利用合成少数类过采样技术和迁移学习改进水稻和小麦叶面积指数估算

《Computers and Electronics in Agriculture》:Utilization of synthetic minority oversampling technique and transfer learning for improving rice and wheat LAI estimation

【字体: 大 中 小 】 时间:2026年01月13日 来源:Computers and Electronics in Agriculture 8.9

编辑推荐:

  来自亚麻(Linum usitatissimum)等植物的天然纤维作为合成纤维的绿色替代品正受到关注,以减少纺织业的污染足迹。然而,从亚麻茎中提取韧皮纤维的促进过程——即露水沤麻——仍然依靠经验评估,导致沤麻过度或不足,这两种情况都会降低最终纤维质量并引入批次

  
来自亚麻(Linum usitatissimum)等植物的天然纤维作为合成纤维的绿色替代品正受到关注,以减少纺织业的污染足迹。然而,从亚麻茎中提取韧皮纤维的促进过程——即露水沤麻——仍然依靠经验评估,导致沤麻过度或不足,这两种情况都会降低最终纤维质量并引入批次间差异。目前尚无田间可用设备帮助农民监测和管理亚麻露水沤麻。亚麻种植者通常使用“Fried测试”或“感官”评估来定义沤麻进程。在本研究中,研究人员使用分光光度计测量了茎秆表面的颜色变化。光谱数据在三个不同沤麻年份的沤麻期内采集,共涉及4块田地,波长范围为400至700纳米。光谱的聚类分析揭示了四个不同的沤麻阶段,研究人员将其定义为:开始期、早期、中期和晚期。此外,通过使用包含主成分分析(PCA)和偏最小二乘判别分析(PLS-DA)的统计流程,研究人员确定仅测量四个选定波长(480、490、600和610纳米)就足以高置信度地预测沤麻阶段。这项工作为未来开发可安装在无人机上的颜色传感器铺平了道路。此类机载传感器将为农民提供一个实用工具,以识别结束沤麻的最佳时机。
**研究背景与问题**

亚麻等植物的天然纤维作为合成纤维的可持续替代品,在纺织和复合材料领域日益受到重视。亚麻韧皮纤维因其强度高、柔韧性好,尤其适用于制造高品质纺织品。然而,其提取过程——露水沤麻——是一个关键的微生物过程,在此过程中,茎秆组织中的果胶和半纤维素等细胞壁聚合物被微生物酶解,从而促进纤维束的分离。沤麻不足会导致纤维难以与茎秆组织分离,降低纤维的细度和均匀性;而过度沤麻则会引起纤维素纤维的降解,损害其机械性能。目前,沤麻进程的评估高度依赖农民的经验判断,如观察茎秆颜色变化或进行手工的“Fried测试”,缺乏客观、可靠的田间监测方法。尽管已有研究从物理和生化特性角度尝试评估沤麻程度,但仍需一种更灵敏、多模态的方法来实现田间沤麻进程的精准监测。茎秆表面颜色变化是一个直观且易于非破坏性测量的参数,但现有研究多局限于视觉或CIE Lab颜色空间的定性或简单定量分析,未能将特定波长与沤麻程度定量关联。因此,开发一种基于光谱特征、能够客观监测沤麻进程的技术,对于提高亚麻纤维质量、产量和批次均一性至关重要。

**研究内容与意义**

本研究旨在通过分析亚麻茎秆在沤麻过程中可见光谱范围内的颜色变化,建立一种客观、可靠的沤麻阶段监测方法。研究人员在三个不同年份(2014、2021、2022年)从法国北部的四块田地(A、B、C、D)采集了亚麻茎秆样本,使用便携式分光光度计(CM-23d,Konica Minolta)测量了茎秆表面在400-700纳米波长范围内的光谱反射率,并同时获取了CIE Lab颜色空间数据。通过构建包含主成分分析(PCA)、K均值聚类和偏最小二乘判别分析(PLS-DA)在内的多元统计分析流程,研究人员系统研究了颜色变化与沤麻进程的关系,并筛选出可用于区分不同沤麻阶段的关键波长。该研究为开发基于无人机的田间颜色传感器、实现沤麻进程的实时非破坏性监测提供了概念验证和理论基础,有望推动亚麻种植进入精准农业(Agriculture 4.0)时代。该论文发表在《Computers and Electronics in Agriculture》期刊上。

**关键技术方法概述(约250字)**

本研究采用了系统的实验设计与多元统计分析方法。样本来源于法国北部四块不同田地在三个年份的亚麻露水沤麻过程。使用便携式分光光度计在包含镜面反射成分(SCI)模式下,测量茎秆束在400-700纳米波长范围(间隔10纳米)的光谱反射率,每个样本在茎秆束的顶部、中部和底部进行多次测量并平均。气象数据(温度、降雨量)从附近气象站获取,并计算了累积归一化15°C天数(ND15)以量化温度影响。土壤样本进行了成分分析。统计分析主要在R软件中进行,包括:使用K均值聚类对归一化光谱数据进行分析以定义沤麻阶段;使用主成分分析(PCA)进行无监督降维和可视化;使用偏最小二乘判别分析(PLS-DA)进行有监督的判别分析以识别关键波长和构建分类模型;通过混淆矩阵和受试者工作特征(ROC)曲线评估模型性能;并利用单因素方差分析(ANOVA)和Tukey HSD检验比较不同沤麻阶段的CIE Lab值差异。

**研究结果**

**3.1. 田间沤麻动态**
通过分析四个数据集(对应四块田地)的气象数据发现,不同年份和地块的沤麻持续时间(25至55天)和累积ND15值(32.78至105.76)存在显著差异,其中2022年D地块因降雨量极低(累积17毫米)导致沤麻进程显著延长。

**3.2. 亚麻茎秆可见光谱数据集的聚类分析**
对归一化光谱数据进行K均值聚类分析,在A、B、C三个数据集中一致识别出四个聚类,对应于四个相对沤麻阶段:开始期、早期、中期和晚期。D数据集识别出六个聚类,其中四个与上述阶段一致,另外两个分别对应于过度沤麻点(第90天)和异常值。这表明尽管环境条件不同,沤麻过程遵循一致的颜色变化模式。

**3.3. CIE Lab颜色空间内亚麻茎秆在露水沤麻期间的颜色变化**
在CIE Lab颜色空间中,从开始期到晚期,b*(黄蓝轴)值下降了50%以上,a*(红绿轴)值在早期增加后下降,总体变化较小。L*(明度)值总体呈下降趋势,但不同年份间变化幅度不同。过度沤麻样本的L*、a*、b*值均最低,表明颜色更暗、更偏向蓝灰色调。

**3.4. 亚麻茎秆可见光谱数据集的多元分析**
主成分分析(PCA)显示前两个主成分(PC1和PC2)解释了超过90%的光谱变异。偏最小二乘判别分析(PLS-DA)进一步证实X变量1和X变量2能有效区分不同沤麻阶段。通过分析载荷图发现,沤麻过程中光谱贡献模式发生系统性转变:开始期以520-630纳米(绿-黄-橙)范围的正贡献为主;早期向650-680纳米(红)范围转移;中期贡献普遍较低;晚期则转变为400-510纳米(紫-蓝)范围的高贡献,而520-630纳米范围贡献变为极低值。

**3.5. 测试选定波长(480、490、600和610纳米)用于亚麻沤麻阶段预测**
通过分析PLS-DA中X变量1的载荷(该变量解释了65-74%的协方差),在所有数据集中一致发现480和490纳米波长的反射率值从开始期到晚期呈增加趋势,而600和610纳米波长则呈下降趋势。研究人员构建了基于这四个波长的多元分类模型,并使用一个地块的数据训练,另一个独立地块的数据测试。ROC曲线分析显示,该模型在区分开始期、早期和晚期沤麻阶段时表现出色,曲线下面积(AUC)值在0.97至1之间。仅使用490纳米和600纳米两个变量的双变量模型在验证数据集上也取得了77%的正确分类率。

**3.6. 过度沤麻点的表征**
对D数据集中超出常规沤麻结束点(第55天)的第69天和第90天样本进行分析。PLS-DA显示,X变量1(解释55%协方差)能将第90天样本与第55、69天样本分开,第90天样本在660-700纳米(红)范围有高贡献。X变量2(解释44%协方差)能将第55天(580-620纳米,黄-绿)与第69天(400-460纳米,紫-蓝)区分开,表明在常规沤麻结束后,颜色变化仍在持续。

**讨论与结论**

**讨论部分总结:**
研究人员讨论了沤麻过程中颜色变化的潜在生物学和化学机制,包括叶绿素降解、氧化、微生物活动(如产生黑色素的真菌)以及酚类物质释放等。环境因素(如土壤类型、降雨、温度)通过影响微生物活动和酶促反应,导致不同年份和地块间沤麻持续时间差异。K均值聚类定义的相对沤麻阶段,与之前研究中描述的酶活性变化模式(如过氧化物酶、果胶酶、纤维素酶等)存在对应关系。传统的CIE Lab颜色空间分析虽能捕捉宏观颜色趋势,但对细微变化不敏感。相比之下,全光谱多元分析(如PLS-DA)能更有效地捕捉复杂的光谱变化,并筛选出关键波长标记物。选定的四个波长(480、490、600、610纳米)能够高精度区分沤麻阶段,为开发简化的田间监测传感器奠定了基础。对过度沤麻点的分析表明,即使在农民经验判断的结束点之后,化学和视觉上的变化仍在继续,强调了客观监测的重要性。未来研究需评估不同天气条件下传感器的田间性能,并探索结合紫外或近红外光谱以及生物、化学标记物,以增强模型的鲁棒性和预测能力。

**研究结论翻译:**
在本研究中,研究人员通过获取可见光谱反射率(一种颜色变化的客观测量方法),探索了亚麻茎秆表面颜色在露水沤麻过程中的演变。使用便携式商用分光光度计,研究人员成功记录了三个不同沤麻年份(涉及四块亚麻田)的CIE Lab颜色空间和400至700纳米可见光谱的颜色变化。通过开发基于无监督(PCA)和有监督(PLS-DA)方法的原创多元统计流程,研究人员确定了四个波长(480、490、600和610纳米)作为在四个独立沤麻过程中观察到的沤麻进程的可靠标记物。基于这些波长构建的统计模型显示出能够高置信度预测沤麻阶段的能力。这项工作证明了这一概念:通过使用一种易于自动化并可借助无人机远程测量颜色的简单方法,可以可靠地监测沤麻进程。未来的原位沤麻研究将有助于生成数据,以增强模型的可靠性和田间适用性。这种方法有可能应用于其他需要田间沤麻加工的作物物种(例如大麻)。这为开发数字工具打开了大门,这些工具与人工智能(及其他沤麻标记物)结合,将帮助农民确定停止沤麻的最佳时机,从而提高纤维质量、产量和批次均一性,从而使亚麻种植进入农业4.0时代。
相关新闻
生物通微信公众号
微信
新浪微博
  • 搜索
  • 国际
  • 国内
  • 人物
  • 产业
  • 热点
  • 科普

热点排行

    今日动态 | 人才市场 | 新技术专栏 | 中国科学人 | 云展台 | BioHot | 云讲堂直播 | 会展中心 | 特价专栏 | 技术快讯 | 免费试用

    版权所有 生物通

    Copyright© eBiotrade.com, All Rights Reserved

    联系信箱:

    粤ICP备09063491号