Улучшение анализа питания сельхозкультур: Точное земледелие с многозадачной регрессией и гиперспектральной визуализацией

Новые методы гиперспектральной визуализации и машинного обучения позволяют неразрушающий мониторинг питательного статуса растений. Однако традиционный метод однозадачной регрессии (STR), предсказывающий концентрации элементов по отдельности, имеет ограничения по точности для некоторых элементов.

Исследование, опубликованное в Plant Phenomics, было направлено на повышение точности предсказания концентраций 17 элементов в листьях томата с помощью метода многозадачной регрессии с последовательным связыванием (MTSC). Этот метод интегрирует предсказанные значения одних элементов в исходные гиперспектральные данные для улучшения прогноза других.

Результаты сравнения MTSC и STR:

• Метод MTSC значительно улучшил точность прогноза для 10 элементов: Mg, P, S, Mn, Fe, Co, Cu, Sr, Mo и Cd.
• Наиболее заметный рост коэффициента детерминации (R²) наблюдался для Mn, Cu, Co, Fe и Mg.
• Модель Random Forest (RF) показала наилучшие средние результаты: наибольший прирост R² и снижение среднеквадратичной ошибки (RMSE).
• Эффективность MTSC была подтверждена на тестовом наборе данных, где его прогнозы для 10 элементов превзошли STR.

Исследование демонстрирует, что учет взаимосвязей между элементами с помощью нелинейных моделей машинного обучения, таких как RF, позволяет значительно повысить точность неразрушающей оценки питательного статуса растений.