处理小规模标记数据和类不平衡的挑战,在使用高光谱技术对片的N和K状态进行分类
Wenfeng Hu1,2, Weihao Tang1, Chuang Li1
1School of Mechanical and Electrical Engineering, Hainan University, Haikou 570228, China.
Plant phenomics (Washington, D.C.)
|March 25, 2024
概括
这项研究引入了一种简化方法,使用半监督学习和重新采样来准确评估树叶中的 (N) 和 (K) 含量,通过超光谱数据,克服小,不平衡数据集的局限性.
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:
- 树 (Hevea brasiliensis) 的营养状况对于天然的生产至关重要.
- 叶子中的 (N) 和 (K) 含量是树健康的关键指标.
- 超频谱技术提供了快速的N和K评估,但面临着小,不平衡的数据集的挑战.
研究的目的:
- 开发一种精简的,不那么密集的方法来监测叶中的N和K水平,使用超光谱数据.
- 在光谱估计模型中应对小而不平衡的数据集所带来的挑战.
- 为N和K状态建立一个强大的5分类光谱模型.
主要方法:
- 采用半监督学习 (SSL) 用于伪标签和重新采样技术进行类再平衡.
- 利用超光谱图像数据来提取营养信息.
- 开发了一种使用随机森林分类器和平均采样的5分类光谱模型.
主要成果:
- 该SSL模型在不平衡和平衡数据集上取得了最佳的分类结果.
- 对于N状态的加权平均精度达到67.8% (不平衡) 和78.6% (平衡).
- 对N状态的宏观平均精度为61.2% (不平衡) 和74.4% (平衡),加权回忆分别为65.7%和78.5%.
结论:
- 提出了一种有效的方法,用于快速准确地监测叶中的N和K水平.
- 在超频谱分析中证明了SSL和重新采样在处理小,不平衡数据集的有效性.
- 促进了改善树的营养管理,特别是在数据稀缺的条件下.
