利用高光谱遥感和深度学习分析冬小麦生化特性


发布时间:

2024-06-17

来源:

作者:

准确估计作物叶片和冠层的生物化学特性,如叶片干物质含量(leaf dry matter content,Cm)、叶片等效水厚度(leaf equivalent water thickness,Cw)、叶面积指数(leaf area index,LAI)、干叶生物量(dry leaf biomass,DLB)、叶片总含水量(LW)和鲜叶生物量,对于准确监测作物生长至关重要。植被光谱特征技术与统计回归方法相结合,被广泛应用于作物生化性状遥感制图。然而,作物冠层光谱反射率受到各种作物生化特性以及光照和土壤背景效应几何变化的不确定性的影响。因此,作物生化性状的遥感估计是有限的。一个潜在的解决方案涉及训练一个深度学习模型,以基于物理辐射传递模型(radiative transfer model,RTM)来理解作物生物化学特征和冠层光谱反射率之间的物理关系。本研究的主要重点是提出一种基于高光谱遥感的冬小麦叶片和冠层生化性状分析与制图方法,利用叶面积指数深度学习网络和叶片生化性状深度学习网络(LabTNet)。

 

本研究包括四个主要任务:(1)在两个生长季节进行了冬小麦光谱和生化性状的田间测量。PROSAIL RTM也被用于生成代表全面和复杂的冬麦田条件的模拟数据集。(2) 使用模拟光谱数据集对LabTNet深度学习模型进行预训练,以获得作物生物化学特征与RTM得出的冠层光谱反射率之间的物理关系的知识。随后,使用迁移学习技术,使用来自两个生长季节的基于田间的光谱数据集对模型进行再训练。(3) 与传统的统计回归方法相比,进行了一项分析,以评估LabTNet在估计作物叶片和冠层生化性状方面的性能。该研究使用梯度加权类激活映射(gradient-weighted class activation mapping,Grad-CAM)技术分析了LabTNet中不同卷积神经网络层输入光谱(454:8:950nm、960:10:1300nm、1450:10:1750nm、2000:10:2350nm)的注意区域,旨在增强深度学习模型的可解释性。(4) 使用LabTNet深度学习模型绘制了冬小麦叶片和冠层的生化性状(Cw、Cm、LAI、DLB、LW和FLB)。

 

研究得出以下结论:(1)与传统的统计回归方法相比,RTM和深度学习技术相结合产生了更高的冬小麦生化性状估计值。(2) 不同的LabTNet深度学习模型层关注不同的冠层反射率区域,对应于不同冬小麦生化性状的敏感区域。(3) LabTNet使用可见光和近红外(visible and near-infrared,VNIR)反射率数据和全光谱(fullspectral,FS)高光谱反射率作为输入,展示了类似的冬小麦叶片和冠层生物化学特性估计性能(Cw: R2 = 0.603–0.653, RMSE = 0.0015–0.0015 cm; Cm: R2 = 0.511–0.560, RMSE = 0.0006–0.0007 g/m2; LAI: R2 = 0.773–0.793, RMSE = 0.65–0.66 m2/m2; LW: R2 = 0.842–0.847, RMSE = 67.93–70.73 g/m2; DLB: R2 = 0.747–0.762, RMSE = 21.10–21.89 g/m2; FLB: R2 =0.831–0.840, RMSE = 86.26–90.30 g/m2)。

无人机高光谱遥感和LabTNet模型的结合使用可以有效地提供高性能的冬小麦叶片和冠层生物化学特征图,为农业管理提供有价值的见解。

 

图1  研究区和冬小麦试验田。

 

图2  方法框架。

 

图3  LabTNet用于高光谱作物生化性状估计。

 

图4  基于田间的光谱数据集的冬小麦叶片和冠层生化性状与SIs(a)、FD光谱(b)之间的Pearson相关系数。基于UAV的数据集的冬小麦叶片和冠层生化性状与SIs(c)、FD光谱(d)之间的Pearson相关系数。

 

图5  (i)Cm、Cw、LAI、LW、DLB、FLB和(ii)冠层光谱反射率之间的Pearson相关系数。(a) 模拟光谱和(b)基于场的光谱。注:黑色波长线:454:8:950nm;红色波长线:960:10:1300 nm、1450:10:1750 nm、2000:10:2350 nm。

 

图6  (a)MAE和(b)100个时期的损失;基于LabTNetVNIR和模拟光谱测量(−m)和估计(−e)Cm(c)、Cw(d)、LAI(e)、LW(f)、DLB(g)、FLB(h)。

 

图7  基于LabTNetFS和模拟光谱测量(−m)和估计(−e)Cm(a)、Cw(b)、LAI(c)、LW(d)、DLB(e)和FLB(f)。

 

图8  基于LabTNetFS和田间冬小麦冠层光谱测量(−m)和估计(−e)Cm(a)、Cw(b)、LAI(c)、LW(d)、DLB(e)和FLB(f)。

 

图9 基于LabTNetVNIR和田间冬小麦冠层光谱测量的(−m)和估计的(−e)Cm(a)、Cw(b)、LAI(c)、LW(d)、DLB(e)和FLB(f)。

 

图10 基于LabTNetVNIR和无人机冬小麦冠层光谱测量的(−m)和估计的(−e)Cm(a)、Cw(b)、LAI(c)、LW(d)、DLB(e)和FLB(f)。

 

图11 基于SIs PLSR和UAV冬小麦冠层光谱测量的(−m)和估计的(−e)Cm(a)、Cw(b)、LAI(c)、LW(d)、DLB(e)和FLB(f)。

 

图12 基于LabTNetVNIR和UAV高光谱数字正射影像图(digital orthophoto Maps,DOMs)的四个阶段的.Cm(a)、Cw(b)、LAI(c)、LW(d)、DLB(e)和FLB(f)图。

 

图13 预先训练的LabTNet的原始光谱(蓝色)和注意力区域(橙色)。. (a) Cw = 0.0161, Cm = 0.0048, LAI = 3.12; (b) Cw = 0.0141, Cm =0.0039, LAI = 4.19; (c) Cw = 0.0087, Cm = 0.0047, LAI = 2.29; (d) Cw = 0.0082, Cm = 0.0039, LAI = 3.05.

 

来 源

Jibo Yue, Guijun Yang, Changchun Li, et al, Analyzing winter-wheat biochemical traits using hyperspectral remote sensing and deep learning, Computers and Electronics in Agriculture, 2024, 109026.

 

编辑

王春颖

推荐新闻

石时之约|韩志国:透过表型数据,看见植物的喜怒哀乐!

本期石时之约,我们将对话江南平台app体育总经理、国际植物表型学会(IPPN)执委会委员/工业分会副主席韩志国,一起从表型数据的科学角度,去读懂农作物的喜怒哀乐和前世今生。

慧科研、慧育种、慧种田——慧聚改变的力量

让我们“慧聚”在一起,为“慧科研、慧育种、慧种田”赋能。

高通量植物表型平台建设注意事项

育种,是在给定的环境条件下,选择各种表型指标(产量、品质、抗性)最优的基因型材料的过程(AI育种,从这里起步)。育种工作中大约70%的工作量来自表型观察测量和筛选,是最耗人力物力的过程。

作物生理表型测量基础原理

生理表型测量的核心在于“早、快”,要在肉眼可见之前就能测量并预判出变化趋势,才是这个技术的核心价值。叶绿素荧光成像,恰好满足了这个要求。