快速准确地检测叶绿素含量对于评估棉花的生理营养状态至关重要。高光谱成像技术已被证明可有效用于测定各种植物的叶绿素含量。通过构建多元统计模型是基于高光谱成像进行叶绿素含量检测的常用方法。然而，高光谱图像受环境噪声、样品化学与物理性质、采集仪器差异等多种因素的影响。即使只在不同品种或不同测量条件下，同一植物的数据分布和特征空间也会发生变化，导致已构建的检测模型难以应用于新采集的样本。解决此问题的典型方案是在样品或测量条件发生变化时开发新模型。然而，这种方法需要重新收集大量样本，耗时耗力。因此，在不同数据集之间实现简单有效的模型校准转移仍然是一个亟待解决的问题。

近日，Plant Phenomics在线发表了浙江大学和石河子大学合作完成的题为Spectral Preprocessing Combined with Deep Transfer Learning to Evaluate Chlorophyll Content in Cotton Leaves的研究论文。

本研究提出利用光谱预处理和深度迁移学习相结合的方法以提高棉花叶绿素反演模型的适应性。本研究讨论了7种不同的光谱预处理方法，设计了一种一维卷积神经网络（Convolutional neural network, CNN）来构建模型，并通过微调的方式来实现模型迁移。结果表明，一阶导数和标准正态变量变换相结合的方法为最优光谱预处理方法。对于目标域数据集，基于一阶导数与标准正态变量变换预处理后光谱的微调CNN模型性能优于传统的偏最小二乘和支持向量机方法。尽管使用较小数据集对CNN微调的效果有限，但CNN模型的反演结果仍优于传统模型，可以获得较高的叶绿素含量反演精度。此外，本研究还通过比较预处理后的光谱曲线对预处理结果进行解释，并且使用显著性图对CNN建模中的重要波长进行了可视化分析。本研究表明光谱预处理和深度迁移学习相结合的方法，可以有效估算不同棉花品种的叶绿素含量，为棉花营养和健康状况的评估提供了新的可能性。

图1CNN架构与微调迁移学习的流程

图2基于原光谱与基于预处理光谱建立的微调CNN模型的显著性图

该研究论文第一作者为浙江大学生物系统工程与食品科学学院博士生肖沁林，通讯作者为石河子大学高攀教授、浙江大学何勇教授以及博士后吴娜。本研究获得了兵团重点领域科技攻关计划项目的资助。

论文链接：

https://doi.org/10.34133/2022/9813841

——推荐阅读——

Moxa Wool in Different Purities and Different Growing Years Measured by Terahertz Spectroscopy

https://doi.org/10.34133/2022/9815143

Plant Phenomics | 太赫兹光谱技术可以精确区分艾绒纯度和生长年限

Estimating Photosynthetic Attributes from High-Throughput Canopy Hyperspectral Sensing in Sorghum

https://doi.org/10.34133/2022/9768502

Plant Phenomics | 利用高通量冠层高光谱遥感预测高粱的光合参数