400-6699-117 转 4828 虚拟号将在180秒后失效,请在有效期内拨打

若未完成电话咨询，您可提交留言咨询，厂商主动联系您

点击提交代表您同意《用户服务协议》 和 《隐私政策》

草莓叶片含水率光谱数据实时分析、反演

品牌	其他品牌

基于高光谱成像与机器学习模型的草莓叶片含水率精准反演技术研究

摘要

本研究草莓叶片含水率光谱数据实时分析、反演，构建了一套融合高光谱成像（HSI）技术与多种机器学习模型的反演体系。通过搭建 HSI 数据采集系统获取草莓叶片光谱信息，经严格的数据预处理流程提取有效特征，深入对比偏最小二乘回归（PLSR）、支持向量回归（SVR）、梯度提升决策树回归（GBDTR）、ResNet 18 及宽度学习系统（BLS）等模型在不同超参数优化策略下的性能表现，最终筛选出适用于草莓叶片含水率反演模型架构，草莓叶片含水率光谱数据实时分析、反演为农业生产中作物水分状态的实时监测提供了先进的技术手段与理论支撑。

一、引言

草莓作为经济价值较高的浆果类作物，其叶片含水率是反映生长状态、指导精准灌溉的关键指标。传统含水率检测方法（如烘干法）操作繁琐、破坏性强，难以满足现代农业实时、无损监测需求。高光谱成像技术凭借其 “图谱合一" 特性，可同时获取草莓叶片的图像与光谱信息，为含水率无损检测提供了新途径。然而，高光谱数据存在维度高、冗余信息多等问题，需结合先进机器学习算法挖掘光谱与含水率间的复杂非线性关系，实现精准反演，这也是本研究的核心突破方向。

二、高光谱成像系统与数据采集

（一）HSI 系统搭建

搭建由高光谱相机、镜头、卤素灯光源、光源控制器及图像采集平台组成的 HSI 系统（图 1）。卤素灯提供稳定照明，高光谱相机采集草莓叶片 400 - 900nm 波段的高光谱图像，经镜头聚焦后传输至计算机存储与处理，确保光谱信息采集的准确性与稳定性。

（二）样本制备与数据采集

选取健康与干旱胁迫状态的草莓叶片样本（图 4），总计 1086 个。利用 HSI 系统采集样本高光谱图像，后续通过图像分割、背景去除、ROI 定义及平均光谱反射率计算（图 2），构建样本光谱数据库，为模型训练提供基础数据。

三、数据预处理与数据集划分

（一）光谱数据预处理

采用 SG 平滑（一阶导数 SG - D₁、二阶导数 SG - D₂）、多元散射校正（SG - MSC）、标准正态变换（SG - SNV）等预处理方法，有效去除噪声、基线漂移等干扰，提升光谱数据质量。

（二）数据集划分

将 1086 个样本按合理比例划分为训练集（724 个）与测试集（362 个）（表 1），确保训练集与测试集在含水率统计特征（最小值、最大值、标准差、平均值）上分布一致，为模型公平评估提供保障。

四、机器学习模型构建与超参数优化

（一）模型选择与原理

PLSR：通过对光谱数据进行主成分分析，提取与含水率高度相关的潜在成分，构建线性回归模型，实现光谱到含水率的映射。
SVR：基于统计学习理论，通过核函数将光谱数据映射到高维特征空间，寻找超平面实现含水率预测，适用于处理小样本、非线性问题。
GBDTR：以梯度提升策略迭代构建决策树集成模型，不断修正残差，增强模型对复杂非线性关系的拟合能力。
ResNet 18：借助残差连接突破深度网络训练瓶颈，自动提取光谱数据深层次特征，适用于高维光谱数据的特征学习与回归任务。
BLS：通过随机映射构建特征节点与增强节点，快速构建宽而浅的网络结构，在保证精度的同时提升计算效率。

（二）超参数优化范围

针对各模型设定超参数搜索范围（表 2），如 PLSR 的最佳成分数 n∈(1,20) ，SVR 的正则化参数 c∈(10,600)、核参数 g∈(0.01,1) ，GBDTR 的决策树数量、节点分裂参数等，为模型性能优化提供参数空间。

（三）优化策略与模型训练

采用随机搜索（RS）、网格搜索（GS）、贝叶斯优化（BO）等策略优化超参数，在训练集上训练模型，测试集验证性能，对比不同预处理方法、优化策略下模型的决定系数（R²）、均方根误差（RMSE）等指标。

五、模型性能对比与分析

（一）单一模型性能对比

通过不同模型在测试集上的表现（图 7、表 4）可知：BLS 模型结合 GS 优化与 SG - D₁预处理时，训练集 R² 达 0.8210、RMSE 为 0.0042，测试集 R² 为 0.7974、RMSE 为 0.0045，性能优于 PLSR、GBDTR 等模型；ResNet 18 虽在特征提取上有优势，但超参数优化不当易出现过拟合，需精准调控训练周期、学习率等参数。

（二）模型鲁棒性与适应性分析

对比健康与干旱胁迫样本的光谱特征（图 5、表 3），干旱胁迫样本光谱反射率在可见光波段（400 - 700nm）更高、近红外波段（700 - 900nm）增长更缓，反映出含水率对光谱特性的显著影响。各模型在两类样本上的预测表现显示，BLS - GS - SG - D₁模型对不同水分胁迫状态样本的适应性更强，预测误差波动小，鲁棒性更优。

六、结论与展望

本研究构建的高光谱成像与机器学习融合体系，实现了草莓叶片含水率的精准反演。BLS 模型结合 GS 超参数优化与 SG - D₁预处理表现，为农业作物水分监测提供了高效技术方案。未来可拓展至更多作物、更多生长指标监测，结合物联网技术构建田间实时监测系统，同时探索量子计算等新型算法对高光谱数据处理的潜力，进一步提升反演精度与效率，助力智慧农业发展迈向新高度。