Detection of Potassium Deficiency and Momentary Transpiration Rate Estimation at Early Growth Stages Using Proximal Hyperspectral Imaging and Extreme Gradient Boosting

利用近端高光譜成像和極端梯度增強技術對植株生長早期缺鉀狀況和瞬時蒸騰速率的檢測

鉀是植物中的一種宏量元素，通常在對作物在整個生長季節充足供應，以避免導致作物產量下降的短缺。蒸騰速率是反映土壤含水量、植物需水量和非生物脅迫因子的瞬時生理特性。在本研究中，將兩個系統結合起來，創建一個高光譜生理植物數據庫，用于鉀處理（低、中、高）的分類和從高光譜圖像估計瞬時蒸騰速率。PlantArray3.0用于控制施肥、記錄環境條件和計算蒸騰速率。此外，每小時都會觸發一個攜帶高光譜相機的半自動平臺，以拍攝大量胡椒植株的圖像。利用每小時的綜合屬性和光譜信息將植物分類為其給定的鉀處理（平均準確度=80%），并使用高級集成學習算法XGBoost（極端梯度提升算法）估算蒸騰速率（RMSE=0.025 g/min，R2=0.75）。雖然鉀沒有直接的光譜吸收特征，但分類結果表明，基于遠程測量的高光譜信號，可以根據鉀處理對植物進行標記。利用光譜信息估算不同施鉀量的蒸騰速率的能力有助于灌溉管理和作物產量優化。這些綜合結果對于生長季節的決策非常重要，尤其是在鉀水平仍然可以糾正以防止產量損失的早期階段。

圖1.上圖：從高光譜照相機中可以看到植物的RGB圖像；底部：兩個實驗臺上隨機分布的實驗陣列；

圖2.實驗臺和上方移動的高光譜相機的視圖。每株植物都放置在一個與Plantarray 3.0系統相連的自定義稱重蒸滲儀中。四個滴灌頭對每株植物進行灌溉，同時使用塑料蓋限制水分蒸發。

圖3.模型對低鉀和中鉀處理（LP-MP）、低鉀和高鉀處理（LP-HP）以及所有處理（LP-MP-HP）的分類

圖4. 利用采樣植物繪制低鉀光譜特征波段

估算圖中的特征重要性如圖3所示。圖中顯示，估算模型中有5-10個波段的總增益較高，還有許多波段的權重中等或較低。將每個模型的10個最佳特征合并到一個圖中，以檢查模型最佳特征的變化和相似性（圖4）。在低-中模型中，大多數貢獻波段在藍、綠色區域，以及在NIR平臺和紅邊中的三個主要部分。低-高模型也主要受藍色區域的波段影響，但也受綠色和紅色區域、吸水區域（~950 nm）以及與其他模型重疊區域（~800 nm）的波段影響。三種處理模式主要受藍色和紅色區域、與其他兩種模式重疊的NIR平臺以及吸水區域的影響。聚合這些特征（圖4）表明，多個波段不止出現一次，這意味著它們被明確發現在不同模型中很重要的。這些模型指向特定區域和幾個窄帶，這些窄帶包含被認為對于此治療分類任務很重要的大部分光譜信息。

圖5.上午(A)、中午(B)和下午(C)估算和測量的蒸騰速率

為了比較一天中每個時段計算出的不同模型，每個時段的樣本數量按最低樣本數量隨機向下抽樣（n=1970）。早上，模型得出的RMSE=0.027 g/min，R2=0.62，dr=0.74。中午時，R2=0.70，RSME=0.028 g/min，dr=0.76，模型擬合度略好。下午達到最佳模型，RMSE=0.022 g/min，R2=0.74，dr=0.77（圖5）

圖6.不同鉀處理下估算和測量的蒸騰速率；低鉀（A）、對照（B）和高鉀（C）

開發的最終模型與鉀對TR估算的影響有關，如圖6所示。雖然估算之間的RMSE差異很小，但中鉀處理TR的最佳估算值R2=0.87、RMSE=0.02和dr=0.84。高鉀處理TR的估算值R2=0.83、RMSE=0.021和dr=0.81。最后用R2=0.76、RMSE=0.027和dr=0.80估算低鉀處理TR。