本项研究的目的是双重的，首先从植物高度 (PH) 和植被指数 (VI) 图中确定预测番茄产量的重要变量。这些地图来自无人机 (UAV) 拍摄的图像。其次，使用选定的变量集，检验多机器学习算法对番茄鲜枝质量(SM)、果实重量(FW)和果实数量(FN)的预测准确性。为了实现目标，无人机在 2020 年番茄生长季节的十天内收集了超高分辨率 RGB 和多光谱图像。从这些图像中，作者提取了756个总变量，包括每种植物的一阶(如平均值、标准差、偏度、范围和最大值)和二阶(如灰度共生矩阵特征和PH和VIs的生长率)统计数据。使用几种选择算法(即Boruta、DALEX、遗传算法、最小绝对收缩和选择算子以及递归特征消除)来选择对预测SM、FW和FN有用的变量集。随机森林，岭回归和支持向量机被用来预测产量使用前五个选定的变量集。

本研究中使用的实验场。位于日本东京。这张正射影像是使用6月18日拍摄的无人机影像创建的

在果实形成早期到中期，大约在收获前一个月收集的PH和VIs的一阶统计数据是预测SM的重要变量。与SM的情况类似，收获前大约一个月收集的变量对于预测FW和FN很重要。此外，与 PH 相关的变量对于预测并不重要。 与仅用一阶统计量得到的预测结果相比，用VIs的二阶统计量得到的预测结果对FW和FN更为准确。由所有变量构建的模型(rRMSE = 8.8-28.1%)对SM、FW和FN的预测精度优于一阶统计量模型(rRMSE = 10.0-50.1%)。

除了基本统计数据(如平均值和标准差)，作者还利用超高分辨率无人机图像导出了植物水平的PH和VIs的二阶统计数据。结果表明，该变量选择方法减少了番茄产量预测所需的变量数量，提高了表型数据收集的效率，有助于育种计划中高产品系的选择。

来源：Plant Methods.Prediction of plant-level tomato biomass and yield using machine learning with unmanned aerial vehicle imagery.Kenichi Tatsumi, Noa Igarashi & Xiao Mengxue
https://plantmethods.biomedcentral.com/articles/10.1186/s13007-021-00761-2