Systematic evaluation of hyperspectral imaging workflows for predicting pigment and nutrient traits in tomato leaves under varying nitrogen supply levels
本研究系统地评估了高光谱成像工作流，旨在确定用于无损预测番茄叶片色素和营养性状的最佳样本划分、光谱预处理、特征选择及机器学习模型组合，结果表明，虽然卷积神经网络（CNNs）能够可靠地预测与氮相关的性状，但叶绿素的预测仍然受限，且工作流优化必须针对特定的目标性状进行定制。
原始论文采用 CC BY 4.0 许可（https://creativecommons.org/licenses/by/4.0/）。 这是对下方论文的AI生成解释。它不是由作者撰写或认可的。如需技术准确性，请参阅原始论文。 阅读完整免责声明
在温室静谧的律动中，一株番茄植株正发出无声的诉求。它需要氮，这是一种基础营养素，如同生长的引擎，驱动着绿叶的形成与果实的发育。当农户提供的氮量过少时，植物会陷入挣扎，叶片变得苍白，生长停滞；而当提供的氮量过多时，植物可能会长得繁茂却虚弱，甚至更糟——它可能会积累有害水平的硝酸盐，从而影响食品安全和环境。几十年来，准确了解植物吸收了多少氮一直是一个靠猜测或缓慢且具有破坏性的过程。农民不得不摘下一片叶子，在实验室里将其压碎，然后等待数天的化学分析，这种方法对于指导快速变化的作物周期来说太慢了。
为了解决这个问题，科学家们转向了一种能够看见千种色彩世界的技术。不同于人类眼睛感知的三种颜色，高光谱相机可以捕捉数百个狭窄的光谱波段，为它们扫描过的每一个表面创建一个详细的“光指纹”。这个光指纹会随着叶片内部成分的变化而改变，揭示出关于水分、结构及其化学成分的秘密。然而，挑战在于这些数据极其复杂。仅仅对着植物对准相机并获得答案是不够的；研究人员必须仔细选择如何清理噪声数据、专注于哪些特定的颜色，以及使用哪些数学工具将光转化为数字。问题在于，是否有一种单一的方法可以适用于每种营养素，还是说每种性状都需要各自独特的探索路径。
来自中国宁夏的一支研究团队通过在受控温室中培育番茄植株，试图寻找答案。他们培育了一种名为“普罗旺斯”（Provence）的热门品种，并将其置于四种不同的施氮方案下：一组完全不施氮，而其他几组则接收递增的氮量，从适度的每公顷 210 公斤到沉重的 3 90 公斤不等。在整个生长季节中，他们在三个关键时刻进行访问：开花结果时、果实成熟时，以及最后收获时。在每次访问时，他们选取特定的叶片并使用便携式高光谱相机进行扫描，捕捉光线从叶片表面反射的方式。在扫描后立即，他们将这些相同的叶片带入实验室，利用标准的精确化学测试来测量其真实的化学含量，确定叶绿素总量、总氮量和硝酸盐水平。这为数百个样本建立了光特征与现实世界化学成分之间的完美匹配。
研究人员随后将这些数据视为一个复杂的拼图，测试了几十种不同的解题方法。他们尝试了四种不同的数据拆分方式（将数据分为训练集和测试集），以确保模型的公平性。他们应用了七种不同的方法来清理光信号，以去除经常干扰此类测量的静态噪声和杂质。他们还测试了两种不同的策略来挑选出数百个可用颜色中最重要的部分，探究哪些特定的波长掌握着答案的关键。最后，他们将这些精炼后的信息输入到四种不同类型的计算机学习模型中，从成熟的统计工具到先进的深度学习网络，以观察哪一种能最好地根据光信号预测化学数值。
结果揭示了一个清晰的事实：并没有一种“最佳”方法可以预测所有性状。获得准确答案的路径完全取决于研究人员想要测量的是什么。当目标是估算总叶绿素时，最好的结果来自于特定的数据拆分方式和简单的平滑技术，但即使是最好的模型，在进行精确预测方面也显得力不从心。团队发现，叶绿素在不同生长阶段的变化使得建立单一、可靠的规则变得困难。然而，当焦点转向总氮和硝酸盐时，情况发生了变化。对于总氮，一种选择紧凑关键波长组合的方法效果最好；而对于硝酸盐，则采用了另一种更优的筛选策略。
所使用的计算机模型类型也至关重要。对于叶绿素，一种稳健且传统的算法——支持向量机表现最好。但对于预测总氮和硝酸盐这类更复杂的任务，卷积神经网络（一种模仿大脑处理模式方式的深度学习模型）的表现优于所有其他模型。这种深度学习模型能够识别出光数据中微妙的非线性联系，而简单的模型则会忽略这些联系，从而为氮相关性状提供了更可靠的预测。研究表明，光谱中的“红边”区域（即光反射率发生剧烈变化的区域）和近红外区域是区分不同氮水平水平的最具信息量的区域。
最终，这项工作证明了精准农业不能依赖于“一刀切”的方法。为了在不损伤单片叶片的情况下准确监测番茄作物的健康状况，整个工作流必须针对特定的营养素进行定制。虽然在测试条件下，对总叶绿素的预测仍具挑战性，但可靠预测总氮和硝酸盐水平的能力提供了一个强大的新工具。通过将正确的数据清洗、正确的波长选择以及正确的计算机模型与特定性状相匹配，农民可以更接近这样一个未来：他们能准确知道植物需要什么，从而实现精准施肥，而非盲目的广泛猜测。
您所在领域的论文太多了？
获取与您研究关键词匹配的最新论文每日摘要——附技术摘要，使用您的语言。