结合辐射传输模型和机器学习以改进叶绿素和水分含量的预测


发布时间:

2023-02-15

来源:

植物表型资讯

作者:

PhenoTrait

准确且稳健地预测植物叶绿素(Cab)和水分含量(Cw)有助于我们更好地了解植物对水和养分的需求。目前,基于光谱数据对植物性状进行预测的方法主要是一些常用的植被指数和机器学习模型。这些方法的有效性常常依赖于大量且带标记的训练样本。然而,大批量的数据采集在农业中依然受到时间和劳力的限制。为了有效地解决数据量有限的问题,我们提出了一个新的方法(Spiking-Hybrid),该方法融合了基于过程的辐射传输模型(RTM)和机器学习模型。
 
其中,叶片级辐射传输模型(PROCOSINE)利用一系列的叶片生化和内部结构参数模拟叶片反射率。模拟的数据进一步与实测数据结合以训练机器学习模型。该研究采用了三种不同的机器学习模型,包括偏最小二乘回归(Partial Least Squares Regression)、高斯过程回归(Gaussian Process Regression),和梯度增强回归(Gradient Boosting Regression)。为了有效的评估,我们将Spiking-Hybrid和其他三种常见方法进行了对比:基于数值优化的PROCOSINE反演、传统的混合方法、和基于实测数据的机器学习。所有的评估都建立在两组实测数据(叶片反射率400-2500 nm,Cab和Cw)的基础上:一组数据包含299个高粱作物样本,另一组数据含有566个玉米作物样本。
 
结果显示(图1&2),Spiking-Hybrid和基于实测数据的机器学习优于PROCOSINE反演和传统的混合方法。考虑到后两种方法没有用到实测数据,这一结果印证了实测数据在模型训练中的重要性。此外,当实测数据量有限时(少于总训练数据集的5%),Spiking-Hybrid比传统的机器学习方法具有更高的准确度(accuracy)和更强的鲁棒性(robustness)(图1&2)。这些结果表明,Spiking-Hybrid通过有效地利用RTM模拟数据以增强模型在数据量有限时的性能。为此,这一方法在实际农业研究中有着极大的应用前景。
 

图1 对比不同方法对植物叶绿素(Cab)的预测。四种方法分别是:M1(PROCOSINE反演)、M2(传统混合方法)、M3(基于实测数据的机器模型)、M4(Spiking-Hybrid)。其中,M2,M3,和M4采用了不同机器学习算法:(A)PLSR,(B)GPR,(C)GBR。虚线代表100次随机运算的平均值;阴影部分代表100次随机运算的标准差。

 

图2 对比不同方法对植物水分含量(Cw)的预测。四种方法分别是:M1(PROCOSINE反演)、M2(传统混合方法)、M3(基于实测数据的机器模型)、M4(Spiking-Hybrid)。其中,M2,M3,和M4采用了不同机器学习算法:(A)PLSR,(B)GPR,(C)GBR。虚线代表100次随机运算的平均值;阴影部分代表100次随机运算的标准差。

 
 
来 源
Li, J., Wijewardane, N. K., Ge, Y., & Shi, Y. (2023). Improved chlorophyll and water content estimations at leaf level with a hybrid radiative transfer and machine learning model. Computers and Electronics in Agriculture, 206, 107669.
 
 

作者介绍

Jiating Li

内布拉斯加大学林肯分校,生物系统工程系,四年级博士生

Nuwan K Wijewardane

密西西比州立大学,农业与生物工程学院,助理教授

Yufeng Ge

内布拉斯加大学林肯分校,生物系统工程系,副教授

Yeyin Shi

内布拉斯加大学林肯分校,生物系统工程系,助理教授

 

扩展阅读

推荐新闻

石时之约|韩志国:透过表型数据,看见植物的喜怒哀乐!

本期石时之约,我们将对话慧诺瑞德(北京)科技有限公司总经理、国际植物表型学会(IPPN)执委会委员/工业分会副主席韩志国,一起从表型数据的科学角度,去读懂农作物的喜怒哀乐和前世今生。

慧科研、慧育种、慧种田——慧聚改变的力量

让我们“慧聚”在一起,为“慧科研、慧育种、慧种田”赋能。

高通量植物表型平台建设注意事项

育种,是在给定的环境条件下,选择各种表型指标(产量、品质、抗性)最优的基因型材料的过程(AI育种,从这里起步)。育种工作中大约70%的工作量来自表型观察测量和筛选,是最耗人力物力的过程。

作物生理表型测量基础原理

生理表型测量的核心在于“早、快”,要在肉眼可见之前就能测量并预判出变化趋势,才是这个技术的核心价值。叶绿素荧光成像,恰好满足了这个要求。