一种新颖的方法,通过模块化训练和迁移学习来改进PROSAIL模型,并利用Wasserstein生成对抗网络来监测花生等效水厚度

《Computers and Electronics in Agriculture》:A novel approach to monitor peanut equivalent water thickness through modular training and transfer learning of an improved PROSAIL model using a Wasserstein generative adversarial network

【字体: 大 中 小 】 时间:2026年01月15日 来源:Computers and Electronics in Agriculture 8.9

编辑推荐:

  等效水分厚度监测中,本研究提出融合生成对抗网络优化物理模型与超参数搜索经验模型的混合方法,通过合成数据预训练和田间数据微调提升花生EWT预测精度(R2达0.7650)。

  
刘世远|周雨萌|杨伟光|谭江涛|李曦|熊振辉|方泽武|李红|陈一飞|兰玉斌|万书波|王建国|陈婷婷|张雷
中国农业农村部南方作物资源利用效率提升重点实验室,华南农业大学农业学院植物分子育种广东省重点实验室,广州510642

摘要

实证模型和物理模型被广泛用于监测等效水厚度(EWT),以调整植物水分管理。然而,模型在不同时间和地点的适用性以及训练数据的不足仍然是田间光谱分析面临的两大挑战。因此,本研究旨在构建一个混合模型,该模型结合了通过Wasserstein生成对抗网络(WGAN)优化的物理模型和用于进行超参数搜索的实证模型(寻找最佳模型设置的过程),以监测花生的EWT。具体来说,我们开发了一个包含来自中国五个花生农场246个花生品种的田间测量数据的大型光谱数据集,以及由WGAN优化的物理模型生成的合成数据集。此外,通过超参数调整和预训练构建了PWLEH模型,然后使用花生冠层水含量的田间数据进行模块化训练进行微调。将构建的模型与田间数据比较(R2 = 0.5618,均方误差(MSE)= 0.0725)和PROSAIL(一种广泛使用的冠层辐射传输模型)(R2 = 0.7105,MSE = 0.0473),PWLEH在预测花生水含量方面取得了高准确性(R2 = 0.7650,MSE = 0.0519)。与纯数据驱动的方法不同,新的混合模型结合了辐射传输知识,并在更少的田间数据下获得了更高的预测性能。本研究展示了应用优化的PROSAIL、超参数搜索和模块化训练来提高EWT预测模型的准确性和适用性的潜力,为可持续农业管理提供了一种新方法。

引言

水在花生生长过程中起着重要作用,其适当的管理对农业和生态系统的可持续性至关重要(Zhuang等人,2023)。一方面,充足的水分供应是获得高质量产量的前提(Ladi等人,2022)。另一方面,农业部门使用了全球约70%的淡水用于人类用途,其中很大一部分水被浪费了(Tang等人,2022)。同时,由于预计世界人口增长、快速城市化以及全球干旱频率和强度的增加,到2030年水需求预计将进一步增加(Kadiresan和Khanal,2018)。因此,需要监测作物水含量以便进行水资源管理,而关于作物水分的详细信息可以支持精准和可持续的农业(Ali等人,2018;Den等人,2021)。
与田间调查相比,遥感具有独特的优势,包括大规模调查(Song等人,2017)、快速分析(Tian等人,2019)和低成本(Gupta等人,2025)。自20世纪90年代末以来,已经构建了许多用于作物水含量的遥感监测模型。对EWT的研究变得尤为突出,因为它直接反映了作物的水分状况,并具有出色的检测性能(Ladi等人,2022;Ni等人,2022)。EWT是一个量化植被中含水量指标,代表了均匀水层的厚度。同时,EWT会因不同的作物品种、施肥条件和实验地点而有所不同(Junttila等人,2022)。由于冠层结构的不同,不同作物品种在太阳辐射利用效率上存在差异,这影响了光谱特性与水含量之间的内在关系。环境条件也会影响作物的生理和生化反应,从而导致冠层光谱和水分水平的变化。因此,应将不同的作物品种和环境条件整合到检测模型中,以实现最佳的模型性能并增强模型的鲁棒性。
传统上,基于光谱信息的EWT监测模型分为两类:实证模型和物理模型。第一类是实证模型。最近的研究报告了使用光谱数据估计植物水含量的出色性能,应用于葡萄园(LópezGarcía等人,2022)、玉米(Spi?i?等人,2022)、根际土壤(Deng等人,2023)、大豆(Chen等人,2023)和橄榄树(Pedro等人,2023)。实证模型本质上基于机器学习探索生理数据与遥感数据之间的关系(Elsherif等人,2018),例如线性回归(Line)(Juan等人,2023)、支持向量机(SVM)(Markkandan等人,2023)、随机森林(RF)(Xu等人,2023)和深度神经网络(DNN)(Chang等人,2023)。其中,神经网络结构因其强大的数据分析能力而被广泛用于构建遥感监测模型。适当的网络模型结构可以有效提高模型的训练速度和监测准确性,例如在图像识别中的VGG16(Laxana等人,2025)、在轻量级自然语言处理中的BERT(Liu等人,2023)、在视频识别中的ResNet(Mohammad等人,2023)。然而,缺乏一个通用的光谱反演方向模型结构,这限制了遥感在农业中的应用发展。超参数搜索技术允许在不同模型参数下自动比较监测效果,避免了手动调整过程的复杂性,并已被用于准确检索水含量模型结构(Ali等人,2023;Chen等人,2022)。同时,模块化训练已成为一种工具,用于提高迁移学习的效率(将一个任务上训练的模型应用于第二个相关任务)(Gupta等人,2024(a);Gupta和Ashish,2024(b))。通过模拟数据集并冻结某些数据提取层来训练模型,可以使模型快速收敛,并在用真实数据训练时提高模型训练准确性(Duan和Principe,2022;Gupta和Ashish,2024b)。
与实证方法相比,物理模型基于辐射传输模型(RTMs),通过模拟观察到的反射光谱作为各种生物物理和生化特性的函数来监测叶片和冠层特性(Clement等人,2013;Jochem等人,2015)。近年来,升级版的PROSAIL-D模型(PROSPECT叶模型和SAIL冠层模型的组合)取得了良好的结果,并被广泛用于监测作物参数,如冠层叶绿素含量(Qi等人,2023)、叶面积指数(Nie等人,2023)和地表沉积物水分含量(Gao等人,2023)。物理模型的准确性依赖于对生物物理过程的理解(Wang等人,2023a)。PROSAIL需要生理参数来拟合冠层光谱。然而,研究人员常常忽视了内部参数的相互依赖性,这些参数是由随机数生成的(Dehghan-Shoar等人,2023)。这导致了模拟光谱数据与真实世界数据之间的差异和脱节。生成对抗网络(GAN)是一种神经网络架构,由两个主要组成部分组成:生成器和鉴别器。这两个组件在竞争环境中同时进行训练,生成器的目标是产生与真实数据无法区分的数据。Wasserstein生成对抗网络(WGAN)引入了Wasserstein距离作为训练目标,旨在解决传统GAN训练中遇到的问题,如模式崩溃和训练不稳定(Ning等人,2021;Qin等人,2022)。通过将WGAN与田间测量的生理数据结合,可以创建一个生理数据关系网络。这种方法避免了探索生理数据中的内在联系,同时防止了病理性生理数据集的生成。尽管上述方法缓解了实证模型的鲁棒性问题以及物理模型的准确性挑战,但它未能解决两种模型类型固有的根本问题。先前的研究表明,使用混合模型可以实现优化(Wang等人,2018)。
作为一种新兴范式,将物理原理和领域知识结合到数据驱动模型中的混合模型变得流行,并在生物量(Wang等人,2023a)和地上生物量(Zhang等人,2020)方面取得了有希望的结果。通过物理模型生成的丰富数据有助于实证模型的发展,减少了数据需求,并减轻了与光谱数据相关的内在共线性和波长冗余(Dehghan-Shoar等人,2023)。然而,它们也面临许多建模和物理模型使用问题,如机器学习模型参数的选择和模型适用性。为了缓解这些挑战,最近的研究集中在智能特征采样(Verrelst等人,2021)、利用先验知识减少RTM参数(Wang等人,2023b)和降维以减少数据噪声(Danner等人,2021)上。本研究提出了一种完全集成的数据驱动和基于过程的方法,结合了超参数搜索、WGAN、模块化训练和迁移学习,为使遥感检索在多种条件下更具适用性和可扩展性提供了潜在解决方案。
花生富含植物蛋白和营养成分,是一种重要的作物,2019年至2020年的全球花生总产量为1750万吨(USDA,2021)。然而,花生生产区主要集中在世界上的干旱和半干旱山区(Wang等人,2023c)。水分胁迫会影响植物的生理过程,如植被蒸腾(Wocher等人,2018)和光合作用(Junttila等人,2022),并严重损害花生花蕾的发育和果荚的饱满度,从而限制了花生产量和质量的提高(Chorkaew等人,2019)。因此,由于这些地区水资源的稀缺和用水成本的较高,快速监测水分状况和及时调整对花生生产非常重要。本研究的一般目标是(1)使用超参数搜索构建有效的实证模型结构,(2)使用WGAN开发物理模型以优化生理数据输入,(3)通过模块化训练开发和评估新的水分监测混合模型的准确性,以量化花生水含量。

实验地点

为了获取作物叶片样本,我们访问了中国四个花生种植区的三个省份的研究和商业农场,包括广东省、山东省和山东省(图1)。田间实验评估了花生对不同肥料施用和地点的反应(表1)。有关每个地点的详细信息可以在表1中找到。实验包括两种类型的肥料处理:氮肥处理(225公斤/公顷)

肥料处理和环境对田间实验中花生生理参数的影响

比较不同的肥料处理(表2),Exp2-S-LN中的Chl a浓度为0.5727毫克/克,Exp2-S-NN中的Chl a浓度为0.8978毫克/克,两者相差0.3251。Chl b和类胡萝卜素的浓度在肥料处理的影响下显示出相同的趋势;增加肥料施用量提高了Chl b和类胡萝卜素的浓度。然而,不同肥料处理下的EWT没有显示出显著差异,并且保持一致

实证模型的性能

模型的预测性能取决于模型结构和数据来源(Chen等人,2023)。在各种遥感数据集中,多光谱遥感被广泛用于监测根际土壤(Deng等人,2023)、水分含量(Chen等人,2023)等。与多光谱数据相比,高光谱数据具有更强的预测能力,因为丰富的光谱信息提供了详细和准确的光谱特征(Zhang等人,2010;Liu等人,2015)。

结论

本研究通过迁移学习和模块化训练结合了实证模型和物理模型来估计EWT。使用超参数调整和机器学习算法来确定EWT实证模型,从而提高了监测性能。同时,使用WGAN优化了PROSAIL模型,以提高生理指标组输入的合理性,减少了病理性数据的生成。为了整合这两种方法的优点,提出了一个新的

CRediT作者贡献声明

刘世远:撰写 – 审稿与编辑,撰写 – 原稿,方法论,正式分析,数据管理,概念化。周雨萌:撰写 – 原稿,数据管理,概念化。杨伟光:资金获取,正式分析,数据管理。谭江涛:调查,正式分析。李曦:监督,软件。熊振辉:资源,正式分析。方泽武:软件,资源。李红:可视化,验证。陈一飞:。兰玉斌:调查,

利益冲突声明

作者声明他们没有已知的竞争财务利益或个人关系可能影响本文报告的工作。

致谢

本研究得到了中国国家重点研发计划(2021YFB3901303)、广东省花生和大豆产业技术体系(2022KJ136-05)以及山东省重点研发计划(2021LZGC026)的支持。我们感谢匿名审稿人的宝贵建议。
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