马玲, 张祎洋, 李亚娇, 马思艳, 王静, 马燕, 吴龙国
本研究旨在利用高光谱成像技术快速检测土壤含水量,以实现对番茄植株生长状况的及时监测。通过提取304个土壤样本的平均光谱反射率,采用异常值剔除、样本集划分、3种预处理方法对原始光谱进行预处理和优化处理。研究中运用了连续投影算法(successive projections algorithm,SPA)、无信息变量消除变换法(uninformation variable elimination,UVE)、迭代保留信息变量法(iterative retained information variable,IRIV)、遗传偏最小二乘算法(genetic partial-least-squares algorithm,GAPLS)4种方法提取特征波长,并基于这些波长建立偏最小二乘回归(partial-least-squares regression,PLSR)模型。进一步地,根据优选出的特征波长还构建了多元线性回归(Multiple linear regression,MLR)模型、主成分回归(Principal component regression,PCR)模型和卷积神经网络模型(convolutional neural network,CNN)。结果表明,在经过平均平滑法(moving average smoothing,MAS)对土壤含水量进行预处理后,使用IRIV法提取的特征波长所建立的土壤含水量定量预测模型表现最佳,其校正集相关系数Rc=0.7167,均方根误差RMSEc=0.0193;验证集相关系数Rp=0.6631,RMSEP=0.0272。特别是基于IRIV-CNN组合的模型展现出更优的性能,Rc=0.7655,RMSEc=0.0172。本研究不仅提供了一种有效的土壤水分监测手段,也为提高设施蔬菜产业中的水资源利用效率、促进番茄种植过程中科学合理的水分管理以及实现植株健康状态在线监控提供了强有力的技术支持。