马铃薯地上生物量（AGB）是反映其光合作用潜力和产量的重要生长参数，对于指导田间生产管理具有重要意义。然而，传统的AGB估算方法存在破坏性和低效性的缺点，而光谱分析技术因其非破坏性和快速性的优势，在AGB估算中展现出巨大潜力。但由于作物生长的影响，基于光谱参数的AGB估算模型通常面临鲁棒性低的问题，特别是在不同物候期下，模型的有效性会受到严重影响。因此，如何通过挖掘高光谱数据的深度特征，提高AGB估算模型的鲁棒性和准确性成为关键问题。
2024年3月29日，中国农业大学刘洋及其合作者发表在Computers and Electronics in Agriculture（IF=7.7）上的，题为“Improving potato AGB estimation to mitigate phenological stage impacts through depth features from hyperspectral data”的文章，利用连续投影算法（SPA）和长短时记忆网络（LSTM）结合的方法，从波长中提取深度特征。基于传统植被指数（VIs）+绿边（GE）+红边（RE）、全光谱、SPA获得的敏感波长以及SPA-LSTM获得的深度特征，构建了偏最小二乘回归（PLSR）的AGB估算模型。结果表明，提出的SPA-LSTM-PLSR模型能够有效提高AGB估算的准确性和鲁棒性，尤其在整个生长周期和单个生长阶段均表现出色。该方法为马铃薯生长监测和产量评估提供了遥感技术支持。
一、研究方法
1、数据收集与处理：收集了三年的马铃薯高光谱数据和对应的AGB数据。数据涵盖了马铃薯的不同生长阶段。
2、特征提取：提取了传统光谱特征，如绿边位置（GE）、红边位置（RE）、常用植被指数（CIred-edge、OSAVI、GNDVI、NDVI）等。使用连续投影算法（SPA）选择对AGB敏感的波长。结合SPA和长短期记忆网络（LSTM）提取深度特征（SPA-LSTM）。
3、模型构建与验证：使用偏最小二乘回归（PLSR）方法构建AGB估计模型。基于不同特征集（传统光谱特征、全光谱、SPA特征、SPA-LSTM特征）构建模型。使用十折交叉验证方法优化模型，并使用联合X-Y距离方法（SPXY）划分建模集和验证集。
4、模型性能评估：使用决定系数（R²）、均方根误差（RMSE）和归一化均方根误差（NRMSE）评估模型性能。在不同年份和生长阶段验证模型的适用性和可靠性。
图1.本研究技术路线
图2.不同年份不同时期(a-c)和(d-e)SG滤波前后马铃薯冠层的光谱反射率。
二、研究结果
1、传统光谱特征与传统植被指数的性能：GE和RE能够解释AGB变化的31%和33%。OSAVI、GNDVI和NDVI能够解释AGB变化的30%、25%和36%，但当AGB超过2000 kg/hm²时，这些指数趋于稳定，限制了其性能。CIred-edge能够减轻光谱饱和现象，但在三年内分布较为分散，降低了其在不同生长阶段的适用性。
2、SPA特征的性能：SPA选择的敏感波长主要位于蓝边、绿峰、红谷和红边区域。基于SPA特征的PLSR模型在R²、RMSE和NRMSE方面优于传统光谱特征和全光谱模型。
图4.三年不同生育期马铃薯冠层光谱反射率图。(a)-(c)分别代表2017-2019年。S1-S3、P1-P3和D1-D3代表每年三个生长阶段。
图5.三年生各生长阶段光谱反射率与AGB相关性最强的位置（a）和所有样品的红边（RE）和绿边（GE）的位置（b-c）。
图6.基于VIs、GE和RE与AGB之间的校准集获得的相关性分析。
3、SPA-LSTM特征的性能：SPA-LSTM模型结合了SPA和LSTM的优势，提供了对AGB最敏感的深度特征。在三年数据集中，SPA-LSTM模型估计AGB的R²为0.82，RMSE为318 kg/hm²，NRMSE为21.25%，优于其他模型。
4、模型的适用性和可靠性验证：SPA-LSTM模型在不同年份和生长阶段的R²范围在0.48至0.78之间，RMSE范围在184至386 kg/hm²之间，NRMSE范围在14.91%至29.45%之间。这表明SPA-LSTM模型在整个生长阶段和单个阶段都具有良好的适用性和可靠性。
图7.SPA后获得的敏感波长（a）以及深度特征（b）和全光谱（c）与AGB的相关性。
图8.根据（a）VIs+RE+GE，（b）全光谱，（c）SPA，（d）SAP-LSTM，获得了测量的和估计AGB的关系。
图9.用三年的时间比较了SPA-LSTM估计模型在不同成长阶段的表现。
图10.基于SPA-LSTM模型获得的2017年以来S1-S3期AGB的空间分布。P1-P3表示种植密度为60000、75000和90000个块茎/hm2。N0-N3表示0、75、150和225 kg/hm 2纯N的氮素水平。N143和Favorita代表马铃薯品种。
三、结论
本研究提出了一种结合SPA和LSTM的新方法，用于挖掘高光谱数据的潜在特征，以提高马铃薯AGB估算的准确性和适用性。研究发现，SPA-LSTM模型能够显著提高AGB估算的准确性和鲁棒性，并减轻物候期对估算结果的影响。该方法为马铃薯生长监测和产量评估提供了有效的遥感技术支持。
