基于深度学习的梨树养分含量高光谱监测

为了实现梨树生长和结果时期对于梨树养分的精准和及时地监测,进一步为梨树施肥管理及梨果品质提升提供保障和调整策略,养分监测十分重要。使用ASD FieldSpec3高光谱仪获取梨树果实膨大期和成熟期的叶片高光谱数据,采集叶片氮磷钾含量信息。对比分析原始反射率、一阶导数变换(FD)、卷积平滑算法(SG)、标准正态变量变换法(SNV)等光谱预处理方法对于高光谱反射率监测模型拟合效果的影响。利用主成分分析(PCA)、竞争自适应重加权抽样(CARS)和连续投影算法(SPA)选择高光谱数据的特征波段。之后,使用偏最小二乘法回归(PLSR)、支持向量回归(SVR)、随机森林(RF)、梯度提升树(GBDT)、卷积神经网络(CNN)、深度森林(DF)算法建立基于特征波段的监测模型,筛选梨树氮磷钾3种营养元素的最优高光谱监测模型。结果表明,深度学习算法DF具备较好的处理高光谱数据的能力。氮元素的最佳建模组合为SG-SNV预处理的PCA特征波段的DF回归模型(R^(2)=0.9283,RMSE=0.2381 g·kg^(-1));磷元素的最佳建模组合为SG-SNV预处理的SPA特征波段的GBDT回归模型(R2=0.9367,RMSE=0.0431 g·kg^(-1));钾元素的最佳建模组合为SG-SNV预处理的PCA特征波段的DF回归模型(R^(2)=0.9544,RMSE=0.2767 g·kg^(-1))。基于高光谱特征波段的监测模型拟合效果良好(R^(2)>0.9),可以实现梨树果实膨大期和成熟期氮磷钾含量的准确监测。