《Ecological Informatics》:Advanced optical-based water stress detection in lettuce: A novel wavelength selection technique
编辑推荐:
水分胁迫是限制农业生产力关键因素,特别是在温室等受控环境中,精准灌溉至关重要。准确及时地检测作物水分状况对于防止产量损失和提高资源利用效率至关重要。可见-近红外(Vis-NIR)光谱反射率数据可通过非破坏性叶夹测量获取,并用于监测生菜植株的水分胁迫。然而,鉴于
水分胁迫是限制农业生产力关键因素,特别是在温室等受控环境中,精准灌溉至关重要。准确及时地检测作物水分状况对于防止产量损失和提高资源利用效率至关重要。可见-近红外(Vis-NIR)光谱反射率数据可通过非破坏性叶夹测量获取,并用于监测生菜植株的水分胁迫。然而,鉴于高光谱数据的高维性,通常包含冗余或非信息性变量,可能导致共线性,研究人员提出了多种波长选择算法以提高分类性能。在本研究中,研究人员开发了一种新的光谱特征选择方法,称为iGA-BOSS,专门用于水分胁迫检测。其有效性在通过控制灌溉亏缺相对于最佳灌溉方案诱导的不同水分胁迫条件下的生菜植株上得到了验证。研究人员在生长期的两个阶段进行了活体光谱反射率测量,并使用先进的机器学习技术进行分析。作为比较,研究人员使用文献中最相关的算法处理反射率数据,iGA-BOSS取得了最佳性能,准确率为0.95,F1得分为0.95。所选特征用于训练偏最小二乘判别分析(PLS-DA)进行水分胁迫的二分类。值得注意的是,所提出的方法优于在完整波长集上训练的模型和竞争算法,在分类准确率、光谱紧凑性和计算效率之间提供了最佳权衡。这些结果证明了结合稳健预处理、针对性波长选择和有监督分类模型用于监测光谱水分胁迫的有效性。识别出的关键波长可能有助于开发定制的多光谱传感器,从而在精准农业中实现可扩展且高效的灌溉管理。
生菜(Lactuca sativa L.)水分胁迫的精准检测是精准农业的关键环节,尤其在温室等受控环境中,灌溉决策的及时性直接决定产量与资源利用效率。传统破坏性检测方法耗时长、成本高,且难以实现早期预警。高光谱遥感技术虽能提供非破坏性、连续的光谱信息,但全光谱(400–2500 nm)数据具有高维性、冗余性和共线性,导致模型过拟合与计算负担增加。现有波长选择算法(如CARS、GA-iPLS、BOSS)在食品和农业光谱分析中已展现潜力,但针对生菜水分胁迫的检测仍缺乏系统性研究,尤其对近红外(NIR)和短波红外(SWIR)区域(>950 nm)的探索不足。为此,研究人员提出了一种混合波长选择策略iGA-BOSS,旨在通过结合遗传算法区间偏最小二乘(GA-iPLS)的全局区间搜索能力与自举软收缩(BOSS)的精细波长级筛选,实现分类精度、光谱紧凑性与计算效率的最优平衡。该研究发表于《Ecological Informatics》期刊,为非破坏性、可解释的作物水分监测提供了新方法,并为开发低成本多光谱传感器奠定了基础。
研究人员在都灵大学Agroinnova中心温室中,以生菜品种“lattuga gentile”为材料,通过控制灌溉亏缺(20%、40%、60%)诱导水分胁迫,并设置最佳灌溉对照组。使用RS-5400光谱辐射计(400–2500 nm,1 nm分辨率)在活体叶片上采集光谱数据,共216个样本(两个生长阶段)。关键技术方法包括:预处理阶段采用Savitzky–Golay平滑(SG)及其一阶导数(SG1)、标准正态变量(SNV)和多元散射校正(MSC)进行降噪与归一化,并通过主成分分析(PCA)结合马氏距离进行异常值剔除。机器学习模型涵盖偏最小二乘判别分析(PLS-DA)、支持向量机(SVM)、极限学习机(ELM)、极端梯度提升(XGBoost)和随机森林(RF)。波长选择算法包括竞争自适应重加权采样(CARS)、GA-iPLS、BOSS及所提出的iGA-BOSS(先经GA-iPLS粗选,再经BOSS精筛)。所有模型通过5折交叉验证优化,并以置换检验评估统计显著性(p<0.05)。
**3.1 一般结果分析**:通过对比全光谱分类器与波长选择模型的性能,发现波长选择显著提升分类精度并大幅减少波长数量。在四种预处理组合中,基于SG1+MSC的iGA-BOSS模型表现最佳,仅用20个波长即达到0.95的准确率、精确率、召回率、F1分数和0.96的特异性,优于全光谱分类器(最高0.83)及其他算法(如CARS、GA-iPLS、BOSS)。iGA-BOSS的计算时间(约2小时)较BOSS(约3小时12分)减少约41%,且子集大小(20–64波长)介于CARS(25–90)和BOSS(18–19)之间,展现了最佳的综合权衡。
**3.2 混淆矩阵分析**:混淆矩阵进一步验证了上述趋势。在SG1+MSC预处理下,iGA-BOSS仅产生1个假阳性和2个假阴性,而全光谱PLS-DA有7个假阳性和4个假阴性,XGBoost有14个假阳性和13个假阴性。在SG+SNV下,BOSS表现最佳(2假阳、3假阴),iGA-BOSS次之(3假阳、3假阴)。iGA-BOSS在SG1+MSC下实现最低假阳性率,凸显其优异的敏感性与特异性平衡。
**3.3 波长选择识别的关键光谱区域**:各算法一致选出的关键波长集中在970–980 nm、1400–1450 nm、1560 nm附近、1900–2000 nm及2500 nm之前区域。这些波段与叶片水分吸收特征(960、1440、1950 nm)高度吻合,且近红外和短波红外区域的反射率变化与植物水分含量及干旱生理响应相关。GA-iPLS倾向于选择连续光谱区间,而iGA-BOSS则进一步精筛出离散波长,兼顾了区间信息与细化能力。
**讨论部分**:研究指出iGA-BOSS的主要优势在于其可解释性——通过显式选择光谱波段而非黑箱特征提取,便于农业解释与未来简化传感器开发。然而,该方法依赖预处理质量,且GA-iPLS的区间剔除可能丢弃孤立但信息量大的波长。此外,当前为二分类(对照 vs. 胁迫)设计,未能区分胁迫严重程度。未来工作将扩展至多分类(20%、40%、60%灌溉亏缺),并比较深度学习特征提取方法(如CNN-LSTM)与iGA-BOSS的优劣,同时引入多品种、多环境数据集以验证模型的泛化能力。
**结论翻译**:本研究对波长选择方法与经典分类器结合用于利用光谱特征准确评估生菜水分胁迫状态进行了全面评估。结果表明,将预处理技术与先进特征选择算法相结合能显著提升分类性能并降低模型复杂度。在测试组合中,SG1平滑与MSC归一化结合iGA-BOSS选择方法,再经PLS-DA分类,获得了最高准确率(0.95)和F1分数(0.95)。置换检验确认所有模型的统计显著性(p<0.05),增强了结果可靠性。除整体性能外,每选定波长的准确率分析显示,iGA-BOSS在多数情况下达到最佳表现,同时实现了分类准确率与光谱紧凑性的优异权衡。波长选择分析识别出多个重复出现的光谱区域,尤其是1450 nm和1950 nm附近,这些波段对应叶片水分吸收特征,凸显了其在作物监测中的相关性。基于GA-iPLS的方法因能选择连续光谱区间而进一步区分,反映了稳健的光谱特征。所提出的方法展示了构建可解释、计算高效且高性能模型的潜力,适用于资源受限环境(如农业机器人或卫星平台板载处理)。尽管结果令人鼓舞,但本研究仅针对单一生菜品种和单温室环境,未来需纳入多品种、多环境数据集以评估方法的鲁棒性、可迁移性和可扩展性。此外,当前二分类框架将扩展至多分类,以区分对照、20%、40%和60%灌溉亏缺处理,从而评估所选波长选择策略是否能捕捉与胁迫严重程度增加相关的渐进光谱变化。最后,所提出的iGA-BOSS方法将与基于深度学习的特征提取方法(如CNN、LSTM、CNN-LSTM架构)进行比较,以评估自动学习的光谱表征是否能进一步提高分类性能,同时通过与选定波长区域的比较维持可解释性。