BỘ KHOA HỌC VÀ CÔNG NGHỆ
HỆ THỐNG THÔNG TIN KHOA HỌC VÀ CÔNG NGHỆ

Lọc theo danh mục
  • Năm xuất bản
    Xem thêm
  • Lĩnh vực
liên kết website
Lượt truy cập
 Lượt truy cập :  28,136,358
  • Công bố khoa học và công nghệ Việt Nam

87

Thực vật học

BB

Phạm Thị Làn(1), Lê Văn Cảnh(2)

Ước tính hàm lượng diệp lục trong lá lúa bằng chỉ số thực vật chiết xuất từ dữ liệu ảnh UAV đa phổ

Estimating chlorophyll content in rice leaves using vegetation in-dices derived f-rom multispectral UAV imagery

Khí tượng Thủy văn

2025

773

88-102

2525-2208

Hàm lượng diệp lục, Lá lúa, Chỉ số thực vật, Chiết xuất, Dữ liệu, Ảnh UAV đa phổ

Chlorophyll content (SPAD value), Vegetation indices (VIs), UAV, Rice.

Việc ước tính hàm lượng diệp lục của lá là việc rất thiết yếu để giám sát tăng trưởng cây lúa, giúp quản lý phân bón nhằm nâng cao năng suất cây lúa. Trong bài báo này, hàm lượng diệp lục được ước tính bằng các chỉ số thực vật (VIs) tính từ ảnh UAV đa phổ.Chỉ số NDVI (Normalized Difference Vegetation Index), OSAVI (Optimized Soil Adjusted Vegetation Index) và NSRI (NIR Shoulder Region Index) là các chỉ số tối ưu được lựa chọn bằng phương pháp đánh giá tương quan với hàm lượng diệp lục (giá trị SPAD) mà đã được đo đạc trên lá lúa ngoài thực tế. Hàm lượng diệp lục trên lá lúa được ước tính bằng VIs thông qua các mô hình học máy, bao gồm mô hình Hồi quy tuyến tính - Linear Regression (LR), cây quyết định ngẫu nhiên - Random Forest (RF), hồi quy điểm láng giềng gần nhất - KNN Regression (KNN) và hồi quy hỗ trợ vector - Support Vector Regression (SVR). Phương án kết hợp chỉ số NSRI và OSAVI cho kết quả tốt nhất và mô hình LR đạt độ chính xác cao hơn so với các mô hình KNN, SVR và RF. Kết quả nhận được cho thấy rằng kết hợp VIs từ ảnh UAV đa phổ bằng mô hình LR đã cải thiện độ chính xác của kết quả ước tính hàm lượng diệp lục trên lá lúa. Kết quả bài báo cũng là cơ sở tin cậy để ứng dụng phương pháp này cho cánh đồng có diện tích lớn trong định hướng sử dụng phân bón nhằm tối ưu năng suất cây lúa.

Estimating chlorophyll content in rice leaves is crucial for monitoring crop growth and optimizing fertilizer management to enhance rice yield. In this study, chloro-phyll content was estimated using vegetation indices (VIs) derived f-rom UAV multispectral imagery. NDVI (Normalized Difference Vegetation Index), OSAVI (Optimized Soil Ad-justed Vegetation Index), and NSRI (NIR Shoulder Region Index) were identified as opti-mal indices based on their correlation with chlorophyll content (SPAD values) measured in the field. Chlorophyll content was estimated using VIs through various machine learning models, including Linear Regression (LR), Random Forest (RF), K-Nearest Neighbor Re-gression (KNN), and Support Vector Regression (SVR). The combination of NSRI and OSAVI yielded the best results, with the LR model demonstrating higher accuracy com-pared to other models. The findings indicate that combining VIs f-rom UAV multispectral imagery with the LR model improves the accuracy of chlorophyll content estimation in rice leaves. These results provide a reliable basis for applying this method to large-scale areas, guiding fertilizer management to optimize rice productivity.
 

TTKHCNQG, CVt 39

Xem toàn văn