基于深度卷积生成式对抗网络的菌草丙二醛含量可见/近红外光谱反演

[目的/意义]菌草是多年生可用作饲料与生物质能源的草本植物,在温带种植需克服越冬问题。低温胁迫会对菌草的生长发育造成不利影响。丙二醛(Malondialdehyde,MDA)作为诊断菌草低温胁迫状态的有力诊断指标,利用光谱技术反演MDA含量,可快速无损地评估菌草生长动态,为菌草育种及低温胁迫诊断提供参考。[方法]本研究基于6个品种的菌草植株,设置低温胁迫组与常温对照组,获取菌草苗期的可见/近红外光谱(Visible/Near Infrared Spectrum,VIS/NIR)数据与叶片MDA含量信息,分析低温胁迫条件下菌草MDA含量及其光谱反射率均相应增加的变化趋势;为提升模型的检测效果,提出了改进的一维深度卷积生成式对抗网络(Deep Convolutional Generative Adversarial Networks,DCGAN)用于样本数量增广,并建立基于随机森林(Random Forest,RF)、偏最小二乘回归(Partial Least Squares Regression,PLSR)以及卷积神经网络(Convolutional Neural Networks,CNN)算法的MDA光谱定量检测模型。[结果和讨论] DCGAN可优化模型的可靠性与MDA检测精度,且DCGAN联合RF模型可以得到最佳的检测效果,其中预测集决定系数Rp2为0.7922,均方根误差为2.4063,残差预测偏差(Residual Predictive Deviation,RPD)为2.1937。[结论]本研究利用DCGAN进行样本数量增广,能显著提升基于光谱数据的模型对菌草MDA含量的反演精度与预测性能。