Точное и эффективное оценивание надземной биомассы (AGB) важно для фенотипирования арахиса и управления полем. В этом исследовании оцениваются спектральные и текстурные характеристики, полученные с помощью мультиспектральных изображений беспилотного летательного аппарата (UAV), для бесконтактного и высокопроизводительного оценивания биомассы арахиса. Индексы вегетации (VIs) и текстурные характеристики матрицы совместной встречаемости уровней серого (GLCM) получены из зеленых, красных, красно-контактных и ближних инфракрасных диапазонов и оценены с помощью шести моделей регрессии. Результаты показывают, что текстурные характеристики ближнего инфракрасного спектра обладают наибольшей чувствительностью к AGB. Среди конфигураций GLCM настройка с размером окна 7×7, ориентацией 45° и 16 уровнями серого обеспечивает наиболее стабильное представление текстуры. Хотя объединение всех VIs и TFs немного улучшает точность прогнозирования, относительно большие различия между коэффициентом детерминации (<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>) и скорректированным <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> в некоторых моделях указывают на то, что полный набор признаков содержит избыточные предикторы и ограниченную экономичность модели. Поэтому используется стратегия выбора признаков с помощью метода экстремального градиентного бустинга (XGBoost) и объяснения аддитивных значений Шэпли (SHAP), чтобы выявить пять ключевых переменных: индекс разницы вегетации (DVI), дисперсия, среднее значение, энергия и модифицированный индекс вегетации с корректировкой по почве (MSAVI). Этот компактный набор признаков значительно снижает размерность предикторов, ограничивает различия между <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> и скорректированным <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> до ниже 0,020, и достигает стабильной точности прогнозирования, с <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> выше 0,840 и среднеквадратической ошибкой ( <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>) ниже 0,055 кг/м². Предложенный подход обеспечивает практический инструмент для высокопроизводительного мониторинга биомассы арахиса, фенотипирования и управления производством.

Высокопроизводительный мониторинг;Дистанционное зондирование беспилотными летательными аппаратами (UAV);Арахис;Надземная биомасса;Текстурные характеристики (TFs)