将高光谱成像与集体学习相结合,以估计不同水浸持续时间下的油菜叶含量
Ying Jin1, Yaoqi Peng2, Haoyan Song1
1College of Advanced Agricultural Sciences, Zhejiang A&F University, Linan, Hangzhou 311300, China.
Plants (Basel, Switzerland)
|December 31, 2025
概括
超光谱成像与组合学习相结合,准确估计了油菜苗的叶绿素含量 (SPAD). 这种方法为面临水淹的作物提供了有效的早期压力监测.
科学领域:
- 农业科学 农业科学
- 植物生理学 植物生理学
- 遥感 遥感 遥感 遥感
背景情况:
- 叶绿素含量对于光合作用能力和作物健康至关重要.
- 土壤植物分析发展 (SPAD) 仪表提供快速,非破坏性的叶绿素估计.
- 超光谱成像 (HSI) 捕获详细的光谱数据,用于先进的作物分析.
研究的目的:
- 评估HSI与集体学习 (EL) 结合的有效性,以估计菜苗的SPAD值.
- 为了评估模型在不同浸水时间和不同菜品种的表现.
- 建立一种可靠的方法,用于早期检测作物中的压力.
主要方法:
- 收集了来自六种菜品种的高光谱图像和SPAD值,这些品种经历了0,2,4和6天的浸水.
- 利用相互信息来选择前30个光谱和植被指数特征.
- 开发了一个EL模型,使用五个第一层学习者 (PLS,SVM,RF,Ridge,Elastic Net) 和第二层多重线性回归.
主要成果:
- 在不同数据集的单个模型中,EL模型表现出优越的稳定性和预测准确性.
- 随着水浸持续时间的增加,模型的准确性得到了改善,在6天后达到R2为0.79和RMSE为3.27.
- 开发的模型显示出强大的预测能力来估计SPAD值.
结论:
- 结合集体学习和高光谱成像,提供了一种稳定而准确的方法来估计叶绿素含量.
- 这种综合方法为农业环境中早期压力监测提供了一个强大的工具.
- 该研究强调了先进的光谱分析对高通量表型和作物管理的潜力.
