模拟植物的空间光谱特征以确定营养状况,使用超光谱数据和深度学习方法

科学领域:

• 农业科学 农业科学
• 遥感 遥感 遥感 遥感
• 植物生理学 植物生理学

背景情况:

• 可持续的肥料管理对于精准农业的经济和环境健康至关重要.
• 超光谱成像提供了一种遥感方法,通过分析生理变化来监测植物营养状况.
• 传统的高光谱处理通常会单独分析光谱或空间信息,从而限制了全面的分析.

研究的目的:

• 开发一种混合卷积神经网络 (CNN) 模型,同时从超光谱数据中提取空间和光谱信息.
• 准确识别昆和牛豆植物在不同生长阶段的营养状况.
• 评估不同预处理技术对基于高光谱的营养物质表型化的影响.

主要方法:

• 在温室条件下进行了不同和水平的营养实验.
• 建议采用混合CNN模型,将3DCNN集成为光谱空间信息和2DCNN集成为空间细节.
• 应用了数据预处理技术 (二次导数,标准正常变量,线性差异分析),并将模型性能与现有方法进行了比较.

主要成果:

• 拟议的混合CNN模型在识别和状态方面实现了超过94%的分类准确性.
• 与独立的3D CNN,2D CNN和HybridSN模型相比,该模型表现出卓越的性能.
• 确定并使用有效的波段,以进一步提高不同增长阶段的模型准确性.

结论:

• 开发的混合CNN模型有效地整合了光谱和空间信息,以准确识别植物营养状况.
• 这种方法显示出通过增强的超光谱数据分析来推进精密农业的巨大潜力.
• 这些发现支持使用先进的深度学习技术来实现可持续的作物管理和提高肥料使用效率.