Published May 8, 2020
| Version v1
Publication
Open
Predicting Biomass and Yield in a Tomato Phenotyping Experiment Using UAV Imagery and Random Forest
Creators
- 1. King Abdullah University of Science and Technology
- 2. University College Dublin
- 3. Assiut University
- 4. King Abdulaziz University
Description
Biomass and yield are important variables used for assessing agricultural production and performance. However, these variables are difficult to predict for individual plants at the farm scale, and prediction models and accuracies may be affected by abiotic stresses such as salinity. In this study, a diversity panel of the wild tomato species, Solanum pimpinellifolium, was evaluated through field- and unmanned aerial vehicle (UAV) based assessment of 600 control and 600 salt-treated plants. The aim of this research was to determine if red-green-blue (RGB) UAV-based imagery, collected one, two, four, six, seven and eight weeks before harvest could predict fresh shoot mass, tomato fruit numbers, and yield mass at harvest, and if prediction accuracies varied between control and salt-treated plants. Multi-spectral UAV-based imagery was also collected one and two weeks prior to harvest for comparison with the RGB imagery. A random forest machine learning approach was used to model biomass and yield. The results showed that shape features such as plant area, border length, width and length had the highest importance in the random forest models, followed by vegetation indices and the entropy texture measure. The highest explained variances of 87.95%, 63.88% and 66.51% were achieved using multi-spectral UAV imagery two weeks prior to harvest for fresh shoot mass, fruit numbers and yield mass per plant, respectively. The RGB UAV imagery produced very similar results to those of the multi-spectral UAV imagery, with the explained variance reducing as a function of increasing time to harvest. Higher accuracies were achieved with separate models for predicting yield of salt-stressed plants, whereas the prediction of yield for control plants was less affected if the model included salt-stressed plants. This research demonstrates that it is feasible to predict the average biomass and yield up to eight weeks prior to harvest within 4.23% of field-based measurements, and at the individual plant level up to four weeks prior to harvest. Results from this work may be useful in providing guidance for yield forecasting of healthy and salt-stressed tomato plants, which in turn may inform growing practices, logistical planning and sales operations.
Translated Descriptions
⚠️
This is an automatic machine translation with an accuracy of 90-95%
Translated Description (Arabic)
الكتلة الحيوية والمحصول هما متغيران مهمان يستخدمان لتقييم الإنتاج الزراعي والأداء. ومع ذلك، يصعب التنبؤ بهذه المتغيرات للنباتات الفردية على نطاق المزرعة، وقد تتأثر نماذج التنبؤ والدقة بالإجهادات اللاأحيائية مثل الملوحة. في هذه الدراسة، تم تقييم لوحة تنوع أنواع الطماطم البرية، Solanum pimpinellifolium، من خلال التقييم الميداني والطائرات بدون طيار (UAV) لـ 600 نبات تحكم و 600 نبات معالج بالملح. كان الهدف من هذا البحث هو تحديد ما إذا كانت الصور المستندة إلى الطائرات بدون طيار ذات اللون الأحمر والأخضر والأزرق (RGB)، والتي تم جمعها قبل أسبوع أو أسبوعين أو أربعة أو ستة أو سبعة أو ثمانية أسابيع من الحصاد، يمكن أن تتنبأ بكتلة البراعم الطازجة وأعداد ثمار الطماطم وكتلة الغلة عند الحصاد، وإذا كانت دقة التنبؤ تختلف بين نباتات التحكم والنباتات المعالجة بالملح. كما تم جمع الصور متعددة الأطياف المستندة إلى الطائرات بدون طيار قبل أسبوع أو أسبوعين من الحصاد للمقارنة مع صور RGB. تم استخدام نهج عشوائي للتعلم الآلي للغابات لنمذجة الكتلة الحيوية والإنتاجية. وأظهرت النتائج أن ملامح الشكل مثل مساحة النبات وطول الحدود والعرض والطول كانت لها الأهمية القصوى في نماذج الغابات العشوائية، تليها مؤشرات الغطاء النباتي وقياس نسيج الإنتروبيا. تم تحقيق أعلى الفروق الموضحة بنسبة 87.95 ٪ و 63.88 ٪ و 66.51 ٪ باستخدام صور الطائرات بدون طيار متعددة الأطياف قبل أسبوعين من الحصاد لكتلة اللقطات الطازجة وأعداد الفاكهة وكتلة الغلة لكل نبات، على التوالي. أنتجت صور الطائرات بدون طيار RGB نتائج مشابهة جدًا لتلك الخاصة بصور الطائرات بدون طيار متعددة الأطياف، مع تقليل التباين الموضح كدالة لزيادة الوقت للحصاد. تم تحقيق دقة أعلى مع نماذج منفصلة للتنبؤ بمحصول النباتات المجهدة بالملح، في حين أن التنبؤ بمحصول نباتات التحكم كان أقل تأثراً إذا تضمن النموذج نباتات مجهدة بالملح. يوضح هذا البحث أنه من الممكن التنبؤ بمتوسط الكتلة الحيوية والعائد حتى ثمانية أسابيع قبل الحصاد في حدود 4.23 ٪ من القياسات الميدانية، وعلى مستوى النبات الفردي حتى أربعة أسابيع قبل الحصاد. قد تكون نتائج هذا العمل مفيدة في توفير إرشادات للتنبؤ بغلة نباتات الطماطم الصحية والمجهدة بالملح، والتي بدورها قد تفيد الممارسات المتنامية والتخطيط اللوجستي وعمليات البيع.Translated Description (French)
La biomasse et le rendement sont des variables importantes utilisées pour évaluer la production et les performances agricoles. Cependant, ces variables sont difficiles à prédire pour les plantes individuelles à l'échelle de la ferme, et les modèles de prédiction et les précisions peuvent être affectés par des stress abiotiques tels que la salinité. Dans cette étude, un panel de diversité des espèces de tomates sauvages, Solanum pimpinellifolium, a été évalué à l'aide d'une évaluation sur le terrain et d'un véhicule aérien sans pilote (UAV) de 600 plantes témoins et de 600 plantes traitées au sel. L'objectif de cette recherche était de déterminer si l'imagerie basée sur les UAV rouge-vert-bleu (RVB), recueillie une, deux, quatre, six, sept et huit semaines avant la récolte, pouvait prédire la masse de pousses fraîches, le nombre de fruits de tomate et la masse de rendement à la récolte, et si les précisions de prédiction variaient entre les plantes témoins et les plantes traitées au sel. Des images multispectrales basées sur des drones ont également été collectées une et deux semaines avant la récolte pour comparaison avec les images RVB. Une approche d'apprentissage automatique forestier aléatoire a été utilisée pour modéliser la biomasse et le rendement. Les résultats ont montré que les caractéristiques de forme telles que la surface de la plante, la longueur de la bordure, la largeur et la longueur avaient la plus grande importance dans les modèles forestiers aléatoires, suivis des indices de végétation et de la mesure de la texture de l'entropie. Les variances expliquées les plus élevées de 87,95 %, 63,88 % et 66,51 % ont été obtenues en utilisant l'imagerie multispectrale des UAV deux semaines avant la récolte pour la masse des pousses fraîches, le nombre de fruits et la masse de rendement par plante, respectivement. L'imagerie RVB de l'UAV a produit des résultats très similaires à ceux de l'imagerie multispectrale de l'UAV, avec une réduction de la variance expliquée en fonction de l'augmentation du temps de récolte. Des précisions plus élevées ont été obtenues avec des modèles séparés pour prédire le rendement des plantes stressées par le sel, alors que la prédiction du rendement pour les plantes témoins était moins affectée si le modèle incluait des plantes stressées par le sel. Cette recherche démontre qu'il est possible de prédire la biomasse et le rendement moyens jusqu'à huit semaines avant la récolte dans un délai de 4,23 % des mesures sur le terrain, et au niveau de chaque plante jusqu'à quatre semaines avant la récolte. Les résultats de ce travail peuvent être utiles pour fournir des conseils pour la prévision du rendement des plants de tomates sains et stressés par le sel, ce qui peut à son tour éclairer les pratiques de culture, la planification logistique et les opérations de vente.Translated Description (Spanish)
La biomasa y el rendimiento son variables importantes utilizadas para evaluar la producción y el rendimiento agrícola. Sin embargo, estas variables son difíciles de predecir para plantas individuales a escala de granja, y los modelos de predicción y las precisiones pueden verse afectados por tensiones abióticas como la salinidad. En este estudio, se evaluó un panel de diversidad de la especie de tomate silvestre, Solanum pimpinellifolium, a través de una evaluación basada en vehículos aéreos no tripulados (UAV) y de campo de 600 plantas control y 600 tratadas con sal. El objetivo de esta investigación fue determinar si las imágenes basadas en UAV rojo-verde-azul (RGB), recolectadas una, dos, cuatro, seis, siete y ocho semanas antes de la cosecha, podían predecir la masa de brotes frescos, el número de frutos de tomate y la masa de rendimiento en la cosecha, y si las precisiones de predicción variaban entre las plantas control y las tratadas con sal. También se recopilaron imágenes multiespectrales basadas en UAV una y dos semanas antes de la cosecha para compararlas con las imágenes RGB. Se utilizó un enfoque de aprendizaje automático de bosques aleatorios para modelar la biomasa y el rendimiento. Los resultados mostraron que las características de forma como el área de la planta, la longitud del borde, el ancho y la longitud tuvieron la mayor importancia en los modelos de bosques aleatorios, seguidos de los índices de vegetación y la medida de textura de entropía. Las variaciones más altas explicadas de 87.95%, 63.88% y 66.51% se lograron utilizando imágenes multiespectrales de UAV dos semanas antes de la cosecha para la masa de brotes frescos, el número de frutos y la masa de rendimiento por planta, respectivamente. Las imágenes de UAV RGB produjeron resultados muy similares a los de las imágenes de UAV multiespectrales, con la reducción de la varianza explicada en función del aumento del tiempo hasta la cosecha. Se lograron mayores precisiones con modelos separados para predecir el rendimiento de las plantas con estrés salino, mientras que la predicción del rendimiento para las plantas de control se vio menos afectada si el modelo incluía plantas con estrés salino. Esta investigación demuestra que es factible predecir la biomasa promedio y el rendimiento hasta ocho semanas antes de la cosecha dentro del 4.23% de las mediciones de campo, y a nivel de planta individual hasta cuatro semanas antes de la cosecha. Los resultados de este trabajo pueden ser útiles para proporcionar orientación para el pronóstico de rendimiento de plantas de tomate sanas y con estrés salino, lo que a su vez puede informar las prácticas de cultivo, la planificación logística y las operaciones de venta.Files
pdf.pdf
Files
(2.8 MB)
| Name | Size | Download all |
|---|---|---|
|
md5:13430b92c534ae26946bf0f7f1a7e297
|
2.8 MB | Preview Download |
Additional details
Additional titles
- Translated title (Arabic)
- التنبؤ بالكتلة الحيوية والعائد في تجربة التنميط الظاهري للطماطم باستخدام صور الطائرات بدون طيار والغابات العشوائية
- Translated title (French)
- Prédire la biomasse et le rendement dans une expérience de phénotypage de la tomate à l'aide d'images d'UAV et de forêts aléatoires
- Translated title (Spanish)
- Predicción de biomasa y rendimiento en un experimento de fenotipado de tomates utilizando imágenes de UAV y bosques aleatorios
Identifiers
- Other
- https://openalex.org/W3020699323
- DOI
- 10.3389/frai.2020.00028
References
- https://openalex.org/W1145502669
- https://openalex.org/W1867276794
- https://openalex.org/W1998842586
- https://openalex.org/W2000157222
- https://openalex.org/W2000613913
- https://openalex.org/W2010150056
- https://openalex.org/W2011325105
- https://openalex.org/W2020068622
- https://openalex.org/W2025782027
- https://openalex.org/W2036003376
- https://openalex.org/W2039067795
- https://openalex.org/W2044465660
- https://openalex.org/W2045201279
- https://openalex.org/W2059501000
- https://openalex.org/W2064636932
- https://openalex.org/W2074865628
- https://openalex.org/W2075818603
- https://openalex.org/W2078180904
- https://openalex.org/W2110298216
- https://openalex.org/W2122348296
- https://openalex.org/W2130290838
- https://openalex.org/W2133272607
- https://openalex.org/W2139086914
- https://openalex.org/W2148717014
- https://openalex.org/W2154614604
- https://openalex.org/W2161390327
- https://openalex.org/W2161548576
- https://openalex.org/W2166326933
- https://openalex.org/W2169281690
- https://openalex.org/W2231576311
- https://openalex.org/W2261059368
- https://openalex.org/W2289042839
- https://openalex.org/W2324853856
- https://openalex.org/W2327669213
- https://openalex.org/W2407655494
- https://openalex.org/W2479938810
- https://openalex.org/W2541630240
- https://openalex.org/W2543665758
- https://openalex.org/W2556502614
- https://openalex.org/W2565169535
- https://openalex.org/W2565531507
- https://openalex.org/W2587466508
- https://openalex.org/W2590379360
- https://openalex.org/W2610735241
- https://openalex.org/W2617056706
- https://openalex.org/W2728224506
- https://openalex.org/W2761140038
- https://openalex.org/W2765366036
- https://openalex.org/W2767512561
- https://openalex.org/W2767547957
- https://openalex.org/W2768210762
- https://openalex.org/W2768558813
- https://openalex.org/W2788303747
- https://openalex.org/W2790915795
- https://openalex.org/W2793761229
- https://openalex.org/W2793927960
- https://openalex.org/W2795121812
- https://openalex.org/W2801837235
- https://openalex.org/W2803704160
- https://openalex.org/W2809302475
- https://openalex.org/W2809791866
- https://openalex.org/W2883461396
- https://openalex.org/W2885770726
- https://openalex.org/W2887821638
- https://openalex.org/W2891621712
- https://openalex.org/W2892318290
- https://openalex.org/W2893106156
- https://openalex.org/W2898275094
- https://openalex.org/W2898710507
- https://openalex.org/W2903422738
- https://openalex.org/W2903679996
- https://openalex.org/W2904509436
- https://openalex.org/W2904527523
- https://openalex.org/W2906116753
- https://openalex.org/W2911608675
- https://openalex.org/W2911964244
- https://openalex.org/W2914008080
- https://openalex.org/W2916879452
- https://openalex.org/W2918084323
- https://openalex.org/W2920765846
- https://openalex.org/W2921277556
- https://openalex.org/W2921360674
- https://openalex.org/W2927871781
- https://openalex.org/W2931291380
- https://openalex.org/W2936348993
- https://openalex.org/W2937353161
- https://openalex.org/W2938151351
- https://openalex.org/W2940726923
- https://openalex.org/W2940856955
- https://openalex.org/W2947241366
- https://openalex.org/W2951630487
- https://openalex.org/W2953686964
- https://openalex.org/W2957516528
- https://openalex.org/W2963184564
- https://openalex.org/W2982343528
- https://openalex.org/W2996332308
- https://openalex.org/W3007054076
- https://openalex.org/W3011189840
- https://openalex.org/W3103196960