Estimação do Conteúdo Hídrico Foliar de uma Árvore Frutífera por Espectroscopia Vis-NIR in Situ Usando Múltiplos Métodos de Aprendizado de Máquina no Sul do Xinjiang, China

A escassez de água é um dos fatores ambientais mais significativos que inibe a fotossíntese e diminui o crescimento e a produtividade das plantas. Utilizando o modelo de rede neural convolucional (CNN) de aprendizado profundo, este estudo avalia a capacidade da espectroscopia de estimar o conteúdo hídrico foliar (LWC) em árvores frutíferas. Durante o meio-dia, dados espectrais foram adquiridos de amostras foliares obtidas de três variedades distintas de árvores frutíferas, abrangendo a faixa espectral que vai de 350 a 2500 nm. Em seguida, para o pré-processamento espectral, os algoritmos de derivada de ordem fracionária (FOD) e transformada wavelet contínua (CWT) foram usados para reduzir os efeitos de dispersão e ruído nos espectros coletados. Finalmente, o modelo CNN foi desenvolvido para prever o LWC em diferentes árvores frutíferas. Os resultados mostraram que: (1) Os espectros tratados com CWT e FOD puderam melhorar a capacidade de expressão do espectro ao melhorar a correlação entre os espectros e o LWC. O nível de correlação do tratamento FOD foi superior ao do tratamento CWT. (2) O modelo CNN foi desenvolvido usando FOD 1.2, e CWT 3 apresentou um desempenho superior a outros métodos tradicionais de aprendizado de máquina, como RFR, SVR e PLSR. (3) A validação adicional usando amostras complementares demonstrou que o modelo CNN tinha boa estabilidade e capacidade de previsão quantitativa para o LWC de árvores frutíferas (R2 > 0.95, erro quadrático médio (RMSE) 4.26). Os resultados podem fornecer uma maneira eficaz de prever o LWC de frutas usando um modelo baseado em CNN.