1 安徽农业大学林学与园林学院, 安徽 合肥 230036
2 屯溪区林业局, 安徽 黄山 254000
3 黄山弦歌生态旅游发展有限公司, 安徽 黄山 245703
4 安徽农业大学理学院, 安徽 合肥 230036
叶片碳氮比是反映油茶个体养分利用效率的重要指标, 基于冠层高光谱特征估算碳氮比可为油茶养分监测及精准施肥提供重要的科学依据。 当前, 利用高光谱开展经济林理化性质的研究较少, 特别是面向具有花果同期生物学特性的油茶, 其高光谱数据除面临共线性问题外, 复杂的理化性质也对敏感光谱特征的响应及估算模型构建带来极大挑战。 以安徽黄山区域的油茶长林系列品种为研究对象, 在野外环境下采集了120株油茶的冠层光谱, 选取可见光与近红外谱区400~1 000 nm波长范围的高光谱特征进行分析。 利用多元散射校正(MSC)和一阶导数(FD)变换对原始高光谱进行处理, 并各自构建三种两波段指数(差值指数-DI、 比值指数-RI和归一化指数-NDI)。 采用相关分析观察不同处理方法下光谱响应特征区域的变化, 使用变量组合集群分析(VCPA)提取响应变量并去除共线性得到最优特征变量子集, 进一步构建三种机器学习模型(随机森林-RF、 支持向量机-SVM和BP神经网络-BPNN)。 最后, 比较不同处理下光谱参数对模型估算精度的影响, 根据模型评价指标得到最优油茶叶片碳氮比估算模型。 研究结果表明： (1)经过MSC或FD特征变换的原始光谱协同VCPA能够挖掘更多潜在变量。 (2)两波段光谱指数组合扩展了敏感波段的响应区域, 进一步增强了VCPA筛选特征变量的能力, FD-RI与FD-NDI处理效果最好。 (3)三种机器学习模型整体精度由大到小排序为BPNN>RF>SVM。 所有模型中, 经过FD-NDI处理的光谱参数构建的BPNN模型预测能力表现最好, 训练集和测试集的决定系数(R2)分别为0.71和0.66, 其相对分析误差(RPD)达到1.74。 该研究建立了一种收获期油茶叶片碳氮比的最优BPNN估算模型, 拓展了油茶高光谱应用的范围。
油茶 高光谱 碳氮比 变量组合集群分析 机器学习 Camellia oleifera Hyperspectral C/N ratio Variable combination population analysis Machine learning 光谱学与光谱分析
2023, 43(11): 3404
1 国家农业信息化工程技术研究中心,北京 100097
2 清远市智慧农业农村研究院,广东 清远 511500
3 农芯科技!广州"有限责任公司,广东 广州 510000
4 湖南农业大学,湖南 长沙 410125
5 江门市农业技术服务中心,广东 江门 5290000
茶是世界上最受欢迎的饮料之一, 而氮素(N)是影响茶叶品质的主要成分之一, 因此快速准确地估算N素含量至关重要。 由于测定N含量的化学方法繁琐耗时, 利用高光谱对茶鲜叶中N含量进行预测, 利用连续小波转换(CWT)提取的小波系数, 探究CWT不同分解层数对于N素含量的估测能力, 并讨论了不同波长选择算法所建模型的预测效果。 首先, 采集广东省英德市茶园的151个茶鲜叶样品高光谱数据, 将获得的原始光谱通过卷积平滑(SG)、 去趋势(Detrending)、 一阶导数(1st)、 多元散射校正(MSC)和标准正态变量变换(SNV)五种预处理方法进行预处理并作为参考。 其次, 采用连续小波对原始光谱进行初步处理生成多尺度小波系数, 并进行相关性分析, 分别利用连续投影算法(SPA)、 竞争性自适应加权采样法(CARS)和变量组合集群分析(VCPA)方法进一步优化CWT变换后光谱数据的变量空间, 最后, 以特征变量为输入使用PLSR建立了N素定量监测模型, 并对比不同尺度不同方法估算N素的效果。 结果表明, 连续小波分析方法可有效提升茶鲜叶光谱对N素含量的估测能力, 明显优于常规光谱处理方法。 经连续小波分解后, 对茶鲜叶N素的预测能力随分解尺度的增加整体呈逐步降低的趋势, 其中在1~6尺度连续小波变换后的光谱与茶鲜叶N素存在良好的相关性, 表明小尺度的连续小波分解可有效应用于茶鲜叶N含量的监测。 基于CWT(1)-VCPA方法建立的模型精度最高, 且变量数相比于全波段减少了99.34%, 其建模与预测R2达到0.95和0.90, 相比于传统光谱处理方法, 精度提升了11% , 证明CWT-VCPA可以有效降低光谱维度并大幅提升模型精度。 实现了茶叶N素含量的高效量化预测, 为评估茶叶的其他成分提供了可靠技术参考。
茶鲜叶 氮素 连续小波变换 高光谱 变量组合集群分析 Fresh tea leaves Nitrogen Continuous wavelet transform Hyperspectral Variable combination population analysis 光谱学与光谱分析
2022, 42(10): 3253
华东交通大学机电与车辆工程学院, 江西 南昌 330013
将近红外光谱分析技术结合化学计量学方法用于山茶油混合油品中油酸和亚油酸含量的快速检测。配制了76种山茶油混合油样本用于近红外光谱的采集,将不同的光谱预处理方法用于光谱有效信息的提取;将蒙特卡罗无信息变量消除(MCUVE)和变量组合集群分析(VCPA)方法用于建模变量的选择;将偏最小二乘回归(PLSR)用于脂肪酸含量定量分析模型的构建。结果表明:经NWD1
st-MSC预处理后,两种脂肪酸的近红外光谱的较正均得到最好的结果;采用基于VCPA的变量优选方法极大地改善了模型精度,实现了建模变量数量的有效压缩。对于油酸模型,建模变量数量由1501减少为7,交叉验证均方根误差和校正相关系数分别为1.107和0.984,预测均方根误差和测试集的预测相关系数分别为1.178和0.981;对于亚油酸模型,建模变量数量由1501减少为8,交叉验证均方根误差和校正相关系数分别为0.089和0.987,预测均方根误差和测试集的预测相关系数分别为0.105和0.982。近红外光谱分析技术结合NWD1
st-MSC-VCPA-PLSR的方法为山茶油混合油品中脂肪酸含量的测定提供了一种快速简单的分析方法。
光谱学 近红外光谱 脂肪酸 变量筛选 蒙特卡罗无信息变量消除 变量组合集群分析
