基于光谱预处理和机器学习算法的烤烟叶绿素含量预测

叶绿素是作物进行光合作用合成有机物的主要色素，实时监测烤烟叶片叶绿素含量对跟踪烟株氮素营养状况和判别烟叶成熟度具有重要的指导作用。基于对烤烟叶片光谱特征的分析，以不同供氮水平下实测的烟叶高光谱数据及叶绿素相对含量(SPAD)为数据源，采用一阶导数(1st Der)、多元散射校正(MSC)、标准正态变量(SNV)和SG平滑(SG)对原始光谱数据进行预处理，先采用连续投影法(SPA)挑选出每个预处理条件下的特征波长，后将各特征波段下的光谱反射率作为模型的输入变量，利用反向传播神经网络(BPNN)、随机森林(RF)和支持向量机(SVM)3种机器学习的方法分别构建烤烟叶片叶绿素含量估测模型。使用决定系数(R2)、均方根误差(RMSE)和平均绝对值误差(MAE)对每个机器学习模型的性能进行了评估和比较。结果表明:3种机器学习方法训练出的模型相比较，RF模型的预测准确率最高；烤烟叶片原始光谱经MSC和SNV预处理后的光谱信息作为输入变量，经RF算法建模具有较高的精度和良好的预测能力，模型为MSC-SPA-RF(R2=0.96，RMSE=1.15，MAE=0.94)和SNV-SPA-RF(R2=0.96，RMSE=1.14，MAE=0.94)。说明基于机器学习利用高光谱数据估算烤烟叶片叶绿素含量具有可行性，这为实时、精确地监控烤烟生长过程中叶片叶绿素含量变化状况以及合理科学的进行田间管理提供了一定的理论基础。

Prediction of chlorophyll content in flue-cured tobacco based on spectral pretreatment and machine learning algorithm