Preview

Вавиловский журнал генетики и селекции

Расширенный поиск

Определение количественного содержания хлорофиллов в листьях по спектрам отражения алгоритмом случайного леса

https://doi.org/10.18699/VJ21.008

Полный текст:

Аннотация

Определение количественного содержания хлорофиллов в листьях растений по их спектрам отражения – важная задача как при мониторинге состояния естественных и промышленных фитоценозов, так и в лабораторных исследованиях нормальных и патологических процессов в ходе роста растения. Применение для этих целей методов машинного обучения является перспективным, поскольку они позволяют «автоматически» строить решающие правила для получения результата (модель предсказания), а исследователю (для повышения качества предсказания) остаются модификация предикторов и выбор множества параметров метода. В статье приведены результаты построения решающих правил алгоритмом случайного леса (random forest) для предсказания суммарной концентрации хлорофиллов a и b по спектрам отражения листьев растений в видимом и инфракрасном (ИК) диапазонах длин волн. Набор данных взят из открытых источников. Они включали 276 образцов листьев 39 видов растений. При этом 181 образец получен при анализе листьев белого клена (Acer pseudoplatanus L.). Спектр отражения представлен в диапазоне 400–2500 нм с шагом 1 нм. Обучение происходило на 85 % образцов A. pseudoplatanus L., оценка качества предсказания – на оставшихся 15 % образцов этого вида (валидационная выборка). Построено шесть моделей на основе алгоритма случайного леса с разными предикторами. Подбор управляющих параметров осуществляли при помощи перекрестной проверки на пяти разбиениях. Предикторами первой модели выступали имеющиеся значения по спектру отражения без какой-либо обработки с нашей стороны. После проведения анализа этой модели были выбраны диапазоны длин волн предикторов для оставшихся пяти моделей. Лучшие предсказания имеют модели с разностной производной спектра отражения в видимом диапазоне длин волн. Модель с первой производной спектра отражения в диапазоне 400–800 нм с шагом 1 нм брали для сравнения с моделью других авторов. Этой моделью выступает функциональная зависимость с двумя неизвестными параметрами, подбираемыми методом наименьших квадратов, и двумя коэффициентами отражения, выбор которых описывается в настоящей статье. Сравнение результатов предсказаний модели с применением алгоритма случайного леса проводили как на валидационной выборке клена, так и на выборке из других видов растений. В первом случае предсказания метода на основе случайного леса имели меньшую оценку среднеквадратического отклонения. Во втором случае предсказания этого метода были с большой ошибкой при малых значениях хлорофилла, в то время как сторонний метод имел приемлемые предсказания. В статье приводятся анализ результатов и рекомендации по применению этого метода машинного обучения для оценки количественного содержания хлорофиллов в листьях.

Об авторах

Е. А. Урбанович
Новосибирский государственный технический университет
Россия
Новосибирск


Д. А. Афонников
Федеральный исследовательский центр Институт цитологии и генетики Сибирского отделения Российской академии наук; Новосибирский национальный исследовательский государственный университет
Россия
Новосибирск


С. В. Николаев
Федеральный исследовательский центр Институт цитологии и генетики Сибирского отделения Российской академии наук; Московская государственная академия ветеринарной медицины и биотехнологии – МВА им. К.И. Скрябина
Россия
Новосибирск
Москва


Список литературы

1. Alt V.V., Gurova T.A., Elkin O.V., Klimenko D.N., Maximov L.V., Pestunov I.A., Dubrovskaya O.A., Genaev M.A., Erst T.V., Genaev K.A., Komyshev E.G., Khlestkin V.K., Afonnikov D.A. The use of Specim IQ, a hyperspectral camera, for plant analysis. Vavilovskii Zhurnal Genetiki i Selektsii = Vavilov Journal of Genetics and Breeding. 2020;24(3):259-266. DOI 10.18699/VJ19.587. (in Russian)

2. Breiman L. Bagging predictors. Mach. Learn. 1996;24:123-140. DOI 10.1023/A:1018054314350.

3. Breiman L. Random forests. Mach. Learn. 2001;45(1):5-32. DOI 10.1023/A:1010933404324.

4. Croft H., Chen J. Leaf pigment content. In: Liang S. (Ed.). Comprehensive Remote Sensing. Oxford, UK: Elsevier, 2018;117-142. DOI 10.1016/B978-0-12-409548-9.10547-0.

5. Curran P.J., Dungan J.L., Gholz H.L. Exploring the relationship between reflectance red edge and chlorophyll content in slash pine. Tree Physiol. 1990;7:33-48. DOI 10.1093/treephys/7.1-2-3-4.33.

6. Doktor D., Lausch A., Spengler D., Thurner M. Extraction of plant physiological status from hyperspectral signatures using machine learning methods. Remote Sens. 2014;6(12):12247-12274. DOI 10.3390/rs61212247.

7. Du H., Fuh R.-C. A., Li J., Corkan L.A., Lindsey J.S. PhotochemCAD: A computer-aided design and research tool in photochemistry. Photochem. Photobiol. 1998;68:141-142. DOI 10.1111/j.1751-1097.1998.tb02480.x.

8. Feng X., Zhan Y., Wang Q., Yang X., Yu C., Wang H., He Y. Hyperspectral imaging combined with machine learning as a tool to obtain high-throughput plant salt-stress phenotyping. Plant J. 2020; 101(6):1448-1461. DOI 10.1111/tpj.14597.

9. Féret J.-B., François C., Asner G.P., Gitelson A.A., Martin R.E., Bidel L.P.R., Ustin S.L., le Maire G., Jacquemoud S. PROSPECT-4 and 5: advances in the leaf optical properties model separating photosynthetic pigments. Remote Sens. Environ. 2008;112:3030-3043. DOI 10.1016/j.rse.2008.02.012.

10. Gitelson A.A., Gritz Y., Merzlyak M.N. Relationships between leaf chlorophyll content and spectral reflectance and algorithms for nondestructive chlorophyll assessment in higher plant leaves. J. Plant Physiol. 2003;160(3):271-282. DOI 10.1078/0176-1617-00887.

11. Gitelson A.A., Merzlyak M.N., Chivkunova O.B. Optical properties and nondestructive estimation of anthocyanin content in plant leaves. Photochem. Photobiol. 2001;74(1):38-45. DOI 10.1562/0031-8655(2001)074<0038:OPANEO>2.0.CO;2.

12. Golhani K., Balasundram S.K., Vadamalai G., Pradhan B. A review of neural networks in plant disease detection using hyperspectral data. Inf. Process. Agric. 2018;5:354-371. DOI 10.1016/j.inpa.2018.05.002.

13. Hastie T., Tibshirani R., Friedman J. The Elements of Statistical Learning: Data Mining, Inference, and Prediction. New York: SpringerVerlag, 2009. DOI 10.1007/978-0-387-84858-7.

14. Ho T.K. The random subspace method for constructing decision forests. IEEE Trans. Pattern Anal. Mach. Intell. 1998;20(8):832-844. DOI 10.1109/34.709601.

15. Horler D.N.H., Dockray M., Barber J. The red edge of plant leaf reflectance. Int. J. Remote Sens. 1983;4:273-288. DOI 10.1080/01431168308948546.

16. Jacquemound S., Bidel L., Francois C., Pavan G. ANGERS Leaf Optical Properties Database. 2003. Data set. Available online [ecosis.org] from the Ecological Spectral Information System (EcoSIS), 2003.

17. Keskitalo J., Bergquist G., Gardeström P., Jansson S. A cellular timetable of autumn senescence. Plant Physiol. 2005;139:1635-1648. DOI 10.1104/pp.105.066845.

18. Lichtenthaler H.K. Chlorophylls and carotenoids: Pigments of photosynthetic biomembranes. Methods Enzymol. 1987;148:350-382. DOI 10.1016/0076-6879(87)48036-1.

19. Louppe G., Wehenkel L., Sutera A., Geurts P. Understanding variable importances in forests of randomized trees. Adv. Neural Inf. Process. Syst. 2013;26:431-439.

20. Merzlyak M.N., Gitelson A.A., Chivkunova O.B., Solovchenko A.E., Pogosyan S.I. Application of reflectance spectroscopy for analysis of higher plant pigments. Rus. J. Plant Physiol. 2003;50(5):704-710. DOI 10.1023/A:1025608728405.

21. Młodzińska E. Survey of plant pigments: molecular and environmental determinants of plant colors. Acta Biol. Crac. Ser. Bot. 2009;51(1): 7-16.

22. Nikolaev S.V., Urbanovich E.A., Shayapov V.R., Orlova E.A., Afonnikov D.A. A method of evaluating the absorption spectrum of wheat leaf by the spectrum of diffuse reflection. Sibirskii Vestnik Sel’skokhozyaistvennoi Nauki = Siberian Herald of Agricultural Science. 2018;48(5):68-76. DOI 10.26898/0370-8799-2018-5-9. (in Russian)

23. Porra R.J., Thompson W.A., Kriedemann P.E. Determination of accurate extinction coefficients and simultaneous equations for assaying chlorophylls a and b extracted with four different solvents: Verification of the concentration of chlorophyll standards by atomic absorption spectroscopy. BBA – Bioenergetics. 1989;975:384-394. DOI 10.1016/S0005-2728(89)80347-0.

24. Suo X.-M., Jang Y.-T., Yang M., Li S.-K., Wang K.-R., Wang C.-T. Artificial neural network to predict leaf population chlorophyll content from cotton plant images. Agric. Sci. China. 2010;9(1):38-45.

25. Wellburn A.R. The spectral determination of chlorophylls a and b, as well as total carotenoids, using various solvents with spectrophotometers of different resolution. J. Plant Physiol. 1994;144:307-313. DOI 10.1016/S0176-1617(11)81192-2.


Просмотров: 66


Creative Commons License
Контент доступен под лицензией Creative Commons Attribution 4.0 License.


ISSN 2500-0462 (Print)
ISSN 2500-3259 (Online)