结合高光谱遥感技术和图像分析技术，可以为植物表型分析提供新的研究途径。这种结合有助于获得植物各器官的光谱特征，并提供有关植物生理状态的详细信息。尽管高光谱技术在田间植物表型鉴定方面取得了进展，但对小麦冠层光照和阴影成分的特征光谱特征知之甚少。非成像高光谱传感器无法提供空间信息，因此无法区分冠层成分之间的光谱反射率差异。另一方面，高分辨率成像光谱传感器的迅速发展为研究植物个体器官的反射光谱开辟了新的机遇，从而使人们对冠层生物物理和化学特性的认识。本研究提出来一种用于植物表型分析的计算机视觉管道的pipeline，该pipeline可以分析具有高空间分辨率和光谱分辨率的地面采集成像光谱。重点研究了从预处理到高光谱图像分类的图像分析流程中的关键步骤。

得分第一和第二LDA和PCA的散点图

本文采用两种卷积神经网络(CNN)对小麦冠层成分在遮荫区和日照区进行自动映射，并确定其特定的光谱特征。第一种方法使用全光谱特征的像素向量作为CNN模型的输入，第二种方法将线性判别分析(LDA)的降维技术与CNN相结合，提高了特征的判别能力和计算效率。结果得到，本文提出的技术缓解了现有的预定义高光谱分类方法固有的局限性和缺乏可分性。它优化了高光谱成像的使用，并确保数据提供有关目标植物器官而不是背景的光谱特征的信息。

以全谱带为输入的一维CNN框架的示意图

综上所述，本研究证明了高分辨率高光谱图像以及所提出的CNN模型可以成为表征田间小麦冠层光照和阴影成分的有力工具。该方法将在确定自然光条件下的阴影和阳光冠层组件的光谱特性及其相关性方面提供重要的进展。

三种算法分类精度得分的盒须图

来源：

Sadeghi-Tehran P, Virlet N and Hawkesford M J., et al. A Neural Network Method for Classification of Sunlit and Shaded Components of Wheat Canopies in the Field Using High-Resolution Hyperspectral Imagery. Remote Sens. 2021, 13(5), 898; https://doi.org/10.3390/rs13050898.

点击图片，了解详情