通过近红外光谱检测确定果和朱的叶子含量

科学领域:

• 农业科学 农业科学
• 频谱学是一种光谱学.
• 机器学习 机器学习

背景情况:

• 叶子中的含量是评估果树和朱树生长和营养状况的关键指标.
• 确定叶子中含量的传统方法可能是耗时和劳动密集的.
• 近红外 (NIR) 光谱为植物营养分析提供了一个快速而非破坏性的替代方案.

研究的目的:

• 开发和比较使用NIR光谱的预测模型来估计果树和百合树的叶子含量.
• 确定最有效的光谱预处理技术和机器学习算法,以准确地预测每个作物的.

主要方法:

• 从287个果和192个朱叶样本收集近红外吸收光谱.
• 应用Mahalanobis距离方法去除异常值,然后使用六种不同的光谱预处理技术.
• 我们比较了五种回归模型:反向传播神经网络 (BP),随机森林 (RF),部分最小平方 (PLS),K-最近邻居 (KNN) 和支持向量回归 (SVR).

主要成果:

• 对于果叶,SG+SD+CARS+RF的组合实现了最佳性能 (建模R2=0.854,RPD=2.586) 和RF在特征频段中优于其他模型.
• 对于朱叶,FD+CARS+PLS表现出优异的结果 (建模R2=0.795,RPD=2.426) 和PLS是特征带中最好的模型.
• 该研究确定了每个作物的最佳建模策略,突出了特定预处理和算法组合的有效性.

结论:

• 近红外光谱学与适当的化学测量方法相结合,提供了一种可靠的方法来预测果树和朱树的叶子含量.
• 最佳预测模型 (果的RF,朱的PLS) 可以帮助诊断营养缺乏并指导受精管理.
• 这些发现为果树种植的精准农业实践提供了宝贵的见解.