Detection of Potassium Deficiency and Momentary Transpiration Rate Estimation at Early Growth Stages Using Proximal Hyperspectral Imaging and Extreme Gradient Boosting
利用近端高光谱成像技术对植株生长早期缺钾状况和瞬时蒸腾速率的检测
钾是植物中的一种宏量元素，通常在对作物在整个生长季节充足供应，以避免导致作物产量下降的短缺。蒸腾速率是反映土壤含水量、植物需水量和非生物胁迫因子的瞬时生理特性。在本研究中，将两个系统结合起来，创建一个高光谱生理植物数据库，用于钾处理（低、中、高）的分类和从高光谱图像估计瞬时蒸腾速率。PlantArray3.0用于控制施肥、记录环境条件和计算蒸腾速率。此外，每小时都会触发一个携带高光谱相机的半自动平台，以拍摄大量胡椒植株的图像。利用每小时的综合属性和光谱信息将植物分类为其给定的钾处理（平均准确度=80%），并使用高级集成学习算法XGBoost（梯度提升算法）估算蒸腾速率（RMSE=0.025 g/min，R2=0.75）。虽然钾没有直接的光谱吸收特征，但分类结果表明，基于远程测量的高光谱信号，可以根据钾处理对植物进行标记。利用光谱信息估算不同施钾量的蒸腾速率的能力有助于灌溉管理和作物产量优化。这些综合结果对于生长季节的决策非常重要，尤其是在钾水平仍然可以纠正以防止产量损失的早期阶段。
图1.上图：从高光谱照相机中可以看到植物的RGB图像；底部：两个实验台上随机分布的实验阵列；
图2.实验台和上方移动的高光谱相机的视图。每株植物都放置在一个与Plantarray 3.0系统相连的自定义称重蒸渗仪中。四个滴灌头对每株植物进行灌溉，同时使用塑料盖限制水分蒸发。
图3.模型对低钾和中钾处理（LP-MP）、低钾和高钾处理（LP-HP）以及所有处理（LP-MP-HP）的分类
图4. 利用采样植物绘制低钾光谱特征波段
估算图中的特征重要性如图3所示。图中显示，估算模型中有5-10个波段的总增益较高，还有许多波段的权重中等或较低。将每个模型的10个最佳特征合并到一个图中，以检查模型最佳特征的变化和相似性（图4）。在低-中模型中，大多数贡献波段在蓝、绿色区域，以及在NIR平台和红边中的三个主要部分。低-高模型也主要受蓝色区域的波段影响，但也受绿色和红色区域、吸水区域（~950 nm）以及与其他模型重叠区域（~800 nm）的波段影响。三种处理模式主要受蓝色和红色区域、与其他两种模式重叠的NIR平台以及吸水区域的影响。聚合这些特征（图4）表明，多个波段不止出现一次，这意味着它们被明确发现在不同模型中很重要的。这些模型指向特定区域和几个窄带，这些窄带包含被认为对于此治疗分类任务很重要的大部分光谱信息。
图5.上午(A)、中午(B)和下午(C)估算和测量的蒸腾速率
为了比较一天中每个时段计算出的不同模型，每个时段的样本数量按样本数量随机向下抽样（n=1970）。早上，模型得出的RMSE=0.027 g/min，R2=0.62，dr=0.74。中午时，R2=0.70，RSME=0.028 g/min，dr=0.76，模型拟合度略好。下午达到最佳模型，RMSE=0.022 g/min，R2=0.74，dr=0.77（图5）
图6.不同钾处理下估算和测量的蒸腾速率；低钾（A）、对照（B）和高钾（C）
开发的最终模型与钾对TR估算的影响有关，如图6所示。虽然估算之间的RMSE差异很小，但中钾处理TR的最佳估算值R2=0.87、RMSE=0.02和dr=0.84。高钾处理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估算低钾处理TR。
