Новейший метод эффективного извлечения оптимальных спектральных характеристик биомассы пшеницы из данных гиперспектрального изображения

Введение

Биомасса пшеничного листа является ключевым показателем здоровья растений и урожая. Чтобы эффективно управлять сельскохозяйственным производством, необходимы точные инструменты для оценки этого показателя. В настоящее время активно изучаются возможности гиперспектрального анализа для оперативного контроля биомассы растений. Настоящее исследование посвящено разработке эффективных методов выделения значимых спектральных характеристик, необходимых для построения надежных моделей оценки биомассы.

Основная идеяРазработан уникальный комбинированный метод, называемый SIPLS-SPA, который объединяет преимущества алгоритмов Sequential Interval Partial Least Squares (SIPLS) и Successive Projection Algorithm (SPA). Данный подход нацелен на выбор наиболее чувствительных спектральных показателей, уменьшая количество коллинеарных и нерелевантных переменных, сохраняя при этом высокую точность моделей.

2. Материалы и методы

2.1. Полевые эксперименты

Проведены два полевых эксперимента с озимой пшеницей в провинции Цзянсу (Китай) в 2013–2014 гг. В эксперименты включены различные дозы азотных удобрений, сорта и густота посадки. Данные разделены на калибровочные (Эксперимент 2) и проверочные (Эксперимент 1).

2.2. Сбор гиперспектральных данных

Использована гиперспектральная система GaiaField-V10E (диапазон 380–1030 нм). Съёмка проводилась на высоте 1 м над пологом в безоблачную погоду  между 10:00 и 14:00 (по пекинскому времени) на значительных стадиях роста растений (рис. 1).

2.3. Предварительная обработка изображений

Включала коррекцию освещённости, шумоподавление методом MNF и выделение области интереса (ROI) с помощью SVM.

Процесс предварительной обработки изображения проходил следующим образом (рис. 2). 

2.4. Определение биомассы листьев

После съёмки отобраны образцы растений, листья отделены, высушены и взвешены. Биомасса рассчитана на единицу площади (кг/м²).

2.5. Метод SIPLS-SPA

Алгоритм включает:
1.    Разбиение спектра на P интервалов.
2.    Построение моделей PLSR на Q интервалах.
3.    Выбор интервалов с минимальной RMSECV.
4.    Применение SPA для выбора длин волн с минимальной коллинеарностью.
5.    Построение модели MLR и выбор переменных с минимальной RMSEv.

2.6. Оценка эффективности

Использованы метрики: коэффициент детерминации (R²), RMSE, время выполнения, уровень сложности и вычислительная сложность.

3. Результаты

3.1. Влияние азота на спектральные характеристики

Увеличение дозы азота снижает отражение в видимой области (усиление поглощения пигментов) и увеличивает в ближнем ИК-диапазоне.
Данные Shengxuan 6 при различных нормах азота в Exp.2 были использованы для анализа изменения отражательной способности полога (рис. 3A).
Дальнейший анализ взаимосвязи между биомассой листьев пшеницы и отражательной способностью растительного покрова представлен на рис. 3В.

3.2. Выбор оптимальных параметров SIPLS-SPA

Наилучшая модель PLSR получена при P = 37 и Q = 4 (интервалы: 694–706, 722–734, 806–816, 890–900 нм). (рис. 4).

3.3. Оптимальные спектральные признаки

Выделены 8 длин волн: 706, 724, 734, 806, 808, 810, 812, 816 нм. (рис. 5)

3.4. Точность модели PLSR

Модель на основе выбранных признаков показала высокую точность: Rc² = 0,79, RMSEv = 0,059 кг/м², RRMSEv = 38,55%.(рис.6)

3.5. Сравнение с другими методами

SIPLS-SPA превзошёл SIPLS, SPA и полный спектр по надёжности и практичности при сопоставимой точности.

4. Обсуждение

Выбранные длины волн соответствуют областям красного края (706–734 нм) и ближнего ИК-диапазона (806–816 нм), что согласуется с литературными данными о чувствительности к биомассе.

Гибридный метод SIPLS-SPA устраняет недостатки отдельных алгоритмов: уменьшает коллинеарность (SPA) и сохраняет информативные интервалы (SIPLS). Модель на основе выбранных признаков обеспечивает баланс между точностью, стабильностью и вычислительной эффективностью.

5. Заключение

Предложенный метод SIPLS-SPA демонстрирует высокую эффективность в задачах извлечения спектральных характеристик биомассы пшеницы. Результаты исследования могут быть использованы для разработки автоматизированных систем мониторинга состояния сельскохозяйственных культур.

Перспективы развития связаны с расширением применения метода для анализа других агрокультур и совершенствованием алгоритмов обработки гиперспектральных данных.

Читать полную статью