Гиперспектральная библиотека для выявления дефицита питательных веществ у риса

Исследовательская группа создала гиперспектральную библиотеку для 14 вариантов дефицита макроэлементов (NPK) у риса. С помощью наземной гиперспектральной камеры было собрано и проанализировано 420 изображений стрессового состояния растений.

Ключевой метод: Глубокое обучение на архитектуре Transformer. Разработанная сеть SHCFTT (Spectral Hybrid CNN-Former Transformer) точно идентифицировала тип дефицита питательных веществ.

Результаты точности: Модель SHCFTT превзошла традиционные методы (SVM, 1D-CNN, 3D-CNN), показав точность от 93.92% до 100%.

Научный контекст: Рис — критически важная культура, чья урожайность страдает от дефицита питания. Существующие методы мониторинга трудоемки, а дистанционное зондирование сталкивается с проблемами атмосферных помех.

Ход исследования:

  1. Сбор данных: Гиперспектральные изображения (HSI) риса при различных стрессах собраны камерой SPECIM IQ.
  2. Вегетационные индексы: Рассчитаны NDVI, PRI и PSRI для выявления паттернов стресса.
    • NDVI четко показал тенденции при дефиците азота (N).
    • PRI и PSRI эффективно указали на уровень дефицита калия (K).
  3. Визуализация данных выявила сложные кластеры, подтвердив необходимость продвинутого моделирования.
  4. Разработана и протестирована модель SHCFTT, объединяющая CNN и Transformer для классификации гиперспектральных изображений.

Эффективность модели: Абляционные тесты подтвердили важность ключевых модулей сети. SHCFTT показала высочайшую точность (OA и AA до 100%) как на данных одного года, так и двухлетней выборке. Модель сохраняла высокую точность даже при ограниченном наборе обучающих данных.

Значение: По словам ведущего исследователя Чжэньтао Вана, этот метод положительно влияет не только на идентификацию дефицита у риса, но и на мониторинг здоровья культур и принятие решений в точном земледелии. Исследование вносит вклад в развитие гиперспектральной фенотипики и полевого сбора информации.

Вывод: Работа предлагает надежный подход для мониторинга здоровья риса и управления дефицитом питательных веществ. Дальнейшие исследования будут направлены на адаптацию алгоритма для других культур и оптимизацию механизмов внимания.