Plant 3D-2D-ResNet-SE:用于监测干旱胁迫下光叶桦幼苗叶片含水量与叶绿素的变化
《Computers and Electronics in Agriculture》:Plant 3D-2D-ResNet-SE: Monitoring the changes of leaf water content and chlorophyll in Betula luminifera seedlings during drought stress
【字体:
大
中
小
】
时间:2026年04月25日
来源:Computers and Electronics in Agriculture 10.3
编辑推荐:
郝亮|马帅|胡祥|王楠|刘浩齐|翁玉辉|林二培|黄华红|娄雄伟
中国浙江省杭州市311300,浙江农林大学亚热带林业国家重点实验室
摘要
白桦是一种具有重要生态和经济价值的树种,其叶片含水量和叶绿素含量是衡量植物健康状况及森林生产力的关键表型特征。本研究提出了一种基
郝亮|马帅|胡祥|王楠|刘浩齐|翁玉辉|林二培|黄华红|娄雄伟
中国浙江省杭州市311300,浙江农林大学亚热带林业国家重点实验室
摘要
白桦是一种具有重要生态和经济价值的树种,其叶片含水量和叶绿素含量是衡量植物健康状况及森林生产力的关键表型特征。本研究提出了一种基于混合卷积神经网络的模式,以高光谱图像作为输入,直接预测白桦叶片的含水量和叶绿素含量。该模型无需像传统方法那样繁琐地手动选择感兴趣区域并将高光谱数据转换为平均光谱,即可直接预测目标参数。混合卷积神经网络结合了三维卷积核以捕捉光谱信息,以及二维卷积核以提取空间特征,从而有效提升了预测精度。为进一步优化特征选择,本研究还采用了竞争自适应加权采样法和连续投影算法这两种独特的波段选择方法。通过Shapley值评估各波长的重要性,确定对预测最具关键的波长。研究还采用了五折交叉验证方法,以降低数据分割带来的随机性。实验结果表明,3D-2D-ResNet-SE模型在预测含水量和叶绿素含量方面表现优异,R2值分别达到0.86和0.85,这是首次通过直接高光谱图像输入实现回归预测。该研究证实了SPA和CARS在筛选关键高光谱波段方面的有效性,同时提出了一种新的混合深度学习框架,可用于精准检测白桦叶片的生理参数。这一方法为植物健康监测和幼苗管理带来了重大进展,有望为精准农业的发展提供有力支持。
引言
白桦是中国南方特有的珍贵用材树种,在林业和城市景观建设中具有战略意义。其在栽培过程中的幼苗生长状况直接影响其整个生命周期的适应能力和生产力(Kolhar和Jagtap,2023)。然而,目前培育优质品种仍受到快速表型选择方法的限制,尤其是在评估对幼苗存活至关重要的耐旱性方面。叶片含水量和叶绿素含量是反映白桦幼苗营养状况和生长条件的两个重要指标。叶绿素含量可作为判断植物营养压力、光合作用能力及生长状况的重要指标,通过测定叶绿素含量可了解植物的营养状况(Wang等人,2020)。叶片含水量则直接反映植物的水分状态,测定含水量有助于判断作物的缺水程度,从而及时调整灌溉措施(Wang等人,2022)。因此,检测白桦幼苗的含水量和叶绿素含量对于评估其健康状况至关重要。
传统的幼苗健康评估方法主要依赖于田间观察和生化分析,这类方法成本高昂、耗时较长,且在大规模监测中存在诸多局限(Ma等人,2022)。尤其是在早期检测植物水分和营养状况的细微变化时,视觉检查和RGB成像往往不够准确,难以及时捕捉植物生理状态的细微变化(Wan等人,2022)。而高光谱成像能够捕捉植物分子组振动频率变化所引起的差异,已被广泛用于分析各种特性,如油菜和悬铃木的含水量、玉米和水稻的叶绿素含量以及小麦的氮含量(Zhang等人,2023;Lv等人,2024;Pan等人,2024;Panigrahi和Das,2021;Ju等人,2023)。Fu等人为了检测新鲜紫娟茶叶中的花青素,从高光谱图像中选取了40个感兴趣区域的平均光谱,进而运用偏最小二乘回归和支撑向量回归模型进行预测(Dai等人,2023)。Zhang等人的研究则利用了大白菜中感兴趣区域的平均光谱数据,通过结合经遗传算法优化的二维卷积神经网络模型,建立了预测大白菜叶片叶绿素含量的模型。他们探索了基于平均感兴趣区域光谱数据和特征提取技术的二维卷积神经网络建模方法来预测叶绿素含量(Zhang等人,2023)。在这些研究中,研究人员通常先从感兴趣区域提取平均光谱数据,再将其应用于偏最小二乘回归、支撑向量回归和一维卷积神经网络等传统机器学习模型中进行训练和学习。尽管这些研究取得了不错的成果,但传统的处理流程——即先提取叶片/感兴趣区域的平均光谱,再进行建模——通常需要研究人员逐一为每张高光谱图像(或每株植物)划定感兴趣区域并导出光谱数据,Lee等人指出这一过程极为耗时,每张图像的处理时间超过2分钟(Lee等人,2025),而且在后续分析中还需反复进行波段/索引选择等其他操作。当样本数量增加或需要进行大规模连续监测时,提取和整理平均光谱往往需要大量人力和时间,使得整个流程变得十分繁琐,且高度依赖操作人员的经验,从而成为高通量应用中的瓶颈。Kartasalo等人发现,单株杨树叶片内的叶绿素和色素分布存在显著的空间异质性,这说明平均光谱无法捕捉不同叶片区域之间的关键生化差异(Kartasalo等人,2023)。此外,感兴趣区域的选择、光谱提取、光谱预处理以及降维等步骤通常取决于研究目标以及研究人员的经验,这不仅会影响研究的重复性,还可能影响模型的泛化能力和预测精度,Adekanye等人也指出,高光谱成像中依赖研究人员操作的处理流程会导致重复性较差,且模型在不同实验条件下的泛化能力有限(Adekanye等人,2023)。
基于空间特征的二维卷积神经网络技术主要致力于从图像中提取高级空间特征,这些图像可以是经过降维处理的高光谱图像,也可以是原始高光谱图像。常见的降维方法包括使用主成分分析等技术降低高光谱图像的数据维度,之后将降维后的图像输入到二维卷积神经网络中进一步处理。例如,郝等人采用了一种不同的光谱降维方法,他们使用区间变量迭代空间收缩分析算法从原始高光谱数据中选出72个波段,对这些波段进行降维处理,再将降维后的图像输入到二维卷积神经网络中,用于识别和区分枸杞的地理来源(郝等人,2022)。另一种替代降维处理的方法则是直接将原始高光谱图像输入到二维卷积神经网络中以提取空间特征。Lapajne等人在研究马铃薯植株缺水问题时采用了这种方法(Lapajne等人,2024),他们直接将高光谱图像输入到二维卷积神经网络中,通过整合特征并借助后续的全连接层进行分类,最终实现了对缺水植株状态的精准识别。在另一项关于评估玉米种子活力的最新研究中,结果表明,基于高光谱图像的二维卷积神经网络模型相比基于平均光谱的一维卷积神经网络模型表现更好(Pang等人,2020)。尽管上述研究利用二维卷积神经网络在处理原始高光谱图像时实现了自动化建模流程并取得了良好效果,但这些模型中的卷积核是为提取二维空间相关性而设计的,因此更适合用于RGB图像。而高光谱图像本质上是三维数据体,不仅包含空间维度上的丰富信息,还包含光谱维度上的信息(Cui等人,2022)。因此,如何有效地同时提取和利用这些空间特征与光谱特征,仍是高光谱图像分析中的一个关键挑战。
光谱-空间三维卷积神经网络能够直接从原始高光谱图像中端到端提取深度整合的光谱-空间特征,而非仅关注光谱特征或空间特征。三维卷积神经网络起源于计算机视觉领域,最初是为了捕捉视频帧中的时空特征而开发的(Tran等人,2015)。事实上,三维卷积神经网络架构非常适合处理高光谱数据体中的空间-光谱信息,为建模多种场景提供了有效途径。Feng等人提出了一种新的三维卷积神经网络模型,该模型利用高光谱成像技术提取特征,用于诊断大豆锈病(Feng等人,2024)。Diao则开发了一种轻量级三维卷积神经网络模型,专门用于在高光谱图像中区分玉米幼苗与杂草(Diao等人,2022)。在这两项研究中,模型均利用三维卷积、滤波器和卷积核从高光谱数据体中提取相关的空间和光谱信息。不过,用于高光谱图像的标准三维卷积通常是沿着空间维度与光谱(波段)维度同时进行体积卷积,这会大幅增加可训练参数的数量以及GPU/DRAM的占用量,从而导致训练和推理时间延长。在标注样本往往有限的高光谱任务中,这种参数过多的情况还可能加剧过拟合现象。此外,更高的延迟、内存占用和能耗也会妨碍在资源受限的设备(如嵌入式/边缘计算平台)上实现实时应用。因此,以往的研究常常引入一些轻量化设计,比如伪三维结构、(深度可分离的)三维卷积、剪枝或量化等方法,以降低计算量和部署成本。例如,Rani和Kumar提出了一种基于伪三维模块和深度可分离的二维-三维卷积的轻量级混合高光谱成像分类模型,他们还将深度可分离卷积组件与空间金字塔池化相结合,从而在保持准确率的同时减少可训练参数的数量(Rani和Kumar,2023)。K?püklü等人则系统地将一些已有的高效能二维卷积神经网络家族转化为三维对应模型,并在多个视频数据集上进行了测试,分析了不同模型在准确率与复杂度之间的平衡关系,同时还在Titan XP GPU和Jetson TX2嵌入式系统上测试了模型的运行时间,为实时应用提供了参考依据(K?püklü等人,2021)。Ahmad则提出了一种快速的三维卷积神经网络模型,用于高光谱成像分类,该方法将高光谱数据体分割成小的重叠三维块,然后对连续的波段应用三维卷积核,以保留光谱信息;在多个基准数据集上的实验表明,该模型在效率与性能之间取得了良好的平衡(Ahmad,2020)。
为应对高光谱图像分析中数据维度高和资源需求大的问题,研究人员提出了混合卷积神经网络模型。这类模型整合了不同的深度学习单元,能够同时从高光谱图像中提取光谱信息和空间信息。例如,Mohan等人提出了一种多尺度混合卷积神经网络模型,该模型利用三维卷积神经网络模块在不同窗口尺寸下提取空间-光谱特征,然后将这些特征传递给二维卷积神经网络模块,以便进一步提取空间特征(Mohan和Venkatesan,2020)。这种设计不仅提升了模型在高光谱图像分类任务上的性能,其效果也优于现有的最先进卷积神经网络模型。在这一领域,Meng等人进一步发展了这一理念,他们开发了一种结合通道注意力机制与空间注意力机制的三维-CSAM-2DCNN模型,该模型能够捕捉不同波段之间的关联,从而实现水稻品种的端到端分类(Meng等人,2022)。该模型的架构通过注意力机制有效降低了计算负荷,因为模型只关注对分类任务至关重要的特征。Wang等人则将超像素主成分分析方法与CBAM注意力机制相结合,构建了SC-HybridSN模型,该模型旨在快速识别水稻中工业石蜡的污染程度(Wang等人,2024)。该模型在单数据集、多数据源以及小样本数据集上均表现出色,证明了混合模型在处理不同类型数据集时的灵活性和有效性。尽管混合卷积神经网络模型在从高光谱图像中提取光谱和空间特征方面表现优异,且已被广泛应用于叶片病害分类、品质评估和作物品种识别等任务中,但其在植物生理指标的回归预测应用方面仍然相对有限(Swaraj和Aparna,2024;Zhao等人,2022;Jesie等人,2024)。出现这一限制的原因是,预测植物叶片的含水量和叶绿素含量等生理指标需要模型进行连续的数值估算,这与分类任务有着本质区别。与提供定性信息的分类方法不同,回归预测能够为植物健康状况提供定量数据,这对于详细监测植物的生长和健康状态至关重要。此外,预测生理指标还需要模型能够捕捉并解读植物在各种环境条件下的复杂光谱响应。这要求所使用的模型具备强大的特征提取能力,同时还需具有适应性和精确性。本研究的目标如下:1)开发一种全新的混合模型,专门用于估算亮叶桦叶片中的含水量和叶绿素含量,以提高植物健康状况评估的准确性;2)研究不同波段选择方法对模型性能的影响,确定哪些波段对于估算含水量和叶绿素含量最为关键;3)探讨不同输入图像分辨率对模型性能的影响,找出最佳分辨率和尺寸,在保持准确性的同时降低计算负荷;4)将所开发的混合模型与传统的深度学习架构,如2DResNet、3DResNet、GoogleNet和DenseNet进行比较分析,验证该新模型在处理高光谱图像数据方面的有效性和实用性。
样本准备
本研究中所用的亮叶桦植株材料采集自中国三个地理位置不同的地区的自然种群:贵州省修文县、贵州省印江县以及湖北省恩施市,具体地理位置见图1。从健康的供体植株上采集幼年茎段,然后在无菌条件下采用标准的组织培养技术在实验室中进行培养,以获得一致的植株。
亮叶桦叶片的高光谱分析
图9显示了在不同干旱持续时间下平均光谱反射率的变化情况。与D1相比,D3时整体反射率有所上升,尤其是在可见光蓝光区(约450纳米)和红光区(约660纳米),这说明在干旱初期叶绿素/色素的吸收能力有所减弱。从D5到D7,曲线进一步上升,且在红边区域(约680–750纳米)的分离程度更大,表明植被的生理活性持续下降。近红外区域……
讨论
在传统的高光谱图像分析中,建模通常是通过提取平均光谱数据来实现的。目前,提取平均光谱主要有两种主流方法。第一种方法是使用ENVI软件手动在高光谱图像中选择感兴趣区域,然后计算该区域的平均光谱(Wei等人,2024年)。尽管这种方法简单易行,但它存在明显的局限性:耗时且劳动强度大,而且对操作人员的要求较高。
结论
本研究成功开发了一种混合卷积神经网络模型(3D-2D-ResNet-SE),该模型专为从高光谱图像中准确预测亮叶桦叶片的含水量和叶绿素含量而设计。该模型充分利用了3D和2D卷积核的优势,在深度学习框架内有效地提取了叶片的光谱特征和空间特征。通过进一步应用CARS和SPA波段选择方法,该模型取得了显著的性能提升。
CRediT作者贡献说明
梁浩:写作——审阅与编辑、项目管理、概念构思。马帅:写作——初稿撰写、可视化、方法论。胡向阳:监督、资金获取。王楠:验证、数据整理、概念构思。刘浩奇:研究工作、概念构思。翁玉辉:可视化、项目管理。林尔培:可视化、项目管理。黄华红:研究工作、形式分析。娄雄伟:研究工作、形式分析。
资助
本项目得到了浙江省林业科学院合作林业科技项目(项目编号2023SY14)、浙江省合作林业科技项目(项目编号2026SY08)、国家重点研发计划子项目(项目编号2021YFD2200304-2)、浙江省农业新品种培育重大科技专项(项目编号2021C02070-1)、浙江省自然科学基金(项目编号LQN25C160004)的支持。
利益冲突声明
作者声明,他们不存在任何可能影响本文所述工作的已知财务利益或个人关系。
生物通微信公众号
生物通新浪微博
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