基于高光谱特征工程与气象数据融合的茶叶品质实时无损监测模型构建及其在高标准栽培中的应用

本研究针对茶叶品质实时无损监测的技术瓶颈，创新性地融合高光谱反射率数据（ASD HandHeld 2采集）与气象变量，通过谐波/小波变换提取敏感特征，构建了TP（茶多酚）、AA（游离氨基酸）及TP/AA比值的预测模型。采用RF（随机森林）、LASSO（最小绝对收缩选择算子）和PLSR（偏最小二乘回归）算法，模型R2达0.59-0.86，其中秋季预测精度最高。该研究为茶园精准管理和采收优化提供了数字化解决方案，发表于《Computers and Electronics in Agriculture》。

　　

论文解读

茶作为全球消费量第二的饮品，其品质直接影响健康效益与经济价值。茶多酚（Tea Polyphenols, TP）和游离氨基酸（Free Amino Acids, AA）作为核心品质成分，不仅赋予茶叶抗氧化、抗肿瘤等生理活性，还决定其风味与市场溢价。然而，传统品质检测依赖专家感官评价或破坏性化学分析（如GC-MS），存在主观性强、效率低下等问题。尽管近红外、高光谱等技术已应用于茶叶检测，但现有研究多聚焦加工后成品，对鲜叶的实时田间监测仍缺乏有效手段。此外，气象因素（温度、辐射等）对品质形成的关键影响尚未系统整合到预测模型中。

针对上述问题，中国农业科学院等机构的研究人员开展了跨季节（春、夏、秋）多茶园（江苏6个产区）研究，通过高光谱数据（400-1000 nm）与气象变量融合，结合机器学习算法构建了TP、AA及TP/AA比值的无损预测模型。关键技术包括：1）使用ASD HandHeld 2光谱仪采集茶树冠层反射率；2）谐波分解（Harmonic）和连续小波变换（Wavelet）提取特征；3）构建两/三特征组合的高光谱指数；4）整合温度、辐射等气象数据；5）采用RF、LASSO、PLSR算法建模。

季节性品质动态
分析显示TP含量夏季最高（26.68%），AA则在春季峰值（5.45%），TP/AA比值夏季达10.22，揭示季节代谢差异直接影响品质基准。

高光谱特征工程优势
相比原始反射率，经小波变换（5-7尺度）和谐波分量（1-3阶）处理的特征与品质指标相关性提升30-50%，其中753 nm波段对TP、682 nm对AA敏感度最高。

模型性能比较
RF模型表现最优，TP预测R²达0.71（夏季），AA达0.79（春季）。引入气象变量后，秋季TP/AA预测R²提升至0.86，证实环境因子可显著增强模型鲁棒性。

结论与意义
该研究首次实现高光谱与气象数据的协同建模，突破鲜叶品质实时监测的技术壁垒。提出的谐波-小波特征提取框架为作物生理参数检测提供新范式，而季节特异性模型则为茶园精准施肥、采收期优化提供决策支持。研究成果推动茶叶产业从经验种植向数字化管理转型，对提升中国高端茶叶国际竞争力具有战略价值。