在追求高品质农产品和可持续农业的今天，准确、快速地了解作物的“健康状况”至关重要。叶绿素，作为植物光合作用的核心色素，其含量是判断作物氮素状况、光合能力和整体生理状态的关键指标。对于山葵（Eutrema japonicum）这种高经济价值的作物而言，其生长对环境极为敏感，叶绿素水平直接关系到其根茎的产量和品质。然而，传统的叶绿素测量方法，如化学提取法，虽然准确但具有破坏性，且过程繁琐，无法满足大规模、实时监测的需求。便携式叶绿素计（如SPAD）虽能无损检测，但只能提供单点信息，且需要针对不同作物和生长阶段进行校准。因此，开发一种高效、非破坏性且能反映叶片整体状况的叶绿素估测技术，对于山葵的精准栽培管理具有迫切需求。
光谱反射率分析技术为解决这一难题提供了可能。该技术通过捕捉叶片反射的光信号，能够快速、非接触地获取与叶片生化成分相关的丰富信息。由于叶绿素对特定波长的光（如蓝光和红光）有强烈的吸收作用，其反射光谱中蕴含着可以用于估测叶绿素含量的“密码”。近年来，深度学习模型，如卷积神经网络（CNN）和Transformer架构，在从复杂数据中自动学习特征方面展现出强大能力，为从光谱数据中挖掘更深层次的信息提供了新工具。然而，不同的深度学习模型如何与光谱预处理策略（如分数阶导数）协同工作，以最优方式提取叶绿素相关信息，仍是当前研究中的一个重要空白。
为了回答这些问题，由Adenan Yandra Nofrizal、Rei Sonobe等人组成的研究团队在《Journal of Food Composition and Analysis》上发表了一项研究，系统地探讨了结合叶片光谱反射率和深度学习模型来无损估测水培山葵叶绿素含量的可行性。该研究不仅旨在为山葵种植找到最有效的监测方案，更希望为其他叶类作物的精准管理提供可迁移的见解。
研究人员为开展此项研究，主要应用了以下几项关键技术方法：首先，采集了在两年内于不同营养条件（包括pH值、硫水平和大量元素比例变化）下培育的179个山葵叶片样本，确保了数据集的多样性和代表性；其次，使用FieldSpec 4标准分辨率光谱辐射计测量叶片的光谱反射率（400-850 nm），并通过二阶趋势去除和基于Grünwald–Letnikov定义的分数阶导数（FOD）变换对光谱数据进行预处理，以增强细微的光谱特征；最后，构建并比较了三种深度学习回归模型——一维卷积神经网络（1D-CNN）、视觉Transformer（ViT）和Swin Transformer（SWIN）的估测性能，并使用10折交叉验证和比率性能偏差（RPD）等指标进行模型评估。
3.1. 量化叶绿素含量
通过对179个样本的叶绿素含量进行统计分析，发现总叶绿素（Chl）含量范围较广（2.91 – 40.40 µg cm-2 ），平均值为26.31 ± 8.30 µg cm-2 。叶绿素a（Chla ）和叶绿素b（Chlb ）也呈现出类似的变异性。这种广泛的含量范围为训练和测试模型在不同生理状态下的泛化能力提供了良好的数据基础。
3.2. 叶绿素含量与反射率之间的相关性
研究发现，对原始光谱进行二阶趋势去除预处理后，光谱反射率与叶绿素含量之间的相关性模式发生了显著变化。去趋势化前，相关性普遍较弱且为负值；而去趋势化后，在684 nm（叶绿素红吸收谷附近）出现了强正相关性（+0.91），在556 nm（绿反射峰附近）出现了强负相关性（-0.90）。这表明去趋势处理有效消除了背景干扰，凸显了与叶绿素生理特性密切相关的光谱特征。
3.3. 估测精度
模型比较结果显示，Transformer架构模型整体上优于1D-CNN和传统机器学习模型（随机森林RF和支持向量机SVM）。其中，Swin Transformer（SWIN）在使用原始光谱（FOD阶数α=0）时达到了最佳性能，确定系数（R²）为0.86，RPD值超过2.8，属于“优秀模型”范畴。视觉Transformer（ViT）也表现出色且性能相对稳定。而1D-CNN的性能则强烈依赖于分数阶导数预处理，其在低阶FOD（0-0.4）下表现最佳，但在高阶FOD下性能下降。这表明SWIN和ViT能够更好地从原始光谱的全局结构中学习有效特征。
3.4. 最优分数阶下的波长重要性
通过梯度归因分析发现，三种模型均一致地识别出蓝光区（400–450 nm）、绿光区（540–560 nm）和红边区（680–730 nm）是预测叶绿素含量的关键光谱区域。这与叶绿素的光学吸收特性相符。值得注意的是，SWIN模型对红边区域（720–730 nm）的特征赋予了最高的权重，显示出其捕捉关键窄带光谱信息的能力，这可能是其高精度的原因之一。而1D-CNN的重要性分布则相对宽泛。
研究的讨论部分深入分析了不同模型对预处理策略产生差异响应的原因。1D-CNN依赖于局部卷积核，低阶分数阶导数能增强其所需的局部光谱细节，而高阶导数引入的噪声则会干扰其学习。Swin Transformer（SWIN）凭借其分层和移位窗口自注意力机制，能够同时捕捉局部和全局光谱依赖关系，因此更倾向于保持原始光谱的整体结构。Vision Transformer（ViT）的全局注意力机制则使其对预处理变化具有更强的鲁棒性。这些发现强调了在选择光谱预处理方法时，必须考虑所用深度学习模型的内在架构偏好。
综上所述，本研究成功证实了深度学习模型结合高光谱反射率数据无损估测山葵叶绿素含量的巨大潜力。研究的关键意义在于明确了模型架构与数据预处理策略之间存在强烈的交互作用：卷积模型（1D-CNN）受益于增强局部特征的分数阶导数预处理，而基于自注意力的Transformer模型（特别是SWIN）则在原始光谱上表现最佳。这一结论为未来设计针对特定作物的叶绿素监测系统提供了重要的实践指导，即需要根据所选模型的特性来定制相应的光谱处理流程，从而在精准农业应用中实现最优的预测性能和可靠性。尽管本研究基于可控的水培环境，但其揭示的模型-预处理协同规律对于推动光谱学在植物表型分析和农业智能化管理领域的更广泛应用具有重要的参考价值。
打赏
