Plant Phenomics | 光譜預處理與深度轉移學習相結合的葉片葉綠素含量評估

快速準確地檢測葉綠素含量對于評估棉花的生理營養狀態至關重要。高光譜成像技術已被證明可有效用于測定各種植物的葉綠素含量。通過構建多元統計模型是基于高光譜成像進行葉綠素含量檢測的常用方法。然而，高光譜圖像受環境噪聲、樣品化學與物理性質、采集儀器差異等多種因素的影響。即使只在不同品種或不同測量條件下，同一植物的數據分布和特征空間也會發生變化，導致已構建的檢測模型難以應用于新采集的樣本。解決此問題的典型方案是在樣品或測量條件發生變化時開發新模型。然而，這種方法需要重新收集大量樣本，耗時耗力。因此，在不同數據集之間實現簡單有效的模型校準轉移仍然是一個亟待解決的問題。
 

近日，Plant Phenomics在線發表了浙江大學和石河子大學合作完成的題為Spectral Preprocessing Combined with Deep Transfer Learning to Evaluate Chlorophyll Content in Cotton Leaves的研究論文。
 

本研究提出利用光譜預處理和深度遷移學習相結合的方法以提高棉花葉綠素反演模型的適應性。本研究討論了7種不同的光譜預處理方法，設計了一種一維卷積神經網絡（Convolutional neural network, CNN）來構建模型，并通過微調的方式來實現模型遷移。結果表明，一階導數和標準正態變量變換相結合的方法為最優光譜預處理方法。對于目標域數據集，基于一階導數與標準正態變量變換預處理后光譜的微調CNN模型性能優于傳統的偏最小二乘和支持向量機方法。盡管使用較小數據集對CNN微調的效果有限，但CNN模型的反演結果仍優于傳統模型，可以獲得較高的葉綠素含量反演精度。此外，本研究還通過比較預處理后的光譜曲線對預處理結果進行解釋，并且使用顯著性圖對CNN建模中的重要波長進行了可視化分析。本研究表明光譜預處理和深度遷移學習相結合的方法，可以有效估算不同棉花品種的葉綠素含量，為棉花營養和健康狀況的評估提供了新的可能性。
 

圖1CNN架構與微調遷移學習的流程
 

圖2基于原光譜與基于預處理光譜建立的微調CNN模型的顯著性圖

該研究論文第一作者為浙江大學生物系統工程與食品科學學院博士生肖沁林，通訊作者為石河子大學高攀教授、浙江大學何勇教授以及博士后吳娜。本研究獲得了兵團重點領域科技攻關計劃項目的資助。

作者介紹

何勇教授為浙江大學求是特聘教授，浙江大學學術委員會委員，浙江大學數字農業農村研究中心主任、農業農村部光譜檢測重點實驗室主任，曾任浙江大學生物系統工程與食品科學學院院長，國家“雙一流”建設學科和全國第四輪學科評估A+學科——農業工程學科學術帶頭人，2021年ELSEVIER中國高被引學者，入選2021“全球頂尖1萬科學家排名”。浙江大學數字農業與農業物聯網創新團隊長期致力于數字農業、農業物聯網、農村信息化、農用航空和智能農業裝備等方面的科學研究工作。
 

高攀教授為石河子大學信息科學與技術學院計算機科學與技術系主任，兵團科技創新骨干人才、石河子大學A類學科帶頭人。石河子大學圖像理解與智能信息處理團隊長期致力于深度學習技術結合多源光譜成像快速檢測、大數據云平臺開發和區塊鏈溯源技術在作物生產過程中等應用方面的工作。

論文鏈接：

https://doi.org/10.34133/2022/9813841

Moxa Wool in Different Purities and Different Growing Years Measured by Terahertz Spectroscopy

https://doi.org/10.34133/2022/9815143

Plant Phenomics | 太赫茲光譜技術可以精確區分艾絨純度和生長年限

Estimating Photosynthetic Attributes from High-Throughput Canopy Hyperspectral Sensing in Sorghum

https://doi.org/10.34133/2022/9768502

Plant Phenomics | 利用高通量冠層高光譜遙感預測高粱的光合參數

掃碼添加小編微信，拉您進入《植物表型組學》作者交流群，群內不定期開展作者分享會、專刊發布會等高質量活動。
 

《植物表型組學》（Plant Phenomics）是由南京農業大學和美國科學促進會（AAAS）合作創辦的英文學術期刊，于2019年1月正式上線發行。采用開放獲取形式，刊載植物表型組學交叉學科熱點領域具有突破性科研進展的原創性研究論文、綜述、數據集和觀點。具體范圍涵蓋高通量表型分析的最新技術，基于圖像分析和機器學習的表型分析研究，提取表型信息的新算法，作物栽培、植物育種和農業實踐中的表型組學新應用，與植物表型相結合的分子生物學、植物生理學、統計學、作物模型和其他組學研究，表型組學相關的植物生物學等。期刊已被DOAJ、Scopus、PMC、EI和SCIE等數據庫收錄。科睿唯安JCR2021影響因子為6.961，位于農藝學、植物科學，遙感一區。中科院農藝學、植物科學一區，遙感二區，生物大類一區（TOP期刊）。2020年入選中國科技期刊卓越行動計劃高起點新刊項目。