 DGCI、RPC 和“Both”输入（0.87 R 2 0.89；2.90 ≤ RMSE ≤ 3.41 SPAD 单位）产生了最佳叶绿素预测。总的来说，这些模型没有显着差异，但发现 SVM 模型是最好的（R 2 = 0.89 和 RMSE = 2.90 SPAD 单位）。具有 DGCI 输入（R 2 ≥ 0.87 和 RMSE ≤ 3.1 SPAD 单位）的简单 SLR 和 PR 模型与高级 SVM 和 RF 模型一样好。SVM 模型具有直接使用原始 RGB 输入（R 2 = 0.86 和 RMSE = 3.20 SPAD 单位）预测叶绿素的潜力，无需使用标准校准板。开发的具有机器学习建模和测量内田大豆叶绿素转换关系的图像处理方法高效、廉价，不需要标准校准板，可以轻松扩展到其他大型航空成像平台和大田作物。86 和 RMSE = 3.20 SPAD 单位）而无需使用标准校准板。开发的具有机器学习建模和测量内田大豆叶绿素转换关系的图像处理方法高效、廉价，不需要标准校准板，可以轻松扩展到其他大型航空成像平台和大田作物。86 和 RMSE = 3.20 SPAD 单位）而无需使用标准校准板。开发的具有机器学习建模和测量内田大豆叶绿素转换关系的图像处理方法高效、廉价，不需要标准校准板，可以轻松扩展到其他大型航空成像平台和大田作物。



"点击查看英文标题和摘要"