基于近红外光谱的林内枯叶跨林分间模型迁移的含水率检测方法

Moisture Content Detection Method in Forest Floor Litter Model Transfer Across Stands Using Near-Infrared Spectroscopy

摘要

森林地表枯叶含水率是森林火灾发生的重要因素，其精准检测对森林火灾的预防尤为重要。近红外光谱技术可以根据光谱数据直接反演水分含量，从而实现枯叶含水率的快速检测，但不同可燃物光谱光照强度数据的特征波段不尽相同，需要对不同树种的枯叶分别建立检测模型以匹配不同的光照强度与含水率反演关系，而对不同林分的光谱光照强度数据进行采集与标注也需要较高的时间成本，限制了光谱法的实际应用。为此，提出基于双向长短期记忆神经网络（Bi-LSTM）的森林地表枯叶含水率检测迁移学习方法，将训练好的模型参数迁移到新的模型中，避免重新训练模型，从而提高模型的学习效率、减小训练模型所需的数据量。结果表明，与经典反演方法长短期记忆网络（LSTM）相比，Bi-LSTM具有更好的检测性能，蒙古栎和落叶松的平均绝对误差（mean absolute error,MAE）分别减小了0.62%和0.87%，均方误差（mean square error,MSE）分别减小了0.28%和0.70%。且基于Bi-LSTM改进的迁移学习方法，大大降低了对标记近红外光谱数据的依赖。当目标域样本数为300个时，源域样本数为1 000个时，检测模型的MAE、MSE、决定系数（coefficient of determi nation,R²）分别为3.27%、1.10%、0.918。MAE和MSE比没有源域训练的检测模型分别缩小了2.36%和1.02%,R²提升了0.114。对比迁移前后说明迁移学习为降低光谱枯叶含水率建模时间成本、提高光谱检测实用性提供新的手段。

关键词

枯叶凋落物 / 含水率 / 迁移学习 / 深度学习 / 近红外光谱

Key words

Litter fall / moisture content / transfer learning / deep learning / near-infrared spectrum

0 引言

林内可燃物作为森林火灾产生的必要条件之一^[1]，其中森林地表枯叶含水率（dead fuel forest moisture content，DFFMC）作为一级引火要素是引起森林火灾的重要因素^[2]。其含水率的大小与森林火灾发生的可能性、火灾强度以及蔓延速度具有直接关系，因此检测森林地表枯叶的含水率对于预测森林火灾风险和评估火险等级至关重要^[3-4]。

目前DFFMC的研究方法主要有气象要素回归法、平衡含水率法以及遥感光谱法^[5]，其中，气象要素回归法测量方便且建模简单，在各林区内应用广泛，但这种方法并未考虑到可燃物本身的种类差异，所以该方法测得的枯叶含水率在很大程度上受到可燃物自身特性和研究区域限制，并未将枯叶含水率按其自身种类细化^[6]。平衡含水率法虽然在小规模范围内较为精确，但在扩展到更大范围时，其准确性可能会有所下降^[7-8]。因此上述两种主流方法在一定程度上都会受到测量范围影响，当测量范围较大时，测量数值准确度不高。光谱法可以根据光谱数据直接反映水分含量从而实现枯叶含水率的快速检测，而且测量数值准，测量速度快，使用简便快捷^[9-10]。

在以往的对近红外光谱检测枯叶含水率研究中，研究人员多采用线性回归算法对光谱数据进行含水率反演^[11]。但目前没有研究表明枯叶含水率与叶片光谱的特征波段呈线性关系^[12]。随着机器学习的发展，神经网络越来越多被用于枯叶含水率的检测研究中^[13]，相比线性回归算法神经网络引入了对非线性关系的考虑。Peng等^[14]利用近红外光谱对4种不同林分的死可燃物进行含水率预测，采用长短期记忆网络（LSTM）和粒子群优化算法建立预测模型，提高了死可燃物含水率的预测精度。但由于森林地表枯叶种类繁多，每种枯叶间的理化性质不同，在近红外光谱照射时，每种枯叶对水的敏感波段除了1 450 nm也不尽相同^[15]，而含水率检测模型的关键在于含水率与枯叶光谱的特征波段建立映射关系。所以在以往枯叶含水率检测研究中，不同树种枯叶通常需要分别建立检测模型，导致大量已有的标记数据尚未得到有效利用^[16]。针对上述问题，最简便的途径是依据其他林地枯叶样本，重新构建一个校正模型。但重新采集枯叶样本会增加成本、降低效率，还会降低已有枯叶样本数据的利用率，使光谱法的实际应用受到很大限制。

迁移学习（transfer learning）是一种机器学习方法，其核心思想在于利用在一个或多个源任务（source tasks）上学到的知识来帮助目标任务（target task）的学习过程^[17]，尤其适用于目标任务数据稀缺或标注成本高昂的场景。迁移学习打破了传统机器学习中“每个任务从头开始学习”的局限，通过知识的迁移和再利用，显著提高了学习效率和学习效果。迁移指将一个在丰富训练数据（源域）上训练的模型迁移到另一个具有较少或无注释训练数据任务的过程^[18]。当训练的标注样本不足时，可以用已训练好的模型将少量样本迁移至新的领域（目标域），在获得检测能力的情况下，较大程度地减少对类似分布样本的标注数据的依赖^[19]。迁移学习方法在图像、语音和自然语言处理领域已被广泛应用^[20]。Li等^[21]分别采用降维和迁移学习方法，提出了两种具有较强泛化能力的校正迁移任务方法，分别是选择性剪枝与精细化策略（selective pruning and refinement strategy，SPRS）方法和基于标准正态变量变换（standard normal variate，SNV）的Aug-TrAdaBoost.R2（augmented transfer adaptive bossing for regression）方法。在基于近红外光（near infrared，NIR）的茶叶光谱数据集中实现了不同种类茶叶之间以及同种类茶叶不同批次之间的模型迁移。Peng等^[22]针对小样本场景下的神经网络模型训练问题，通过对先验知识的应用来满足模型迁移的需求。

迁移学习可减少训练样本和测试样本的分布差异，有效缓解具有相似分布的少量样本在建模时产生的检测精度低、模型失效问题。鉴于原有的充足的样本数据和模型良好的检测性能，本研究为有效利用原有枯叶样本，将原有枯叶含水率检测模型迁移用于其他林分枯叶含水率的检测中，在仅使用少量数据的条件下实现对目标可燃物光谱-含水率反演模型的准确建模^[23]。本研究将采用深度迁移学习方法，建立基于双向长短期记忆神经网络（Bi-LSTM）的迁移学习森林地表枯叶含水率检测模型，针对不同林分枯叶需要重新建立含水率检测模型的问题，以降低深度学习模型对不同林分枯叶的标注数据的依赖性。

为了提高检测效率，针对现有的模型需要大量数据训练的问题，本研究在东北林业大学帽儿山实验林场，选取蒙古栎（阔叶），落叶松（针叶）两种有代表性的树种进行研究，通过近红外光谱仪采集枯叶的光谱光照强度数据。采用迁移学习方法，将蒙古栎的光谱光照强度和含水率作为源域，落叶松的光照强度和含水率作为目标域，将带有少量标注的目标域数据输入到具有微调机能检测模型之中，并对比迁移前后模型性能的提升情况。证明相较传统方法，基于迁移学习的方法可以使用少量带有数据标签的样本实现更高精度的含水率检测，为降低光谱枯叶含水率建模时间成本、提高光谱检测实用性提供新的思路。

1 材料与方法

1.1 研究区域概况

本研究实验场地为东北林业大学帽儿山实验林场。林场是中国东北东部山区的天然次生林，位于黑龙江省尚志市（45°20′~45°25′N，127°30′~127°34′E）。帽儿山平均海拔300 m，以帽儿山为主峰，海拔805 m，属温带大陆性气候，年平均气温2.8 ℃，年日照2 471.3 h，无霜期120~140 d，年降水量723.8 mm。降雨量以6—8月为主，年蒸发量1 093.9 mm，年平均相对湿度70%。主要树种有蒙古栎（Quercus mongolica）、白桦（Betula platyphylla）、落叶松（Larix gmelinii）、满洲胡桃（Juglans mandshurica）、满洲白蜡（Fraxinus mandshurica）、白杨（Populus davidiana）、红松（Pinus koraiensis）和蒙古苏格兰松（Pinus sylvestris var. mongolica）。实验区域相关树种的基本信息见表1。

1.2 数据采集

1.2.1 枯叶含水率测定

根据该基地现状，本研究主要针对混交林进行研究，选取蒙古栎、落叶松两种枯叶，在秋季防火期结束后，每种枯叶分别随机选取1 000和800个形状完好、没有破损的叶片，用保温保湿密封袋包装好带回实验室。为防止环境温度对含水率产生影响，在进行不同批次试验时对其他叶片进行低温保存。

本研究采用干湿称重法获取叶片含水率的标准值。在测量前，将电子秤置于水平且无风位置，并调整气泡至圆圈中央位置。测量时，等到读数稳定且连续3次称重，当读数不再变化时，得到枯叶湿质量（W ₁）。利用精密鼓风干燥箱对样本进行烘干，其控温范围10~250 ℃，控温精度1 ℃。在使用前，通过控制面板设置烘干温度150 ℃。使用时，等到烘箱内稳定至所设置的温度后再将枯叶样本放入。待烘干后连续3次称重电子秤读数不再变化，记录干质量（W ₂）。可燃物含水率计算公式为

M = \frac{W_{\mathrm{1}}-W_{\mathrm{2}}}{W_{\mathrm{2}}} \times \mathrm{100} \mathrm{\%}。（1）

式中：M为不同树种不同种类样品观测时的可燃物含水率，%；W ₁为可燃物的湿质量，g；W ₂为可燃物的干质量，g。

1.2.2 枯叶近红外光谱数据采集

为获取枯叶的光谱信息，本研究采用Flame-NIR+（OceanInsight，美国）近红外光谱系统，如图1所示，该系统主要包括光谱仪、近红外光源、光纤和反射探头支架等，可以采集到含水率的900~1 700 nm的光谱数据，其光学分辨率为10 nm，信噪比为6 000∶1，最大扫描频率为400 Hz。

光源和光谱仪预热30 min，光源光照稳定后，光源与样本距离保持一致（1 cm），对枯叶样本采集正反面光谱各2次，取平均作为叶片光谱。试验环境温度23 ℃，相对湿度28%，采集波长范围950~1 700 nm，光谱平均次数50次。首先将采集到的枯叶（落叶松、蒙古栎）做好标记放于培养皿中。用反射探头支架固定好光纤探头，保证每次光源照射时与枯叶距离一定。待Oceanview软件上光强示数稳定后，保存光谱数据，用于后续含水率检测。在此基础上完成了森林地表枯叶的近红外光谱检测以及采集了各个林分枯叶的光谱数据，如图2所示。

1.3 光谱数据预处理与数据集划分

在收集原始光谱数据时，除了枯叶的固有特征外，还可能包含一些干扰信息，如散射、噪声和基线漂移，这些都可能影响含水率的反演精度。因此，对原始光谱数据进行预处理是必要的步骤^[24]。本研究采用了标准正态变量变换（standard normal variate，SNV）和S-G（savitzky-golay）平滑两种预处理方法对光谱进行预处理，SNV消除光谱散射影响造成的误差，去除无关变量，降低光谱维度空间^[25]；S-G平滑算法是一种利用滑动窗口进行卷积运算的方法，可以有效降低光谱中的噪声和干扰信号，同时保留光谱的光滑特征^[26]。处理后的图像如图3和图4所示。

本研究通过近红外光谱数据设备收集了两种枯 叶的光谱信息。选取形状完好无损的两种枯叶分别 1 000组和800组，共收集到近红外光反射率的数据 1 800组。所建立的数据集可以分为训练集、测试集和验证集。在光谱源域数据集中，以80%作为训练数据，其余20%作为检测数据，以同一叶片编号对应的含水量数据的80%作为训练数据，其余20%作为验证数据。为保证训练集和测试集中的样本是随机的，从而减小偏差，采用Shuffle（对数据集中的数据进行随机重新排序）随机函数在数据分割之前对数据进行打乱。根据训练集中的光谱反射率训练数据和含水量数据生成训练模型，将光谱反射率测量数据输入训练模型，获得含水量检测结果。

1.4 Bi-LSTM网络架构

本研究选取Bi-LSTM作为枯叶含水率检测迁移模型研究的结构基础，Bi-LSTM是由前向长短期记忆网络（LSTM）和后向LSTM组合成的神经网络，将前向和反向神经网络的隐藏层状态向量进行拼接^[27]。在这种机制下，Bi-LSTM神经网络可以根据枯叶近红外光谱捕捉特征波段间的双向信息，提高了模型的准确性和效率。为了验证Bi-LSTM用来作为枯叶含水率迁移模型结构基础的可行性，选取枯叶含水率检测模型中经典算法LSTM作为对比，本研究中使用Bi-LSTM和LSTM两种建模算法分别对两种枯叶含水率进行反演。

由图5可以看到，BiLSTM网络中正向LSTM结构计算过程与单个LSTM计算过程相似，将正向隐含层状态和反向隐含层状态h_t 组合得到BiLSTM网络的隐含层状态，其计算公式为

{\vec{h}}_t = \mathrm{L} \mathrm{S} \mathrm{T} \mathrm{M} ( h_{t-\mathrm{1}} , x_t )。（1）

{\stackrel{⃖}{h}}_t = \mathrm{L} \mathrm{S} \mathrm{T} \mathrm{M} ( h_{t-\mathrm{1}} , x_t )。（2）

h_t = \alpha {\vec{h}}_t + \beta {\stackrel{⃖}{h}}_t。（3）

式中： x_t \mathrm{、} {\vec{h}}_t \mathrm{、} {\stackrel{⃖}{h}}_t分别为t时刻的输入数据、正向LSTM隐含层的输出和反向LSTM隐含层的输出； \alpha \mathrm{、} \beta均为常系数，分别表示 {\vec{h}}_t \mathrm{、} {\stackrel{⃖}{h}}_t的权重。

1.5 基于Bi-LSTM的模型迁移方法研究

为了让含水率的检测模型可以实现迁移，进而解决现有的模型需要大量数据标注训练的问题，基于Bi-LSTM的预训练网络方法的核心理念是使用在源域数据集上训练完成的网络作为一个通用模型。如果源域数据集规模庞大且具有代表性，该网络所掌握的空间层次结构便能被迁移至新的、相似领域的小规模数据集上^[24]。基于以上论述，本研究采用基于Bi-LSTM和可训练模块并行融合的神经网络结构，用于建立蒙古栎枯叶近红外光谱的源域检测模型。图6为加入带有微调机制的Bi-LSTM网络框架的整体设计：将源域蒙古栎枯叶近红外光谱数据作为网络输入，全连接层FC（Fullyconnected）与Bi-LSTM以并联的方式组合，用于提取具有长距离关联的近红外光谱特征，为了整合映射光谱特征信息，最后输出层加入回归器FCs。

主干网络由3个Bi-LSTM与1个FCs串联而成，如图7所示。为探究加入FC后对模型的检测精度的影响，将FC分别与3个串联的Bi-LSTM相并联，此时会产生3种组合方式，分别记为Bi-LSTM 1、Bi-LSTM 2、Bi-LSTM 3，如图8所示。利用源域校正集对所有网络训练，验证集和检测集测试其有效性，将检测得到的结果中平均绝对误差（mean absolute error，MAE）最小的网络模型作为最优源域神经网络。

对于蒙古栎枯叶含水率检测网络的超参数设置，其隐藏层参数的设定，用于执行特征提取的Bi-LSTM 1—Bi-LSTM 3以及FC隐藏层数保持一致，均为128。回归器的FCs隐藏层数为1。最大Epoch次数，批量大小，全局初始学习率分别设置为150、32、0.001。为了保证源域模型和迁移模型有较强的鲁棒性，训练过程中使用均方误差（mean square error，MSE）作为损失函数，利用欧几里得范数（L2范数）归一化，使损失函数值最小，防止神经网络过拟合。采用自适应动量估计（adaptive moment estimation，Adam）优化器求出训练过程中损失函数值的最小值。此外，设置Dropout机制防止过拟合，如果Dropout率设置得过高，可能会导致模型欠拟合，因为太多的神经元被随机丢弃，从而减少了模型的学习能力。同时，较低的Dropout率意味着更多的神经元参与训练，这有助于模型更快地学习数据中的复杂模式，提高训练效率，所以在每个Epoch的训练中，去掉10%神经元，以防止训练过拟合。

为达到小样本高精度的预测任务，本研究采用基于Fine-tune（微调）的迁移学习方法，如图9所示，在上述建立好的3种改进神经网络选出预测效果最好的作为预训练网络，将所有预训练好的FCs参数权值被初始化清零，且将预训练神经网络中的Bi-LSTM和函数层（如Batchnorm Layers、layernorm Layers等）的参数冻结，然后对FCs进行解冻，初始学习率设置为0.001，对目标域数据进行重新训练。通过将预训练的功能逐步适应新数据，可以实现对带有少量样本标签数据的检测性能提升。

1.6 模型评价

在地表枯叶含水率研究领域，模型效果的评价指标主要有3个：分别是MSE、MAE和决定系数（coefficient of determination，R ²）。MSE是一种常用的衡量模型预测值与实际观测值之间差异的指标，用于评估模型在给定数据上的拟合程度。MSE（式中记为M _SE）是通过计算预测值与实际观测值之间差异的平方的平均值得到。

M_{\mathrm{S}\mathrm{E}} = \frac{\mathrm{1}}{m} {\left(y_i-{\widehat{y}}_i\right)}^{\mathrm{2}}。（4）

式中：m为样本总数； {\widehat{y}}^{(i)}为第i个样本的检测值；y（i）为第i个样本的真实值。

R² 衡量的是变量间线性关系的强度，表示在x和y的总变异中，通过线性关系可解释的比例。R² 越高，意味着自变量对因变量的预测准确性越高，模型的拟合度越好。

R^{\mathrm{2}} = \mathrm{1} - \frac{S_{\mathrm{S}\mathrm{E}}}{S_{\mathrm{S}\mathrm{T}}}。（5）

式中：S _ST为总离差平方和；S _SE为残差平方和。决定系数R ²越大，说明自变量对因变量的解释程度越高，拟合效果越好。

MAE的值越小，表示模型的检测准确性越高。MAE（式中记为M _AE）是一个很直观地衡量误差的方式，因为其平等地考虑了所有的单个检测误差的大小，而不考虑误差的方向。

M_{\mathrm{A}\mathrm{E}} = \frac{\mathrm{1}}{n} {\displaystyle \sum _{i=\mathrm{1}}^n} \left|y_i-{\widehat{y}}_{\mathrm{i}}\right|。（6）

式中：n是观测点的数量；y_i 是第i个观测点的真实值； {\widehat{y}}_i是第i个观测点的检测值。

2 结果与分析

2.1 森林地表枯叶含水率预训练网络设计

基于SNV和S-G平滑两种预处理方法，采用全波段光谱数据，通过偏最小二乘回归（PLSR）和LSTM 两种算法构建模型，对处理后的光谱数据进行分析，预测结果详见表2。

结果表明在LSTM建立的全波段模型中，经SNV处理后的LSTM模型预测效果最好，MAE、MSE、R ²分别为3.60%，3.61%和93.1%。对比S-G-LSTM模型，MAE和MSE分别降低了0.18%和0.20%，R ²提高了1.1%。在PLSR建立的预测模型当中，经SNV处理的模型的MAE、MSE、R ²分别为3.73%，3.84%和91.7%，对比S-G-PLSR模型，MAE和MSE分别降低了0.24%和0.39%，R ²提高了3.5%。由此可以说明，经过SNV处理，光谱数据的预测性能得到显著提升，散射噪声和基线漂移被有效减少，使得光谱反射特性的对比更加鲜明，且光谱数据的分布更加集中。因此选择SNV作为预处理方法结合预测模型进行后续研究。

本研究采用随机选取的方式，在源域中选取了训练集800个，验证集和测试集均为200个。在目标域中，选取了训练集640个，验证集和测试集分别为160个。重复上述建模过程3次，最后取得的两种枯叶的损失曲线以及预测值和真实值比较如图10和图11所示。

主干网络与改进网络的性能评价指标见表3，其中主干网络Bi-LSTM的检测集MAE值为3.04%，加入FCs与之融合后，3组改进网络的MAE均有不同程度的减小，结果证明改进结构提高了含水率检测的精度。此外，在3种改进结构中可以看出Bi-LSTM 1模型的检测效果最好，MAE为2.18%，MSE值为2.25%，R ²值为93.1%，相比Bi-LSTM 2和Bi-LSTM 3具有更高的检测性能，模型鲁棒性更强。所以将第一种改进Bi-LSTM网络作为源域枯叶含水率的预训练网络，改进后的微调机制也为后续模型迁移试验研究提供了结构基础。

2.2 近红外光谱检测模型迁移效果分析

为了验证迁移学习的有效性，基于上一小节建立的源域含水率检测的Bi-LSTM 1网络，冻结其网络参数，在不加入可训练模块时对目标域落叶松枯叶150个样本的检测集所得的检测值与真实值之间的数据分布如图12所示。由图12可知，目标域检测集在源域Bi-LSTM 1模型上的MAE值为10.5%，R ²为0.712。结果表明，已建立的源域含水率检测网络不可以直接被用于目标域样本的检测，这与不同分布的样本近红外光谱间的差异有关，尽管通过预处理消除了光谱的散射、噪声和基线漂移等影响，但数模不匹配的原因之一是不同样本的光谱特征波段差异导致目标域光谱在Bi-LSTM 1模型上的特征表达存在差异。通过深度学习算法构建，不同分布的样本与已建模型的不适配问题不可消除，所以模型迁移不可避免。

图13~15为源域数据量为1 000、目标域数据分别为75、150、300时试验结果。从源域中分别选取500、800、1 000产生3种预训练网络，在进行网络微调时，目标域数据集中分别选取了75、150、300个样本。试验数据详见表4，其中，源域数据集数目为0表示直接使用目标域数据集进行建模，即无迁移的情况下不同样本数量的预测性能指标。

由表4中可知，当目标域样本量与图12中同样为150个时，加入微调机制后，当源域数量分别为500、800、1 000时模型的MAE分别从10.5%减小到3.86%、3.77%、3.57%。这个结果说明了微调方案的有效性。由于预训练模型已在大规模数据集上进行了训练，所以其通常会具备良好的特征提取能力，从而为微调任务提供更好的初始特征。当源域数据一定时，随着目标域数据的增加，检测模型的R ²逐渐平稳增加，MSE总体呈缓慢下降趋势，迁移的效果逐渐增强，且在目标域相同情况下，源域数量不为0时要比为0的R ²均有明显提升，MSE和MAE均为下降。可以看到随着目标域样本数量的增加，MSE和MAE普遍减少，而R²增加，这表明模型的性能在提高。这可能是因为更多的目标域数据有助于模型更好地学习目标域的特征。综上所述基于Bi-LSTM 1的模型迁移可以提升少量数据样本的检测精度，达到“小样本，高精度”的检测效果。

3 结论

建立不同树种枯叶的光谱-含水率反演模型需要大量数据标注，限制了光谱技术在枯叶含水率检测领域的应用。本研究提出了一种基于Bi-LSTM的枯叶含水率检测光谱反演方法。在检测性能方面，与LSTM相比，所采用的Bi-LSTM 1模型的得出结果的MAE缩小了1.56%，MSE减小了1.34%，R ²提升了0.046。在迁移性能方面，与未加入迁移的Bi-LSTM相比，在源域样本个数为1 000、目标域样本个数为300时，迁移学习方法MAE缩小了2.36%，MSE减小了2.02%，R ²提升了0.114，证明了迁移学习可以用更少的训练数据实现更高的检测准确率，大大降低了对标记近红外光谱数据的依赖。证明了所提出的迁移学习方法与传统方法相比，在应对少量样本输入时具有更高的含水率反演准确度，提高了应用光谱方法进行森林细小死可燃物含水率反演的准确性和模型外推性，为光谱检测枯叶含水率的实用性提供了一种新思路。

参考文献

[1] 梁盛.亚热带5种典型森林类型地表死可燃物负荷量及燃烧能量释放量[D].长沙：中南林业科技大学，2024.

[2] LIANG S.Surface dead fuel loading and combustion energy release of five typical subtropical forest types[D].Changsha：Central South University of Forestry & Technology，2024.

[3] 徐伟恒，吴超，杨磊，滇东北地区华山松与云南松的地表凋落物载量及火强度对比研究[J].西南林业大学学报（自然科学），2019，39（5）：151-156.

[4] XU W H， WU C， YANG L，et al.Comparative study on surface litter load and fire intensity of Pinus armandii and Pinus yunnanensis in Northeastern Yunnan Province[J].Journal of Southwest Forestry University（Natural Sciences），2019，39（5）：151-156.

[5] 韩冰洁，叶江霞.植被冠层可燃物含水率评估方法研究进展[J].世界林业研究，2024，37（4）：46-52.

[6] HAN B J， YE J X.Research progress in the evaluation of fuel moisture content in vegetation canopy[J].World Forestry Research，2024，37（4）：46-52.

[7] 谢字希，胡海清，杨曦光，基于实测光谱的大兴安岭地区典型森林枯落物含水率估测模型[J].生态学杂志，2017，36（11）：3321-3328.

[8] XIE Z X， HU H Q， YANG X G，et al.Estimating model of typical forest litter moisture content based on the field spectrum in Daxing'anling of China[J].Chinese Journal of Ecology，2017，36（11）：3321-3328.

[9] 孙龙，刘祺，胡同欣.森林地表死可燃物含水率预测模型研究进展[J].林业科学，2021，57（4）：142-152.

[10] SUN L， LIU Q， HU T X.Advances in research on prediction model of moisture content of surface dead fuel in forests[J].Scientia Silvae Sinicae，2021，57（4）：142-152.

[11] 胡海清，罗斯生，罗碧珍，森林可燃物含水率及其预测模型研究进展[J].世界林业研究，2017，30（3）：64-69.

[12] HU H Q， LUO S S， LUO B Z，et al.Forest fuel moisture content and its prediction model[J].World Forestry Research，2017，30（3）：64-69.

[13] 王婕.安宁地区主要树种死可燃物含水率及火险等级研究[D].北京：北京林业大学，2018.

[14] WANG J.Research on moisture content of dead forest fuel and fire danger rating of maior tree secies in Annin area[D].Beijing：Beijing Forestry University，2018.

[15] 张运林，田玲玲，向敏，室内模拟空气温湿度对蒙古栎林凋落物床层平衡含水率和时滞的影响[J].生态学杂志，2022，41（10）：2072-2080.

[16] ZHANG Y L， TIAN L L， XIANG M，et al.Effects of indoor simulated air temperature and relative humidity on the equilibrium moisture content and time lag of the fuelbed of Quercus mongolica [J].Chinese Journal of Ecology，2022，41（10）：2072-2080.

[17] 张小丹.基于卷积神经网络的近红外光谱定量分析模型建立与转移研究[D].太原：中北大学，2022.

[18] ZHANG X D.Research on the establishment and transfer of near-infrared spectroscopy quantitative analysis model based on convolutional neural network[D].Taiyuan：North University of China，2022.

[19] 刘瑜明，王巧华，陈远哲，猪肉理化指标的近红外光谱无损检测[J].光谱学与光谱分析，2024，44（5）：1346-1353.

[20] LIU Y M， WANG Q H， CHEN Y Z，et al.Non-Destructive near-infrared spectroscopy of physical and chemical indicator of pork meat[J].Spectroscopy and Spectral Analysis，2024，44（5）：1346-1353.

[21] 朱诗豪，吴志伟，李政杰，赣南马尾松林地表细小死可燃物含水率动态及模型[J].林业科学，2024，60（5）：158-168.

[22] ZHU S H， WU Z W， LI Z J，et al.Moisture dynamics and modeling of ground surface fine dead combustibles in Pinus massoniana forest in Southern Jiangxi，China[J].Scientia Silvae Sinicae，2024，60（5）：158-168.

[23] 刘凯，王玉峰，彭志青，基于机器学习的高光谱土壤养分特征波段提取方法[J].光学学报，2024：1-18.

[24] LIU K， WANG Y F， PENG Z Q，et al.Hyperspectral soil nutrient feature band extraction method based on machine learning[J].Acta Optica Sinica，2024：1-18.

[25] 王冉.基于卷积神经网络与迁移学习的高光谱图像分类[D].赣州：赣南师范大学，2023.

[26] WANG R.Hyperspectral image classification based on convolutional neural network and transfer learning[D].Ganzhou：Gannan Normal University，2023.

[27] PENG B， ZHANG J W， XING J，et al.Measuring moisture content of dead fine fuels based on the fusion of spectrum meteorological data[J].Journal of Forestry Research，2023，34：1333-1346.

[28] 叶颖慧.森林死可燃物含水率在线测量技术研究[D].哈尔滨：东北林业大学，2019.

[29] YE Y H.Research on on-line measurement technology of forest dead fuel moisture content[D].Harbin：Northeast Forestry University，2019.

[30] JIANG H， DENG J， ZHU C.Quantitative analysis of aflatoxin B1 in moldy peanuts based on near-infrared spectra with two-dimensional convolutional neural network[J].Infrared Physics & Technology，2023，131：104672.

[31] 郑文瑞.基于迁移学习的土壤速效磷近红外预测方法研究[D].合肥：安徽农业大学，2022.

[32] ZHENG W R.Research on near infrared prediction methods of soil available phosphorus based on transfer learning[D].Hefei：Anhui Agricultural University，2022.

[33] 魏玉震.基于光谱和光谱成像技术的茶叶含水率检测机理和方法研究[D].杭州：浙江大学，2019.

[34] WEI Y Z.Moisture content detection of tea leaves based on spectral and spectral imaging technologies[D].Hangzhou：Zhejiang University，2019.

[35] 沈欢超.基于人工智能与近红外光谱技术的烟草质量控制研究[D].杭州：浙江大学，2023.

[36] SHEN H C.Studies on quality control of tobacco based on artificial intelligence and near infrared spectroscopy[D].Hangzhou：Zhejiang University，2023.

[37] 胡燕芳.基于小样本学习的图像分类方法研究与应用[D].赣州：江西理工大学，2022.

[38] HU Y F.Research and application on image classification method based on few-shot learning[D].Ganzhou：Jiangxi University of Science And Technology，2022.

[39] LI X L， LI Z， YANG X F，et al.Boosting the generalization ability of Vis-NIR-spectroscopy-based regression models through dimension reduction and transfer learning[J].Computers and Electronics in Agriculture，2021，186：106157.

[40] PENG X， LI Y， WEI X，et al.RGB-NIR image categorization with prior knowledge transfer[J].Journal on Image and Video Processing，2018，149：1.

[41] JIANG H， XUE Y， CHEN Q.Quantitative analysis of residues of chlorpyrifos in corn oil based on Fourier transform near-infrared spectroscopy and deep transfer learning[J].Infrared Physics & Technology，2023，133（6）：104814.

[42] 朱瑞芬，徐远东，孙万斌，基于人工神经网络的狼尾草属牧草品质近红外光谱预测研究[J].草地学报，2024，32（2）：527-534.

[43] ZHU R F， XU Y D， SUN W B，et al.Research on nutritional components of Pennisetum Rich.forage by near infrared spectroscopy model based on artificial neural network[J].Acta Agrestia Sinica，2024，32（2）：527-534.

[44] 汪志强，李大鹏，刘强，基于温度修正和可见/近红外光谱的油茶籽含水率检测[J].食品与机械，2022，38（12）：127-132.

[45] WANG Z Q， LI D P， LIU Q，et al.Water content detection of Camellia oleifera seeds based on temperature correction and visible/near infrared spectroscopy[J].Food & Machinery，2022，38（12）：127-132.

[46] 徐胜勇，刘政义，黄远.基于Self-Attention-BiLSTM网络的西瓜种苗叶片氮磷钾含量高光谱检测方法[J].农业机械学报，2024，55（98）：243-252.

[47] XU S Y， LIU Z Y， HUANG Y.Hyperspectral non-destructive detection of nitrogen，phosphorus and potassium content of watermelon seedling leaves based on Self-Attention-BiLSTM network[J].Transactions of the Chinese Society for Agricultural Machinery，2024，55（98）：243-252.

[48] TAN A， WANG Y， ZHAO Y，et al.Near infrared spectroscopy quantification based on Bi-LSTM and transfer learning for new scenarios[J].Spectrochimica Acta Part A：Molecular and Biomolecular Spectroscopy，2022，283：121759.

基金资助

中央财政林业科技推广示范项目资助（黑（2023）TG25号）