Ein Forschungsteam hat eine Hyperspektralbibliothek für 14 NPK-Nährstoffstressbedingungen bei Reis entwickelt und dabei eine terrestrische Hyperspektralkamera verwendet, um 420 Reisstressbilder zu sammeln und zu analysieren. Das transformerbasierte Deep-Learning-Netzwerk SHCFTT identifizierte Nährstoffstressmuster präzise und übertraf SVM-, 1D-CNN- und 3D-CNN-Modelle mit einer Genauigkeit von 93,92 % bis 100 %. Diese Methode verbessert die Präzision der Nährstoffstresserkennung und trägt zu einer verbesserten Überwachung der Pflanzengesundheit und Entscheidungsfindung in der Präzisionslandwirtschaft bei.
Reis ist eine wichtige Nutzpflanze für die globale Entwicklung, doch sein Ertrag und seine Qualität sind durch verschiedene Belastungen gefährdet, insbesondere Nährstoffmangel. Traditionelle Methoden zur Überwachung von Pflanzenstress sind arbeitsintensiv und zeitaufwändig. Die Fernerkundungstechnologie ist zwar vielversprechend, steht jedoch vor Herausforderungen wie atmosphärischen Bedingungen und gemischten Ackerflächen.
Aktuelle Forschungen heben das Potenzial von Deep Learning, insbesondere der Transformer-Architektur, zur Verbesserung der Hyperspektralbildanalyse (HSI) hervor. Es fehlen jedoch Studien, die Deep Learning mit HSI kombinieren, um NPK-Stress bei Reis zu identifizieren.
Eine Studie veröffentlicht In Pflanzenphänomenologie am 29. Mai 2024, zielt darauf ab, diese Lücke zu schließen, indem ein Deep-Learning-Klassifizierungsnetzwerk auf Basis von CNN- und Transformer-Architektur entwickelt wird, um Nährstoffstressmuster in Reis anhand terrestrischer Hyperspektralbilder genau zu identifizieren.
Ein Forschungsteam verwendete von SPECIM IQ gesammelte HSI, um Reis unter verschiedenen Nährstoffbelastungen zu analysieren und Vegetationsindizes (NDVI, PRI, PSRI) zu berechnen, um Belastungsmuster zu identifizieren. Der normalisierte differenzielle Vegetationsindex (NDVI) hob Trends bei Stickstoffstress (N) hervor und zeigte bei verschiedenen Behandlungen unterschiedliche Werte.
Der Photochemische Reflexionsindex (PRI) und der Pflanzenalterungsreflexionsindex (PSRI) zeigten effektiv Kaliumstressniveaus (K) an. Diese Indizes lieferten einen detaillierten Überblick über die spektrale Reaktion von Reisdächern unter Nährstoffstress.
Zur weiteren Analyse der Daten wurde ein unbeaufsichtigter Visualisierungsprozess eingesetzt, der komplexe Clusterszenarien aufzeigte und die Notwendigkeit einer fortgeschrittenen Modellierung zur Unterscheidung von Stressarten demonstrierte. Die Studie schlug dann ein Deep-Learning-Netzwerk, SHCFTT, vor, das CNN- und Transformer-Architekturen kombiniert, um Nährstoffstressmuster aus Hyperspektralbildern zu klassifizieren.
Ablationstests bestätigten die Wirksamkeit des Modells und zeigten deutliche Verbesserungen der Klassifizierungsgenauigkeit, wenn Schlüsselmodule einbezogen wurden. Das SHCFTT-Modell übertraf herkömmliche Methoden und erreichte sowohl in einjährigen als auch in zweijährigen Datensätzen eine Gesamtgenauigkeit (OA) und Durchschnittsgenauigkeit (AA) von bis zu 100 %. Selbst mit begrenzten Trainingsproben behielt SHCFTT seine hohe Genauigkeit bei und bewies damit seine Robustheit und sein Potenzial für praktische Anwendungen.
Laut dem leitenden Forscher der Studie, Zhentao Wang, „hat der Vorschlag dieser Methoden nicht nur einen positiven Effekt auf die Identifizierung von Nährstoffstress bei Reis, sondern hat auch Auswirkungen auf die Überwachung und Entscheidungsfindung hinsichtlich des Gesundheitszustands von Nutzpflanzen auf dem Feld und in der Präzisionslandwirtschaft.“
„Darüber hinaus war dies eine typische Fallstudie zum Nährstoffzwang bei Reis unter sehr unterschiedlichen und intensiven Feldbedingungen. Sie trug zur Entwicklung der hyperspektralen Bildgebung bei, zur Erforschung von Nutzpflanzenphänotypen und zur Wahrnehmung von Feldinformationen in der Präzisionslandwirtschaft.“
Zusammenfassend lässt sich sagen, dass diese Forschung einen zuverlässigen Ansatz zur Überwachung der Reisgesundheit und zur Bewältigung von Nährstoffstress bietet und so zu einem besseren Pflanzenmanagement und einer präzisen Landwirtschaft beiträgt. Zukünftige Studien werden sich darauf konzentrieren, den Algorithmus auf verschiedene Pflanzen auszuweiten und Aufmerksamkeitsmechanismen für eine verbesserte Leistung zu optimieren.
Mehr Informationen:
Jinfeng Wang et al, Charakterisierung und Identifizierung von NPK-Stress in Reis mithilfe terrestrischer Hyperspektralbilder, Pflanzenphänomenologie (2024). DOI: 10.34133/plantphenomics.0197