Опубликовано через 2 часа

Как нейросети помогают следить за распространением ядовитых растений в горах

Stellera chamaejasme (Волчеягодник обыкновенный, или Стеллера карликовая) — ядовитый инвазивный вид, широко распространенный в деградированных высокогорных пастбищах провинции Цинхай, представляющий серьезную угрозу для местного экологического баланса. Точный мониторинг содержания хлорофилла в листьях необходим для предотвращения его распространения на больших территориях. В данном исследовании представлен оптимальный подход, объединяющий иерархическое снижение размерности, ансамблевое обучение стекингом и модели 1D-CNN для оценки содержания хлорофилла в листьях S. chamaejasme с использованием данных гиперспектрального отражения.

Полевой спектрометрический анализ демонстрирует, что комбинация алгоритмов корреляции Пирсона, первой производной и SPA (последовательного проекционного алгоритма) позволяет эффективно выбирать наиболее чувствительные к хлорофиллу длины волн, параметры красного края и спектральные индексы, связанные с листьями S. chamaejasme. Модель ансамблевого обучения стекингом превосходит модель 1D-CNN в прогнозировании содержания хлорофилла в листьях S. chamaejasme на протяжении всей стадии роста, в то время как 1D-CNN лучше справляется с прогнозированием на каждой отдельной стадии роста. Сравнительно, модель 1D-CNN достигла более высокой точности (R² > 0,5) на всех пяти стадиях роста, показав оптимальную производительность на стадии бутонизации (R² = 0,787, RMSE = 2,476). Это исследование подчеркивает потенциал сочетания выбора спектральных признаков с моделями машинного и глубокого обучения для мониторинга роста S. chamaejasme, предлагая ценную информацию для борьбы с инвазивными видами и управления экологией.

Вот перевод продолжения статьи с учетом всех ваших требований:

1. Введение

Хлорофилл листьев является важнейшим, ключевой для фотосинтеза, и преобразует световую энергию в химическую для поддержки роста растений [1]. Содержание хлорофилла в листьях является индикатором здоровья растений и считается жизненно важным биохимическим параметром [2,3,4]. Традиционное определение содержания хлорофилла в листьях в основном использует разрушающий метод отбора проб, процесс, который является сложным и трудоемким [5,6]. Гиперспектральное дистанционное зондирование обеспечивает получение набора данных непрерывной узкополосной спектральной информации, связанной с объектом, и предоставляет, обеспечивает быструю, точную и неинвазивную оценку содержания хлорофилла в листьях растений [7].

Текущие исследования в основном используют различные методы, такие как корреляционный анализ, анализ главных компонентов (PCA), конкурентный адаптивный повторный взвешенный отбор (CARS) и последовательный проекционный алгоритм (SPA), для выбора характерных длин волн с целью расчета вегетационных индексов, чувствительных к хлорофиллу [8,9,10]. Кроме того, различные регрессионные модели, включая линейную регрессию, множественную линейную регрессию (MLR) и частичные наименьшие квадраты (PLS), широко используются для оценки содержания хлорофилла в листьях [11,12]. Тем не менее, эти методы проявляют чувствительность к шуму в данных, недостаточную робастность и низкую вычислительную эффективность. Благодаря мощной способности к моделированию, высокой эффективности обработки и высокой робастности, технологии машинного и глубокого обучения имеют большой потенциал при интеграции с гиперспектральным дистанционным зондированием для анализа физико-химических параметров растений. Многие исследования представляют применение алгоритмов машинного и глубокого обучения в гиперспектральной инверсии содержания хлорофилла. Ан и др. [13] и Ли и др. [14] использовали модели MLR, метода опорных векторов (SVM) и случайного леса (RF) для определения содержания хлорофилла в листьях риса и картофеля; и результаты показали, что модели SVM и RF заметно, значительно повысили точность оценки по сравнению с традиционной MLR. Гань и др. [15] и Путра и др. [16] подтвердили, что модель разреженного автоэнкодера (SAE) превзошла линейную регрессию в оценке содержания хлорофилла в листьях лонгана на разных стадиях созревания. Сонобе и др. [17] обнаружили преимущества интеграции глубоких сетей доверия (DBN) и RF в оценке содержания хлорофилла-a и хлорофилла-b в листьях чая. В последние годы некоторые исследования по гиперспектральной инверсии хлорофилла были сосредоточены на природных пастбищах. Чжан и др. [18] исследовали оценку содержания хлорофилла на пастбищах с помощью комбинации моделей производной дробного порядка (FOD), регрессии наименьших квадратов и опорно-векторной регрессии (SVR). Джи и Лю [19] применили метод обратного исключения признаков (BFE) в сочетании с моделями PLS, RF и древовидной регрессии (TBR) для оценки содержания хлорофилла в высокогорных лугах Цинхай-Тибетского плато. Эти модели показали разную пригодность с точки зрения точности и определенности их прогнозов.

Провинция Цинхай является одним из пяти основных пастбищных регионов Китая, характеризующихся изобилием, множеством ресурсов высокогорных лугов. Естественные пастбища занимают 41,867 млн гектаров, составляя 60,5% территории Цинхая. В последние десятилетия высокогорные луга подверглись деградации из-за изменения климата и деятельности человека, что сопровождается заметным увеличением количества ядовитых сорняков. S. chamaejasme обладает высокой экологической адаптивностью и конкурентоспособностью популяции и стал одним из основных ядовитых видов на умеренно и сильно деградированных высокогорных пастбищах в провинции Цинхай [20]. Быстрое распространение S. chamaejasme существенно, значительно влияет на баланс высокогорной экосистемы и устойчивость животноводства [21]. Быстрый и точный мониторинг роста S. chamaejasme с помощью гиперспектрального прогнозирования хлорофилла листьев может обеспечить ключевую поддержку для предотвращения инвазии S. chamaejasme и управления деградированными пастбищами.

Таким образом, основными целями данного исследования являются следующие: (1) выбрать длины волн, параметры и индексы, чувствительные к содержанию хлорофилла в листьях S. chamaejasme, используя иерархическую процедуру, которая объединяет корреляционный анализ Пирсона, алгоритмы первой производной и SPA; (2) создать сравнительные модели для прогнозирования содержания хлорофилла в листьях S. chamaejasme в различных, на различных стадиях роста с помощью модели ансамблевого обучения стекингом и модели 1D-CNN; и (3) дополнительно, в дальнейшем определить применимость алгоритмов машинного и глубокого обучения в гиперспектральной оценке биохимических свойств ядовитых инвазивных видов в высокогорных лугах.

2. Материалы и методы

2.1. Место проведения эксперимента

S. chamaejasme — многолетнее травянистое растение, принадлежащее к семейству Thymelaeaceae, все растение ядовито. Его высота составляет около 20–50 см, характеризуется верхушечной головкой в период цветения, окраска белая или красная. Цветение происходит с конца июня по конец июля [22]. Район исследования расположен в уезде Цилянь, Хайбэй-Тибетском автономном округе, провинция Цинхай, со средней высотой над уровнем моря 3070 м. Регион имеет типичный высокогорный континентальный климат; среднегодовая температура колеблется от -1,1 °C до 0,3 °C, а среднегодовое количество осадков составляет около 420 мм. Основной тип растительности — высокогорные луга, а тип почвы — криогенные Cambisols. Место эксперимента находится в Цинъянгоу, город Бабао, уезд Цилянь, расположенное между 100°21′38″ в.д., 38°9′32″ с.ш. и 100°21′52″ в.д., 38°9′40″ с.ш. (Рисунок 1). S. chamaejasme доминирует в этом районе и плотно распределена пятнами. Другими доминирующими видами являются Anemone rivularis, Thermopsis lanceolata, Anaphalis lactea, Morina kokonorica и другие [23]. Покрытие сообщества колеблется от 26,0% до 63,0%. Среднее покрытие S. chamaejasme составляет 15,4%, с максимальным покрытием пятен 38,5%.

Рисунок 1. Расположение района исследования.

2.2. Сбор полевых данных

Полевые спектральные измерения отражения и значения SPAD (разработка анализатора почвы и растений) листьев S. chamaejasme были собраны в середине июля 2020 и 2021 годов. Рост S. chamaejasme был классифицирован на пять различных стадий: стадия всходов, стадия бутонизации, стадия начала цветения, стадия полного цветения и стадия увядания. Листья растений на разных стадиях были случайным образом выбраны на экспериментальном участке. При отборе проб небольшие листья с одной стороны одного растения использовались для спектральных измерений, а листья с другой стороны — для измерений SPAD. Всего было собрано 307 образцов на пяти стадиях роста, с размерами выборок 60, 63, 62, 61 и 61 соответственно.

Спектры отражения листьев S. chamaejasme измерялись с помощью листового клипса, установленного в спектрорадиометре ASD FieldSpec4 Hi-RES. Прибор охватывает диапазон измерения длин волн 350–2500 нм, со спектральным разрешением 3 нм на 700 нм и 8 нм на 1400/2100 нм, спектральным интервалом дискретизации 1,4 нм от 350 до 1000 нм и 1,1 нм от 1001 до 2500 нм, точностью длины волны ±0,1 нм и полем обзора 25°. Калибровка по стандартной белой пластине проводилась перед спектральными измерениями. Пять-десять листьев помещались в листовую камеру ровно, без зазоров между ними. Измерения проводились 10 раз для каждого образца растения, и среднее значение рассчитывалось как его коэффициент отражения. Для измерения значения SPAD листьев S. chamaejasme использовался хлорофиллометр Konica Minolta SPAD-502. Значение SPAD функционирует как индикатор концентрации хлорофилла, как обсуждалось Ядавом [24] и Руис-Эспиноса и др. [25].

2.3. Предварительная обработка данных

В этом исследовании входной спектр для моделирования содержания хлорофилла в листьях S. chamaejasme был установлен в диапазоне 350–1000 нм. Во-первых, алгоритм Савицкого–Голея [26] с окном сглаживания 3 × 3 был использован для подавления шума с помощью программного обеспечения ViewSpecPro (версия 5.6). Метод Монте-Карло [27] позволяет эффективно, успешно выявлять и удалять как спектральные выбросы, так и выбросы SPAD, а также разумно определять количество образцов как в обучающем, так и в прогнозном наборах. Таким образом, метод Монте-Карло был затем применен для проверки аномальных образцов спектров листьев S. chamaejasme и значений SPAD с порогом в 2,5 раза превышающим среднее значение и стандартное отклонение ошибки прогнозирования для набора образцов. Количество обнаруженных аномальных образцов на стадии всходов, бутонизации, начала цветения, полного цветения и увядания составило 2, 4, 4, 3 и 5 соответственно. Оставшиеся образцы: 58, 59, 58, 58 и 56 для различных стадий были использованы для моделирования и прогнозирования (Рисунок 2). Алгоритм SPXY (разделение набора образцов на основе совместного X-Y расстояния) [28] позволяет интегрировать как спектральное отражение, так и значение SPAD каждого образца при определении расстояния между образцами, тем самым повышая прогностическую способность. Наконец, алгоритм SPXY был использован для разделения образцов листьев S. chamaejasme для различных стадий на обучающий набор и проверочный набор с сохранением соотношения 7:3 (Таблица 1). Предварительная обработка данных выполнялась с помощью ViewSpecPro и MATLAB R2019b.

Рисунок 2. Обнаружение аномальных образцов листьев S. chamaejasme для различных периодов роста с помощью метода Монте-Карло. Числа слева от вертикальных пунктирных линий представляют 2,5-кратную среднюю ошибку прогноза значений SPAD. Числа под горизонтальными пунктирными линиями представляют 2,5-кратное среднее стандартное отклонение значений SPAD.

Таблица 1. Образцы листьев S. chamaejasme, собранные на разных стадиях роста.

2.4. Методология

Рисунок 3 показывает, демонстрирует технологическую схему, использованную для прогнозирования содержания хлорофилла в листьях S. chamaejasme. Сначала была выполнена предварительная обработка гиперспектральных данных, за которой последовал выбор спектральных признаков с использованием иерархического снижения размерности. Затем были созданы гиперспектральные прогнозные модели для содержания хлорофилла в листьях S. chamaejasme с использованием модели ансамблевого обучения стекингом и модели 1D-CNN. Наконец, была оценена производительность двух моделей и сравнена применимость на различных стадиях роста S. chamaejasme.

Рисунок 3. Технологическая схема гиперспектрального прогнозирования содержания хлорофилла в листьях S. chamaejasme.

2.4.1. Иерархическое снижение размерности

Первая производная (FD) отражения листьев S. chamaejasme была рассчитана для усиления спектральных характеристик биохимических свойств листьев. Затем были определены коэффициенты корреляции Пирсона (r) между значениями FD и значениями SPAD для различных стадий роста. На основе вышеуказанных шагов были обнаружены длины волн, чувствительные к содержанию хлорофилла в листьях, с |r| ≥ 0,3 (p < 0,05). Алгоритм SPA [29] может удалять избыточную информацию и уменьшать спектральную размерность. Таким образом, алгоритм SPA был дополнительно, в дальнейшем использован для уточнения и определения набора длин волн, чувствительных к хлорофиллу листьев. Алгоритм SPA выполнялся с помощью MATLAB R2019b.

2.4.2. Расчет параметров красного края и спектральных индексов

Параметр красного края тесно связан с содержанием хлорофилла в листьях, который изменяется по мере прогрессирования стадии роста и, в свою очередь, приводит к более значительному красному смещению [30]. Спектральный индекс создается путем линейной или нелинейной комбинации конкретных спектральных полос, который служит индикатором состояния роста растительности [31]. Цяо и др. [32] исследовали комбинацию параметров красного края со спектральными индексами с целью улучшения мониторинга здоровья растительности и содержания хлорофилла. Для точного моделирования содержания хлорофилла у S. chamaejasme в этом исследовании мы ссылались на Цуй и Чжоу [33] и Тун и Хэ [34] и выбрали три параметра красного края и 12 спектральных индексов (Таблица 2). Параметры красного края и спектральные индексы были рассчитаны по спектрам листьев S. chamaejasme на различных стадиях роста. Затем был проведен корреляционный анализ Пирсона; параметры красного края и вегетационные индексы, которые были значительно коррелированы со значениями SPAD (p < 0,05), были идентифицированы как параметры/индексы, чувствительные к содержанию хлорофилла в листьях. Эти параметры и индексы были рассчитаны с помощью программного обеспечения Python 3.9.

Таблица 2. Параметры красного края и вегетационные индексы.

В результате выбранные длины волн, параметры красного края и спектральные индексы были использованы в качестве спектральных параметров признаков для последующего гиперспектрального прогнозирования.

2.4.3. Ансамблевое обучение стекингом

Модель ансамблевого обучения стекингом [50] интегрирует множество базовых моделей с помощью мета-модели. Структура обучения состоит из двух уровней: первичного обучающего алгоритма и вторичного обучающего алгоритма. Создание вторичного обучающего алгоритма зависит от выходных данных первичного обучающего алгоритма в процессе обучения. Эта процедура эффективно, успешно улучшает результат базовых обучающих алгоритмов с помощью мета-модели, что делает ее подходящей для решения более сложных проблем. В этом исследовании пять алгоритмов были выбраны в качестве базовых моделей.

Метод случайного леса (RF) демонстрирует высокую эффективность обучения и надежные возможности обобщения, что делает его подходящим для многомерных наборов данных.

Экстремальный градиентный бустинг (XGBoost) допускает настраиваемые функции потерь, тем самым способствуя уменьшению ошибок обучения.

Метод k-ближайших соседей (KNN) классифицирует целевую точку на основе категорий k ближайших образцов данных и работает без априорных знаний.

Облегченная машина градиентного бустинга (LightGBM) достигает высокоточных прогнозов на небольшом наборе образцов путем реализации методов GOSS и EFB.

Гребневая регрессия (RR) решает проблему множественной коллинеарности путем изменения коэффициента регуляризации для смягчения переобучения.

Линейная регрессия была выбрана в качестве мета-модели для разработки модели оценки содержания хлорофилла в листьях S. chamaejasme. Используя параметры спектральных признаков в качестве входных данных, пять базовых моделей были обучены с помощью пятикратной перекрестной проверки. Затем, на основе полученного нового обучающего набора и тестового набора, мета-модель была создана с помощью линейной регрессии (Рисунок 4). Также был применен метод поиска по сетке для оптимизации параметров базовых моделей. Этот метод систематически исследует все потенциальные значения каждого параметра для определения оптимальной комбинации параметров для базовых моделей (Таблица 3).

Рисунок 4. Структура модели стекинга для прогнозирования содержания хлорофилла в листьях S. chamaejasme.

Таблица 3. Оптимальные комбинации параметров для прогнозирования содержания хлорофилла в листьях S. chamaejasme.

2.4.4. Одномерная сверточная нейронная сеть

Сверточная нейронная сеть (CNN) превосходна в локальном соединении и разделении параметров, что уменьшает количество оптимальных параметров и повышает эффективность обучения модели. Применение этого метода в спектральном анализе биохимических параметров растительности имеет значительные преимущества. Таким образом, в этом исследовании изучалось прогнозирование содержания хлорофилла в листьях S. chamaejasme с помощью одномерной сверточной нейронной сети (1D-CNN). В Таблице 4 представлена структура модели и настройки параметров. Модель состояла из двух сверточных слоев, каждый из которых использовал набор фильтров с заданным размером 5. Первый слой применял стандартную операцию свертки с коэффициентом расширения 1, облегчая извлечение основных признаков из спектров листьев S. chamaejasme. Второй слой, выполняемый с коэффициентом расширения 2, был направлен на получение более широкой контекстной информации и выявление сложных спектральных признаков. Чтобы улучшить способность модели к нелинейному отображению, функция активации ReLU была включена в два сверточных слоя. Затем полносвязный слой был использован в качестве выхода модели для сопоставления признаков, извлеченных сверточными слоями, с конечным прогнозом. Для обучения модели был выбран оптимизатор Adam со скоростью обучения 0,001 в течение 100 итераций. Также была реализована 5-кратная перекрестная проверка на обучающем наборе данных для имитации прогнозной модели с помощью 1D-CNN.

Таблица 4. Настройки параметров модели 1D-CNN.

В этом исследовании было реализовано несколько стратегий для улучшения способности модели к обобщению. Ранняя остановка изначально использовалась для отслеживания изменения потерь на проверочном наборе, тем самым предотвращая переобучение модели. Затем было применено дополнение данных для увеличения разнообразия обучающих данных, таким образом улучшая адаптируемость модели к незнакомым данным. В конечном итоге, во время обучения были введены слои исключения (dropout), чтобы уменьшить зависимость модели от обучающих данных и повысить ее робастность.

2.4.5. Оценка точности

Производительность модели оценивалась с помощью коэффициента детерминации (R²) и среднеквадратичной ошибки (RMSE). Чем ближе R² к 1, тем выше степень согласия между прогнозом модели и истинным значением. Чем ниже значение RMSE, тем робастнее модель. Оценка точности модели была выполнена на платформе PyCharm с использованием Python 3.9.

R² = 1 - (∑(y_i - ŷ_i)²) / (∑(y_i - ȳ)²) (1)

RMSE = √(1/n ∑(Y_i - f(x_i))²) (2)

где ŷ_i — прогнозируемое значение; y_i — фактическое значение; ȳ — среднее значение.

3. Результаты

3.1. Гиперспектральная реакция листьев S. chamaejasme

Рисунок 5 показывает, демонстрирует, что максимальное, минимальное и среднее значения SPAD листьев S. chamaejasme стабильно, последовательно увеличивались по мере прогрессирования цикла роста. От стадии всходов до стадии бутонизации минимальное и среднее значения SPAD листьев S. chamaejasme оставались постоянными, тогда как максимальное значение уменьшилось. От стадии начала цветения через стадию полного цветения до стадии увядания все три статистических значения увеличились в разной степени, достигнув пика на стадии увядания. Примечательно, что минимальное значение показало наиболее значительное увеличение.

Рисунок 5. Статистические параметры значения SPAD листьев S. chamaejasme на разных стадиях роста.

Рисунок 6 показывает, демонстрирует, что спектры отражения листьев S. chamaejasme на различных стадиях роста стабильно, последовательно сходны с таковыми у зеленых растений. В спектре видимого света (350–689 нм) хлорофилл листьев сильно поглощает синий и красный свет, что приводит к образованию синей впадины на 395–405 нм и красной впадины на 670–675 нм, наряду с зеленым пиком на 550 нм из-за частичного отражения зеленого света. Спектральное отражение в полосе красного края (690–749 нм) значительно увеличивается, превышая 0,45, и высокоотражающая платформа появляется в ближней инфракрасной полосе (750–1000 нм) с диапазоном 0,45–0,6. Спектры отражения листьев S. chamaejasme на различных стадиях роста сходны в пределах полосы видимого света; однако отражения, соответствующие стадиям бутонизации и начала цветения, заметно ниже, чем отражения, соответствующие другим стадиям роста.

Рисунок 6. Спектры отражения листьев S. chamaejasme в диапазоне 350–1000 нм. Числа в скобках представляют средние значения SPAD листьев S. chamaejasme на разных стадиях роста.

В ближней инфракрасной полосе отражение листьев показало заметные изменения на различных стадиях роста, которые стабильно, последовательно увеличивались на протяжении всего цикла роста, начиная со стадии бутонизации и достигая пика на стадии увядания. По мере прогрессирования периода роста от стадии бутонизации, значение SPAD и спектральное отражение постепенно увеличивались. Результат показал, что содержание хлорофилла в листьях увеличивается в сочетании с увеличением отражения листьев S. chamaejasme в течение периода роста, за исключением стадии всходов.

3.2. Извлечение спектральных признаков, чувствительных к хлорофиллу листьев

Рисунок 7 показывает, демонстрирует значительные различия в корреляции между значениями первой производной спектров листьев S. chamaejasme на различных стадиях роста и значениями SPAD в диапазоне 350–1000 нм. Распределения положительных и отрицательных коэффициентов корреляции относительно сбалансированы, со значениями в диапазоне от -0,7 до 0,7. В этом исследовании особое внимание уделяется длинам волн с |r| ≥ 0,3. Таблица 5 указывает, свидетельствует, что длины волн, чувствительные к содержанию хлорофилла в листьях, находятся в основном в пределах диапазонов 351–400 нм, 555–675 нм, 680–880 нм и 910–970 нм. Корреляция между спектром первой производной и значением SPAD наиболее выражена во время стадии бутонизации, чем во время других стадий роста. Наибольшее количество чувствительных длин волн (447) появляется на этой стадии, и самые сильные положительная и отрицательная корреляции находятся на 350 нм и 985 нм со значениями коэффициента корреляции 0,652 и -0,665 соответственно. Насчитывается 225 и 186 чувствительных длин волн для стадий полного цветения и увядания, демонстрирующих значительную корреляцию со значениями SPAD. Корреляции относительно слабые во время стадий всходов и начала цветения, с идентифицированными 140 и 120 чувствительными длинами волн соответственно.

Рисунок 7. Корреляция между значениями SPAD и спектрами первой производной листьев S. chamaejasme в диапазоне 350–1000 нм. +: значимо; -: не значимо (p < 0,05).

Таблица 5. Длины волн, чувствительные к хлорофиллу листьев S. chamaejasme, отобранные с помощью корреляционного анализа (|r| ≥ 0,30).

Длины волн, чувствительные к хлорофиллу листьев, с |r| ≥ 0,3 на каждой стадии роста были идентифицированы как входные значения, а значения SPAD служили значениями отклика. SPA был дополнительно выполнен для выявления наиболее чувствительных длин волн на различных стадиях роста, что дало 13, 16, 15, 19, 13 и 28 соответственно. Эти длины волн были выбраны в качестве характерных длин волн для гиперспектрального прогнозирования содержания хлорофилла в листьях S. chamaejasme (Таблица 6).

Таблица 6. Длины волн, чувствительные к хлорофиллу листьев S. chamaejasme, отобранные с помощью SPA (отсортированы по важности).

Таблица 7 указывает, свидетельствует, что за исключением SAVI и Sr, другие параметры красного края и спектральные индексы демонстрируют значительные корреляции со значениями SPAD листьев (p < 0,05). Корреляция показывает, демонстрирует положительную или отрицательную направленность, меняющуюся в зависимости от различных параметров красного края и спектральных индексов. Доля высокой корреляции (r ≥ 0,7) и средней корреляции (0,3 ≤ r < 0,7) составляет 90%, тогда как доля слабой корреляции (r < 0,3) составляет всего 10%. Следовательно, параметры красного края и спектральные индексы с высокой и средней корреляцией были выбраны в качестве характерных параметров и индексов для оценки хлорофилла листьев в различные периоды роста.

Таблица 7. Корреляция Пирсона между значениями SPAD и параметрами красного края и спектральными индексами.

3.3. Создание моделей для прогнозирования содержания хлорофилла в листьях

Выбранные характерные длины волн, параметры и индексы послужили входными данными, а значения SPAD — выходными; модели для прогнозирования содержания хлорофилла в листьях были разработаны с помощью модели ансамблевого обучения стекингом и модели 1D-CNN. Рисунок 8 и Рисунок 9 указывают, свидетельствуют, что точность прогнозирования для стадий всходов и бутонизации является оптимальной с R² больше 0,65 и RMSE меньше 3,5. Напротив, в отличие от этого, точность прогнозирования для стадий начала цветения, полного цветения, увядания и всей стадии роста относительно ниже, о чем свидетельствуют значения R² меньше 0,6 и RMSE, превышающие 3,5, за исключением 1D-CNN на стадии полного цветения. По сравнению с моделью ансамблевого обучения стекингом, модель 1D-CNN повышает точность прогнозирования значений SPAD листьев S. chamaejasme на различных стадиях роста (Таблица 8). R² обучающего набора увеличивается на 0,027–0,087, тогда как RMSE уменьшается на 0,213–2,429. Значение R² для проверочного набора улучшается на 0,026–0,089, тогда как RMSE уменьшается на 0,281–2,629. Точность прогнозирования для стадии бутонизации на основе модели 1D-CNN является самой высокой, с проверочным R² = 0,787 и RMSE = 2,476. И наоборот, точность прогнозирования для стадии увядания на основе модели ансамблевого обучения стекингом является самой низкой, с проверочным R² = 0,490 и RMSE = 5,529. По сравнению с моделью 1D-CNN, модель ансамблевого обучения стекингом достигает лучшей точности прогнозирования для значений SPAD за весь период роста, с R² = 0,518 и RMSE = 3,902 на проверочном наборе.

Рисунок 8. Точность прогнозирования содержания хлорофилла в листьях S. chamaejasme на основе моделей ансамблевого обучения стекингом. (a) Стадия всходов; (b) Стадия бутонизации; (c) Стадия начала цветения; (d) Стадия полного цветения; (e) Стадия увядания; (f) Вся стадия роста.

Рисунок 9. Точность прогнозирования содержания хлорофилла в листьях S. chamaejasme на основе модели 1D-CNN. (a) Стадия всходов; (b) Стадия бутонизации; (c) Стадия начала цветения; (d) Стадия полного цветения; (e) Стадия увядания; (f) Вся стадия роста.

Таблица 8. Оценка точности прогнозных моделей для содержания хлорофилла в листьях S. chamaejasme.

В целом, модель 1D-CNN более эффективна для прогнозирования содержания хлорофилла в листьях S. chamaejasme в различные периоды роста, тогда как модель ансамблевого обучения стекингом предпочтительнее для всей стадии роста. Также можно заметить, что точность прогнозирования содержания хлорофилла в листьях S. chamaejasme стабильно, последовательно снижается по мере прогрессирования стадии роста, демонстрируя оптимальные результаты прогнозирования для стадии бутонизации и неоптимальные результаты для стадии увядания.

4. Обсуждение

4.1. Применение выбора спектральных признаков в прогнозировании содержания хлорофилла в листьях

Гиперспектральные данные обладают многочисленными полосами, что приводит к значительной избыточности и шуму. Это усложняет извлечение значимой биохимической информации и ограничивает обобщающую способность прогнозных моделей. Снижение размерности эффективно, успешно смягчает проблему переобучения при мультиколлинеарности, что необходимо для извлечения свойств растений [51]. Преобразование первой производной, корреляционный анализ и алгоритм SPA обычно используются для спектрального снижения размерности. Преобразование первой производной усиливает спектральный отклик характеристик растений по сравнению с исходным спектром [52,53,54]. Корреляционный анализ идентифицирует значимые длины волн, чувствительные к биохимическим параметрам растений [55]. SPA эффективно, успешно уменьшает размерность спектральных данных и повышает точность моделирования. Однако трудно выбрать наиболее разумные характерные длины волн, используя только один алгоритм. Спектры пастбищ подвержены влиянию различных факторов окружающей среды, таких как тип почвы, структура растительности и атмосферные условия. По сравнению с экстенсивно культивируемыми культурами, прогнозирование содержания хлорофилла в листьях для видов пастбищных растений является более сложной задачей из-за незаметных изменений в загрязнении хлорофиллом в течение их периодов роста. Таким образом, применение стратегий иерархического снижения размерности является особенно важнейшим, ключевым. Чжан и др. [56] использовали гиперспектральные данные в сочетании со спектрами первой производной и PCA для оценки содержания хлорофилла в Хулунбуирском пастбище Внутренней Монголии, и производительность прогнозной модели была значительно улучшена. В нашем исследовании количество спектральных длин волн было уменьшено с 651 до минимум 13 с помощью трех уровней снижения размерности, достигнув эффективности сокращения 98%. В результате были успешно идентифицированы оптимальные характеристические полосы для прогнозирования содержания хлорофилла у S. chamaejasme (Таблица 6). Наш результат согласуется с предыдущими выводами, которые достигли общей эффективности сокращения примерно 97,9% и 97,6% [57,58]. Исследования демонстрируют явные преимущества использования множественных методов снижения размерности для извлечения оптимальных длин волн при мониторинге растительности. Включение параметров красного края и спектральных индексов может повысить чувствительность модели к концентрации хлорофилла в растениях. Комбинация вегетационных индексов с методами снижения размерности улучшает точность моделей оценки содержания хлорофилла, в частности, в частности, для видов трав со значительными вариациями в структуре полога [59]. Также интеграция вегетационных индексов с моделями машинного обучения заметно повышает робастность и применимость моделей оценки хлорофилла в пастбищах северной Австралии [60]. В этом исследовании корреляционный анализ Пирсона был использован для идентификации параметров красного края и спектральных индексов, чувствительных к значениям SPAD листьев S. chamaejasme, тем самым усиливая спектральные реакции, связанные с содержанием хлорофилла в листьях S. chamaejasme.

4.2. Точность прогнозных моделей с помощью машинного обучения и глубокого обучения

Модель ансамблевого обучения стекингом демонстрирует явные преимущества и потенциал в мониторинге роста сельскохозяйственных культур. Ян и др. [61] сообщили, что модель превзошла одиночный алгоритм машинного обучения в прогнозировании содержания хлорофилла в листьях картофеля, достигнув точностей R² = 0,839 и RMSE = 0,261. Аналогично, Чэнь и др. [62] сообщили, что модель преуспела в моделировании физиологических параметров кукурузы при капельном орошении с R² = 0,9 и RMSE = 0,23, что было на 11% повышением точности по сравнению с показателями, производительностью одиночной модели. Эти исследования предоставляют, обеспечивают новые пути для мониторинга роста инвазивных видов на пастбищах. Наша работа показывает, раскрывает, что, в дополнение к стадиям полного цветения и увядания, модель ансамблевого обучения стекингом получает относительно хорошую точность прогнозирования для прогнозирования содержания хлорофилла в листьях S. chamaejasme на других стадиях роста и за весь период роста, достигая проверочного R² > 0,5 и RMSE < 3,5. Точность прогнозирования для стадии бутонизации является самой высокой (R² = 0,748, RMSE = 3,466). Отмечается, что оценка содержания хлорофилла в листьях S. chamaejasme уступает листьям сельскохозяйственных культур, что в основном вызвано очевидными экологическими и физическими различиями между естественными растениями и культурными растениями. Одновременное произрастание растений S. chamaejasme на различных стадиях роста приводит к сложному спектральному отклику. Это уменьшает спектральное различие содержания хлорофилла в листьях, тем самым влияя на эффективность и обобщаемость модели.

Недавние исследования широко изучали использование моделей глубоких сверточных нейронных сетей в спектральном анализе растительности. Падариан и др. [63] и Фурбанк и др. [64] сообщили, что модель 1D-CNN превосходит модели машинного обучения в анализе почвенных спектров и физиологических признаков листьев пшеницы, с улучшением R², превышающим 15%. В этом исследовании модель 1D-CNN демонстрирует в целом лучшую точность прогнозирования содержания хлорофилла в листьях S. chamaejasme на различных стадиях роста по сравнению с моделью ансамблевого обучения стекингом. Оптимальный прогноз был достигнут во время стадии бутонизации (R² = 0,787, RMSE = 3,185).

Модель 1D-CNN превосходно справляется с улавливанием нелинейных и сложных различий в гиперспектральных данных. Алгоритм показал лучшие результаты при прогнозировании содержания хлорофилла в листьях S. chamaejasme на каждой отдельной стадии роста. Модель 1D-CNN сталкивается с проблемами в случае большого количества длин волн в течение всей стадии роста. Это снижает способность сети к обобщению и, следовательно, снижает ее прогностическую производительность [65]. Модель ансамблевого обучения стекингом хорошо подходит для больших наборов данных и способна обрабатывать разнородные данные [66]. Таким образом, модель демонстрирует превосходную точность прогнозирования содержания хлорофилла в листьях S. chamaejasme в течение всего периода роста. Результат показывает, раскрывает различные показатели, производительность алгоритмов машинного и глубокого обучения в гиперспектральном прогнозировании биохимических свойств растений. Благодаря сходству и стабильности характеристик хлорофилла листьев S. chamaejasme, предложенная процедура обеспечивает, предоставляет хорошую основу для обеспечения своевременного мониторинга и эффективного управления этим видом на больших масштабах, площадях. Кроме того, наше исследование демонстрирует широкий потенциал машинного и глубокого обучения в гиперспектральной инверсии ключевых признаков других ядовитых инвазивных видов в высокогорных лугах.

В этой статье предлагается процедура, которая интегрирует иерархическое снижение размерности и алгоритмы машинного/глубокого обучения для создания прогнозных моделей содержания хлорофилла в листьях S. chamaejasme на различных стадиях роста. При сравнении модель 1D-CNN достигает превосходной точности прогнозирования на различных стадиях роста, тогда как модель ансамблевого обучения стекингом дает, обеспечивает наиболее эффективные результаты прогнозирования в течение всего периода роста. Эта работа предоставляет, обеспечивает ориентир для разработки быстрых, эффективных и неразрушающих методов прогнозирования биохимических параметров растительности с использованием гиперспектральных данных. Будущие исследования будут направлены на оптимизацию входных параметров, улучшение способности к обучению модели прогнозирования хлорофилла и повышение применимости предложенной прогнозной модели.

1. Croft, H.; Chen, J.M.; Wang, R.; Mo, G.; Luo, S.; Luo, X.; He, L.; Gonsamo, A.; Arabian, J.; Zhang, Y.; et al. The Global Distribution of Leaf Chlorophyll Content. Remote Sens. Environ. 2020, 236, 111479. [Google Scholar] [CrossRef]

2. Gitelson, A.A.; Gritz, Y.; Merzlyak, M.N. Relationships between Leaf Chlorophyll Content and Spectral Reflectance and Algorithms for Non-Destructive Chlorophyll Assessment in Higher Plant Leaves. J. Plant Physiol. 2003, 160, 271–282. [Google Scholar] [CrossRef]

3. Croft, H.; Chen, J.M.; Luo, X.; Bartlett, P.; Chen, B.; Staebler, R.M. Leaf Chlorophyll Content as a Proxy for Leaf Photosynthetic Capacity. Glob. Change Biol. 2017, 23, 3513–3524. [Google Scholar] [CrossRef]

4. Xu, M.; Liu, R.; Chen, J.M.; Liu, Y.; Shang, R.; Ju, W.; Wu, C.; Huang, W. Retrieving Leaf Chlorophyll Content Using a Matrix-Based Vegetation Index Combination Approach. Remote Sens. Environ. 2019, 224, 60–73. [Google Scholar] [CrossRef]

5. Porra, R.J.; Thompson, W.A.; Kriedemann, P.E. Determination of Accurate Extinction Coefficients and Simultaneous Equations for Assaying Chlorophylls a and b Extracted with Four Different Solvents: Verification of the Concentration of Chlorophyll Standards by Atomic Absorption Spectroscopy. Biochim. Biophys. Acta-Bioenerg. 1989, 975, 384–394. [Google Scholar] [CrossRef]

6. Steele, M.R.; Gitelson, A.A.; Rundquist, D.C. A Comparison of Two Techniques for Nondestructive Measurement of Chlorophyll Content in Grapevine Leaves. Agron. J. 2008, 100, 779–782. [Google Scholar] [CrossRef]

7. Zhang, K.; Li, W.; Li, H.; Luo, Y.; Li, Z.; Wang, X.; Chen, X. A Leaf-Patchable Reflectance Meter for In Situ Continuous Monitoring of Chlorophyll Content. Adv. Sci. 2023, 10, 2305552. [Google Scholar] [CrossRef]

8. Croft, H.; Chen, J.M.; Zhang, Y. The Applicability of Empirical Vegetation Indices for Determining Leaf Chlorophyll Content over Different Leaf and Canopy Structures. Ecol. Complex. 2014, 17, 119–130. [Google Scholar] [CrossRef]

9. Ma, W.; Wang, X. Progress on Grassland Chlorophyll Content Estimation by Hyperspectral Analysis. Prog. Geogr. 2016, 35, 25–34. [Google Scholar] [CrossRef]

10. Moharana, S.; Dutta, S. Spatial Variability of Chlorophyll and Nitrogen Content of Rice from Hyperspectral Imagery. ISPRS J. Photogramm. Remote Sens. 2016, 122, 17–29. [Google Scholar] [CrossRef]

11. Zhao, X.; Sun, X.; Wang, F.; Xie, X.; Guo, X. A Summary of the Researches on Hyperspectral Remote Sensing Monitoring of Rice. Acta Agric. Univ. Jiangxiensis 2019, 41, 1–12. [Google Scholar] [CrossRef]

12. Ali, A.M.; Darvishzadeh, R.; Skidmore, A.; Gara, T.W.; O’Connor, B.; Roeoesli, C.; Heurich, M.; Paganini, M. Comparing Methods for Mapping Canopy Chlorophyll Content in a Mixed Mountain Forest Using Sentinel-2 Data. Int. J. Appl. Earth Obs. Geoinf. 2020, 87, 102037. [Google Scholar] [CrossRef]

13. An, G.; Xing, M.; He, B.; Liao, C.; Huang, X.; Shang, J.; Kang, H. Using Machine Learning for Estimating Rice Chlorophyll Content from In Situ Hyperspectral Data. Remote Sens. 2020, 12, 3104. [Google Scholar] [CrossRef]

14. Li, C.; Liu, Y.; Qin, T.; Wang, Y. Estimation of Chlorophyll Content in Potato Leaves Based on Machine Learning. Spectrosc. Spect. Anal. 2024, 44, 1117–1127. [Google Scholar] [CrossRef]

15. Gan, H.; Yue, X.; Hong, T.; Ling, K.; Wang, L.; Cen, Z. A Hyperspectral Inversion Model for Predicting Chlorophyll Content of Longan Leaves Based on Deep Learning. J. South China Agric. Univ. 2018, 39, 102–110. [Google Scholar] [CrossRef]

16. Putra, B.T.W.; Wirayuda, H.C.; Syahputra, W.N.H.; Prastowo, E. Evaluating In-Situ Maize Chlorophyll Content Using an External Optical Sensing System Coupled with Conventional Statistics and Deep Neural Networks. Measurement 2021, 189, 110482. [Google Scholar] [CrossRef]

17. Sonobe, R.; Hirono, Y.; Oi, A. Quantifying Chlorophyll-a and b Content in Tea Leaves Using Hyperspectral Reflectance and Deep Learning. Remote Sens. Lett. 2020, 11, 933–942. [Google Scholar] [CrossRef]

18. Zhang, A.; Yin, S.; Wang, J.; He, N.; Chai, S.; Pang, H. Grassland Chlorophyll Content Estimation from Drone Hyperspectral Images Combined with Fractional-Order Derivative. Remote Sens. 2023, 15, 5623. [Google Scholar] [CrossRef]

19. Ji, T.; Liu, X. Establishing a Hyperspectral Model for the Chlorophyll and Crude Protein Content in Alpine Meadows Using a Backward Feature Elimination Method. Agriculture 2024, 14, 757. [Google Scholar] [CrossRef]

20. Bao, G.; Wang, Y.; Song, M.; Wang, H.; Yin, Y. Effects of Stellera Chamaejasme Patches on the Surrounding Grassland Community and on Soil Physicarchemical Properties in Degraded Grasslands Susceptible to S. Chamaejasme Invasion. Acta Prataculturae Sin. 2019, 28, 51–61. [Google Scholar] [CrossRef]

21. Guo, L.; Wang, K. Research Progress on Biology and Ecology of Stellera chamaejasme L. Acta Agrestia Sin. 2018, 26, 525–532. [Google Scholar] [CrossRef]

22. Shi, Z. Important Poisonous Plants in Grassland of China; China Agriculture Press: Beijing, China, 1997; ISBN 7-109-04658-3. [Google Scholar]

23. Liu, Y.; Dong, X.; Long, Y.; Zhu, Z.; Wang, L. Classification of Stellera Chamaejasme Communities and Their Relationships with Environmental Factors in Degraded Alpine Meadow in the Central Qilian Mountains, Qinghai Province. Acta Prataculturae Sin. 2022, 31, 1–11. [Google Scholar] [CrossRef]

24. Yadava, U.L. A Rapid and Nondestructive Method to Determine Chlorophyll in Intact Leaves. HortScience 1986, 21, 1449–1450. [Google Scholar] [CrossRef]

25. Ruiz-Espinoza, F.H.; Murillo-Amador, B.; García-Hernández, J.L.; Fenech-Larios, L.; Rueda-Puente, E.O.; Troyo-Diéguez, E.; Kaya, C.; Beltrán-Morales, A. Field Evaluation of the Relationship between Chlorophyll Content in Basil Leaves and a Portable Chlorophyll Meter (Spad-502) Readings. J. Plant Nutr. 2010, 33, 423–438. [Google Scholar] [CrossRef]

26. Luo, J.; Ying, K.; Bai, J. Savitzky–Golay Smoothing and Differentiation Filter for Even Number Data. Signal Process. 2005, 85, 1429–1434. [Google Scholar] [CrossRef]

27. Wisnowski, J.; Montgomery, D.; Simpson, J. A Comparative Analysis of Multiple Outlier Detection Procedures in the Linear Regression Model. Comput. Stat. Data Anal. 2001, 36, 351–382. [Google Scholar] [CrossRef]

28. Wang, S.; Han, P.; Cui, G.; Wang, D.; Liu, S.; Zhao, Y. The NIR Detection Research of Soluble Solid Content in Watermelon Based on SPXY Algorithm. Spectrosc. Spect. Anal. 2019, 39, 738–742. [Google Scholar]

29. Soares, S.F.C.; Gomes, A.A.; Araujo, M.C.U.; Filho, A.R.G.; Galvão, R.K.H. The Successive Projections Algorithm. Trends Anal. Chem. 2013, 42, 84–98. [Google Scholar] [CrossRef]

30. Horler, D.N.H.; Dockray, M.; Barber, J.; Barringer, A.R. Red Edge Measurements for Remotely Sensing Plant Chlorophyll Content. Adv. Space Res. 1983, 3, 273–277. [Google Scholar] [CrossRef]

31. Sun, W.; Du, Q. Hyperspectral Band Selection: A Review. IEEE Geosci. Remote Sens. Mag. 2019, 7, 118–139. [Google Scholar] [CrossRef]

32. Qiao, L.; Tang, W.; Gao, D.; Zhao, R.; An, L.; Li, M.; Sun, H.; Song, D. UAV-Based Chlorophyll Content Estimation by Evaluating Vegetation Index Responses under Different Crop Coverages. Comput. Electron. Agric. 2022, 196, 106775. [Google Scholar] [CrossRef]

33. Cui, S.; Zhou, K. A Comparison of the Predictive Potential of Various Vegetation Indices for Leaf Chlorophyll Content. Earth Sci. Inf. 2017, 10, 169–181. [Google Scholar] [CrossRef]

34. Tong, A.; He, Y. Estimating and Mapping Chlorophyll Content for a Heterogeneous Grassland: Comparing Prediction Power of a Suite of Vegetation Indices across Scales between Years. ISPRS J. Photogramm. Remote Sens. 2017, 126, 146–167. [Google Scholar] [CrossRef]

35. Clevers, J.G.P.W.; Jong, H.; Epema, G.F.; Van Der Meer, F.; Bakker, W.; Skidmore, A.; Addink, E.A. MERIS and the Red-Edge Position. Int. J. Appl. Earth Obs. Geoinf. 2001, 3, 313–320. [Google Scholar] [CrossRef]

36. Guo, B.; Zhu, Y.; Feng, W.; He, L.; Wu, Y.; Zhou, Y.; Ren, X.; Ma, Y. Remotely Estimating Aerial N Uptake in Winter Wheat Using Red-Edge Area Index from Multi-Angular Hyperspectral Data. Front. Plant Sci. 2018, 9, 675. [Google Scholar] [CrossRef]

37. Filella, I.; Penuelas, J. The Red Edge Position and Shape as Indicators of Plant Chlorophyll Content, Biomass and Hydric Status. Int. J. Remote Sens. 1994, 15, 1459–1470. [Google Scholar] [CrossRef]

38. Evangelides, C.; Nobajas, A. Red-Edge Normalised Difference Vegetation Index (NDVI705) from Sentinel-2 Imagery to Assess Post-Fire Regeneration. Remote Sens. Appl. 2020, 17, 100283. [Google Scholar] [CrossRef]

39. Rouse, J.W.; Haas, R.H.; Schell, J.A.; Deering, D.W. Monitoring Vegetation Systems in the Great Plains with ERTS. NASA Spec. Publ. 1974, 1, 309–317. [Google Scholar]

40. Yoder, B.J.; Waring, R.H. The Normalized Difference Vegetation Index of Small Douglas-Fir Canopies with Varying Chlorophyll Concentrations. Remote Sens. Environ. 1994, 49, 81–91. [Google Scholar] [CrossRef]

41. Zhang, N.; Xiong, H.; Jin, Y. Hyperspectral Estimation Models for Chlorophyll Content Based on the Measured Spectra of Safflower. Hubei Agric. Sci. 2016, 55, 5651–5658. [Google Scholar] [CrossRef]

42. Gamon, J.A.; Peñuelas, J.; Field, C.B. A Narrow-Waveband Spectral Index That Tracks Diurnal Changes in Photosynthetic Efficiency. Remote Sens. Environ. 1992, 41, 35–44. [Google Scholar] [CrossRef]

43. Daughtry, C.S.; Walthall, C.; Kim, M.; De Colstoun, E.B.; McMurtrey Iii, J. Estimating Corn Leaf Chlorophyll Concentration from Leaf and Canopy Reflectance. Remote Sens. Environ. 2000, 74, 229–239. [Google Scholar] [CrossRef]

44. Daughtry, C.S.T.; Gallo, K.P.; Goward, S.N.; Prince, S.D.; Kustas, W.P. Spectral Estimates of Absorbed Radiation and Phytomass Production in Corn and Soybean Canopies. Remote Sens. Environ. 1992, 39, 141–152. [Google Scholar] [CrossRef]

45. Jurgens, C. The Modified Normalized Difference Vegetation Index (mNDVI) a New Index to Determine Frost Damages in Agriculture Based on Landsat TM Data. Int. J. Remote Sens. 1997, 18, 3583–3594. [Google Scholar] [CrossRef]

46. Huete, A.R. A Soil-Adjusted Vegetation Index (SAVI). Remote Sens. Environ. 1988, 25, 295–309. [Google Scholar] [CrossRef]

47. Huete, A.R.; Liu, H.Q.; Batchily, K.; Leeuwen, W. van A Comparison of Vegetation Indices over a Global Set of TM Images for EOS-MODIS. Remote Sens. Environ. 1997, 59, 440–451. [Google Scholar] [CrossRef]

48. Roujean, J.-L.; Breon, F.-M. Estimating PAR Absorbed by Vegetation from Bidirectional Reflectance Measurements. Remote Sens. Environ. 1995, 51, 375–384. [Google Scholar] [CrossRef]

49. Birth, G.S.; McVey, G.R. Measuring the Color of Growing Turf with a Reflectance Spectrophotometer. Agron. J. 1968, 60, 640–643. [Google Scholar] [CrossRef]

50. Ganaie, M.A.; Hu, M.; Tanveer, M.; Suganthan, P.N.; Malik, A.K. Ensemble Deep Learning: A Review. Eng. Appl. Artif. Intell. 2022, 115, 105151. [Google Scholar] [CrossRef]

51. Mojaradi, B.; Abrishami-Moghaddam, H.; Valadan Zoej, M.J.; Duin, R.P.W. Dimensionality Reduction of Hyperspectral Data via Spectral Feature Extraction. IEEE Trans. Geosci. Remote Sens. 2009, 47, 2091–2105. [Google Scholar] [CrossRef]

52. Yao, X.; Tian, Y.; Liu, X.; Cao, W.; Zhu, Y. Comparative Study on Monitoring Canopy Leaf Nitrogen Status on Red Edge Position with Different Algorithms in Wheat. Sci. Agric. Sin. 2010, 43, 2661–2667. [Google Scholar]

53. Wang, Y.; Li, F.; Wang, W.; Chen, X.; Chang, Q. Hyper-Spectral Remote Sensing Stimation of Shoot Biomass of Winter Wheat Based on SPA and Transformation Spectra. J. Tcrop. 2020, 40, 1389–1398. [Google Scholar]

54. Yang, Y.; Nan, R.; Mi, T.; Song, Y.; Shi, F.; Liu, X.; Wang, Y.; Sun, F.; Xi, Y.; Zhang, C. Rapid and Nondestructive Evaluation of Wheat Chlorophyll under Drought Stress Using Hyperspectral Imaging. Int. J. Mol. Sci. 2023, 24, 5825. [Google Scholar] [CrossRef] [PubMed]

55. Cao, Y.; Xu, H.; Song, J.; Yang, Y.; Hu, X.; Wiyao, K.T.; Zhai, Z. Applying Spectral Fractal Dimension Index to Predict the SPAD Value of Rice Leaves under Bacterial Blight Disease Stress. Plant Methods 2022, 18, 67. [Google Scholar] [CrossRef]

56. Zhang, A.; Li, M.; Shi, J.; Pang, H. Hyperspectral Inversion Method for Natural Grassland Canopy SPAD Value Based on Scaling Up of Green Coverage Rate. Spectrosc. Spect. Anal. 2024, 44, 3513–3523. [Google Scholar]

57. Adam, E.; Mutanga, O. Spectral Discrimination of Papyrus Vegetation (Cyperus Papyrus L.) in Swamp Wetlands Using Field Spectrometry. ISPRS J. Photogramm. Remote Sens. 2009, 64, 612–620. [Google Scholar] [CrossRef]

58. Fernandes, M.R.; Aguiar, F.C.; Silva, J.M.N.; Ferreira, M.T.; Pereira, J.M.C. Spectral Discrimination of Giant Reed (Arundo Donax L.): A Seasonal Study in Riparian Areas. ISPRS J. Photogramm. Remote Sens. 2013, 80, 80–90. [Google Scholar] [CrossRef]

59. Ji, T.; Wang, B.; Yang, J.; Li, Q.; Liu, Z.; Guan, W.; He, G.; Pan, D.; Liu, X. Construction of Chlorophyll Hyperspectral Inverse Model of Alpine Grassland Community in Eastern Qilian Mountains. Grassl. Turf. 2021, 41, 25–33. [Google Scholar] [CrossRef]

60. Amiri, R.; Beringer, J.; Isaac, P. Narrowband Spectral Indices for the Estimation of Chlorophyl along a Precipitation Gradient. In Proceedings of the 2011 3rd Workshop on Hyperspectral Image and Signal Processing: Evolution in Remote Sensing (WHISPERS), Lisbon, Portugal, 6–9 June 2011; pp. 1–4. [Google Scholar]

61. Yang, H.; Hu, Y.; Zheng, Z.; Qiao, Y.; Zhang, K.; Guo, T.; Chen, J. Estimation of Potato Chlorophyll Content from UAV Multispectral Images with Stacking Ensemble Algorithm. Agronomy 2022, 12, 2318. [Google Scholar] [CrossRef]

62. Chen, Z.; Zhu, Z.; Sun, S.; Wang, Q.; Su, T.; Fu, Y. Estimation of Daily Evapotranspiration and Crop Coefficient of Maize under Mulched Drip Irrigation by Stacking Ensemble Learning Model. Trans. Chin. Soc. Agric. Eng. 2021, 37, 95–104. [Google Scholar] [CrossRef]

63. Padarian, J.; Minasny, B.; McBratney, A.B. Using Deep Learning to Predict Soil Properties from Regional Spectral Data. Geoderma Reg. 2019, 16, e00198. [Google Scholar] [CrossRef]

64. Furbank, R.T.; Silva-Perez, V.; Evans, J.R.; Condon, A.G.; Estavillo, G.M.; He, W.; Newman, S.; Poiré, R.; Hall, A.; He, Z. Wheat Physiology Predictor: Predicting Physiological Traits in Wheat from Hyperspectral Reflectance Measurements Using Deep Learning. Plant Methods 2021, 17, 108. [Google Scholar] [CrossRef] [PubMed]

65. Shi, X.; Wu, Y.; Tang, L.; Huang, X. Application of Neural Network Model with Partial Least-Square Regression in Prediction of Peak Velocity of Blasting Vibration. Shock. Vib. 2013, 32, 45–49. [Google Scholar] [CrossRef]

66. Dietterich, T.G. Ensemble Methods in Machine Learning. In Multiple Classifier Systems; Springer: Berlin/Heidelberg, Germany, 2000; pp. 1–15. [Google Scholar]

Li X, Liu Y, Wang H, Dong X, Wang L, Long Y. Comparing Stacking Ensemble Learning and 1D-CNN Models for Predicting Leaf Chlorophyll Content in Stellera chamaejasme from Hyperspectral Reflectance Measurements. Agriculture. 2025; 15(3):288. https://doi.org/10.3390/agriculture15030288

Перевод статьи «Comparing Stacking Ensemble Learning and 1D-CNN Models for Predicting Leaf Chlorophyll Content inStellera chamaejasmefrom Hyperspectral Reflectance Measurements» авторов Li X, Liu Y, Wang H, Dong X, Wang L, Long Y., оригинал доступен по ссылке. Лицензия: CC BY. Изменения: переведено на русский язык