Гиперспектральная съёмка и машинное обучение для управления питанием каучуковых деревьев
Традиционные методы оценки уровня питательных веществ в листьях каучуковых деревьев дороги и разрушительны. Ближняя инфракрасная (NIR) гиперспектральная съёмка предлагает неразрушающую альтернативу, но сталкивается с проблемами из-за высокоразмерных данных, небольших и несбалансированных наборов.
Исследование, опубликованное в Plant Phenomics в январе 2024 года, предлагает решение путём интеграции размеченных и немаркированных гиперспектральных данных с использованием методов полуконтролируемого обучения (SSL) и ресэмплинга.
Ключевые методы и результаты:
- Применение техник ресэмплинга (MES, SMOTE, RES) для балансировки классов данных значительно улучшило производительность моделей.
- MES и SMOTE оказались наиболее эффективными, равномерно распределяя выборки и улучшая классификацию в среде SSL.
- SSL-методы, использующие немаркированные данные гиперспектральной визуализации (HSI), превзошли традиционное контролируемое обучение по метрикам WAP, MAP и WR.
- Определены ключевые NIR-длины волн для идентификации уровней азота (N) и калия (K).
- Сбалансированное сочетание размеченных и немаркированных данных существенно повысило точность классификации.
Этот подход эффективно решает проблемы малого размера выборки и дисбаланса данных, открывая новые возможности для применения NIR-гиперспектральной съёмки в сельском хозяйстве для мониторинга питания культур.