安徽省農(nóng)業(yè)科學(xué)院土壤肥料研究所利用我司高光譜設(shè)備，通過(guò)高光譜成像技術(shù)研究辣椒葉片葉綠素含量與光譜之間的定量關(guān)系，為大面積、快速檢測(cè)植被葉綠素含量變化提供了可能。

此研究選取150組不同生長(zhǎng)期的辣椒葉片作為研究對(duì)象，分別采集辣椒葉片的高光譜圖像和葉綠素含量后，進(jìn)行辣椒葉片葉綠素含量定量模型的預(yù)測(cè)研究。我司高光譜成像系統(tǒng)如圖1、圖2所示。

圖1 GaiaSoter-Dual“蓋亞”雙相機(jī)全波段高光譜分選儀

圖2 Gaiafiled-Pro-V10E相機(jī)及參數(shù)

通過(guò)選取如圖3所示的6處具有代表性的矩形感興趣區(qū)（避開(kāi)葉脈）作為樣本的原始光譜，加權(quán)平均后的光譜值作為原始光譜數(shù)據(jù)。去掉383～399 nm和950～1000 nm邊緣噪聲較大的光譜數(shù)據(jù)，保留400～949 nm進(jìn)行下一步研究（如圖4所示）。

圖3.辣椒葉片取樣區(qū)域

Fig3. Sampling area of pepper leaves

圖4原始光譜曲線

Fig 4. original spectral curve

通過(guò)隨機(jī)森林算法選擇得到重要性最高的前20個(gè)波段，如圖5所示。分別為697.1 nm、932.1nm、941.9 nm、693.6 nm、857.4 nm、930.8 nm、543.4 nm、927.1 nm、803.3 nm、550.1 nm、806.9 nm、785.4 nm、704.1 nm、890.1 nm、916 nm、530 nm、533.1 nm、556.8 nm、771.1 nm、536.7 nm，從上述所選波段分布來(lái)看，主要集中于可見(jiàn)光波段（390～780 nm），這可能與光合作用的波段主要是可見(jiàn)光波段有關(guān)。

圖5.隨機(jī)森林特征重要性

Fig 5 Importance of random forest characteristics

將經(jīng)隨機(jī)森林特征選擇算法篩選后的波段作為自變量，SPAD值作為因變量。利用線性回歸（Linear Regression, LR）、偏最小二乘回歸（Partial Least Squares Regression, PLSR）、梯度提升回歸樹(shù)（Gradient Boosting Regressor Tree, GBRT)、隨機(jī)森林回歸（Random Forest regression, RFR）分別構(gòu)建反演模型。表1為4種模型的建模效果精度對(duì)比，圖6為4種模型的驗(yàn)證集驗(yàn)證效果。

表1 不同算法精度對(duì)比