通过光谱转换和深度学习优化茶叶中的叶绿素含量预测
Yuta Tsuchiya1, Keita Yoshida2, Yoshiki Ishiguro3
1Graduate School of Science and Technology, Shizuoka University, Shizuoka, Japan.
BMC plant biology
|December 1, 2025
概括
使用光谱反射率对茶叶中精确的叶绿素估计对于精密农业至关重要. 自主监督学习 (SSL) 与标准正常变量 (SNV) 预处理产生了最好的预测结果.
科学领域:
- 植物生理学和光谱学.
- 精准农业和遥感技术
- 机器学习用于生物化学特征估计.
背景情况:
- 准确的叶绿素估计对于监测植物健康和优化农业实践至关重要.
- 超光谱反射率数据提供了一种非破坏性的方法来评估植物生理状态.
- 各种预处理技术和机器学习模型可以影响叶绿素含量预测的准确性.
研究的目的:
- 评估四种预处理技术 (原始反射,连续清除,脱趋势,标准正常变量) 对叶绿素含量预测准确性的影响.
- 为了比较四个机器学习模型 (1D-CNN,SSL,ViT,Conformer) 在茶叶中对叶绿素估计的性能.
- 确定预处理方法和模型架构的最佳配对,以提高预测准确度.
主要方法:
- 收集了来自茶叶 (Camellia sinensis) 的超光谱反射率数据.
- 应用了四种预处理技术:原始反射 (OR),连续清除 (CR),脱趋势 (DT) 和标准正常变量 (SNV).
- 使用了四种机器学习模型:1D卷积神经网络 (1D-CNN),自主监督学习 (SSL),视觉转换器 (ViT) 和调整器,具有十倍的交叉验证.
主要成果:
- 标准正常变异 (SNV) 和脱趋势 (DT) 预处理对叶绿素增强的光谱敏感性,特别是在关键的吸收区域.
- 自主监督学习 (SSL) 模型与SNV预处理相结合,实现了最高的预测准确性 (R2 = 0.82,RPD = 2.37).
- 优化预处理因模型而异:1D-CNN与DT相美,而ViT和Conformer从CR中受益最多.
结论:
- 预处理技术的选择显著影响了对叶绿素估计的机器学习模型性能.
- 模型架构和预处理方法必须仔细配对,以最大限度地提高预测准确性.
- 定制的预处理策略对于有效的高光谱分析和植物表型定型至关重要.
