基于无人机高光谱图像与深度学习的大豆产量和倒伏预测

英文: Bridging the gap between hyperspectral imaging and crop breeding: soybean yield prediction and lodging classification with prototype contrastive learning

摘要

产量和倒伏是大豆育种的关键指标。配备高光谱成像技术的无人机（UAV）的发展为估算这些因素提供了高通量数据。先前的研究主要集中于使用传统方法提取的波段反射信息、植被指数和纹理特征来构建产量和倒伏估计的经验模型。然而，很少有研究直接使用深度学习技术自动从原始高光谱图像中提取特征。研究目标是探索高光谱图像与深度学习相结合用于大豆产量和倒伏预测的潜力，并避免传统特征提取的复杂过程。为此提出了一种新颖的原型对比学习（PCL）网络来学习原始图像中的表示。为了进行比较，基于传统特征提取方法提取植被指数和纹理特征（因其在作物生长监测中的有效性而选择），并将其输入到相同的机器学习模型中。然后研究不同生长阶段对产量和倒伏预测的影响。结果表明，PCL网络可以有效捕捉同一类内的相似性和不同类之间的差异性。与传统提取的特征相比，PCL表示根据类标签表现出更多不同的聚类。在出苗后86天（DAE），PCL方法实现了最佳产量预测准确度（R²=0.65，RMSE=507.56kg/ha），并且明显高于传统特征提取方法（R²=0.55，RMSE=581.37kg/ha）。倒伏等级分类的最高性能出现在65 DAE，与传统特征提取方法（F1分数=0.54）相比，PCL表示（F1分数=0.80）实现了48%的准确度提高。该研究开创性地将深度学习应用于现实育种场景中的自动高光谱特征提取，为改善产量预测和倒伏分类提供了宝贵的见解和策略，从而更有效地支持大豆育种和田管。

研究数据

高光谱数据：高光谱数据由Cubert S185机载高速高光谱成像仪获取。该成像仪采用框幅式高光谱成像技术，能以更快的速度进行所有光谱通道同步成像，在1/1000秒内获得整个高光谱立方体数据，配套功能强大的测量及处理软件，快速获取大面积高光谱图像，影像具有厘米级地理坐标信息。

研究过程

图1 实验田地理位置（a）、地面控制点（b）、植物密度（c）、披针形和椭圆形叶类型的比例和示意图（d）、以及不同生长阶段所有样品的平均光谱反射率曲线（e）

图2 大豆产量直方图(a)和不同倒伏等级百分比(b)

图3 高光谱图像被分割并调整为224*224空间维度以满足ResNet50的要求(a)、用于高光谱图像分类的PCL框架(b)、用于相似性度量的原型示意图(c)

图4 高光谱训练图像的传统方法（左）和PCL表示（右）的T-SNE可视化

图5 高光谱训练图像的PCL表示的皮尔逊相关系数可视化（左：大豆产量；右：大豆倒伏等级；SAV：绝对值总和；DAE：出苗后天数）

图8 大豆产量（左）和大豆倒伏（右）空间分布图

图9 不同产量等级（a）和不同倒伏等级（b）的光谱反射率曲线

研究结论

原文链接：

https://doi.org/10.1016/j.compag.2024.109859