應(yīng)對橡膠樹葉片氮鉀水平高光譜檢測時(shí)的小樣本和不平衡數(shù)據(jù)挑戰(zhàn)研究

Plant Phenomics | 海南大學(xué)應(yīng)對橡膠樹葉片氮鉀水平高光譜檢測時(shí)的小樣本和不平衡數(shù)據(jù)挑戰(zhàn)

橡膠樹（Hevea brasiliensis）的營養(yǎng)狀況與天然橡膠的生產(chǎn)密不可分。橡膠葉中的氮 (N) 和鉀 (K) 水平是反映橡膠樹營養(yǎng)狀況的兩個(gè)關(guān)鍵標(biāo)準(zhǔn)。先進(jìn)的高光譜技術(shù)可以快速評估葉片的氮鉀狀態(tài)。然而，當(dāng)使用小規(guī)模且不平衡的數(shù)據(jù)集來訓(xùn)練譜估計(jì)模型時(shí)，會(huì)產(chǎn)生高偏差和不確定的結(jié)果。費(fèi)力的長期營養(yǎng)壓力和高強(qiáng)度數(shù)據(jù)收集的典型解決方案背離了高光譜技術(shù)快速靈活的優(yōu)勢。因此，評估了一種強(qiáng)度較低且簡化的方法，即從高光譜圖像（HSI）數(shù)據(jù)中重新挖掘信息。從這個(gè)新視角切入，采用半監(jiān)督學(xué)習(xí)（SSL）方法和重采樣技術(shù)來生成偽標(biāo)簽數(shù)據(jù)（PL）和類重新平衡。隨后，建立了橡膠葉氮鉀狀態(tài)的五分類光譜模型�；�于隨機(jī)森林分類器（RFC）和平均采樣（MES）技術(shù)的SSL模型在不平衡/平衡數(shù)據(jù)集上均產(chǎn)生了最佳分類結(jié)果（加權(quán)平均精度（WAP）67.8/78.6%，宏觀平均精度（MAP）61.2/74.4 \%，N 狀態(tài)的加權(quán)召回率 (WR) 65.7/78.5\%）。最終，本研究提出了一種快速準(zhǔn)確監(jiān)測橡膠葉中氮鉀水平的有效方法，特別是在小注釋和不平衡類別比率的情況下。
 

2024年2月，Plant Phenomics在線發(fā)表了海南大學(xué)機(jī)電工程學(xué)院智能感知與先進(jìn)機(jī)器人團(tuán)隊(duì)完成的題為Handling the challenges of small-scale labelled data and class imbalances in classifying the N and K statuses of rubber leaves using hyperspectroscopy techniques的研究成果。
 

圖片摘要

主要?jiǎng)?chuàng)新點(diǎn)：本探究提出了基于偽標(biāo)簽重采樣的高光譜模型訓(xùn)練方法，以克服田間數(shù)據(jù)采集的局限性對模型學(xué)習(xí)的影響，同時(shí)避免了高密度樣本采集和長期脅迫的復(fù)雜過程。具體地，評估了一種高光譜信息重挖掘的方法，借助于來自高光譜像素偽標(biāo)簽平衡模型學(xué)習(xí)過程，以應(yīng)對田間高密度大面積數(shù)據(jù)采集的難題，順應(yīng)了高光譜技術(shù)在作物狀態(tài)監(jiān)測中體現(xiàn)出的快速、無損和靈活優(yōu)勢。
 

基于高光譜像素?cái)?shù)據(jù)的偽標(biāo)簽重采樣工作流程

主要結(jié)論：

1. 橡膠樹葉片氮鉀水平的光譜響應(yīng)區(qū)間：經(jīng)過實(shí)驗(yàn)對比分析，大約945-980、1548-1592和1651-1680 nm范圍內(nèi)的NIRS波段是識別成熟橡膠葉中氮狀態(tài)的主要波長范圍。鉀元素的主要響應(yīng)范圍的為 964-1044、1283-1400 和 1665-1676 nm。

2. 在本研究中，當(dāng)無標(biāo)記像素?cái)?shù)據(jù)與有標(biāo)記平均光譜數(shù)據(jù)的比例為4時(shí)，可產(chǎn)生效果最佳的分類邊界，WAP和WR分別提升了9.4%和8.0%。

3. 在本研究中，相較于不同建模算法對高光譜診斷模型精度的影響，來自數(shù)據(jù)層面的挑戰(zhàn)對結(jié)果的影響更為顯著。

本工作來自于海南大學(xué)機(jī)電工程學(xué)院智能感知與先進(jìn)機(jī)器人團(tuán)隊(duì)，由2021級碩士研究生唐瑋豪在唐榮年教授和胡文鋒副教授的聯(lián)合指導(dǎo)下完成。由衷感謝國家自然科學(xué)基金(32060413)和海南省重點(diǎn)研發(fā)項(xiàng)目(ZDYF2022GXJS008)對本工作的資助。

唐榮年，海南大學(xué)機(jī)電工程學(xué)院教授，主要研究方向：智能信息處理，高光譜檢測技術(shù)、無人機(jī)遙感和人工智能。

論文鏈接：

https://spj.science.org/doi/10.34133/plantphenomics.0154

——推薦閱讀——

Hyperspectral Remote Sensing for Phenotyping the Physiological Drought Response of Common and Tepary Bean

https://doi.org/10.34133/plantphenomics.0021

Plant Phenomics | 基于高光譜遙感的大豆和花菜豆生理干旱響應(yīng)的表型研究

Noninvasive Detection of Salt Stress in Cotton Seedlings by Combining Multicolor Fluorescence–Multispectral Reflectance Imaging with EfficientNet-OB2 

https://doi.org/10.34133/plantphenomics.0125

Plant Phenomics | 多源波譜成像技術(shù)融合深度學(xué)習(xí)的棉苗鹽脅迫診斷方法研究

加入作者交流群
掃碼添加小編微信，拉您進(jìn)入《植物表型組學(xué)》作者交流群，群內(nèi)不定期開展作者分享會(huì)、�？�發(fā)布會(huì)等高質(zhì)量活動(dòng)。

添加小編微信，備注姓名+單位+PP，加入作者交流群

About Plant Phenomics

《植物表型組學(xué)》（Plant Phenomics）是由南京農(nóng)業(yè)大學(xué)和美國科學(xué)促進(jìn)會(huì)（AAAS）合作創(chuàng)辦的英文學(xué)術(shù)期刊，于2019年1月正式上線發(fā)行。采用開放獲取形式，刊載植物表型組學(xué)交叉學(xué)科熱點(diǎn)領(lǐng)域具有突破性科研進(jìn)展的原創(chuàng)性研究論文、綜述、數(shù)據(jù)集和觀點(diǎn)。具體范圍涵蓋高通量表型分析的最新技術(shù)，基于圖像分析和機(jī)器學(xué)習(xí)的表型分析研究，提取表型信息的新算法，作物栽培、植物育種和農(nóng)業(yè)實(shí)踐中的表型組學(xué)新應(yīng)用，與植物表型相結(jié)合的分子生物學(xué)、植物生理學(xué)、統(tǒng)計(jì)學(xué)、作物模型和其他組學(xué)研究，表型組學(xué)相關(guān)的植物生物學(xué)等。期刊已被DOAJ、Scopus、PMC、EI和SCIE等數(shù)據(jù)庫收錄�？祁Ｎò睯CR2021影響因子為6.5，位于農(nóng)藝學(xué)、植物科學(xué)、遙感一區(qū)。2023年中科院期刊分區(qū)位于農(nóng)林科學(xué)大類一區(qū)。2020年入選中國科技期刊卓越行動(dòng)計(jì)劃高起點(diǎn)新刊項(xiàng)目。

說明：本文由《植物表型組學(xué)》編輯部負(fù)責(zé)組稿。
中文內(nèi)容僅供參考，一切內(nèi)容以英文原版為準(zhǔn)。
特邀作者：唐瑋豪
排版：張婕（上海交通大學(xué)）
審核：孔敏、王平