研究团队开发水稻营养胁迫高光谱库深度学习准确率达100%

发布时间：2024-08-19 14:20:02 栏目：生活

导读 研究团队利用地面高光谱相机采集并分析了420幅水稻胁迫图像，构建了水稻14种NPK营养胁迫条件高光谱库。基于Transformer的深度学习网络SHCFT

研究团队利用地面高光谱相机采集并分析了420幅水稻胁迫图像，构建了水稻14种NPK营养胁迫条件高光谱库。基于Transformer的深度学习网络SHCFTT准确识别了营养胁迫模式，准确率达到93.92%~100%，优于SVM、1D-CNN和3D-CNN模型。该方法提高了营养胁迫检测的精度，有助于提高精准农业中作物健康监测和决策能力。



水稻是全球发展的重要作物，但其产量和质量受到各种压力的威胁，尤其是营养压力。监测作物压力的传统方法劳动密集且耗时。虽然遥感技术前景光明，但它面临着大气条件和混合农田群落等挑战。当前的研究强调了深度学习，特别是 Transformer 架构，在增强高光谱成像 (HSI) 分析方面的潜力。然而，将深度学习与 HSI 相结合以识别水稻 NPK 压力的研究还很缺乏。

2024 年 5 月 29 日发表在《植物表型学》上的一项研究 (DOI：10.34133/plantphenomics.0197)旨在通过开发基于 CNN 和 Transformer 架构的深度学习分类网络来解决这一空白，以便使用陆地高光谱图像准确识别水稻中的营养胁迫模式。

研究团队利用 SPECIM IQ 收集的 HSI 分析了不同营养胁迫下的水稻，计算了植被指数 (NDVI、PRI、PSRI) 来识别胁迫模式。归一化差异植被指数 (NDVI) 突出显示了氮 (N) 胁迫趋势，显示不同处理之间的值有所不同。光化学反射指数 (PRI) 和植物衰老反射指数 (PSRI) 有效地指示了钾 (K) 胁迫水平。这些指数提供了营养胁迫下水稻冠层光谱响应的详细信息。为了进一步分析数据，采用了无监督可视化过程，揭示了复杂的聚类场景，并证明了需要高级建模来区分胁迫类型。随后，该研究提出了一个深度学习网络 SHCFTT，结合 CNN 和 Transformer 架构来对高光谱图像中的营养胁迫模式进行分类。消融测试证实了该模型的有效性，表明在包含关键模块时，分类准确率有显著提高。 SHCFTT 模型的表现优于传统方法，在单年和两年数据集中总体准确率(OA)和平均准确率(AA)均达到 100%。即使在训练样本有限的情况下，SHCFTT 仍能保持较高的准确率，证明了其稳健性和实际应用潜力。

研究负责人王振涛表示：“这些方法的提出不仅对水稻营养胁迫识别具有积极作用，而且对田间作物健康状况监测与决策以及精准农业具有重要意义。此外，这是在高度多样化和高强度的田间条件下进行水稻营养胁迫的典型案例。有助于高光谱成像作物表型研究和精准农业田间信息感知的发展。”

总之，这项研究提供了一种可靠的方法来监测水稻健康和管理营养压力，有助于改善作物管理和精准农业。未来的研究将侧重于将算法扩展到不同的作物，并优化注意力机制以提高性能。