通过对空中超光谱的远程分析检索雪茄叶中的尼古丁含量,结合机器学习方法

科学领域:

• 农业科学 农业科学
• 遥感技术 遥感技术 遥感技术
• 频谱学是一种光谱学.

背景情况:

• 雪茄叶的质量受到尼古丁含量的影响,尼古丁含量随收获时间而变化.
• 准确,及时监测田间作物的尼古丁水平对于高质量的雪茄生产至关重要.
• 超光谱遥感提供了高效,大面积的作物监测能力.

研究的目的:

• 开发和评估一种超光谱遥感模型,用于准确预测野外种植的雪茄叶中的尼古丁含量.
• 通过数据预处理和特征选择算法来确定尼古丁检测的最佳光谱波段.
• 建立一个可靠的反转模型来估计尼古丁含量.

主要方法:

• 使用无人机上的传感器获得烟草作物的超光谱反射频谱.
• 应用的光谱数据预处理技术:多尺度校正 (MSC),光滑 (SG) 和标准正常变量 (SNV).
• 使用竞争性适应性重权取样 (CARS),连续预测算法 (SPA) 和非信息变量消除 (UVE) 进行频段选择.
• 开发并比较使用部分最小平方 (PLS),反向传播神经网络 (BP),随机森林 (RF) 和支持矢量机器 (SVM) 算法的预测模型.

主要成果:

• 雪茄叶中的尼古丁含量随着肥应用率的提高而增加.
• 通过CARS,SPA和UVE的数据处理有效地减少了尼古丁敏感带选择中的数据冗余和对线性.
• 综合的MSC-SNV-SG-CARS-BP模型显示,尼古丁含量的预测准确度更高.

结论:

• 优化的高光谱模型,特别是MSC-SNV-SG-CARS-BP方法,为估计雪茄叶的尼古丁含量提供了非常准确的方法.
• 该研究验证了高光谱成像和先进数据处理在烟草种植中的精密农业的有效性.
• 该模型实现了R2 = 0.797,RMSE = 0.078和RPD = 2.182的测试集预测准确度,表明了强大的预测性能.