将高光谱反射率技术与机器学习相结合，用于快速诊断温室菊花叶片中的营养缺乏问题

《BMC Plant Biology》：Integrating hyperspectral reflectance and machine learning for rapid diagnosis of nutrient deficiencies in greenhouse chrysanthemum leaves

　　

摘要

在温室生产条件下，施肥管理、基质特性和微环境因素的差异可能会破坏植物对养分的平衡吸收，从而导致局部或短暂的多元素营养失衡。高光谱传感技术能够提供连续且高分辨率的光谱信息，用于评估植物养分状况。然而，大多数现有研究仅关注单一元素缺乏或简化场景，这限制了其在实际复杂营养环境中的应用。为了解决这一局限性，我们在四种菊花（Chrysanthemum morifolium Ramat.）品种中设计了单元素和双元素缺乏处理实验，这种切花作物的观赏品质受养分供应影响显著。我们在三个独立实验的五个关键生长阶段进行了采样，共获得了615个数据点。每个处理都包含重复实验，并根据典型的缺乏症状进行了验证。我们开发了一种基于高光谱的定性分类框架，以在受控温室条件下评估养分失衡情况。结果表明，尽管某些养分缺乏表现出相似的视觉或表型症状，但它们的高光谱响应具有差异性，这表明高光谱数据能够捕捉到与不同养分失衡状况相关的细微差异。为了解决类别不平衡问题，我们应用了合成少数样本过采样技术（SMOTE），并使用交叉验证评估了多种分类模型。结合SMOTE的梯度提升决策树（GBDT）分类器在养分识别任务中表现出最一致的性能，其交叉验证准确率介于0.9191?±?0.0401至0.8556?±?0.0516之间，平衡准确率介于0.9595至0.8447之间，F1值介于0.9591至0.8496之间，测试准确率介于0.9200至0.8269之间，平衡准确率介于0.9167至0.8269之间，F1值介于0.9140至0.8244之间。总体而言，本研究提出了一种非破坏性的高光谱框架，用于分类多元素养分失衡，并证明了其在温室条件下的有效性，支持基于高光谱的观赏作物养分评估。需要在不同基因型、季节和环境条件下进行进一步验证，以确认其更广泛的适用性和模型的泛化能力。