准确、快速地提取叶绿素含量对评价棉花的营养和生理状况具有重要意义。近年来，高光谱技术在植物叶绿素含量的无损监测中具有广泛应用。通常，采用经验统计的方法探索数据光谱特征和叶绿素含量之间的数学关系，进而构建基于高光谱数据的叶绿素含量反演模型。但是，由于训练样本和测量环境的变化，该方法构建的反演模型的适应能力较差，难以在其他生长环境或品种的叶绿素含量反演中保持较高精度。如果对每种生长环境和每一棉花品种分别建立叶绿素含量反演模型，成本则会显著提高，因此本研究提出利用光谱预处理和深度迁移学习相结合的方法提高反演模型的适应性。本文探讨了七种不同的光谱预处理方法，并设计了一种卷积神经网络(Convolutional neural network, CNN)用于构建棉花叶片的叶绿素含量提取模型，然后使用微调(Fine-tuning)的方式验证模型迁移效果。实验结果显示，一阶导数(First-derivative, FD)和标准正态变换(Standard normal variate transformation, SNV)相结合的方法为最优光谱预处理方法。针对目标数据集，对高光谱数据进行FD和 SNV 处理后再使用CNN 构建叶绿素含量反演模型，其反演效果要优于传统的偏最小二乘 (Partial least squares , PLS)和支持向量机方法 (Squares-support vector machine regression, SVR)。尽管使用较小数据集对CNN微调的效果有限，但CNN模型的反演结果仍优于传统模型，可以取得较高的叶绿素含量反演精度。因此，光谱预处理和深度迁移学习相结合的方法，可以有效估算不同棉花品种之间叶绿素含量，为棉花营养和健康状况评估提供了新的可能性。

　　图1 具有不同叶绿素含量的棉花叶片

　　图2 CNN框架和微调迁移的技术流程

　　来源：Qinlin Xiao, Wentan Tang, Chu Zhang, et al. Spectral preprocessing combined with transfer learning to detect chlorophyll content in cotton leave. Plant Phenomics, 2022, Article ID 9813841.

　　编辑：段博