基于近紅外光譜的林內枯葉跨林分間模型遷移的含水率檢測方法

中圖分類號：S762.2 文獻標識碼：A DOI：10.7525/j.issn.1006-8023.2025.03.001

Abstract：Themoisturecontentofforestfloorliterisakeyfactorinforestfireoccurrences，nditsaccuratedetectionis crucial for fire prevention.Near-infrared spectroscopy（NIRS）can directly invert moisturecontent from spectral data， enabling rapid detectionof liter moisture content.However，spectral characteristics difer between fuel types due to variations inlightintensitydataatdiffrent wavelengths，requiringseparatedetectionmodelsforliterfrom dierenttree species to match specific light intensity-moisture content inversion relationships.Collcting and labeling spectral data across differentforeststands is time-consuming，limitingthepracticalapplicationofthespectralmethod.Toaddresthis issue，this study proposesa moisturecontent detection method for forest floor liter basedon Bi-LSTM（Bidirectional Long Short-Term Memory）transferlearning.By transfering the trained modelparameters to new models，we avoid training models from scratch，thereby improving model learning eficiencyand reducing the data required fortraining.The studydemonstrates thatthe Bi-LSTMmethodsurpases the traditional inversion approach using LSTMin termsof detection accuracy.Specifically，the mean absolute errr （MAE）for Quercus mongolicaand Larix gmelinii is reduced by

0 . 6 2 % and 0 . 8 7 % ，respectively，while the mean squared error（MSE）is reduced by 0 . 2 8 % and 0 . 7 0 % ，respectively. Moreover，the Bi-LSTM-based transfer learning approach significantly lessens the reliance on labeled NIR spectraldata. With a target domain sample size of 3OO and a source domain sample size of 1 0 0 0 ，the detection model record an MAE of 3 . 2 7 % ，an MSE of 1. 10 % ，and an of 0.918.When compared to models without source domain training，the MAE and MSE show reductions of 2. 3 6 % and 1 . 0 2 % ，respectively，and an increase in of 0.114.A comparative analysis before andafterimplementingtransferlearningreveals thathismethodologyoffersanovelstrategytodiminishthetimecostasociated withmodeling moisturecontentin spectralitterand to enhancethepracticalapplicationof spectraldetection. Keywords：Liter fall；moisture content;transfer learning；deep learning;near-infrared spectrum

0 引言

林內可燃物作為森林火災產生的必要條件之二[1]，其中森林地表枯葉含水率（dead fuel forest mois-turecontent，DFFMC）作為一級引火要素是引起森林火災的重要因素[2]。其含水率的大小與森林火災發生的可能性、火災強度以及蔓延速度具有直接關系，因此檢測森林地表枯葉的含水率對于預測森林火災風險和評估火險等級至關重要[3-4]。

目前DFFMC的研究方法主要有氣象要素回歸法、平衡含水率法以及遙感光譜法[5]，其中，氣象要素回歸法測量方便且建模簡單，在各林區內應用廣泛，但這種方法并未考慮到可燃物本身的種類差異，所以該方法測得的枯葉含水率在很大程度上受到可燃物自身特性和研究區域限制，并未將枯葉含水率按其自身種類細化[6]。平衡含水率法雖然在小規模范圍內較為精確，但在擴展到更大范圍時，其準確性可能會有所下降[7-8]。因此上述兩種主流方法在一定程度上都會受到測量范圍影響，當測量范圍較大時，測量數值準確度不高。光譜法可以根據光譜數據直接反映水分含量從而實現枯葉含水率的快速檢測，而且測量數值準，測量速度快，使用簡便快捷[9-10]。

在以往的對近紅外光譜檢測枯葉含水率研究中，研究人員多采用線性回歸算法對光譜數據進行含水率反演[1]。但目前沒有研究表明枯葉含水率與葉片光譜的特征波段呈線性關系[12]。隨著機器學習的發展，神經網絡越來越多被用于枯葉含水率的檢測研究中[13]，相比線性回歸算法神經網絡引入了對非線性關系的考慮。Peng等[14]利用近紅外光譜對4種不同林分的死可燃物進行含水率預測，采用長短期記憶網絡（LSTM）和粒子群優化算法建立預測模型，提高了死可燃物含水率的預測精度。但由于森林地表枯葉種類繁多，每種枯葉間的理化性質不同，在近紅外光譜照射時，每種枯葉對水的敏感波段除了 1 4 5 0 n m 也不盡相同[15，而含水率檢測模型的關鍵在于含水率與枯葉光譜的特征波段建立映射關系。所以在以往枯葉含水率檢測研究中，不同樹種枯葉通常需要分別建立檢測模型，導致大量已有的標記數據尚未得到有效利用[16]。針對上述問題，最簡便的途徑是依據其他林地枯葉樣本，重新構建一個校正模型。但重新采集枯葉樣本會增加成本、降低效率，還會降低已有枯葉樣本數據的利用率，使光譜法的實際應用受到很大限制。

遷移學習（transferlearning）是一種機器學習方法，其核心思想在于利用在一個或多個源任務（sourcetasks）上學到的知識來幫助目標任務（targettask）的學習過程[17]，尤其適用于目標任務數據稀缺或標注成本高昂的場景。遷移學習打破了傳統機器學習中“每個任務從頭開始學習”的局限，通過知識的遷移和再利用，顯著提高了學習效率和學習效果。遷移指將一個在豐富訓練數據（源域）上訓練的模型遷移到另一個具有較少或無注釋訓練數據任務的過程[18]。當訓練的標注樣本不足時，可以用已訓練好的模型將少量樣本遷移至新的領域（目標域），在獲得檢測能力的情況下，較大程度地減少對類似分布樣本的標注數據的依賴[19]。遷移學習方法在圖像、語音和自然語言處理領域已被廣泛應用[20]。Li等[21]分別采用降維和遷移學習方法，提出了兩種具有較強泛化能力的校正遷移任務方法，分別是選擇性剪枝與精細化策略（selectivepruningandrefinementstrategy，SPRS）方法和基于標準正態變量變換（standard normal variate，SNV）的Aug-TrAdaBoost.R2（augmented transfer adaptive bossing forregression）方法。在基于近紅外光（nearinfrared，NIR）的茶葉光譜數據集中實現了不同種類茶葉之間以及同種類茶葉不同批次之間的模型遷移。Peng等[22]針對小樣本場景下的神經網絡模型訓練問題，通過對先驗知識的應用來滿足模型遷移的需求。

遷移學習可減少訓練樣本和測試樣本的分布差異，有效緩解具有相似分布的少量樣本在建模時產生的檢測精度低、模型失效問題。鑒于原有的充足的樣本數據和模型良好的檢測性能，本研究為有效利用原有枯葉樣本，將原有枯葉含水率檢測模型遷移用于其他林分枯葉含水率的檢測中，在僅使用少量數據的條件下實現對目標可燃物光譜-含水率反演模型的準確建模[23]。本研究將采用深度遷移學習方法，建立基于雙向長短期記憶神經網絡（Bi-LSTM）的遷移學習森林地表枯葉含水率檢測模型，針對不同林分枯葉需要重新建立含水率檢測模型的問題，以降低深度學習模型對不同林分枯葉的標注數據的依賴性。

為了提高檢測效率，針對現有的模型需要大量數據訓練的問題，本研究在東北林業大學帽兒山實驗林場，選取蒙古櫟（闊葉），落葉松（針葉）兩種有代表性的樹種進行研究，通過近紅外光譜儀采集枯葉的光譜光照強度數據。采用遷移學習方法，將蒙古櫟的光譜光照強度和含水率作為源域，落葉松的光照強度和含水率作為目標域，將帶有少量標注的自標域數據輸入到具有微調機能檢測模型之中，并對比遷移前后模型性能的提升情況。證明相較傳統方法，基于遷移學習的方法可以使用少量帶有數據標簽的樣本實現更高精度的含水率檢測，為降低光譜枯葉含水率建模時間成本、提高光譜檢測實用性提供新的思路。

1 材料與方法

1.1 研究區域概況

本研究實驗場地為東北林業大學帽兒山實驗林場。林場是中國東北東部山區的天然次生林，位于黑龍江省尚志市 。帽兒山平均海拔 3 0 0 m ，以帽兒山為主峰，海拔 8 0 5 m 屬溫帶大陸性氣候，年平均氣溫 ，年日照 2 4 7 1 . 3 h 無霜期120＼～140d，年降水量 7 2 3 . 8 m m 。降雨量以6—8月為主，年蒸發量 ，年平均相對濕度70 % 。主要樹種有蒙古櫟（Quercusmongolica）、白樺（Betulaplatyphylla）落葉松（Larixgmelinii）、滿洲胡桃（Juglansmandshurica）、滿洲白蠟（Fraxinusmandsh-urica）、白楊（Populusdavidiana）紅松（Pinuskoraiensis）和蒙古蘇格蘭松（Pinus sylvestris var. mongolica）。實驗區域相關樹種的基本信息見表1。

1. 2 數據采集

1.2.1 枯葉含水率測定

根據該基地現狀，本研究主要針對混交林進行研究，選取蒙古櫟、落葉松兩種枯葉，在秋季防火期結束后，每種枯葉分別隨機選取1000和800個形狀完好、沒有破損的葉片，用保溫保濕密封袋包裝好帶回實驗室。為防正環境溫度對含水率產生影響，在進行不同批次試驗時對其他葉片進行低溫保存。

本研究采用干濕稱重法獲取葉片含水率的標準值。在測量前，將電子秤置于水平且無風位置，并調整氣泡至圓圈中央位置。測量時，等到讀數穩定且連續3次稱重，當讀數不再變化時，得到枯葉濕質量（ 。利用精密鼓風干燥箱對樣本進行烘干，其控溫范圍 ，控溫精度 $1 ＼ { ^ { ＼circ } ＼mathrm { C } }$ 。在使用前，通過控制面板設置烘干溫度 。使用時，等到烘箱內穩定至所設置的溫度后再將枯葉樣本放人。待烘干后連續3次稱重電子秤讀數不再變化，記錄干質量（ 。可燃物含水率計算公式為

式中： M 為不同樹種不同種類樣品觀測時的可燃物含水率， 為可燃物的濕質量， 為可燃物的干質量，

1.2.2枯葉近紅外光譜數據采集

為獲取枯葉的光譜信息，本研究采用Flame-NIR+（OceanInsight，美國）近紅外光譜系統，如圖1所示，該系統主要包括光譜儀、近紅外光源、光纖和反射探頭支架等，可以采集到含水率的 9 0 0～1 7 0 0 n m 的光譜數據，其光學分辨率為 1 0 n m ，信噪比為6000：1，最大掃描頻率為 。

光源和光譜儀預熱 3 0 m i n ，光源光照穩定后，光源與樣本距離保持一致（ 1 c m， ，對枯葉樣本采集正反面光譜各2次，取平均作為葉片光譜。試驗環境溫度 ，相對濕度 2 8 % ，采集波長范圍 9 5 0～1 7 0 0 n m ，光譜平均次數50次。首先將采集到的枯葉（落葉松、蒙古櫟）做好標記放于培養皿中。用反射探頭支架固定好光纖探頭，保證每次光源照射時與枯葉距離一定。待Oceanview軟件上光強示數穩定后，保存光譜數據，用于后續含水率檢測。在此基礎上完成了森林地表枯葉的近紅外光譜檢測以及采集了各個林分枯葉的光譜數據，如圖2所示。

1.3光譜數據預處理與數據集劃分

在收集原始光譜數據時，除了枯葉的固有特征外，還可能包含一些干擾信息，如散射、噪聲和基線漂移，這些都可能影響含水率的反演精度。因此，對原始光譜數據進行預處理是必要的步驟[24]。本研究采用了標準正態變量變換（standardnormalvariate，SNV）和S-G（savitzky-golay）平滑兩種預處理方法對光譜進行預處理，SNV消除光譜散射影響造成的誤差，去除無關變量，降低光譜維度空間[25];S-G平滑算法是一種利用滑動窗口進行卷積運算的方法，可以有效降低光譜中的噪聲和干擾信號，同時保留光譜的光滑特征[26]。處理后的圖像如圖3和圖4所示。

本研究通過近紅外光譜數據設備收集了兩種枯葉的光譜信息。選取形狀完好無損的兩種枯葉分別 組和800組，共收集到近紅外光反射率的數據1800組。所建立的數據集可以分為訓練集、測試集和驗證集。在光譜源域數據集中，以 8 0 % 作為訓練數據，其余 20 % 作為檢測數據，以同一葉片編號對應的含水量數據的 8 0 % 作為訓練數據，其余 2 0 % 作為驗證數據。為保證訓練集和測試集中的樣本是隨機的，從而減小偏差，采用Shuffle（對數據集中的數據進行隨機重新排序）隨機函數在數據分割之前對數據進行打亂。

根據訓練集中的光譜反射率訓練數據和含水量數據生成訓練模型，將光譜反射率測量數據輸入訓練模型，獲得含水量檢測結果。

1.4 Bi-LSTM網絡架構

本研究選取Bi-LSTM作為枯葉含水率檢測遷移模型研究的結構基礎，Bi-LSTM是由前向長短期記憶網絡（LSTM）和后向LSTM組合成的神經網絡，將前向和反向神經網絡的隱藏層狀態向量進行拼接[27]。在這種機制下，Bi-LSTM神經網絡可以根據枯葉近紅外光譜捕捉特征波段間的雙向信息，提高了模型的準確性和效率。為了驗證Bi-LSTM用來作為枯葉含水率遷移模型結構基礎的可行性，選取枯葉含水率檢測模型中經典算法LSTM作為對比，本研究中使用Bi-LSTM和LSTM兩種建模算法分別對兩種枯葉含水率進行反演。

由圖5可以看到，BiLSTM網絡中正向LSTM結構計算過程與單個LSTM計算過程相似，將正向隱含層狀態和反向隱含層狀態 組合得到BiLSTM網絡的隱含層狀態，其計算公式為

式中： 分別為 時刻的輸入數據、正向LSTM隱含層的輸出和反向LSTM隱含層的輸出； α β 均為常系數，分別表示 的權重。

1.5 基于Bi-LSTM的模型遷移方法研究

為了讓含水率的檢測模型可以實現遷移，進而解決現有的模型需要大量數據標注訓練的問題，基于Bi-LSTM的預訓練網絡方法的核心理念是使用在源域數據集上訓練完成的網絡作為一個通用模型。如果源域數據集規模龐大且具有代表性，該網絡所掌握的空間層次結構便能被遷移至新的、相似領域的小規模數據集上[24]?；谝陨险撌觯狙芯坎捎没贐i-LSTM和可訓練模塊并行融合的神經網絡結構，用于建立蒙古櫟枯葉近紅外光譜的源域檢測模型。圖6為加入帶有微調機制的Bi-LSTM網絡框架的整體設計：將源域蒙古櫟枯葉近紅外光譜數據作為網絡輸入，全連接層FC（Fullyconnected）與Bi-LSTM以并聯的方式組合，用于提取具有長距離關聯的近紅外光譜特征，為了整合映射光譜特征信息，最后輸出層加入回歸器FCs。

圖7所示。為探究加入FC后對模型的檢測精度的影響，將FC分別與3個串聯的Bi-LSTM相并聯，此時會產生3種組合方式，分別記為Bi-LSTM1、Bi-LSTM2、Bi-LSTM3，如圖8所示。利用源域校正集對所有網絡訓練，驗證集和檢測集測試其有效性，將檢測得到的結果中平均絕對誤差（meanabsoluteerror，MAE）最小的網絡模型作為最優源域神經網絡。

對于蒙古櫟枯葉含水率檢測網絡的超參數設置，其隱藏層參數的設定，用于執行特征提取的Bi-LSTM1—Bi-LSTM3以及FC隱藏層數保持一致，均為128?；貧w器的FCs隱藏層數為1。最大Epoch次數，批量大小，全局初始學習率分別設置為 1 5 0 ， 3 2 ， 0 . 0 0 1 。為了保證源域模型和遷移模型有較強的魯棒性，訓練過程中使用均方誤差（meansquareerror，MSE）作為損失函數，利用歐幾里得范數（L2范數）歸一化，使損失函數值最小，防止神經網絡過擬合。采用自適應動量估計（adaptivemomentestimation，Adam）優化器求出訓練過程中損失函數值的最小值。此外，設置Dropout機制防止過擬合，如果Dropout率設置得過高，可能會導致模型欠擬合，因為太多的神經元被隨機丟棄，從而減少了模型的學習能力。同時，較低的Dropout率意味著更多的神經元參與訓練，這有助于模型更快地學習數據中的復雜模式，提高訓練效率，所以在每個Epoch的訓練中，去掉 10 % 神經元，以防止訓練過擬合。

為達到小樣本高精度的預測任務，本研究采用基于Fine-tune（微調）的遷移學習方法，如圖9所示，在上述建立好的3種改進神經網絡選出預測效果最好的作為預訓練網絡，將所有預訓練好的FCs參數權值被初始化清零，且將預訓練神經網絡中的Bi-LSTM和函數層（如BatchnormLayers、layernormLayers等）的參數凍結，然后對FCs進行解凍，初始學習率設置為0.001，對目標域數據進行重新訓練。通過將預訓練的功能逐步適應新數據，可以實現對帶有少量樣本標簽數據的檢測性能提升。

1.6 模型評價

在地表枯葉含水率研究領域，模型效果的評價指標主要有3個：分別是MSE、MAE和決定系數（coeffi-cientofdetermination， 。MSE是一種常用的衡量模型預測值與實際觀測值之間差異的指標，用于評估模型在給定數據上的擬合程度。MSE（式中記為 是通過計算預測值與實際觀測值之間差異的平方的平均值得到。

式中： m 為樣本總數； 為第 i 個樣本的檢測值； y （ i ） 為第 i 個樣本的真實值。

衡量的是變量間線性關系的強度，表示在 x 和 y 的總變異中，通過線性關系可解釋的比例。 越高，意味著自變量對因變量的預測準確性越高，模型的擬合度越好。

式中： 為總離差平方和； 為殘差平方和。決定系數 越大，說明自變量對因變量的解釋程度越高，擬合效果越好。

MAE的值越小，表示模型的檢測準確性越高。MAE（式中記為 ）是一個很直觀地衡量誤差的方式，因為其平等地考慮了所有的單個檢測誤差的大小，而不考慮誤差的方向。

式中： n 是觀測點的數量； 是第 i 個觀測點的真實值；

是第 i 個觀測點的檢測值。

2 結果與分析

2.1森林地表枯葉含水率預訓練網絡設計

基于SNV和S-G平滑兩種預處理方法，采用全波段光譜數據，通過偏最小二乘回歸（PLSR）和LSTM兩種算法構建模型，對處理后的光譜數據進行分析，預測結果詳見表2。

結果表明在LSTM建立的全波段模型中，經SNV處理后的LSTM模型預測效果最好，MAE、MSE、 分別為 3 . 6 0 % ， 3 . 6 1 % 和 9 3 . 1 % 。對比S-G-LSTM模型，MAE和MSE分別降低了 0 . 1 8 % 和 0 . 2 0 % 提高了1 . 1 % 。在PLSR建立的預測模型當中，經SNV處理的模型的MAE、MSE 分別為 3 . 7 3 % ， 3 . 8 4 % 和91. 7 % ，對比S-G-PLSR模型，MAE和MSE分別降低了 0 . 2 4 % 和 0 . 3 9 % 提高了 3 . 5 % 。由此可以說明，經過SNV處理，光譜數據的預測性能得到顯著提升，散射噪聲和基線漂移被有效減少，使得光譜反射特性的對比更加鮮明，且光譜數據的分布更加集中。因此選擇SNV作為預處理方法結合預測模型進行后續研究。

本研究采用隨機選取的方式，在源域中選取了訓練集800個，驗證集和測試集均為200個。在目標域中，選取了訓練集640個，驗證集和測試集分別為160個。重復上述建模過程3次，最后取得的兩種枯葉的損失曲線以及預測值和真實值比較如圖10和圖11所示。

主干網絡與改進網絡的性能評價指標見表3，其中主干網絡Bi-LSTM的檢測集MAE值為 3 . 0 4 % ，加人FCs與之融合后，3組改進網絡的MAE均有不同程度的減小，結果證明改進結構提高了含水率檢測的精度。此外，在3種改進結構中可以看出Bi-LSTM1模型的檢測效果最好，MAE為 2 . 1 8 % ，MSE值為 2 . 2 5 % 值為 9 3 . 1 % ，相比Bi-LSTM2和Bi-LSTM3具有更高的檢測性能，模型魯棒性更強。所以將第一種改進Bi-LSTM網絡作為源域枯葉含水率的預訓練網絡，改進后的微調機制也為后續模型遷移試驗研究提供了結構基礎。

2.2近紅外光譜檢測模型遷移效果分析

為了驗證遷移學習的有效性，基于上一小節建立的源域含水率檢測的Bi-LSTM1網絡，凍結其網絡參數，在不加入可訓練模塊時對自標域落葉松枯葉150個樣本的檢測集所得的檢測值與真實值之間的數據分布如圖12所示。由圖12可知，目標域檢測集在源域Bi-LSTM1模型上的MAE值為 1 0 . 5 % 為0.712。結果表明，已建立的源域含水率檢測網絡不可以直接被用于目標域樣本的檢測，這與不同分布的樣本近紅外光譜間的差異有關，盡管通過預處理消除了光譜的散射、噪聲和基線漂移等影響，但數模不匹配的原因之一是不同樣本的光譜特征波段差異導致目標域光譜在Bi-LSTM1模型上的特征表達存在差異。通過深度學習算法構建，不同分布的樣本與已建模型的不適配問題不可消除，所以模型遷移不可避免。

圖13～15為源域數據量為1000、目標域數據分別為75、150、300時試驗結果。從源域中分別選取500、800、1000產生3種預訓練網絡，在進行網絡微調時，自標域數據集中分別選取了75、150、300個樣本。試驗數據詳見表4，其中，源域數據集數目為0表示直接使用目標域數據集進行建模，即無遷移的情況下不同樣本數量的預測性能指標。

由表4中可知，當目標域樣本量與圖12中同樣為150個時，加入微調機制后，當源域數量分別為500、8 0 0 ， 1 0 0 0 時模型的MAE分別從 1 0 . 5 % 減小到3 . 8 6 % . 3 . 7 7 % . 3 . 5 7 % . 。這個結果說明了微調方案的有效性。由于預訓練模型已在大規模數據集上進行了訓練，所以其通常會具備良好的特征提取能力，從而為微調任務提供更好的初始特征。當源域數據一定時，隨著目標域數據的增加，檢測模型的 逐漸平穩增加，MSE總體呈緩慢下降趨勢，遷移的效果逐漸增強，且在目標域相同情況下，源域數量不為0時要比為0的 均有明顯提升，MSE和MAE均為下降?？梢钥吹诫S著目標域樣本數量的增加，MSE和MAE普遍減少，而 增加，這表明模型的性能在提高。這可能是因為更多的目標域數據有助于模型更好地學習目標域的特征。綜上所述基于Bi-LSTM1的模型遷移可以提升少量數據樣本的檢測精度，達到“小樣本，高精度”的檢測效果。

3結論

建立不同樹種枯葉的光譜-含水率反演模型需要大量數據標注，限制了光譜技術在枯葉含水率檢測領域的應用。本研究提出了一種基于Bi-LSTM的枯葉含水率檢測光譜反演方法。在檢測性能方面，與LSTM相比，所采用的Bi-LSTM1模型的得出結果的MAE縮小了1. 56 % ，MSE減小了 提升了 0 . 0 4 6 。在遷移性能方面，與未加入遷移的Bi-LSTM相比，在源域樣本個數為 1 0 0 0 ， 目標域樣本個數為300時，遷移學習方法MAE縮小了 2 . 3 6 % ，MSE減小了 2 . 0 2 % ，R2提升了0.114，證明了遷移學習可以用更少的訓練數據實現更高的檢測準確率，大大降低了對標記近紅外光譜數據的依賴。證明了所提出的遷移學習方法與傳統方法相比，在應對少量樣本輸人時具有更高的含水率反演準確度，提高了應用光譜方法進行森林細小死可燃物含水率反演的準確性和模型外推性，為光譜檢測枯葉含水率的實用性提供了一種新思路。

參考文獻

[1]梁盛.亞熱帶5種典型森林類型地表死可燃物負荷量及 燃燒能量釋放量[D].長沙：中南林業科技大學，2024 LIANG S. Surface dead fuel loading and combustion energy release of five typical subtropicalforest types[Dl.Changsha： CentralSouthUniversityofForestryamp;Technology，2024.

[2]徐偉恒，吳超，楊磊，等.滇東北地區華山松與云南松的 地表凋落物載量及火強度對比研究[J].西南林業大學 學報（自然科學），2019，39（5）：151-156. XU W H， WU C，YANG L，et al. Comparative study on surface litter load and fire intensity of Pinus armandi and Pinus yunnanensis in Northeastern Yunnan Province[J]. Journal of Southwest Forestry University （Natural Sciences），2019，39（5） ：151-156.

[3]韓冰潔，葉江霞.植被冠層可燃物含水率評估方法研究 進展[J].世界林業研究，2024，37（4）：46-52. HAN B J，YE JX.Research progress in the evaluation of fuel moisture content in vegetation canopy[J].World Forestry Research，2024，37（4） ：46-52.

[4]謝字希，胡海清，楊曦光，等.基于實測光譜的大興安嶺 地區典型森林枯落物含水率估測模型[J].生態學雜志， 2017，36（11） ：3321-3328. XIE Z X，HU HQ，YANG X G，et al. Estimating model of typical forest litter moisture content based on the field spectrumin Daxing'anling of China [J]. Chinese Journal of Ecology，2017，36（11） ：3321-3328.

[5]孫龍，劉祺，胡同欣．森林地表死可燃物含水率預測模 型研究進展[J].林業科學，2021，57（4）：142-152. SUN L，LIU Q，HU T X. Advances in research on prediction model of moisture content of surface dead fuel in forests[J].Scientia SilvaeSinicae，2021，57（4） ：142-152.

[6]胡海清，羅斯生，羅碧珍，等.森林可燃物含水率及其預 測模型研究進展[J].世界林業研究，2017，30（3）：64-69. HU HQ，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.

[7］王婕.安寧地區主要樹種死可燃物含水率及火險等級 研究[D].北京：北京林業大學，2018. 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.

[8]張運林，田玲玲，向敏，等.室內模擬空氣溫濕度對蒙古 櫟林凋落物床層平衡含水率和時滯的影響[J].生態學 雜志，2022，41（10）：2072-2080. ZHANG YL，TIAN LL，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.

[9]張小丹.基于卷積神經網絡的近紅外光譜定量分析模 型建立與轉移研究[D].太原：中北大學，2022. 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.

[10] 劉瑜明.王巧華.陳遠哲.等.豬肉理化指標的近紅外

光譜無損檢測[J].光譜學與光譜分析，2024，44（5）： 1346-1353. LIUYM，WANGQH，CHENYZ，etal.Non-Destructive near-infrared spectroscopy of physical and chemical indicator of pork meat [Jl. Spectroscopy and Spectral Analysis，2024，44（5） ：1346-1353.

[11]朱詩豪，吳志偉，李政杰，等．贛南馬尾松林地表細小 死可燃物含水率動態及模型[J]．林業科學，，2024，60 （5） ：158-168. ZHU SH，WU Z W，LI ZJ，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.

[12]劉凱，王玉峰，彭志青，等.基于機器學習的高光譜土 壤養分特征波段提取方法[J].光學學報，2024：1-18. LIUK，WANGYF，PENG ZQ，et al. Hyperspectral soil nutrient feature band extraction method based on machine learning[J].Acta Optica Sinica，2024：1-18.

[13]王冉.基于卷積神經網絡與遷移學習的高光譜圖像分 類[D].贛州：贛南師范大學，2023. WANG R. Hyperspectral image classification based on convolutional neural network and transfer learning [D]. Ganzhou：Gannan Normal University，2023.

[14]PENG B，ZHANG JW，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.

[15]葉穎慧．森林死可燃物含水率在線測量技術研究[D]. 哈爾濱：東北林業大學，2019. YEYH.Research on on-line measurement technology of forest dead fuel moisture content[D].Harbin：Northeast Forestry University，2019.

[16] 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]. InfraredPhysicsamp; Technology，2023，131：104672.

[17]鄭文瑞.基于遷移學習的土壤速效磷近紅外預測方法 研究[D].合肥：安徽農業大學，2022. ZHENG W R. Research on near infrared prediction methods of soil available phosphorus based on transferlearning [D].Hefei：Anhui Agricultural University，2022.

[18］魏玉震.基于光譜和光譜成像技術的茶葉含水率檢測 機理和方法研究[D].杭州：浙江大學，2019. WEIY Z.Moisture content detection of tea leaves based on spectral and spectral imaging technologies[D]. Hangzhou：Zhejiang University，2019.

[19]沈歡超.基于人工智能與近紅外光譜技術的煙草質量 控制研究[D].杭州：浙江大學，2023. SHEN H C.Studies on quality control of tobacco based on artificial intelligence and near infrared spectroscopy[D]. Hangzhou： Zhejiang University，2023.

[20]胡燕芳.基于小樣本學習的圖像分類方法研究與應用 [D].贛州：江西理工大學，2022. HU Y F.Research and application on image classification method based on few-shot learning[D].Ganzhou：Jiangxi University of Science And Technology，2022.

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

[22] 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.

[23] 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]. InfraredPhysicsamp; Technology，2023，133（6）：104814.

[24]朱瑞芬，徐遠東，孫萬斌，等.基于人工神經網絡的狼 尾草屬牧草品質近紅外光譜預測研究[J].草地學報， 2024，32（2）：527-534. ZHU RF，XU YD，SUN WB，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.

[25]汪志強，李大鵬，劉強，等.基于溫度修正和可見/近紅 外光譜的油茶籽含水率檢測[J].食品與機械，2022，38 （12） ：127-132. WANG ZQ，LI DP，LIU Q，et al.Water content detection of Camellia oleifera seeds based on temperature correction and visible/near infrared spectroscopy[J].Food amp; Machinery，2022，38（12）：127-132.

[26]徐勝勇，劉政義，黃遠.基于Self-Attention-BiLSTM網 絡的西瓜種苗葉片氮磷鉀含量高光譜檢測方法[J].農 業機械學報，2024，55（98）：243-252. XU S Y，LIU Z Y，HUANG Y. Hyperspectral non-destructive detection of nitrogen， phosphorus and potassium contentofwatermelon seedlingleavesbased on Self-Attention-BiLSTM network[J].Transactions of the Chinese SocietyforAgriculturalMachinery，2024，55（98）： 243-252.

[27] 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.