基于时序高光谱和多任务学习的水稻病害早期预测研究

曹益飞 徐焕良 吴玉强 范加勤 冯佳睿 翟肇裕

(1.南京农业大学人工智能学院，南京 210095；
2.南京农业大学工学院，南京 210031；
3.南京农业大学植物保护学院，南京 210095)

水稻是人类重要的粮食作物之一，目前，约有56亿人(占世界人口的80%)以水稻为主食[1-2]。水稻白叶枯是水稻三大病害之一，严重影响了水稻的产量，在稻田中分布不均匀、病菌来源广、传播途径多、侵染时间长，发展传播情况复杂[3]。近年来，白叶枯病的暴发面积约占总种植面积的1/3，平均病株率约为10%，给我国粮食安全带来巨大威胁[4]。水稻白叶枯病由病原体引起，是一种在整个水稻生长期存在的细菌病害，主要浸染叶片，也可侵染叶鞘[5]。一般在26～30℃、相对湿度85%以上、多雨、光照不足、风速大的气候条件下发生流行[6]，且在发病初期，不易观察到明显病症，但根据植物病理学理论[7]，在白叶枯发病期，水稻叶片内部化学成分发生了变化，使得患病叶片对不同光谱波段的吸收率和反射率发生改变。随着光学技术的发展，高光谱成像技术为获取植物内部变化信息提供了可能[8-9]。在白叶枯病害胁迫下，水稻叶片将经历两个阶段，包括无症状阶段和有症状阶段[5,10]。为了实现水稻白叶枯病害发病率和潜伏期的预测，则需要采集适宜条件下水稻叶片由无症状到有症状变化的整个阶段的时序高光谱图像。

目前，高光谱成像已被用于监测各种作物病害，如大豆炭疽病[11]、小麦白粉病[12]、水稻纹枯病[13]等病害的早期监测，很少有水稻白叶枯病的早期监测预警研究。高光谱成像技术在获取作物叶片海量光谱信息和空间信息的同时也带来了巨大计算量的挑战，深度学习是解决该难题的一个重要研究方向[9,14]。为了通过水稻叶片时序高光谱图像对适宜条件下白叶枯病水稻叶片的发病率(即接种过白叶枯病菌的水稻叶片病害区域占叶面积的比例)和潜伏期(即从接种操作开始到出现症状的时间)进行预测，将发病率和潜伏期设为两个任务。如果分别使用两个模型来分别预测病害发病率和潜伏期，就会出现占用过多计算和存储空间的问题。多任务学习(Multi-task learning, MTL)具有共享特征、相互辅助的特点[15]。

近年来，以长短期记忆网络(Long-short term memory, LSTM)为代表的深度学习算法对时序数据的分析得到了广泛的应用。研究表明，对于时间序列数据，LSTM的性能优于深度前馈神经网络[16]。LSTM可以通过记忆单元和门控机制捕获长期依赖关系，有效地从包含时间信息的数据中学习顺序模式[17]。SU等[18]基于时序多光谱图像对小麦黄锈病进行时空监测，为农田尺度黄锈病的早期监测提供了重要指导。KIM等[2]结合环境条件和长短期记忆递归神经网络对水稻稻瘟病进行早期预测，预测病害发生准确率达到67.4%。VERMA等[19]利用视频流数据分析和LSTM卷积神经网络来预测水稻病害，结果表明基于模糊特征构建的预测模型取得了很好的预测效果。以上研究大多关注病害发病率，而忽视了作物病害潜伏期，因此无法及时指导作物病害防治策略的制定。

本研究结合时序高光谱图像与深度学习建立水稻白叶枯病早期预测模型。该预测模型基于时序高光谱数据，融合多任务学习与LSTM网络，实现白叶枯病发病率和潜伏期的预测。通过连续采集健康和发病初期的叶片高光谱数据，探索利用随机森林(Random forest, RF)和主成分分析(Principal component analysis, PCA)从原始高光谱中提取光谱特征；
利用基于全波段光谱数据集(232个波长)以及不同降维方法得到的时序高光谱特征数据集训练MTL-LSTM模型；
利用鲸鱼优化算法(Whale optimization algorithm, WOA)优化MTL-LSTM模型，并评估模型优化前后的性能，以期为科学防治作物病害提供思路，为病害预测提供技术支持。

使用白叶枯病胁迫下的水稻叶片时序高光谱图像构建早期病害发病率和潜伏期的预测模型。

1.1 水稻种植及实验地情况

为了确保水稻叶片在感染白叶枯病之后到出现明显病斑之前，有足够时间来观测无明显症状的水稻叶片高光谱的变化，本实验选择高抗白叶枯水稻品种作为实验对象。温室实验于2020年在南京农业大学温室实验基地进行。种植前挑选饱满种粒，浸种、催芽，水稻种植在填充有水稻粘土的塑料杯(直径35 cm×高32 cm)中。首先，在温室内培育幼苗(图1a)，然后分别移栽到塑料杯中，每杯3株水稻(图1b)，共计50杯。为了模拟水稻在自然生长环境中的管理实践，在移栽之前施用基础营养肥料(包括CO(NH2)2，150 kg/hm2；
P2O5，135 kg/hm2；
K2O，18.3 kg/hm2)，并在分蘖开始阶段第2次追肥(N，150 kg/hm2)。为了监测水稻白叶枯病在条件适宜情况下的发病天数，将幼苗移栽后，放在自然环境下生长，根据需要进行灌溉，以确保每个塑料杯中的土壤始终被浅层水覆盖，直到接种病菌前一周转移到温室。温室由两层透明材料组成，配备了空调和加湿设施，为白叶枯病菌的人工接种提供合适的环境条件。

图1 不同生育期水稻苗栽培示意图

1.2 实验材料制备及数据采集

1.2.1实验材料制备

本实验所接种的白叶枯病菌由南京农业大学植物保护学院提供，为稻黄单胞菌稻致病变种(Xanthomonasoryzaepv,oryzae,Xoo)，病菌通常由水稻的伤口或水孔侵入水稻叶片，进入木质部进行繁殖，并由叶片向叶鞘侵染[20]。实验材料制备具体操作过程如下：首先，取出于-70℃保存的菌株，在超净工作台上使用灭菌枪头吸取菌液，随后转移至平板培养基(牛肉提取物0.3%、肉蛋白胨1%、蔗糖1%和琼脂2%)上，用灭菌接种环涂布均匀，置于28℃培养箱中培养48 h，此时细菌呈现亮黄色。然后，用磷酸盐缓冲液稀释，采用比浊法将细菌培养液稀释至每毫升约9×109个细菌。最后，将所有水稻样本按照比例1∶4分配，其中40杯采用常见的剪叶法使病菌侵染叶片，用已消毒的手术剪刀蘸取菌液，剪掉分蘖期每株水稻剑叶和倒二叶尖端1 cm长的部分，完成病菌接种，所有病菌接种操作均在病菌悬浮液制备后3 h内完成；
同时，另外10杯作为参照组，即用已消毒的手术剪刀蘸取纯净水进行相同的剪叶操作。在适宜条件下，病菌侵入至症状表现只需3～5 d。同一品种苗期到分蘖期抗病能力较强、分蘖末期抗病力下降、孕穗期和抽穗期最易感病。最后，将接种病菌的所有水稻植株放回温室继续培育。为了确保病菌成功侵染叶片，且环境条件适宜病害发展，需要严格控制环境变量，控制温室内温度为26～30℃、相对湿度超过90%、光照周期为14 h，为采集病害胁迫下水稻叶片的时序高光谱图像做准备。

1.2.2数据采集

本实验采用上海五铃光电科技有限公司的推扫型高光谱成像系统的内部组件，主要包括成像镜头、卤素灯光源、电控步进载物台等，如图2所示。

图2 高光谱成像系统内部构成图

高光谱成像系统主要部件参数如表1所示。采集软件由Spectral-image成像软件和HSI Analyzer分析软件组成。

表1 高光谱成像系统主要部件参数

时序高光谱图像采集过程：以病原菌接种当天为初始点，每隔24 h对样本进行高光谱成像实验，直至所有感染叶片出现明显病斑结束实验(本实验7 d全部出现明显病斑)。实验中，固定每天采集时间(12：00—14：00)和仪器光照强度(150 lx)、相机垂直角度(90°)、物距(27 cm)等因素，确保采集数据的时序一致性。最终，按照上述流程，共采集连续7 d的高光谱数据，包括60×7个对照叶片和240×7个病害叶片的时序高光谱数据。

1.3 光谱校正与预处理

使用1.2.2节中所述的高光谱成像系统采集水稻病害叶片在波段378.28～1 033.05 nm范围内的高光谱图像。由于成像系统本身及其他因素的影响，获取的高光谱图像具有不稳定性。因此，需要对高光谱图像进行黑白校正，具体技术细节参照文献[21]。利用ENVI 5.1x(Research System Inc, boulder, Co.,美国)提取校正后水稻叶片高光谱图像中的感兴趣区域(Region of interest, ROI)，图3为ROI选取示意图，其中红框区域为选定的待分析ROI。

图3 ROI选取示意图

如图3所示，为了更好地表征无症状区域的光谱，每个ROI包含9个小红框，计算每一个小红框中所有光谱的平均光谱，共计9条平均光谱作为该ROI的光谱样本对多任务进行预测，包括水稻叶片白叶枯病害的发病率。由于白叶枯病菌可以通过叶脉传播，越靠近接种点病害的胁迫症状越明显，因此选择靠近接种点处的ROI作为待分析的对象。在水稻高光谱数据采集完成后，通过分析高光谱图像，对水稻叶片发病率和潜伏期进行统计。一方面，通过计算水稻叶片病害面积占整个水稻叶面积的比例来计算水稻叶片发病率。由于采用人工剪叶的方式接种病菌，且白叶枯病菌是沿着维管束侵染叶片，假设侵染速度相同，故可以用发病区域的长度占叶片长度的比率近似为病害面积占整片水稻叶面积的比率，图4为白叶枯病菌侵染的水稻叶片，红色框为发病区域。另一方面，通过目视检测的方法，统计水稻潜伏期(如从病害接种到出现明显症状的时间为 4 d，则将病害潜伏期记为 3 d，接种第1天不计)。

图4 白叶枯病菌侵染的水稻叶片

利用ENVI 5.1x提取尺寸为50像素×50像素的ROI光谱图像作为该叶片的样本，并提取每个ROI的平均光谱，每个ROI的9条平均光谱如图5所示。由图5可以看出，高光谱存在噪声，尤其是小于450 nm波段和大于950 nm波段。常见方法是删除噪声较大的波段[22]，本研究为了消除光谱信号中的随机噪声，提高采样信号的信噪比，截取450～950 nm之间的波段进行分析，使用Savitzky-Golay(SG)平滑滤波器减少随机噪声(核大小为5×5×5，多项式阶数为3)。

图5 不同状态下水稻叶片ROI的9条平均光谱

1.4 高光谱数据降维

考虑到待分析的高光谱图像涵盖450～950 nm之间的所有光谱信息，共计232个波长，其特点是相邻波长之间存在高维冗余，给计算速度带来了巨大挑战。为解决这个问题，在对采集到的高光谱原始数据的处理过程中，对数据进行降维操作是有效的方法，在不丢失有效光谱信息的基础上降低后续计算的成本。常见的高光谱数据降维方法有特征提取和波段选择。选用常见的主成分分析法[23]对高光谱进行特征提取，同时利用随机森林算法[24]提取对病害敏感的特征波长对高光谱图像进行波段选择。

1.4.1基于PCA的光谱特征提取

PCA算法是一种常用的数据压缩方法，常用于高维数据降维[25]。PCA可以提取原始高光谱数据的主成分(Principal components, PCs)。本文中主成分分析的主要思想是将232维光谱特征映射到k维(k<232)。与简单地从原始空间中移除不太重要的维度特征相反，通过将原始空间中的特征映射到新空间中，这些k维特征可以被视为主成分。本研究中，每个ROI包含9条光谱，预处理后每条光谱包含232个波长，即预处理后的高光谱数据的特征个数为232，主成分求解步骤如下：

(1)将预处理后的高光谱数据按列组成232行9列的光谱矩阵X。

(2)将X的每一行(即每一个波段光谱反射率)进行零均值化，即减去这一行的均值。

(3)求出光谱矩阵X的协方差矩阵。

(4)计算协方差矩阵的特征值及每个特征值对应的特征向量。

(5)将特征向量按对应特征值大小从上到下按行排列成矩阵，取前k行组成矩阵P，即为该ROI预处理后的光谱矩阵降维到k维后的数据。

1.4.2基于RF的光谱特征提取

RF算法随机替换每个特征，对特征替换后生成的新袋外数据进行随机森林测试，预测误差率会发生变化[26]。特征波长对病害敏感性越高，被替换后的预测误差率就越大。本文中，每条光谱有232个波长，即232个特征。通过这种方式，根据每个特征波长替换前后的错误率进行评分，从而获得具有高重要性评分的特征波长[27]。为了降低原始高光谱数据的维数，本文根据重要分数选择了不同数量的特征波长。随机森林中决策树数为Ntree，设为200，原始光谱特征数为d，设为232。每个特征Xj(j=1,2,…,d)的重要性得分计算步骤如下：

(1)计算第i个决策树对应的袋外数据(Out-of-bag, OOB)OOBi的袋外误差样本(Out-of-bag-error, ErrOOB)ErrOOBi的数量。

(5)特征波长Xj的重要性得分Sim(Xj)计算公式为

(1)

利用PCA和RF对预处理后的高光谱进行降维处理，分别构建了全光谱波长数据集(232个波长)、RF特征波长数据集(10个波长)和PCA光谱特征数据集(10个主成分)共3个数据集，将其作为模型的输入。

1.5 WOA-MTL-LSTM模型建立

本文旨在利用水稻病害叶片的时序高光谱数据预测在适宜条件下水稻叶片白叶枯病发病率和潜伏期。LSTM网络是目前最常见的时序数据分析算法，本文拟利用MTL-LSTM对水稻病害时序高光谱进行建模，实现对水稻叶片白叶枯病发病率以及潜伏期的多任务预测。运用鲸鱼优化算法对MTL-LSTM网络进行优化，以获得最优的病害预测模型来预测水稻叶片白叶枯病发病率和病害潜伏期。

1.5.1多任务学习

MTL是一种归纳迁移方法，能充分利用隐含在多个相关任务训练信号中的特定领域信息。MTL通常可分为硬共享和软共享两种方式[28]。硬共享是通过共享不同任务间共用底部的隐层参数来实现特征提取与输出，软共享的形式则较为多样，每个任务都具有单独的参数，如两个任务不进行参数共享，但对不同任务的参数增加L2范数的限制。硬共享网络不容易陷入过拟合，但如果任务差异较大，模型结果较差。软共享网络通常参数较多，结构比较复杂，线上部署困难[29]。本文基于时序高光谱对适宜条件下感染白叶枯病害的水稻叶片的发病率(任务1)和潜伏期(任务2)进行预测，均属于回归任务，有较大相关性，故本文构建了参数硬共享网络对水稻病害发病率和潜伏期进行预测。

在MTL中，每个任务的数据分布和重要性往往是不同的。MTL损失函数可以通过不同任务的平方损失函数的加权求和得到。损失值计算公式为

LMTL=αl1+βl2

(2)

(3)

α+β=1

(4)

式中LMTL——多任务学习模型损失值

l1、l2——发病率和潜伏期预测损失值

y1i——发病率实际值

y2i——潜伏期实际值

n——样本数α、β——权重

1.5.2MTL-LSTM神经网络

LSTM是一种改进的循环神经网络(Recurrent neural networks, RNN)，主要用于解决长序列训练过程中梯度消失和梯度爆炸问题[30]。与普通的RNN相比，LSTM在时间序列预测方面有更好的表现，LSTM网络善于利用数据中的时间特征来学习历史数据的相关性，从而提高预测精度。LSTM模型的核心思想，分别为记忆元组和非线性的门单元，其中记忆元组用于保持系统的状态，非线性的门单元用于在每一个时间点调节流入和流出记忆元组的信息。

在LSTM网络中，LSTM单元的输入变量有：前一个单元的状态ct-1、前一个单元的输出ht-1、当前单元的输入xt，输出变量有：当前输出ht及当前状态ct。LSTM网络通过输入门、遗忘门和输出门来维持和更新神经网络中细胞的状态[31]，如图6所示。

图6 LSTM结构图

由于LSTM神经网络包含时间记忆单元，适用于处理和预测时间序列数据中的间隔和延迟事件，有利于捕捉时序高光谱的长期和短期依赖关系[32]。在本研究的病害预测任务中选择LSTM网络单元组成子任务层，并基于此构建MTL-LSTM网络。LSTM网络最大训练次数为100，学习率设为0.01，最小性能梯度为0.000 1，MTL-LSTM网络的结构如图7所示，构建由Embedding层、LSTM网络层和Pooling层组成的多任务学习结构。将时序高光谱数据按病菌接种天数表示为x={x1,x2,…,x7}作为输入，xi的大小为9n，n为处理后的光谱特征数(对于全光谱n记为232，对于光谱特征n记为10)。将相同位置ROI中的每一条光谱的反射率序列线性映射到一个向量中，然后应用LSTM对时序高光谱进行建模，获取每一天光谱的表示向量h={h1,h2,…,h7}。通过共享LSTM层参数，得到不同病害接种天数时的LSTM网络输出特征，通过池化得到新的特征a={a1,a2,…,a7}，输入到不同的全连接层，进而实现水稻白叶枯病害发病率和潜伏期的预测任务。

图7 MTL-LSTM网络结构图

1.5.3鲸鱼优化算法

鲸鱼优化算法是一种新型的群智能算法，其基本思想来源于座头鲸气泡网狩猎策略，该策略融合了座头鲸收缩包围猎物和螺旋狩猎方式的局部开发能力，具有搜索能力强、收敛速度快以及能够跳出局部最优等特点[33]。本实验鲸鱼优化算法被用于优化MTL-LSTM网络模型的参数，每条鲸鱼被看作是一种优化策略，其位置的维数对应MTL-LSTM网络待优化参数的个数，鲸鱼在不断更新自身位置的过程中能够获得MTL-LSTM网络的最优参数组合。

1.5.4WOA-MTL-LSTM模型设计

LSTM网络在挖掘时序数据方面具有明显的优势，本文利用MTL-LSTM网络预测水稻发病率和病害潜伏期。实践证明，MTL-LSTM网络隐含层神经元个数m以及时间步长s的选择对预测精度有不可忽略的影响[34]。

目前，MTL-LSTM网络的隐含层神经元个数m只能由经验公式确定大致范围，无法获得准确最优神经元个数m。时间步长s就是循环单元结构的个数，若时间步长s过小则会失去不同时刻间信息的关联性，若时间步长s过大则会减弱神经网络的学习能力。因此，本文通过鲸鱼优化算法对MTL-LSTM网络的神经元个数m及时间步长s进行寻优。基于鲸鱼优化算法的MTL-LSTM模型(WOA-MTL-LSTM模型)预测白叶枯病发病率和潜伏期的流程图如图8所示。

图8 WOA-MTL-LSTM模型流程图

具体步骤如下：

(1)基于水稻病害叶片时序高光谱构建MTL-LSTM网络，随机初始化MTL-LSTM网络隐含层神经元个数m和时间步长s。

(2)设置鲸鱼种群位置的上下界，确定生成鲸鱼种群数量X、最大迭代次数和鲸鱼个体空间维度，将变量(m,s)组合作为鲸鱼算法待优化参数。

(3)计算每个个体的适应度，以MTL-LSTM训练得到的平均损失函数LAvg作为模型的适应度函数，平均损失函数LAvg定义为

(10)

通过公式(10)计算每一个个体的适应度，标记为最优个体位置。

(4)随机生成[0，1]之间的捕食行为概率p，若p<0.5，则直接进行下一步判断，反之，则收缩包围猎物。

(5)若感知距离控制参数|A|>1，鲸鱼根据彼此位置随机搜索猎物，反之，鲸鱼个体位置进行螺旋更新。

(6)判断经过鲸鱼优化算法得到的模型损失值是否小于MTL-LSTM训练得到的平均损失函数LAvg，若满足，则得到最优的神经元个数m和时间步长s；
若不满足，则更新参数并重新进行训练。

(7)利用最优参数的WOA-MTL-LSTM模型对水稻叶片白叶枯病发病率和潜伏期进行预测。

1.6 模型验证和精度评价

为了评估基于时序高光谱的WOA-MTL-LSTM多任务学习模型的预测性能，将数据集按照比例 8∶2 划分为训练集和测试集，并进行5次10折交叉验证。将决定系数R2、均方根误差(Root mean square error, RMSE)和相对误差(Relative error, RE)作为评价指标，评估不同模型的预测性能，从而选择最佳预测模型。

实验基于Tensorflow和Keras开源深度学习框架实现。操作平台硬件配置包括NVIDIA GeForce RTX 2080Ti GPU，搭载AMD Ryzen 5-1600 @ 3.20 GHz六核处理器，内存为64 GB。软件环境为Windows 10操作系统，选用Matlab 2016b及Python 3.7编程环境。构建基于时序高光谱和MTL-LSTM及WOA-MTL-LSTM预测模型，对水稻叶片白叶枯病发病率以及潜伏期进行预测，并比较不同模型的预测性能。

2.1 病害胁迫下水稻病害叶片光谱分析

本研究截取波段450～950 nm范围内，共计232个波长。经过SG平滑后，不同ROI光谱中的噪声大大降低，消除了大小差异和不同信息结构的干扰，SG平滑后的光谱如图9所示。

图9 SG平滑后的9条平均光谱

由图9可以看出，无症状ROI的RGB图像和健康ROI的RGB图像与有症状ROI的RGB图像在颜色上有较大差异，可以通过目视检测进行分类。而无症状ROI的RGB图像与健康ROI的RGB图像则无法通过目视检测进行区分。对于不同状态的ROI对应的光谱差异较大，尤其无症状ROI与健康ROI在波段500～650 nm之间的光谱反射率差异最为明显，健康ROI的反射率明显低于病害ROI的反射率，这说明具有完整组织结构的健康叶片ROI包含更多的光合色素，如叶黄素、叶绿素和类胡萝卜素，导致在波段500～650 nm之间的吸收率更高[35]。病害胁迫下，叶片的内部结构随着潜伏期增加而逐渐被破坏，对可见光的吸收逐渐降低，在波段450～720 nm间的反射率呈逐渐上升趋势。绿峰波段光谱反射率随叶片内部结构被破坏而逐渐升高，而红谷波段反射率逐渐下降。在波段750～950 nm范围内光谱曲线变得平坦且重叠较多，这与ZHANG等[36]的研究结果一致。根据前人的研究，细菌引起的叶片内部结构损伤首先会降低近红外范围内的光谱反射率，且水分等生物质的损失可能最终导致反射率上升[37]。

2.2 光谱降维结果分析

为了分析水稻病害样本的时序高光谱的时序性特点，需要对时序高光谱数据进行降维处理。本文首先对数据进行主成分分析，主成分分析不仅可以降低数据维度，而且能够通过样本在各因子空间的得分确定所属的类别，新变量可以更加直观地表征原样本的差异。

图10a为经过预处理的光谱的前3个主成分得分示意图。可以看出，将光谱的232个波长映射到全新的正交平面，可以很好地区分样本所属类别，且前3个主成分得分累加为98.63%，但是映射到新的正交平面则失去了光谱的波长属性。为了尽可能多的保留原光谱的信息，本文选择累计得分超过99%的前10个主成分作为高光谱降维后的待分析样本。为了克服主成分分析将特征映射到新的正交平面而失去光谱波长属性的缺陷，从高光谱所有波长中提取对病害敏感的波长子集。本文利用随机森林算法提取高光谱中对水稻白叶枯病敏感性高的前10个光谱波长，如图10b所示，从左到右，波长重要性得分逐渐降低，排序为1的波长(667.02 nm)重要性得分最高，为0.118 6，排序为2的波长(651.89 nm)重要性得分为0.117 9，依次递减。在保留所需要信息的同时还降低了数据维度，从而减少了计算量。由图10b可以看出，敏感性较高的光谱波段主要集中于530～700 nm之间，这和健康ROI的光谱曲线与病害ROI光谱曲线之间的差异存在较强相关性，这与ZHANG等[36]发现的水稻白叶枯病害敏感波段范围重合。

图10 基于PCA和RF提取SG平滑后光谱特征示意图

2.3 基于WOA的模型参数优化

将水稻病害叶片按照比例8∶2划分为训练集和测试集，采用WOA算法对多任务学习LSTM网络的隐含层神经元个数m和时间步长s进行寻优，可以得到最优的MTL-LSTM网络参数。图11为WOA参数寻优过程中平均损失值LAvg收敛曲线。由图11可知，WOA在迭代周期为76时收敛到LAvg最小值。此时，隐含层神经元个数m为10，时间步长s为4，WOA获取到MTL-LSTM网络的最优参数。

图11 基于WOA参数寻优的LAvg收敛曲线

2.4 基于时序光谱特征的模型预测性能分析

为了验证WOA优化MTL-LSTM多任务学习模型的性能，将典型的MTL-LSTM多任务学习模型与WOA优化的MTL-LSTM多任务学习模型进行性能比较。为了避免偶然性且客观地进行评价，采取5次10折交叉验证法，将5次独立重复训练仿真结果平均值作为最终参考依据。同时，为了验证通过PCA和RF提取光谱特征的有效性，比较了基于全光谱波长数据集和PCA及RF提取光谱特征数据集构建的模型的预测性能。

基于全光谱波长数据集(232个波长)构建的模型对水稻白叶枯病害发病率及潜伏期预测的性能如表2所示。由表2可以看出，对发病率和潜伏期的预测性能，基于全光谱波长数据集的WOA-MTL-LSTM模型的测试集决定系数R2分别为0.90和0.84，RMSE分别为0.38和2.50，RE分别为0.47%和1.34%；
比MTL-LSTM模型决定系数R2均上升0.05，RMSE分别下降0.06和0.05，RE分别下降0.36个百分点和0.34个百分点。

表2 基于全光谱构建的不同模型的预测性能

基于随机森林提取的前10个特征波长构建的MTL-LSTM和WOA-MTL-LSTM网络对水稻叶片白叶枯病发病率以及潜伏期的预测性能如表3所示。由表3可以看出，WOA-MTL-LSTM网络对两个任务的预测性能优于MTL-LSTM网络对两个任务的预测性能。WOA-MTL-LSTM网络对发病率和潜伏期的测试集决定系数R2分别为0.93和0.85，RMSE分别为0.34和2.12，RE分别为0.33%和1.21%。

对比表2和表3可以发现，基于RF提取的特征波长构建的模型的预测性能优于全光谱波长构建的模型的预测性能，前者的建模时间比后者减少约98%，决定系数最大提升0.04，验证了特征波长的有效性，表明随机森林算法可以有效地从高光谱数据中提取特征波长，降低高光谱数据维度，这与SPEISER等[26]的研究结果相符。发病率和潜伏期预测的R2为0.89和0.80，RMSE为0.35和2.35，RE为0.76%和1.53%，满足水稻病害预测的要求。

表3 基于前10个特征波长构建的不同模型的预测性能

基于PCA提取的前10个主成分对水稻叶片白叶枯病发病率以及潜伏期预测的性能如表4所示。由表4可知，基于时序高光谱前10个主成分构建的WOA-MTL-LSTM网络对白叶枯病发病率和潜伏期的预测性能最优，测试集决定系数R2分别为0.91和0.83，RMSE分别为0.37和2.61，RE分别为0.46%和1.33%，性能优于MTL-LSTM网络的预测性能。

表4 基于前10个主成分构建的不同模型的预测性能

比较表3和表4可以发现，基于随机森林提取的前10个特征波长构建的WOA-MTL-LSTM对两个任务的预测性能优于基于PCA提取的前 10个主成分构建的WOA-MTL-LSTM对两个任务的预测性能，且前者建模时间少于后者的建模时间。对发病率的预测性能，测试集的决定系数R2上升0.02，RMSE下降0.03，RE下降0.13个百分点。对潜伏期的预测性能，测试集的决定系数R2上升0.02，RMSE下降0.49，RE下降0.12个百分点。说明基于随机森林提取的前10个特征波长不仅保留了高光谱的光谱特性，而且可以完整地表征时序高光谱的信息。此外，WOA-MTL-LSTM网络比MTL-LSTM网络在预测水稻病害发病率和潜伏期时表现出更高的预测精度，说明WOA可以有效确定MTL-LSTM网络神经元个数和时间步长，更有效地提取时序高光谱的信息，这与YANG等[32]的研究相符合。

(1)RF能有效降低原始高光谱数据的维度，缩短建模时间。与使用全光谱波长构建的模型相比，利用RF提取的特征波长构建的模型可以缩短98%的训练时间；
与PCA提取的主成分相比，基于RF提取的特征波长构建的模型具有更优的预测性能和可解释性。实验结果表明，对水稻白叶枯病害敏感的波长主要集中在波段530～700 nm之间。

(2)基于时序特征波长构建的MTL-LSTM模型对发病率和潜伏期的预测均取得了良好结果，对发病率和潜伏期预测的R2为0.89和0.80，RMSE为0.35和2.35，RE为0.76%和1.53%，满足水稻病害预测的要求。

(3)利用WOA算法对MTL-LSTM模型进行优化，提升了MTL-LSTM的预测性能，并缩短了建模时间。基于前10个特征波长构建的WOA-MTL-LSTM模型对发病率和潜伏期预测测试集的R2分别为0.93和0.85，RMSE分别为0.34和2.12，RE分别为0.33%和1.21%。相较于优化前，WOA-MTL-LSTM网络对发病率和潜伏期预测的R2均提升0.05。实验表明WOA可以有效确定MTL-LSTM网络的最佳神经元个数以及最佳时间步长，进而提升模型的预测性能。

猜你喜欢 叶枯病时序波长 顾及多种弛豫模型的GNSS坐标时序分析软件GTSA导航定位学报(2022年5期)2022-10-13一种波长间隔可调谐的四波长光纤激光器杭州电子科技大学学报(自然科学版)(2022年3期)2022-06-08清明小猕猴智力画刊(2022年3期)2022-03-28杯中“日出”阅读（科学探秘）(2021年8期)2021-09-01多年生稻白叶枯病抗性评价中国稻米(2021年2期)2021-04-04水稻白叶枯病的发生及防治农民致富之友(2020年31期)2020-11-18基于不同建设时序的地铁互联互通方案分析铁道建筑技术(2020年11期)2020-05-22基于针孔阵列型的单次曝光双波长叠层成像*中国科学院大学学报(2019年1期)2019-01-21基于FPGA 的时序信号光纤传输系统电子制作(2017年13期)2017-12-15红掌帚梗柱孢叶枯病菌的鉴定江苏农业科学(2017年9期)2017-07-15

推荐访问:病害 时序 光谱