Field spectroscopy of canopy nitrogen concentration in temperate grasslands using a convolutional neural network
利用卷積神經網絡對溫帶草原冠層氮濃度進行實地光譜分析
From：紐西蘭梅西大學科學
摘要：氮（N）是植物自養的重要特征，是影響陸地生态系統植物生長的主要養分，是以不僅具有根本的科學意義，而且還是作物生産力的關鍵因素。對冠層氮濃度（N％）進行及時的非破壞性監測需要快速且高度準确的估算，通常使用400-2500 nm光譜區域中的光譜分析法對其進行量化。然而，由于冠層結構混雜，從冠層光譜中提取一組有用的光譜吸收特征來确定N％仍然具有挑戰性。深度學習是一種統計學習技術，可用于從冠層光譜中提取生化資訊。我們評估了一維卷積神經網絡（1D-CNN）的性能，并将其與兩種最新技術進行了比較：偏最小二乘回歸（PLSR）和高斯過程回歸（GPR）。我們利用8年（2009年至2016年）整個紐西蘭的奶牛場和丘陵農場的大型，多樣化的田間多季節（秋季，冬季，春季和夏季）光譜資料庫（n = 7014）來開發特定季節和特定于頻譜區域（VNIR和/或SWIR）的1D-CNN模型。獨立驗證資料集（未用于訓練模型）的結果表明，一維CNN模型提供的準确度（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的特定季節模型顯示出明顯的差異（測試資料集為14≤nRMSE≤19），而測試資料集的所有季節組合模型的性能仍然更高（nRMSE％= 14）。全光譜範圍模型顯示出比特定光譜區域模型（僅VNIR和SWIR）更高的準确性（15.8≤nRMSE≤18.5）。此外，與PLSR（0.31）和GPR（0.16）相比，使用1D-CNN得出的預測更精确（不确定性更低），平均标準偏差（不确定區間）<0.12。這項研究證明了1D-CNN替代傳統技術從冠層高光譜光譜中确定N％的潛力。
亮點：
- 使用大場光譜資料庫對草原中的冠層氮進行了定量。
- 一維CNN的性能優于其他最新的統計方法。
- 不同季節（秋季，冬季，春季和夏季）的模型預測是不同的。
- 模型可移植性已在新位置成功進行了測試。
- 使用帶有Monte Carlo Dropout的1D CNN估算了氮氣的不确定性。
方法：
- 高斯過程（GP）是基于核心的機器學習算法。GP會配置設定适合輸入資料的一組可能函數的機率分布，并将其轉換為後驗機率估計。使用該估計值，可以估計圍繞預測的标準偏差和置信區間，以反映資料中非線性關系的複雜分布。
- PLSR是一種廣泛使用的化學計量回歸方法，可将光譜輸入投影到很少的正交分量中，以最大程度地提高輸入變量和目标變量之間的協方差。
- 一維卷積神經網絡（1D-CNN）。
部分結果：
（a）中顯示了具有相應樣本大小的PLSR，GPR和ID CNN模型的預測性能（（b）中的放大視圖表明了<500的樣本的性能）。每個點上的豎線表示準确性的不确定性（nRMSE％）。
獨立資料集的後驗預測不确定性标準差的密度圖。
植被氮的定量對了解草地生态學，維持優質草以改善動物健康和生長性能至關重要。這項研究探索了一個大型資料庫，該資料庫收集了不同年份和季節的資料，以使用一維卷積神經網絡（1D-CNN）方法從野外光譜中量化了異質草地中的N濃度，并将其與傳統方法（PLSR和GPR）進行了比較。結果表明，一維CNN方法是PLSR和GPR方法的可行替代方法，并且盡管需要大量的資料集進行訓練，但仍可以在較高的準确性和較低的不确定性方面産生可靠的結果。盡管特定季節的模型顯示出可變的性能，但與其他模型不同的是，基于1D-CNN的組合模型有潛力以更高的精度概括不同的季節。使用1D-CNN和Monte Carlo Dropout方法對模型不确定性進行表征，進而提供模型可靠性和魯棒性，同時為預測估計産生最低的不确定性。這項研究顯示了遺傳算法和1D-CNN選擇的對不同季節的冠層N％敏感的光譜帶的組合，以及組合的資料源。但是，由于訓練中包括不同的草組成和樣本數量以及其他外部因素，每個季節的樂隊選擇可能會有所不同。預計未來使用深度學習算法實作的太空任務将在全球範圍内提供準确，可靠和近實時的營養資訊，以使采用精确管了解決方案成為可能。
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.