高光谱成像技术结合集成学习的金钗石斛氮素检测

摘要：金钗石斛叶片氮素含量是实现其精准施肥的重要决策依据之一。传统的氮素含量检测方法耗时且有损样品，如何 高效检测金钗石斛叶片氮素含量是种植企业日益关心的问题。为了快速、无损获取金钗石斛叶片氮素含量，以金钗石斛 新鲜叶片为实验样品，在获取其402.6～1 005.5 nm高光谱图像和氮素化学检测值后，经感兴趣区域（ROI）分割、光谱 预处理，利用偏最小二乘回归（（ PLSR）、核岭回归（（ KRR）以及支持向量回归（（ SVR）等三种个体学习器算法，以及随机 森林（（ RF）、Bagging和Adaboost等三种集成学习算法，针对金钗石斛的氮素含量进行建模。在此基础上构建基于金钗石 斛新鲜叶片全波段光谱信息、经过竞争自适应加权算法（（ CARS）特征提取的特征波段光谱信息的回归预测模型，并进行 预测精度对比。结果表明，在基于全波段光谱信息构建模型时，经过多项式平滑算法（（ SG）预处理的光谱数据建立的RF 模型最佳（R2CV=0.961 4、RMSECV=0.081 8、R2P=0.972 6、RMSEP=0.063 3），所有模型R2都达到了0.90以上。基于 CARS 提取的特征波段构建回归预测模型，Bagging 模型具有最高的精确度和稳定性，其中 SG-CARS-Bagging 预测效果 最好（（ R2CV=0.938 7、RMSECV=0.100 0、R2P=0.953 5、RMSEP=0.082 6）, 而个体学习器中的KRR和SVR模型精度明 显下降。经过CARS算法特征提取去掉了一些重要波段，提高了建模的效率，但是模型的精度有所降低。因此在优化回 归模型的特征参数时，必须始终考虑精度和效率之间的平衡。结果表明，RF、Bagging和Adaboost等集成算法比PLSR、 KRR 和 SVR 个体学习器算法具有更高的稳定性和预测精度，更适用于高光谱数据的分析与处理，在金钗石斛氮素营养 监测方面具有明显优势。

关键词：高光谱；金钗石斛；集成学习；氮素；CARS。

期刊：光谱学与光谱分析

DOI：10.3964/j.issn.1000-0593(2024)07-1918-10

设备：GaiaField