
-
生物通官微
陪你抓住生命科技
跳动的脉搏
基于OJIP-SNV与CGAN构建用于叶绿素a荧光OJIP瞬态的跨仪器迁移学习方法:棉花盐胁迫诊断案例研究
《Precision Agriculture》:Constructing a Cross-Instrument Transfer Learning Method for Chlorophyll a Fluorescence OJIP Transient Using OJIP-SNV and CGAN: A Case Study for Cotton Salt Stress Diagnosis
【字体: 大 中 小 】 时间:2026年06月30日 来源:Precision Agriculture 7.6
编辑推荐:
摘要研究目的由于蓝色和红色激发方式产生的荧光曲线在光谱响应和时间形态上存在差异,O-J-I-P(OJIP)叶绿素荧光瞬态数据的跨仪器可比性仍然有限。本研究旨在构建一种迁移学习框架,用于标准化不同来源的OJIP数据,从而提升棉花盐胁迫的诊断精度。研究方法本研究使用了在温室和田间实验
由于蓝色和红色激发方式产生的荧光曲线在光谱响应和时间形态上存在差异,O-J-I-P(OJIP)叶绿素荧光瞬态数据的跨仪器可比性仍然有限。本研究旨在构建一种迁移学习框架,用于标准化不同来源的OJIP数据,从而提升棉花盐胁迫的诊断精度。
本研究使用了在温室和田间实验中采集的14,145份棉花叶片样本的OJIP测量数据。比较了在蓝色和红色激发条件下FluorPen-FP110与Pocket PEA设备所获得的荧光数据。研究者开发了一种基于相位特征的OJIP标准正态变量(OJIP-SNV)预处理方法,并通过支持向量机(SVM)、双向长短期记忆网络(Bi-LSTM)、一维卷积神经网络(1D-CNN)以及Cotton Salt Stress-OJIP-Net(CSS-OJIP-Net)对这些方法进行了评估。此外,还有一种名为FluoToFluo的条件生成对抗网络框架,它将OJIP-SNV预处理与Bi-LSTM变换相结合,以实现不同仪器之间的荧光数据转换。
蓝色和红色激发条件下的荧光强度分布存在明显差异,部分强度参数之间的相关性较弱,而相对荧光参数则具有更高的一致性。OJIP-SNV预处理提升了SVM和Bi-LSTM的分类性能。CSS-OJIP-Net在Pocket PEA数据上的准确率为87.80%,召回率为84.70%。经过FluoToFluo(OJIP-SNV)预处理以及样本搜索增强后,其准确率和召回率分别提升到了90.29%和90.97%。
OJIP-SNV和FluoToFluo有效减少了因仪器差异导致的荧光数据偏差,为构建多仪器OJIP数据库以及精准诊断棉花盐胁迫提供了可行的方法。
由于蓝色和红色激发方式产生的荧光曲线在光谱响应和时间形态上存在差异,O-J-I-P(OJIP)叶绿素荧光瞬态数据的跨仪器可比性仍然有限。本研究旨在构建一种迁移学习框架,用于标准化不同来源的OJIP数据,从而提升棉花盐胁迫的诊断精度。
本研究使用了在温室和田间实验中采集的14,145份棉花叶片样本的OJIP测量数据。比较了在蓝色和红色激发条件下FluorPen-FP110与Pocket PEA设备所获得的荧光数据。研究者开发了一种基于相位特征的OJIP标准正态变量(OJIP-SNV)预处理方法,并通过支持向量机(SVM)、双向长短期记忆网络(Bi-LSTM)、一维卷积神经网络(1D-CNN)以及Cotton Salt Stress-OJIP-Net(CSS-OJIP-Net)对这些方法进行了评估。此外,还有一种名为FluoToFluo的条件生成对抗网络框架,它将OJIP-SNV预处理与Bi-LSTM变换相结合,以实现不同仪器之间的荧光数据转换。
蓝色和红色激发条件下的荧光强度分布存在明显差异,部分强度参数之间的相关性较弱,而相对荧光参数则具有更高的一致性。OJIP-SNV预处理提升了SVM和Bi-LSTM的分类性能。CSS-OJIP-Net在Pocket PEA数据上的准确率为87.80%,召回率为84.70%。经过FluoToFluo(OJIP-SNV)预处理以及样本搜索增强后,其准确率和召回率分别提升到了90.29%和90.97%。
OJIP-SNV和FluoToFluo有效减少了因仪器差异导致的荧光数据偏差,为构建多仪器OJIP数据库以及精准诊断棉花盐胁迫提供了可行的方法。