基于生长期特异性的库尔勒香梨叶片全磷含量近红外光谱建模与精准预测研究

本研究通过系统采集库尔勒香梨三个关键生长期（坐果期、膨大期、成熟期）的叶片样本及其近红外光谱数据，综合应用多元散射校正（MSC）、Savitzky-Golay平滑（SG）、一阶导数（FD）、二阶导数（SD）及其组合算法进行光谱预处理，并采用竞争性自适应重加权采样（CARS）算法筛选特征波长，构建了生长期特异性BP神经网络模型和跨生长期通用预测模型。结果表明，考虑作物生长期特性的建模策略可显著提高近红外光谱模型预测能力，为果园精准养分管理提供可靠技术框架。

　　

引言

磷作为植物生长发育的必需矿质元素，在核酸合成、能量代谢和细胞膜结构维持等生理过程中起关键作用。叶片全磷含量（LTP）的动态变化不仅是果树营养状况的直接反映，也是果园精准施肥的重要依据。近红外光谱（NIRS）技术凭借无损检测、高通量分析和快速响应等优势，为植物营养元素原位监测提供了创新途径。当前果树磷素光谱诊断研究面临三大瓶颈：多数研究未系统考虑生长期差异对叶片磷分布的影响；光谱预处理技术的协同机制不明确；特征波段选择与模型参数优化未能与生长期动态耦合。

材料与方法

试验在新疆阿拉尔市塔里木大学校园内进行，供试材料为23年生库尔勒香梨。分别于香梨坐果期（4月23日）、膨大期（7月11日）和成熟期（9月20日）采集树冠外围当年生枝中下段成熟叶片，每个时期采集150株树的叶片样本。使用傅里叶变换近红外光谱仪（Antaris II FT-NIR）采集10000–4000 cm^-1范围内的原始光谱数据，分辨率设为8 cm^-1。叶片全磷含量测定采用钼锑抗比色法，通过硫酸-过氧化氢消解体系处理样品后，在700 nm波长下测定吸光度值。

光谱预处理方法包括多元散射校正（MSC）、Savitzky-Golay平滑（SG）、一阶导数（FD）、二阶导数（SD）及其组合策略（MSC+FD、MSC+SD、SG+FD、SG+SD）。采用竞争性自适应重加权采样（CARS）算法进行特征波长筛选，基于筛选结果分别构建随机森林（RF）、支持向量机（SVR）和BP神经网络模型。模型性能通过决定系数（R²）、均方根误差（RMSE）和相对分析误差（RPD）等指标进行评价。

结果与分析

不同时期香梨叶片全磷含量分布

箱线图分析显示，库尔勒香梨叶片LTP含量在不同生长期呈现显著差异分布。坐果期含量最低（0.02%–0.25%）且呈左偏分布；膨大期含量相对稳定（中位数0.15%）；成熟期含量最高（最大达0.45%）且呈右偏分布。这种分布特性为分期建模提供了生理基础。

叶片光谱数据分析

原始光谱在4000–5500 cm^-1范围内形成LTP的核心敏感区，5500–7500 cm^-1范围的合频区可协同验证全磷差异。不同样本光谱曲线的离散化和聚合化反映了LTP含量的组间差异，结合生长期分类的光谱图可见不同时期特征区间曲线呈现明显离散与聚合差异。

光谱数据预处理

组合预处理方法展现出更强的协同效应：MSC+FD在消除物理散射的同时放大动态光谱特征；MSC+SD在散射校正基础上改善细节分辨能力；SG+FD在降噪同时增强化学成分引起的光谱变化；SG+SD实现噪声抑制与高频细节增强的平衡。相关性分析表明组合策略可使典型峰谷r值提高0.05–0.15。

特征波段选择

CARS算法筛选结果显示，组合预处理方法在各生长期均能提取出更密集、更全面的特征波段。坐果期特征波段在特定光谱区域呈密集分布；膨大期特征波段在4000–8000 cm^-1范围内分布相对均匀；成熟期依赖组合预处理增强痕量成分敏感波段提取能力。

LTP估算模型

分期特异性模型预测性能全面优于跨期通用模型。坐果期最优模型FD+CARS-BP验证集R²达0.88；膨大期最优模型SG+FD-CARS-BP验证集R²为0.83；成熟期最优模型SG+SD-CARS-BP验证集R²达0.85。与通用模型相比，R²提高0.05–0.16，RMSE降低0.0029–0.0079。

模型参数优化

通过网格搜索和交叉验证对RF、SVR和BP神经网络进行超参数优化。RF模型在n_estimators=500、min_samples_leaf=5时达到最佳平衡；SVM模型确定C=5、γ=0.1时性能最优，径向基函数（RBF）核函数表现最佳；BP神经网络隐藏层节点数为5时拟合效果最好，trainlm训练函数最适合本研究任务。

与先进基线模型对比

与偏最小二乘回归（PLSR）、LightGBM和一维卷积神经网络（1D-CNN）等先进基线模型相比，本研究提出的分期特异性模型在各生长期均表现出更优的预测稳定性和适应性，特别是在小样本建模条件下显示出明显优势。

讨论

生长期LTP含量动态与模型适应性

不同生长期香梨叶片LTP含量差异显著，分期特异性模型通过适应各时期LTP含量动态（高离散、稳定状态、低浓度）显著提高预测精度，验证了"分期建模"在果树营养诊断中的必要性。

光谱预处理协同机制

组合预处理实现"多功能协同"：MSC+FD增强坐果期高离散LTP的光谱响应；SG+SD适应成熟期低浓度弱信号。这种"协同效应"是提取磷关联信息的关键，为复杂样品的光谱细化提供了有效途径。

模型泛化能力与跨期挑战

跨期模型比较表明，特异性模型在本生长期R²值比通用模型高0.05–0.16。当坐果期FD+CARS-BP模型扩展至膨大期时，验证集R²从0.88降至0.78，反映了"光谱-磷含量"关系在生长期上的特异性。

研究局限与未来方向

本研究聚焦近红外光谱（4000–10000 cm^-1），对磷特征峰（如P–O键伸缩振动，~1000–1300 cm^-1）探索不足。未来工作可融合中红外光谱扩展特征维度，同时开发田间光谱校正模型并引入动态参数调整机制，增强技术的实用性。

结论

本研究明确了库尔勒香梨LTP预测的"生长期特异性-预处理协同-模型适应"技术框架，证明分期建模结合组合预处理可显著提高预测精度，为果树精准养分管理提供了科学范式。后续需加强多光谱融合与田间验证，进一步推动光谱技术在果园生产中的应用。