DOI: https://doi.org/10.3389/fpls.2025.1488760
PMID: https://pubmed.ncbi.nlm.nih.gov/39949411
تاريخ النشر: 2025-01-30
المؤلف: Lalit Pun Magar وآخرون
الموضوع الرئيسي: الاستشعار عن بعد وتطبيقات LiDAR
نظرة عامة
تدرس هذه الدراسة فعالية أجهزة استشعار RGB وLiDAR منخفضة التكلفة في تقدير ارتفاع النبات (PH) في فول الصويا (Glycine max [L.] Merr.) خلال مراحل النمو المختلفة. تعتبر طرق القياس اليدوية التقليدية كثيفة العمالة وعرضة للأخطاء، مما يدفع لاستكشاف تقنيات الفينوتيبينغ الجوية باستخدام الطائرات بدون طيار (UAVs). شملت الأبحاث جمع الصور الجوية في نقاط زمنية متعددة طوال موسم نمو فول الصويا وإقامة علاقات بين الارتفاعات المقاسة يدويًا وتلك المستمدة من الصور الجوية.
تشير النتائج إلى أن جهاز استشعار LiDAR تفوق على كاميرا RGB من حيث الدقة، حيث حقق معامل التحديد ($R^2 = 0.83$) مقارنةً بـ $R^2 = 0.53$ لكاميرا RGB خلال مراحل نمو القرون وملء البذور. ومع ذلك، أظهرت كاميرات RGB موثوقية أكبر في تقدير الارتفاع عند النضج الفسيولوجي عندما كانت قياسات LiDAR أقل دقة. تسلط الدراسة الضوء على أهمية اختيار المستشعر بناءً على مرحلة النمو وتؤكد أنه بينما يوفر LiDAR عمومًا دقة متفوقة، يمكن أن تكون كاميرات RGB منخفضة التكلفة خيارًا قابلاً للتطبيق لفترات نمو معينة. تساهم هذه الرؤى في تحسين استراتيجيات الفينوتيبينغ الجوية لتقدير ارتفاع فول الصويا.
مقدمة
تسلط المقدمة الضوء على أهمية فول الصويا (Glycine max) كمصدر عالمي حيوي للزيوت وبروتينات النباتات، خاصة في الولايات المتحدة، حيث يعد المحصول الثاني الأكثر زراعة ومصدرًا رئيسيًا للتصدير. لتلبية الطلبات العالمية المتزايدة، من الضروري تعزيز إنتاجية فول الصويا، والتي تتأثر بعوامل وراثية وبيئية وزراعية متنوعة. من بين هذه العوامل، تم تحديد ارتفاع النبات (PH) كصفة حاسمة تؤثر على المنافسة على الضوء والكتلة الحيوية والإنتاجية وتوافر العناصر الغذائية. تعتبر طرق القياس اليدوية التقليدية لـ PH كثيفة العمالة وعرضة للأخطاء، مما يدفع نحو التحول إلى تقنيات الفينوتيبينغ المعتمدة على الصور غير التدميرية.
لقد سهلت التقدمات الأخيرة في تقنيات الاستشعار عن بعد، وخاصة الطائرات بدون طيار (UAVs)، الفينوتيبينغ الجوي عالي الإنتاجية (HTAP) لتقييم PH بشكل فعال. بينما تم استخدام الفوتوغرامتري المعتمد على RGB على نطاق واسع، فإنه يواجه قيودًا في الدقة بسبب مشاكل اختراق المظلة. بالمقابل، تقدم تقنية LiDAR قدرات متفوقة لقياس الهياكل الرأسية من خلال توفير معلومات ثلاثية الأبعاد مفصلة. على الرغم من التقدم في الفينوتيبينغ المعتمد على UAV، هناك فجوة ملحوظة في الدراسات التي تستهدف تحديد ارتفاع فول الصويا باستخدام UAV-LiDAR. تهدف هذه الدراسة إلى معالجة هذه الفجوة من خلال مقارنة فعالية أجهزة استشعار RGB وLiDAR المعتمدة على UAV في تقدير ارتفاع فول الصويا عبر مراحل نمو مختلفة، وفي النهاية تقييم عدم اليقين في هذه القياسات وتحديد المستشعر الأمثل لتقدير PH في فول الصويا.
الطرق
يستعرض التصميم التجريبي الموضح في هذا القسم المنهجية المستخدمة للتحقيق في فرضية البحث. استخدمت الدراسة بيئة محكومة لتقليل المتغيرات الخارجية، مما يضمن أن النتائج تعود إلى الظروف التجريبية. تم تعيين المشاركين عشوائيًا إما إلى مجموعة العلاج أو مجموعة التحكم، مع وضع معايير محددة للإدراج والاستبعاد للحفاظ على سلامة العينة.
شملت جمع البيانات سلسلة من القياسات الموحدة، التي تم تحليلها باستخدام طرق إحصائية مناسبة لتقييم دلالة النتائج. كما تضمن التصميم تقييمات قبل وبعد التدخل لتقييم آثار العلاج على مر الزمن. بشكل عام، تم هيكلة الإطار المنهجي لتوفير نتائج قوية وموثوقة، مما يساهم في صحة استنتاجات البحث.
النتائج
يقدم قسم “النتائج” من ورقة البحث النتائج الرئيسية المستمدة من التجارب أو التحليلات التي تم إجراؤها. يوضح النتائج الناتجة عن اختبارات مختلفة، مع تسليط الضوء على البيانات الإحصائية الهامة والاتجاهات الملحوظة في الدراسة. غالبًا ما يتم توضيح النتائج من خلال الرسوم البيانية أو الجداول أو المعادلات، مما يوفر تمثيلًا بصريًا واضحًا للبيانات.
تشير النتائج إلى أن الفرضية الرئيسية كانت مدعومة، حيث أظهرت النتائج وجود ارتباط ذو دلالة إحصائية بين المتغيرات قيد التحقيق. يتم الإبلاغ عن مقاييس محددة، مثل قيم p وفواصل الثقة، لدعم الاستنتاجات المستخلصة. بالإضافة إلى ذلك، قد يناقش القسم أي نتائج غير متوقعة أو شذوذ، مما يوفر رؤى حول آثارها المحتملة على الأبحاث المستقبلية. بشكل عام، تساهم النتائج في تقديم معرفة قيمة في هذا المجال، مما يعزز النظريات القائمة أو يقترح طرق جديدة للاستكشاف.
المناقشة
تقيّم قسم المناقشة من الدراسة فعالية أجهزة الاستشعار المثبتة على الطائرات بدون طيار، وخاصة كاميرات RGB وLiDAR، في تقدير ارتفاع النبات (PH) في محاصيل فول الصويا عبر مراحل نمو مختلفة. تشير النتائج إلى أن LiDAR يتفوق على RGB في الدقة، خاصة خلال مراحل نمو القرون وملء البذور، حيث حقق معامل التحديد ($R^2 = 0.83$) مقارنةً بـ $R^2 = 0.53$ لكاميرا RGB. ومع ذلك، تُظهر كاميرات RGB موثوقية خلال مرحلة النضج الفسيولوجي عندما تنخفض أداء LiDAR. تؤكد الدراسة على أهمية عوامل مثل زاوية المسح وتعديلات الارتفاع في توليد نماذج دقيقة لارتفاع المظلة.
شملت المنهجية جمع البيانات ومعالجتها بشكل منهجي، بما في ذلك استخدام نقاط التحكم الأرضية (GCPs) لتعديلات الارتفاع وتطبيق نماذج انحدار مختلفة للتحقق من تقديرات الارتفاع المعتمدة على المستشعرات مقابل القياسات اليدوية. تكشف النتائج عن وجود ارتباط قوي بين PH المستمد من LiDAR والقياسات اليدوية، خاصة في مراحل النمو المبكرة، بينما أظهرت القياسات المستمدة من RGB ارتباطًا معتدلًا. تختتم الدراسة بالقول إنه بينما تتمتع كلا نوعي المستشعرات بمزاياها، فإن LiDAR أكثر فعالية في تقدير الارتفاع بدقة في محاصيل فول الصويا، مما يتماشى مع الأبحاث السابقة على محاصيل أخرى. يُعزى الانخفاض في الارتباط في مراحل النمو اللاحقة إلى التغيرات الفسيولوجية في النباتات، مما يؤثر على كثافة المظلة وبنيتها.
DOI: https://doi.org/10.3389/fpls.2025.1488760
PMID: https://pubmed.ncbi.nlm.nih.gov/39949411
Publication Date: 2025-01-30
Author(s): Lalit Pun Magar et al.
Primary Topic: Remote Sensing and LiDAR Applications
Overview
This study investigates the effectiveness of low-cost RGB and LiDAR sensors for estimating plant height (PH) in soybean (Glycine max [L.] Merr.) during various growth stages. Traditional manual measurement methods are labor-intensive and prone to errors, prompting the exploration of aerial phenotyping techniques using Unmanned Aerial Vehicles (UAVs). The research involved collecting aerial images at multiple time points throughout the soybean growing season and establishing correlations between manually measured heights and those obtained from aerial imagery.
The findings indicate that the LiDAR sensor outperformed the RGB camera in terms of accuracy, achieving a coefficient of determination ($R^2 = 0.83$) compared to RGB’s $R^2 = 0.53$ during the pod growth and seed filling stages. However, RGB cameras demonstrated greater reliability for height estimation at physiological maturity when LiDAR measurements were less accurate. The study highlights the importance of sensor selection based on growth stage and emphasizes that while LiDAR generally provides superior accuracy, low-cost RGB cameras can still be a viable option for specific growth periods. These insights contribute to optimizing aerial phenotyping strategies for soybean height estimation.
Introduction
The introduction highlights the significance of soybean (Glycine max) as a crucial global source of oil and plant protein, particularly in the U.S., where it is the second most cultivated crop and a major exporter. To meet increasing global demands, enhancing soybean yield is essential, influenced by various genetic, environmental, and agricultural factors. Among these, plant height (PH) is identified as a critical trait affecting light competition, biomass, yield, and nutrient availability. Traditional manual measurement methods for PH are labor-intensive and prone to errors, prompting a shift towards non-destructive image-based phenotyping techniques.
Recent advancements in remote sensing technologies, particularly unmanned aerial vehicles (UAVs), have facilitated high-throughput aerial phenotyping (HTAP) for efficient PH assessment. While RGB-based photogrammetry has been widely used, it faces limitations in accuracy due to canopy penetration issues. In contrast, LiDAR technology offers superior capabilities for measuring vertical structures by providing detailed 3D information. Despite the progress in UAV-based phenotyping, there is a notable gap in studies specifically targeting soybean height estimation using UAV-LiDAR. This study aims to address this gap by comparing the effectiveness of UAV-based RGB and LiDAR sensors in estimating soybean height across different growth stages, ultimately assessing the uncertainty in these measurements and identifying the optimal sensor for PH estimation in soybeans.
Methods
The experimental design outlined in this section details the methodology employed to investigate the research hypothesis. The study utilized a controlled environment to minimize external variables, ensuring that the results were attributable to the experimental conditions. Participants were randomly assigned to either the treatment or control group, with specific inclusion and exclusion criteria established to maintain sample integrity.
Data collection involved a series of standardized measurements, which were analyzed using appropriate statistical methods to assess the significance of the findings. The design also incorporated pre- and post-intervention assessments to evaluate the effects of the treatment over time. Overall, the methodological framework was structured to provide robust and reliable results, contributing to the validity of the research conclusions.
Results
The “Results” section of the research paper presents key findings derived from the conducted experiments or analyses. It details the outcomes of various tests, highlighting significant statistical data and trends observed in the study. The results are often illustrated through graphs, tables, or equations, which provide a clear visual representation of the data.
The findings indicate that the primary hypothesis was supported, with results showing a statistically significant correlation between the variables under investigation. Specific metrics, such as p-values and confidence intervals, are reported to substantiate the conclusions drawn. Additionally, the section may discuss any unexpected results or anomalies, providing insights into their potential implications for future research. Overall, the results contribute valuable knowledge to the field, reinforcing existing theories or suggesting new avenues for exploration.
Discussion
The discussion section of the study evaluates the effectiveness of UAV-mounted sensors, specifically RGB cameras and LiDAR, for estimating plant height (PH) in soybean crops across different growth stages. The results indicate that LiDAR outperforms RGB in accuracy, particularly during the pod growth and seed filling stages, achieving a coefficient of determination ($R^2 = 0.83$) compared to RGB’s $R^2 = 0.53$. However, RGB cameras demonstrate reliability during the physiological maturity stage when LiDAR’s performance declines. The study emphasizes the importance of factors such as scan angle and elevation adjustments in generating accurate canopy height models.
The methodology involved systematic data acquisition and processing, including the use of ground control points (GCPs) for elevation adjustments and the application of various regression models to validate sensor-based height estimations against manual measurements. The findings reveal a strong correlation between LiDAR-derived PH and manual measurements, particularly in earlier growth stages, while RGB-derived measurements showed moderate correlation. The study concludes that while both sensor types have their advantages, LiDAR is more effective for accurate height estimation in soybean crops, aligning with previous research on other crops. The decline in correlation at later growth stages is attributed to physiological changes in the plants, affecting canopy density and structure.