应对季节与样本变异性的稳健光谱分类:基于近端遥感技术的葡萄栽培品种区分新方法

《Precision Agriculture》:Robust Spectral Classification Under Sample Type and Seasonal Variability: A Proximal Remote Sensing Approach for Grapevine Cultivar Discrimination

【字体: 大 中 小 】 时间:2026年03月20日 来源:Precision Agriculture 6.6

编辑推荐:

  为了解决葡萄品种精准识别的难题,本研究采用近端遥感高光谱技术,在多个生长季节获取叶片和冠层光谱数据,系统评估了10种机器学习与深度学习算法对6个葡萄干品种的分类性能。结果表明,12月(坐果期)的叶片光谱分类精度最高,而模型在不同样本类型(叶片vs冠层)间的泛化能力有限。支持向量机SVM和1D卷积神经网络CNN被确定为最稳健的分类器。这项研究为开发可扩展的葡萄品种绘图方法奠定了基础,有助于实现精细化的葡萄园管理。

  
在精细农业领域,精准葡萄栽培正在革新葡萄酒、鲜食葡萄和葡萄干产业。传统的葡萄园管理往往依赖于固定的、缺乏空间变异性认知的“哨兵”式巡视和统一管理策略,效率有限。随着技术的发展,遥感RS、卫星导航和地理信息系统等工具使得基于田块的管理成为可能,这有助于优化作物规划、耕作、种植、化学施用、收获和采后管理,从而降低成本、增加利润并减小对环境的影响。在这一背景下,葡萄品种Vitis vinifera L.的鉴别成为葡萄园管理中一个至关重要但研究相对不足的课题。无论是为生长期的特定管理方案提供支持,还是用于编制葡萄园名录、评估产量和确保采后产品的真实性,准确区分葡萄品种都极为关键。然而,传统的品种鉴定方法,如依赖于叶片和浆果形态观察的葡萄形态学,以及依赖于生化标记物、DNA测序或实验室光谱测定的破坏性方法,往往费时、费力、成本高昂,且需要专业设备和技术人员,难以实现规模化应用。因此,开发快速、准确且成本效益高的非破坏性品种鉴别技术,是推动精准葡萄栽培发展的重要一环。
本文发表在《Precision Agriculture》期刊,研究题为“Robust Spectral Classification Under Sample Type and Seasonal Variability: A Proximal Remote Sensing Approach for Grapevine Cultivar Discrimination”。这项研究旨在评估季节变异性和数据收集策略(如样本类型)对基于光谱的葡萄品种分类模型性能的影响。研究人员收集了葡萄干栽培品种在三个关键生长月份(12月、1月、2月,对应坐果期、转色期和成熟期)的叶片和冠层光谱数据,并运用十种不同的机器学习和深度学习分类器进行了全面分析。
为开展本研究,作者团队在南非西开普省斯泰伦博斯的Welgevallen实验农场进行数据采集。他们使用ASD FieldSpec-4 Std-Res光谱辐射计,在2023/2024生长季的12月、1月和2月对六个葡萄干栽培品种(Currant, Merbein Seedless, Diamond Muscat, Selma Pete, Sugra-39, 和 Sultana)进行了非破坏性光谱测量。数据采集包括叶片和冠层两个尺度,并移除了受大气水吸收影响的波段(350–399 nm, 1350–1425 nm, 1825–1925 nm, 和 2451–2500 nm)。研究设计了11种不同的数据集配置来评估模型在“相同时间/相同样本类型”、“跨样本类型”以及“跨时间+跨样本类型”等情景下的表现。使用了10种分类模型(如随机森林RF、支持向量机SVM、一维卷积神经网络1D CNN等)进行训练和测试,并通过F1分数、平衡准确度BACC、马修斯相关系数MCC和受试者工作特征曲线下面积AUC等多个指标评估性能。最后,采用排名差异和SRD方法来确定最稳健的分类器。
研究结果
季节与样本类型对分类性能的影响
研究结果表明,数据收集的时间和样本类型对分类性能有显著影响。在相同样本类型的训练和测试设置下,12月(坐果期)采集的叶片光谱数据提供了最高的分类准确率。例如,基于12月叶片数据训练和测试的模型表现最佳。相比之下,模型在不同数据尺度(即样本类型)间的泛化能力有限。当使用一种样本类型(如叶片)训练模型,而在另一种样本类型(如冠层)上测试时,模型的准确性会显著下降。尽管在训练数据中结合叶片和冠层光谱能提升模型性能,但这种混合数据集上的表现仍然低于在相同样本类型上训练和测试的模型。
分类器的鲁棒性分析
通过排名差异和SRD分析,研究确定了支持向量机SVM和一维卷积神经网络1D CNN是在不同训练策略下表现最稳健的分类器。具体来看,SVM模型在各项指标上均取得了优异的表现,F1分数范围在0.67到1.00之间,平衡准确度BACC在0.74到0.98之间,马修斯相关系数MCC在0.65到0.90之间,而AUC值则在0.87到0.94之间。1D CNN模型也展现出很高的性能,其F1分数为0.62到0.98,平衡准确度BACC为0.79到0.99,马修斯相关系数MCC为0.57到0.97,AUC值则为0.93到1.00。
研究结论与讨论
本研究强调了在开发用于葡萄品种区分的光谱分类模型时,考虑时间(季节性)和样本类型(叶片vs冠层)因素的重要性。研究证实,12月(果实坐果期)是获取用于品种区分的最佳叶片光谱数据的理想时间窗口。同时,研究揭示了一个关键挑战:基于一种样本类型(如叶片)训练的模型在应用于另一种尺度(如冠层)时,性能会显著下降,这表明光谱特征在不同组织尺度上的可迁移性有限。
为了开发一个适用于商业应用的、可扩展的品种分类系统,未来的模型可能需要利用在多种条件下(包括不同季节和样本类型)收集的数据进行训练,以提高其鲁棒性和泛化能力。支持向量机SVM和1D CNN被证明是处理此类高维多时相光谱数据的有效且稳健的算法。
总体而言,这项研究为利用近端遥感技术进行葡萄品种绘图提供了一个坚实的方法论基础。通过明确数据收集的最佳实践(时间窗口和样本类型)和推荐稳健的分析算法,该研究支持向更精细、更高效的葡萄园管理迈进,对于优化资源分配、保障产品质量和提升产业经济效益具有重要意义。
相关新闻
生物通微信公众号
微信
新浪微博

热点排行

    今日动态 | 人才市场 | 新技术专栏 | 中国科学人 | 云展台 | BioHot | 云讲堂直播 | 会展中心 | 特价专栏 | 技术快讯 | 免费试用

    版权所有 生物通

    Copyright© eBiotrade.com, All Rights Reserved

    联系信箱:

    粤ICP备09063491号