基于深度卷积生成式对抗网络的菌草丙二醛含量可见/近红外光谱反演

[目的/意义]菌草是多年生可用作饲料与生物质能源的草本植物,在温带种植需克服越冬问题。低温胁迫会对菌草的生长发育造成不利影响。丙二醛（Malondialdehyde,MDA）作为诊断菌草低温胁迫状态的有力诊断指标,利用光谱技术反演MDA含量,可快速无损地评估菌草生长动态,为菌草育种及低温胁迫诊断提供参考。[方法]本研究基于6个品种的菌草植株,设置低温胁迫组与常温对照组,获取菌草苗期的可见/近红外光谱（Visible/Near Infrared Spectrum,VIS/NIR）数据与叶片MDA含量信息,分析低温胁迫条件下菌草MDA含量及其光谱反射率均相应增加的变化趋势;为提升模型的检测效果,提出了改进的一维深度卷积生成式对抗网络（Deep Convolutional Generative Adversarial Networks,DCGAN）用于样本数量增广,并建立基于随机森林（Random Forest,RF）、偏最小二乘回归（Partial Least Squares Regression,PLSR）以及卷积神经网络（Convolutional Neural Networks,CN...     

光谱技术结合水分校正与样本增广的棉田土壤盐分精准反演

棉田土壤盐分的精准反演对于棉花的种植管理具有重要意义。水分和盐分作为主要环境因素,共同影响棉田土壤的波谱特征,两者之间的耦合关系直接影响土壤盐分的检测分析。为了提高基于光谱技术构建的模型对棉田土壤盐分信息解析的准确性与可靠性,该研究联用可见/短波近红外（400～1 000 nm）和长波近红外（960～1 693 nm）技术,采集不同含水率与含盐量的新疆地区土壤样本的光谱;结合外部参数正交法（external parameter orthogonalization,EPO）,校正不同标样集与不同波段光谱中的土壤含水率干扰信息;引入基于不同卷积步幅的深度卷积对抗网络（deep convolutional generative adversarial networks,DCGAN）,进行样本增广与质量评估;参考三层残差神经网络设计一维卷积神经网络RNet,最终构建基于EPO-DCGAN-RNet的优化模型,用于棉田土壤盐分的反演。结果表明,与传统机器学习方法和基于VGG或EfficientNet结构一维卷积神经网络相比,该研究提出的EPO-DCGAN-RNet方法能够有效地滤除水分对盐分反演的影响、提高模型对特征波段的挖掘能力、降低深度学习算法对样本量的依赖性,并能得到更优的模型预测性能。EPO-DCGAN-RNet的建模集R²和均方根误差分别为0.942、115.420 μS/cm,验证集R²和均方根误差分别为0.910和136.472 μS/cm。研究结果可为新疆棉田土壤盐分快速精准检测提供理论指导和技术支持,有助于促进盐碱地区棉花种植的水肥科学管理。