Zusammenfassung Phosphor ist essentiell für den Kartoffelanbau; jedoch erfordert seine geringe natürliche Verfügbarkeit und hohe Fixierung im Boden effiziente Managementstrategien. In diesem Zusammenhang sind schnelle und nicht-destruktive Methoden zur Schätzung des Blatt-Phosphorgehalts wichtig, um Abfall zu reduzieren und die Produktionseffizienz zu verbessern. Diese Studie bewertete die Verwendung von multiskopischen Bildern, die mit einer Survey 3 (MAPIR) Kamera aufgenommen wurden, zur Schätzung des Blatt-Phosphorgehalts in Kartoffelbeständen in der Knollenbildungsphase, in der normalerweise eine Nachdüngung erfolgt. Um Variabilität in den Blatt-Phosphorlevels zu erzeugen, wurde ein Experiment unter Gewächshausbedingungen mit einem randomisierten vollständigen Blockdesign durchgeführt, das acht P₂O₅-Raten (0, 50, 100, 200, 400, 800, 1.600 und 3.200 kg ha −1) und 40 Wiederholungen umfasste. Spektrale Indizes (NDVI, GNDVI und GRVI) wurden analysiert und Regressionsmodelle sowie Maschinenlernalgorithmen (Random Forest, Multilayer Perceptron und SMOreg) angewendet, um den Blatt-Phosphorgehalt vorherzusagen. NDVI zeigte eine signifikante inverse Korrelation mit dem Phosphorgehalt, was auf den Effekt der Nährstoffverdünnung zurückzuführen ist. Unter den bewerteten Methoden zeigte Random Forest die beste Leistung mit einem relativen mittleren quadratischen Fehler von 19,01%. Die Ergebnisse zeigen, dass die Integration multiskopischer Variablen und Techniken des maschinellen Lernens die diagnostische Genauigkeit erhöht und das Potenzial dieser Technologien für die Nährstoffüberwachung von Kartoffelanbau in der Präzisionslandwirtschaft hervorhebt.
Oliveira et al. (Di,) untersuchten diese Frage.