使用改进WGAN-GP的油菜叶片品种、SPAD值与含水量高光谱预测

《Agriculture》:Hyperspectral Prediction of Variety, SPAD Value, and Water Content of Oilseed Rape Leaves Using an Improved WGAN-GP

【字体: 大 中 小 】 时间:2026年08月27日 来源:Agriculture 4.5

编辑推荐:

  摘要翻译:快速、无损地识别油料油菜品种并预测叶片土壤植物分析发展(SPAD)值和含水量,对于品种评估和植株状态监测至关重要。然而,高光谱预测受限于小样本量、昂贵的参考测量和采集批次差异。样本连续四天采集。第1天样本用于训练和梯度惩罚Wasserstein生成对

  
摘要翻译:快速、无损地识别油料油菜品种并预测叶片土壤植物分析发展(SPAD)值和含水量,对于品种评估和植株状态监测至关重要。然而,高光谱预测受限于小样本量、昂贵的参考测量和采集批次差异。样本连续四天采集。第1天样本用于训练和梯度惩罚Wasserstein生成对抗网络(WGAN-GP)生成。对于第2至4天,每天20%的样本合并形成选择-验证集,其余80%分别保留为测试集1至3。改进的WGAN-GP集成了基于主成分分析-高斯混合模型(PCA-GMM)的类别分配、偏最小二乘回归(PLSR)一致性损失、理化分布控制和生成样本选择。在单任务建模下,改进框架提升了测试集上的所有三个任务。在测试集3上,品种准确率从0.4672提高到0.6100,SPAD预测均方根误差(RMSEP)从6.2201降至4.6303,含水量测试集相关系数(rp)从0.6803增至0.7842。改进的多任务模型也提升了所有三个任务。这些发现支持该框架在所研究的三个品种、四天叶片设置中的有效性。
论文解读文章:

**研究背景与问题**
油料油菜(*Brassica napus* L.)是经济价值较高的芸薹属作物,集蔬菜、观赏植物和食用油来源于一体。现代育种技术推动品种改良,但育种目标最终体现在表型性状上,如观赏色泽、抗病虫性、产量及品质指标。准确高效的表型评估对品种选育至关重要。高光谱成像整合光谱与成像信息,能同时捕获样本的光谱响应和空间特征,结合机器学习和深度学习方法,已广泛用于植物品种识别和生理生化性状检测。然而,实际研究中样本量常受限于样品制备和低通量参考测量,且植物生长动态受基因型、个体差异、环境条件、采集批次和仪器响应等因素影响,导致模型泛化能力减弱。现有生成对抗网络(GAN)用于光谱数据增强时,多聚焦于单一分类或回归任务,生成数据难以同时支持多性状检测。因此,构建一个能统一生成含离散类别和多个连续生理目标的谱样本,并直接用于单模型多输出预测,是当前研究的难点。

**研究内容与结论**
研究人员提出一种基于改进WGAN-GP的光谱增强框架,用于油料油菜叶片品种、SPAD值和含水量的多表型预测。样本采集自三个品种(Zheyou 50、OM43-3和OM42-3),连续四天获取高光谱图像,并测量SPAD值和含水量。研究目标包括:(1)利用第1天样本训练偏最小二乘(PLS)基模型,评估其在第2至4天测试集上的性能;(2)建立基于PCA-GMM软标签策略的统一谱生成方法,实现单模型生成三类品种光谱;(3)在回归生成中引入固定PLSR一致性约束和辅助分布约束,增强生成光谱与理化标签的对应性;(4)构建多任务谱生成流程,生成统一配对样本,同时支持分类和回归任务。结果显示,改进框架在单任务和多任务建模中均提升所有测试集性能。例如,在测试集3上,品种分类准确率从0.4672增至0.6100,SPAD预测RMSEP从6.2201降至4.6303,含水量测试集相关系数从0.6803增至0.7842。该研究发表于《Agriculture》,意义在于提供一种数据增强策略,缓解小样本和批次差异问题,支持多性状同时预测。

**关键技术方法**
研究主要采用以下技术:
- 高光谱图像采集与预处理:使用FX17近红外相机(Specim)采集900-1700 nm光谱,经白暗校正、七点移动平均平滑和标准正态变量变换(SNV)处理,提取叶片平均光谱。
- 改进WGAN-GP框架:针对分类任务,引入PCA-GMM软标签分配,避免训练多个类别模型;针对回归任务,加入PLSR一致性损失和理化分布控制损失,约束生成光谱与标签的关系。
- 数据集划分:第1天样本用于训练和生成,第2-4天样本按20:80分为选择-验证集和测试集,采用Kennard-Stone算法确保代表性。
- 生成样本筛选:顺序评估候选生成样本,基于选择-验证集性能决定保留或剔除,最终保留344个生成样本(与原始训练样本数相等)。
- 模型构建:单任务分类用偏最小二乘判别分析(PLS-DA),单任务回归用PLSR,多任务用多输出偏最小二乘模型(Multi-PLS)。
样本采集于2025年11月播种、2026年1月幼苗期,地点为中国浙江省湖州市农业科学院试验田。

**研究结果**
- **光谱分析**:不同批次光谱形状相似,但在943-1657 nm区间存在差异,可能与叶片含水量、叶绿素含量和组织结构变化有关。
- **生成数据分析**:生成光谱与真实光谱在整体分布和变化趋势上高度一致,且保留类别间细微差异。箱线图显示,引入理化分布约束后,生成标签分布更广,覆盖选择集和测试集范围。t-SNE可视化显示生成样本与真实样本局部重叠,但存在分布偏移。
- **品种分类性能**:单任务PLS-DA模型在原始训练下测试集准确率较低,改进WGAN-GP增强后,测试集1-3准确率分别提升至0.6978、0.6740和0.6100。多任务分类中,改进框架也带来一致提升。
- **SPAD预测性能**:单任务PLSR模型改进后,测试集1-3的相关系数增至0.6893、0.7371和0.6316,RMSEP降至3.9527、4.9229和4.6303。多任务预测中,RMSEP降至4.0653、4.9536和4.5985。
- **含水量预测性能**:单任务改进后,测试集1-3的相关系数增至0.7627、0.7880和0.7842,RMSEP降至0.8324、0.7602和0.6028。多任务预测中,相关系数和RMSEP也普遍优于未增强模型。

**讨论与结论**
讨论部分指出局限性:生成数据质量依赖原始训练样本的代表性,采集批次差异无法完全消除,选择-验证集与测试集来自同一天数,可能导致结果高估,且理化分布约束参数为经验设置。未来需扩大样本多样性、探索更可控生成模型、结合迁移学习,并建立更全面的生成样本评估体系。结论总结,改进WGAN-GP框架通过PCA-GMM软标签、PLSR一致性损失和理化分布约束,生成高质量增强样本,提升单任务和多任务预测性能。但研究仅基于三个品种、一个试验点、四天连续采集的离体叶片数据,外部验证仍需进一步开展,以评估方法的泛化能力。
相关新闻
生物通微信公众号
微信
新浪微博
  • 搜索
  • 国际
  • 国内
  • 人物
  • 产业
  • 热点
  • 科普

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