{“状态”：“确定”，“消息类型”：“工作”，“信息版本”：“1.0.0”，“邮件”：{“索引”：{“日期-部件”：[[2023,12,30]]，“日期-时间”：“2023-12-30T00:30:03Z”，“时间戳”：1703896203356}，“引用-计数”：32，“发布者”：“MDPI AG”，“问题”：“1”，“许可证”：[{“开始”：{'日期-部件“：[[2023,12,29]]，”日期-时间“：”2023-12-29T00:00:00Z“，“时间戳”：1703808000000}，“content-version”：“vor”，“delay-in-days”：0，“URL”：“https:\/\/creativecommons.org\/licenses\/by\/4.0\/”}]，“资助者”：[{“名称”：“东京农业科技大学”}]、“内容域”：{“域”：[]，“crossmark-restriction”：false}，“short-container-title”：[“算法”]，“抽象”：“本研究旨在阐明不同光源下的摄影环境对基于图像的SPAD值预测的影响。使用Random Forests、XGBoost和LightGBM进行SPAD值预测的输入变量为RGB值、HSL值、HSV值、光色温度（LCT）和照度（ILL）。使用Pearson\u2019s相关系数（COR）、Nash\u2013-Sutcliffe效率（NSE）和均方根误差（RMSE）评估模型性能。特别是，利用随机森林进行SPAD值预测，在稳定的光环境下具有较高的精度；CORRGB+ILL+LCT和CORHSL+ILL+LCT分别为0.929和0.922。基于图像的SPAD值预测在傍晚色温相近的卤素灯下有效；CORRGB+ILL和CORHSL+ILL分别为0.895和0.876。LED下的HSL值可用于在所有性能测量中高精度预测SPAD值。通过基于在各种光源的不同照度条件下收集的数据训练模型，结果支持了使用随机森林在大范围的光照条件下（如黄昏）预测SPAD值的适用性。需要进一步研究，以在时空动态光环境中的室外条件下检验此方法<\/jats:p>“，”DOI“：”10.3390\/a17010016“，”type“：”journal-article“，”created“：{”date-parts“：[[2023,12,29]]，”date-time“：”2023-12-29T11:18:13Z“，”timestamp“：1703848693000}，”page“：“16”，“source”：“Crossref”，“is-referenced-by-count”：0，“title”：[“光环境对基于图像的萝卜叶SPAD值预测的影响”]，“前缀”：“10.3390”，“卷”：“17”，“作者”：[{“ORCID”：“http:\/\/ORCID.org/0009-0007-202-716X”，“认证的ORCID”：false，“给定的”：“Yuto”，“家族”：“Kamiwaki”，“序列”：“第一”，“隶属关系”：[{“名称”：“东京农业技术大学农业科学联合研究生院，日本东京183-8509”}]}，{“ORCID”：“http:\/\/ORCID.org/0000-0003-3076-4688”authenticated-orcid：false，“given”：“Shinji”，“family”：“Fukuda”，“sequence”：“additional”，“affiliation”：[{“name”：“日本东京农业科技大学农业研究所，东京183-8509”}，{“名称”：“国家农业和食品研究组织农业信息技术研究中心，东京105-0003”}]}]，“member”：“1968”，“published-online”：{“date-parts”：[[2023,12,29]]}，“reference”：[{“key”：“ref_1”，“doi-asserted-by”：“crossref”，”first page“：”36“，”doi“：”10.1186\/1746-4811-10-36“，“artic-title”：“在自然光下用数码相机估算水稻叶绿素含量和叶氮浓度”，“volume”：”10“，”author“Wang”，“year”：“2014”，“journal-title”：“Plant Methods”}，{“key”：“ref_2”，“doi-asserted-by”：“crossref”，“first page”：《199》，“doi”：“10.1016\/j.scienta.2004.08.013”，“article-title（文章标题）：“咖啡叶中的光合作用色素、氮、叶绿素a荧光和SPAD-502读数”，“volume”：”104“，“author”：“Netto”，“year:”2005“，”journal-title“：”Sci.Hortic.“}，{“key”：“ref_3”，“doi-asserted-by”：“crossref”，”unstructured“：”Guo，Y.，Chen，S.，Li，X.，Cunha，M.，Jayavelu，S.、Cammarano，D.和Fu，Y.（2022）.基于机器学习的多光谱图像玉米SPAD值预测方法.遥感，14.“，”doi“：”10.3390\/rs14061337“}，{“key”：，“非结构化”：“Sakamoto，M.，Komatsu，Y.，and Suzuki，T.（2021）。营养不足影响水培萝卜的生长和硝酸盐浓度。园艺学，7.”，“DOI”：“10.3390\/园艺7120525”}，{“key”：“ref_5”，“DOI-asserted-by”：“crossref”，“非结构性”：“Kandel，B.P.（2020）种子值随玉米植株的年龄、叶片及其与产量的关系而变化。BMC Res.Notes，13.“，”DOI“：”10.1186\/s13104-020-05324-7“}，{“key”：”ref_6“，”DOI-asserted-by“：”crossref“，“first page”：“170”，“DOI”：“10.1111\/aab.12409”，“article-title”：“萝卜（Raphanus sativus）对干旱胁迫的响应”，“volume”：《172》，“author”：“Stagnari”，“year”：“2018”，“journal title”：”Ann.Appl.Biol.“}，{“key”：“ref_7”，“DOI-asserted-by”：“crossref”，“非结构化”：“Liu，Y.，Hatou，K.，Aihara，T.，Kurose，S.，Akiyama，T.、Kohno，Y.、Lu，S.和Omasa，K.（2021）。基于不同无人机RGB图像的稳健植被指数估计裸大麦叶片SPAD值。遥感，13.“，”DOI“：”10.3390\/rs13040686“}，{”key“：”ref_8“，”first page“：“31”，”article-title“：”在叶片和冠层水平的不同生长阶段使用RGB值评估裸大麦叶片SPAD值“，”volume“：首页“：”105903“，”DOI“：”10.1016\/j.compag.2020.105903”，“article-title”：“基于RGB的植被指数、作物表面模型和基于对象的图像分析方法的集成，用于使用无人机估算甘蔗产量”，“体积”：“180”，“作者”：“Sumesh”，“年份”：“2021”，“期刊标题”：“计算”。电子。农业。“}，{”key“：”ref_10“，”doi-asserted-by“：”crossref“，”first page“：“143”，”doi“：”10.1023\/A:1018392531226“，”article-title“：”基于椭圆傅里叶描述子图像分析的日本萝卜（Raphanus sativus L.）根形变化评估“，”volume“：102”，”author“：”Iwata“，”year“：”1998“，”journal-title：“Euphotica”}，”{“key”：“ref_11”，“doi-asserted-by“：”crossref“，”first page“：”42“，”doi“：”10.1016\/j.biosystemseng.2020.11.010“，”article-title“：”结合无人机RGB图像中的株高、冠层覆盖率和植被指数来估算夏玉米叶片氮浓度“，”volume“：“202”，“author”：“Lu”，”year“2021”，“journal-title”：“Biosyst”。Eng.“}，{”key“：”ref_12“，”doi-asserted-by“：”crossref“，”first page“：“4967”，”doi“：”10.1002\/int.22747“，”article-title“：”使用健壮的HSV基于颜色的分割和转移学习检测咖啡病，用于智能手机“，”volume“：第一页“：”13“，”文章标题“：”构建农产品表面颜色管理的彩色图像处理系统“，”卷“：”59“，”作者“：”Motonaga“，”年份“：”1997“，”期刊标题“：“J.Jpn。Soc.农业。机器。“}，{”key“：”ref_14“，”doi-asserted-by“：”crossref“，”first page“：“105331”，”doi“：”10.1016\/j.compag.2020.105331“，”article-title“：”使用来自无人机多光谱图像的宽动态范围植被指数（WDRVI）监测甜菜生长指标“，”volume“：key“：”ref_15“，”doi-asserted-by“：”crossref“，”unstructured“：”Sulemane，S.，Matos-Carvalho，J.P.，Pedro，D.，Moutinho，F.，and Correia，S.D.（2022）。基于多光谱图像的卷积神经网络葡萄园间隙检测。算法，15.“，”DOI“：”10.3390\/a15120440“}，{“key”：“ref_16”，“DOI-asserted-by”：“crossref”，“unstructured”：“Kanning，M.，K\u00fchling，I.，Trautz，D.，and Jarmer，T.（2018）。基于无人机的高分辨率超光谱图像，用于小麦LAI和叶绿素估算，用于产量预测。遥感，10.”，“DOI”：“10.3390\/rs10122000”}，}，“key“：”ref_17“，”doi-asserted-by“：”crossref“，”unstructured“：”Pourdarbani，R.，Sabzi，S.，Dehghankar，M.，Rohban，M.H.，and Arribas，J.I.（2023）。使用不同的基于CNN的分类器和局部光谱-空间高光谱成像检查柠檬瘀伤。算法，16.“，”DOI“：”10.3390\/a16020113“}，{“key”：“ref_18”，“DOI-asserted-by”：“crossref”，“first-page”：“106487”，“DOI”：“10.1016\/j.compag.2021.06487”、“article-title”：“开发一种低成本便携式设备，用于像素级叶片SPAD估计和叶片级SPAD分布可视化，使用颜色传感”，“volume”：”190“，“author”：“Tan”，“年份：“2021年”，“新闻标题”：“计算”。电子。农业。“}，{”key“：”ref_19“，”doi-asserted-by“：”crossref“，”unstructured“：”Sudu，B.，Rong，G.，Guga，S.，Li，K.，Zhi，F.，Guo，Y.，Zhang，J.，and Bao，Y..（2022）.基于多机器学习算法的无人机高光谱数据检索夏玉米SPAD值.遥感，14.“，“doi”：“10.3390\/rs14215407”}，}，“key”：“ref_20”，“doi-assert-by”：“”crossref“，”first page“：”106814“，”DOI“：”10.1016\/j.compag.2022.106814”，”article-title“：”基于机器学习的大白菜光合色素和SPAD估算的光谱技术和多光谱成像“，”volume“：“195”，”author“：”Zhang“，”year“2022”，”journal-title”：“Compute”。电子。农业。“}，{”key“：”ref_21“，”doi-asserted-by“：”crossref“，”first page“：“5”，”doi“：”10.1023\/A:1010933404324“，”article-title“：”Random Forests“，”volume“：：”45“，”author“：”Breiman“，”year“：”2001“，”journal-title rin，C.（2016年1月13日\u201317）.XGBoost：一个可扩展的树增强系统。第22届ACM SIGKDD知识发现与数据挖掘国际会议论文集（KDD\u201916），美国纽约州纽约市.LightGBM：一种高效的梯度增强决策树。第31届神经信息处理系统国际会议论文集（NIPS\u201917），美国纽约州纽约市。在线阅读：https:\/\/dl.acm.org\/doi\/10.5555\/3294996.3295074.“}，{”key“：”ref_24“，”doi-asserted-by“：”crossref“，”first page“：“2783”，”doi“：”10.1890\/07-0539.1“，”article-title“：”《生态学分类的随机森林》，“卷”：“88”，“作者”：“卡特勒”，“年份”：“2007”，“新闻标题”：“生态学”}，{“key”：“ref_25”，“首页”：“2825”，“文章标题”：《Scikit-learn:Python中的机器学习》，“卷宗”：“12”，“author”：“佩德雷戈萨”，“年”：“2021”，“journal-title”：“J.Mach.learn.Res.”}、{“密钥”：“ref_26”，“doi-asserted-b”y“：”crossref“，”首页”：“282”，“DOI”：“10.1016\/0022-1694（70）90255-6”，“文章标题”：“通过概念模型进行河流流量预测第一部分——原理讨论”，“卷”：“10”，“作者”：“纳什”，“年”：“1970”，“期刊标题”：“J.Hydrol。“}，{”key“：”ref_27“，”unstructured“：”Lundberg，S.M.和Lee，S.I.（2017年1月4日\u20139）。解释模型预测的统一方法。第31届神经信息处理系统国际会议论文集（NIPS\u201917），美国纽约州纽约市。在线阅读：https:\/\/dl.acm.org\/doi\/10.5555\/3295222.3295230。“}”{“key“：”ref_28“，”doi asserted by“：”crossref“，”first page“：”388“，”doi“：”10.32615\/ps.2019.046“，”文章标题“：”智能图像分析在自然光下从智能手机数字图像中检索水稻叶绿素含量“，”volume“：”57“，”author“：”Mohan“，”year“：”2019“，”期刊标题“：”光合作用“}，{”key“：”ref_29“，”doi-asserted-by“：”crossref“，”unstructured“：”Guo，Y.，Yin，G.，Sun，H.，Wang，H.、Chen，S.、Senthilnath，J.、Wang，J.和Fu，Y.（2020）。使用机器学习方法，使用安装在无人机平台上的RGB摄像头对叶绿素含量估计的缩放效应。传感器，20.”，“DOI”：“10.3390\/s20185130”｝，｛“key”：“ref_30”，“DOI断言者”：“crossref”，“非结构化”：“Yang，H.，Hu，Y.，Zheng，Z.，Qiao，Y.，Hou，B.，and Chen，J.（2022）。一种结合RGB图像和SPAD测量的马铃薯氮状态监测新方法。遥感传感器，14.”，“DOI”：“10.3390\/rs114194814”｝，｛“key”：“ref_31”，“doi-asserted-by“：”crossref“，”first page“：”147“，“doi”：“10.1007 \/s11119-019-09656-8”，“article-title”：“使用RGB相机通过上述测量的不确定自然光改进氮评估”，“volume”：“21”，“author”：“Putra”，“year”：“2020”，“journal-title“：”Precis。农业。“}，{”key“：”ref_32“，”doi-asserted-by“：”crossref“，”first-page“：”928953“，”doi“：”10.3389\/fpls.2022.928953“，”article-title“：”基于机器学习的RGB和多光谱植被指数在不同遮荫条件下估计海南厚朴SPAD值的性能比较“，”volume“：“13”，”author“：”Yuan“，”“year”：“2022”，“journal-title“：”前面。植物科学。“}]，”container-title“：[”Algorithms“]，”original-title”：[]，”language“：”en“，”link“：[{”URL“：”https:\\/www.mdpi.com\/1999-4893\/17\/16\/pdf“，”content-type“：”unspecified“，”content-version“：”vor“，”intended-application“：”similarity-checking“}]“deposed”：{“date-parts”：[2023,12,29]]，“date-time”：“2023-12-29 T12:00:02Z“，”时间戳“：1703851202000}，”score“：1，”resource“：{”primary”：{“URL”：“https:\/\/www.mdpi.com/1999-4893\/17\/16”}}，”subtitle“：[]，”shorttitle“：[]，”issued“：{date-parts”：[[2023,12,29]]}，“references-count”：32，“journal-issue”：{issue“1”，“published-online”：{date-parts“：[2024,1]]}}”，“alternative-id”：[“a17010016”]，“URL”：“http://\/dx.doi.org\/10.3390\/a17010016“，”关系“：{}，”ISSN“：[”1999-4893“]，”ISSN-type“：[{”value“：”1999-4893“，”type“:”electronic“}]，”subject“：【】，”published“：{”date-parts“：[2023,12,29]]}}}