基于高光谱的辣椒叶片氮素含量反演OA北大核心

【目的】氮素是植物生长和发育的必需营养元素之一,对加强农作物叶绿素合成、增强植物抗逆性以及提升产量和品质起到重要作用。通过高光谱技术对辣椒生长期间叶片氮素含量进行快速、准确且非接触性监测,研究辣椒叶片氮素含量(LNC)与光谱反射特性之间的联系,以期提高农业生产效率与精准性,实现智能化管理与精准施肥。【方法】以采集自贵州省农业科学院辣椒研究所官庄示范基地2021年的辣椒种植区叶片高光谱数据为研究对象,基于4个辣椒品种(黔椒8号、红辣18号、辣研101号和红全球)和施用5种不同氮肥用量(0、120、240、360、480 kg·hm^(-2)),对辣椒叶片原始光谱进行多元散射校正(MSC)、Savitzky-Golay(SG)平滑和一阶导(FD)预处理后,结合Pearson相关系数、连续投影(SPA)和竞争性自适应重加权(CARS)筛选敏感波段。利用偏最小二乘回归(PLSR)、随机森林(RF)和径向基神经网络(RBFNN)3种机器学习算法构建辣椒叶片氮素监测模型。【结果】原始光谱经预处理后,相关性系数均有较大提升,其中SG处理后的光谱数据模型反演效果最好,效果排序为SG>FD>MSC>原始光谱。对比不同波段筛选方法:使用Pearson相关系数法进行波段筛选会导致波段过于集中出现信息冗余或信息提取不全的情况;CARS算法筛选波段范围广、数量多,但包含较多冗余信息和噪声,其效果不如SPA;SPA筛选的氮素含量特征波段可有效减少共线性和冗余信息,建立的模型R2最优,RMSE最小。不同建模方法的辣椒LNC估算模型结果表现为:RBFNN最佳,PLSR次之,RF最差,其中SG-SPA-RBFNN组合模型反演精度最佳,建模结果R^(2)为0.98,RMSE为0.62,验证结果R2为0.98,RMSE为1.21,RPD为3.08。RBFNN模型在处理高维度光谱数据时表现出色,优于传统的PLSR和RF模型。【结论】利用高光谱反射率特征建立的氮素含量预测模型,能够有效监测辣椒叶片的氮素水平,提高农作物管理效率,可为辣椒生长的精准管理和变量施肥工作提供技术支撑。