速递：利用卷积神经网络对温带草原冠层氮浓度进行实地光谱分析
速递：利用卷积神经网络对温带草原冠层氮浓度进行实地光谱分析
Field spectroscopy of canopy nitrogen concentration in temperate grasslands using a convolutional neural network
利用卷积神经网络对温带草原冠层氮浓度进行实地光谱分析
From：新西兰梅西大学科学
摘要：氮（N）是植物自养的重要特征，是影响陆地生态系统植物生长的主要养分，因此不仅具有根本的科学意义，而且还是作物生产力的关键因素。对冠层氮浓度（N％）进行及时的非破坏性监测需要快速且高度准确的估算，通常使用400-2500 nm光谱区域中的光谱分析法对其进行量化。然而，由于冠层结构混杂，从冠层光谱中提取一组有用的光谱吸收特征来确定N％仍然具有挑战性。深度学习是一种统计学习技术，可用于从冠层光谱中提取生化信息。我们评估了一维卷积神经网络（1D-CNN）的性能，并将其与两种最新技术进行了比较：偏最小二乘回归（PLSR）和高斯过程回归（GPR）。我们利用8年（2009年至2016年）整个新西兰的奶牛场和丘陵农场的大型，多样化的田间多季节（秋季，冬季，春季和夏季）光谱数据库（n = 7014）来开发特定季节和特定于频谱区域（VNIR和/或SWIR）的1D-CNN模型。独立验证数据集（未用于训练模型）的结果表明，一维CNN模型提供的准确度（R2 = 0.72; nRMSE％= 14）比PLSR（R2 = 0.54; nRMSE％= 19）和GPR（具有R2 = 0.62；nRMSE％= 16）。基于1D-CNN的特定季节模型显示出明显的差异（测试数据集为14≤nRMSE≤19），而测试数据集的所有季节组合模型的性能仍然更高（nRMSE％= 14）。全光谱范围模型显示出比特定光谱区域模型（仅VNIR和SWIR）更高的准确性（15.8≤nRMSE≤18.5）。此外，与PLSR（0.31）和GPR（0.16）相比，使用1D-CNN得出的预测更精确（不确定性更低），平均标准偏差（不确定区间）<0.12。这项研究证明了1D-CNN替代传统技术从冠层高光谱光谱中确定N％的潜力。
亮点：
- 使用大场光谱数据库对草原中的冠层氮进行了定量。
- 一维CNN的性能优于其他最新的统计方法。
- 不同季节（秋季，冬季，春季和夏季）的模型预测是不同的。
- 模型可移植性已在新位置成功进行了测试。
- 使用带有Monte Carlo Dropout的1D CNN估算了氮气的不确定性。
方法：
- 高斯过程（GP）是基于内核的机器学习算法。GP会分配适合输入数据的一组可能函数的概率分布，并将其转换为后验概率估计。使用该估计值，可以估计围绕预测的标准偏差和置信区间，以反映数据中非线性关系的复杂分布。
- PLSR是一种广泛使用的化学计量回归方法，可将光谱输入投影到很少的正交分量中，以最大程度地提高输入变量和目标变量之间的协方差。
- 一维卷积神经网络（1D-CNN）。
部分结果：
（a）中显示了具有相应样本大小的PLSR，GPR和ID CNN模型的预测性能（（b）中的放大视图表明了<500的样本的性能）。每个点上的竖线表示准确性的不确定性（nRMSE％）。
独立数据集的后验预测不确定性标准差的密度图。
植被氮的定量对了解草地生态学，维持优质草以改善动物健康和生长性能至关重要。这项研究探索了一个大型数据库，该数据库收集了不同年份和季节的数据，以使用一维卷积神经网络（1D-CNN）方法从野外光谱中量化了异质草地中的N浓度，并将其与传统方法（PLSR和GPR）进行了比较。结果表明，一维CNN方法是PLSR和GPR方法的可行替代方法，并且尽管需要大量的数据集进行训练，但仍可以在较高的准确性和较低的不确定性方面产生可靠的结果。尽管特定季节的模型显示出可变的性能，但与其他模型不同的是，基于1D-CNN的组合模型有潜力以更高的精度概括不同的季节。使用1D-CNN和Monte Carlo Dropout方法对模型不确定性进行表征，从而提供模型可靠性和鲁棒性，同时为预测估计产生最低的不确定性。这项研究显示了遗传算法和1D-CNN选择的对不同季节的冠层N％敏感的光谱带的组合，以及组合的数据源。但是，由于训练中包括不同的草组成和样本数量以及其他外部因素，每个季节的乐队选择可能会有所不同。预计未来使用深度学习算法实现的太空任务将在全球范围内提供准确，可靠和近实时的营养信息，以使采用精确管理解决方案成为可能。
引用格式：
Pullanagari RR, Dehghan-Shoar M, Yule IJ, Bhatia N. Field spectroscopy of canopy nitrogen concentration in temperate grasslands using a convolutional neural network. Remote Sensing of Environment 2021; 257.