欢迎您访问葡藤匠心网！
关注微信公众号：葡藤匠心、葡萄酒学报
获取更多信息
【前沿|一区Top】西北农林科技大学苏宝峰教授团队：利用迁移学习和三维辐射传输模型对酿酒葡萄叶片叶绿素含量进行高光谱估计
发布时间：
2025-11-22
来源：
中科院1区Top | IF=12.4
2025.11.4在线发布|本文作者详情如上图
图文概要
准确及时地监测酿酒葡萄叶片叶绿素含量（LCC）对于评估其光合状态、优化管理和种植措施以及提高产量和品质至关重要。传统的基于物理和经验的估算方法往往存在不确定性，且难以处理非线性关系。本研究构建了一个用于估算酿酒葡萄叶片叶绿素含量的无人机高光谱深度学习网络（VitiChlNet）。该网络结合了三维辐射传输模型（3D RTM）和深度迁移学习（TL）技术，实现了不同品种和生长阶段酿酒葡萄叶片叶绿素含量的估算和分布图绘制。
首先，利用LESS模型模拟了8万组不同冠层结构和观测条件下的冠层反射率数据，然后使用VitiChlNet对模拟数据集进行预训练。最后，基于实测的无人机高光谱和叶片叶绿素含量数据，利用深度迁移学习技术对模型进行微调。
本文将VitiChlNet的性能与基于经验和基于物理的方法进行了比较。具体而言，研究团队利用五种不同的光谱特征构建策略（全光谱、植被指数（VI）、竞争性自适应重加权采样（CARS）、连续投影算法（SPA）和无信息变量消除（UVE））开发了三种机器学习（ML）经验模型：XGBoost、LightGBM和岭回归。同时，还构建了一种基于LESS模型的查找表（LUT）反演策略。此外，研究团队还对不同生长阶段的多种酿酒葡萄品种进行了生命周期成本（LCC）制图。
结果表明，VitiChlNet的性能优于其他方法，展现出卓越的LCC估算性能（R² = 0.69），并且受氮浓度和年份差异等因素的影响较小。TL技术的应用提高了LCC估算精度，并有效解决了小样本泛化问题。这项研究可能为大规模监测酿酒葡萄中的LCC提供可行的策略，这对种植管理实践具有重要意义。
图1 野外试验地点
图2 总体框架
图3 LESS -VitiChlNet 耦合模型的架构
图4 测量和预测的 LCC（μg/cm 2）。1 层 TL（a），3 层 TL（b），2 层 TL（c），2 层（d）
图5 使用不同方法进行特征波段滤波。CARS（a）、SPA（b）、UVE（c）
图6 基于不同数据集构建策略和机器学习模型的测量和预测 LCC（μg/cm2 ）。全光谱 XGBoost (a)、全光谱 LightGBM (b)、全光谱岭回归 (c)、CARS-XGBoost (d)、CARS-LightGBM (e)、CARS-岭回归 (f)、SPA-XGBoost (g)、SPA-LightGBM (h)、SPA-岭回归 (i)、UVE-XGBoost (j)、UVE-LightGBM (k)、UVE-岭回归 (l)、VIs-XGBoost (m)、VIs-LightGBM (n)、VIs-岭回归 (o)
图7 基于无人机的 LCC 测绘及各样地 LCC 测量范围。赤霞珠开花期未绑枝的预测 LCC (ac)、赤霞珠开花期未绑枝的测量 LCC (d)、赤霞珠开花期绑枝的预测 LCC (eg)、赤霞珠开花期绑枝的测量 LCC (h)、梅洛收获期的预测 LCC (ik)、梅洛收获期的测量 LCC (l)、霞多丽收获期的预测 LCC (mo)、霞多丽收获期的测量 LCC (p)。
推荐下载
