Die genaue und effiziente Schätzung der oberirdischen Biomasse (AGB) ist wichtig für die Phänotypisierung von Erdnüssen und das Feldmanagement. Diese Studie bewertet spektrale und texturale Merkmale, die aus multispektralen Bildern von unbemannten Luftfahrzeugen (UAV) abgeleitet wurden, für die zerstörungsfreie und hochdurchsatzfähige Schätzung der oberirdischen Biomasse von Erdnüssen. Vegetationsindizes (VIs) und Texturmerkmale der Gray-Level Co-Occurrence Matrix (GLCM) (TFs) werden aus den grünen, roten, roten Kanten- und nahinfraroten Bändern abgeleitet und mittels sechs Regressionsmodellen bewertet. Die Ergebnisse zeigen, dass nahinfrarote TFs die höchste Empfindlichkeit gegenüber AGB aufweisen. Unter den GLCM-Konfigurationen erzeugt eine Einstellung mit einer Fenstergröße von 7×7, einer Orientierung von 45° und 16 Graustufen die stabilste Texturdarstellung. Obwohl die Kombination aller VIs und TFs die Vorhersagegenauigkeit leicht verbessert, deuten die relativ großen Unterschiede zwischen dem Bestimmtheitsmaß (<inline-formula><alternatives><math xmlns:mml="http://www.w3.org/1998/Math/MathML" id="M1"><msup><mrow><mi>R</mi></mrow><mrow><mn mathvariant="normal">2</mn></mrow></msup></math><graphic specific-use="big" xmlns:xlink="http://www.w3.org/1999/xlink" xlink:href="alternativeImage/D3DABA79-ACE0-492f-BA63-A164A6A969B1-M001.jpg"/></graphic><graphic specific-use="small" xmlns:xlink="http://www.w3.org/1999/xlink" xlink:href="alternativeImage/D3DABA79-ACE0-492f-BA63-A164A6A969B1-M001c.jpg"/></graphic></alternatives></inline-formula>) und dem adjustierten <inline-formula><alternatives><math xmlns:mml="http://www.w3.org/1998/Math/MathML" id="M2"><msup><mrow><mi>R</mi></mrow><mrow><mn mathvariant="normal">2</mn></mrow></msup></math><graphic specific-use="big" xmlns:xlink="http://www.w3.org/1999/xlink" xlink:href="alternativeImage/D3DABA79-ACE0-492f-BA63-A164A6A969B1-M001.jpg"/></graphic><graphic specific-use="small" xmlns:xlink="http://www.w3.org/1999/xlink" xlink:href="alternativeImage/D3DABA79-ACE0-492f-BA63-A164A6A969B1-M001c.jpg"/></graphic></alternatives></inline-formula> in einigen Modellen darauf hin, dass der vollständige Merkmalsensatz redundante Prädiktoren enthält und eine begrenzte Modellsparsamkeit aufweist. Daher wird eine Feature-Auswahlstrategie mit Extreme Gradient Boosting (XGBoost) und Shapley Additive Explanations (SHAP) verwendet, um fünf Schlüsselvariablen zu identifizieren: Differenz-Vegetationsindex (DVI), Varianz, Mittelwert, Energie und modifizierter bodenbereinigter Vegetationsindex (MSAVI). Dieser kompakte Merkmalsatz reduziert die Dimensionalität der Prädiktoren erheblich, begrenzt die Unterschiede zwischen dem (<inline-formula><alternatives><math xmlns:mml="http://www.w3.org/1998/Math/MathML" id="M3"><msup><mrow><mi>R</mi></mrow><mrow><mn mathvariant="normal">2</mn></mrow></msup></math><graphic specific-use="big" xmlns:xlink="http://www.w3.org/1999/xlink" xlink:href="alternativeImage/D3DABA79-ACE0-492f-BA63-A164A6A969B1-M003.jpg"/></graphic><graphic specific-use="small" xmlns:xlink="http://www.w3.org/1999/xlink" xlink:href="alternativeImage/D3DABA79-ACE0-492f-BA63-A164A6A969B1-M003c.jpg"/></graphic></alternatives></inline-formula>) und dem adjustierten (<inline-formula><alternatives><math xmlns:mml="http://www.w3.org/1998/Math/MathML" id="M4"><msup><mrow><mi>R</mi></mrow><mrow><mn mathvariant="normal">2</mn></mrow></msup></math><graphic specific-use="big" xmlns:xlink="http://www.w3.org/1999/xlink" xlink:href="alternativeImage/D3DABA79-ACE0-492f-BA63-A164A6A969B1-M004.jpg"/></graphic><graphic specific-use="small" xmlns:xlink="http://www.w3.org/1999/xlink" xlink:href="alternativeImage/D3DABA79-ACE0-492f-BA63-A164A6A969B1-M004c.jpg"/></graphic></alternatives></inline-formula>) auf unter 0,020 und erzielt eine konsistente Vorhersagegenauigkeit mit einem (<inline-formula><alternatives><math xmlns:mml="http://www.w3.org/1998/Math/MathML" id="M5"><msup><mrow><mi>R</mi></mrow><mrow><mn mathvariant="normal">2</mn></mrow></msup></math><graphic specific-use="big" xmlns:xlink="http://www.w3.org/1999/xlink" xlink:href="alternativeImage/D3DABA79-ACE0-492f-BA63-A164A6A969B1-M004.jpg"/></graphic><graphic specific-use="small" xmlns:xlink="http://www.w3.org/1999/xlink" xlink:href="alternativeImage/D3DABA79-ACE0-492f-BA63-A164A6A969B1-M004c.jpg"/></graphic></alternatives></inline-formula>) über 0,840 und einem mittleren quadratischen Fehler ( <inline-formula><alternatives><math xmlns:mml="http://www.w3.org/1998/Math/MathML" id="M6"><mi mathvariant="normal">R</mi><mi mathvariant="normal">M</mi><mi mathvariant="normal">S</mi><mi mathvariant="normal">E</mi></math><graphic specific-use="big" xmlns:xlink="http://www.w3.org/1999/xlink" xlink:href="alternativeImage/D3DABA79-ACE0-492f-BA63-A164A6A969B1-M006.jpg"/></graphic><graphic specific-use="small" xmlns:xlink="http://www.w3.org/1999/xlink" xlink:href="alternativeImage/D3DABA79-ACE0-492f-BA63-A164A6A969B1-M006c.jpg"/></graphic></alternatives></inline-formula>) unter 0,055 kg/m². Der vorgeschlagene Ansatz bietet ein praktisches Werkzeug für die hochdurchsatzfähige Überwachung der Erdnussbiomasse, das Phänotyping und das Produktionsmanagement.

Hochdurchsatzüberwachung;Unbemannte Luftfahrzeuge (UAV) Fernerkundung;Erdnuss;Oberirdische Biomasse;Texturmerkmale (TFs)