22、植物叶绿素含量估计与图像识别的机器学习方法

植物叶绿素含量估计与图像识别的机器学习方法

1. 植物叶绿素含量估计

1.1 材料与方法

1.1.1 数据集

使用 CHESS 数据集，该数据集于 2020 年 6 - 7 月在波兰中部的植物育种与驯化研究所收集，进行了三轮数据采集，每次间隔 4 周。对两组各 12 个地块进行了三次飞行，得到 72 个高光谱图像（HSI），每个图像有 150 个波段，波长范围为 460 - 902 nm，地面采样距离为 2.2 cm。地块中种植了两种马铃薯品种：Lady Claire 和 Markies。图像数据还伴有每个地块的实地测量数据，包括 SPAD、PSII 光化学的最大量子产率（Fv/Fm）、电子通量到最终 PSI 电子受体的性能以及相对含水量（RWC）。数据集采用训练 - 测试分割，两个子集数量相等，且根据每个真实参数的分布进行分层，使训练集和测试集（各包含 36 个地块）保持相似的参数分布。

为量化回归性能，使用以下指标：
- 决定系数 $R^2$：应最大化（↑），$R^2$ 为 1 表示完美拟合，负值表示拟合比平均值差。
- 平均绝对百分比误差（MAPE）
- 均方误差（MSE）
- 平均绝对误差（MAE）：这些指标应最小化（↓）。

1.1.2 机器学习估计叶绿素含量

采用处理链，输入的 HSI 先进行特征提取，然后将特征输入回归模型以预测每个参数的值（训练四个独立模型）。管道中每个步骤的算法可方便地替换为其他技术。

由于提取的某些光谱曲线存在噪声，可能是由于难以捕获某些光谱波段的足够光线，导致光敏相机的色调范围变窄。为解决光谱曲线的噪声问题，在特征