一个跨度转移学习框架:从叶子微观结构到宏观超光谱成像的SOD活动的预测
Jie Hao1,2, Yan Yan3, Yao Zhang4,5
1School of Wine & Horticulture, Ningxia University, Yinchuan, Ningxia, China.
Plant biotechnology journal
|January 9, 2025
概括
这项研究使用高光谱成像和CNN-LSTM模型来准确预测压力下的番茄叶子中超氧化物脱酶 (SOD) 活性. 微观和宏观模型之间的转移学习提高了预测准确性,从而改善了作物管理.
科学领域:
- 植物生理学 植物生理学
- 频谱学是一种光谱学.
- 机器学习 机器学习
背景情况:
- 超氧化物脱酶 (SOD) 对于植物对环境压力的防御至关重要.
- 准确预测SOD活动对于评估植物健康和应激反应至关重要.
研究的目的:
- 通过使用高光谱成像来开发和验证用于预测西红叶SOD活动的模型.
- 研究微观和宏观SOD活动预测模型之间的转移学习.
主要方法:
- 采用微超光谱成像 (MHSI) 和可见近红外 (Vis-NIR) 超光谱成像 (HSI).
- 利用卷积神经网络-长期短期记忆 (CNN-LSTM) 进行模型构建.
- 应用异质二维相关谱 (H2D-COS) 来识别敏感的波长.
- 在使用已识别的敏感波长的模型之间研究了转移学习.
主要成果:
- 在微观SOD预测中,CNN-LSTM模型实现了高精度 (RP=0.9075).
- 确定了10个宏观的和10个微观的敏感吸收峰值.
- 转移学习模型在SOD预测方面表现良好 (RP=0.7549).
结论:
- 超光谱成像与CNN-LSTM相结合,有效地预测番茄叶的SOD活动.
- H2D-COS分析有助于理解与SOD活动相关的光谱特征.
- 微观和宏观模型之间的转移学习对于定量SOD预测是可行的.
