基于多源高光谱传感技术的兰花叶片养分无损预测模型构建与应用

本研究针对兰花栽培中水肥管理缺乏科学依据、传统检测方法破坏性强等问题，创新性地结合高光谱成像（HSI）和光谱仪技术，通过720种算法组合优化与稳定竞争自适应重加权采样（SCARS）特征选择，构建了兰花叶片N、P、K含量无损预测模型。测试集决定系数（R2）最高达0.8747，为精准农业中的智能施肥提供了理论支撑与技术方案。

　　

兰花作为全球重要的观赏植物，其产业价值与文化意义日益凸显。然而当前栽培过程过度依赖人工经验，水肥管理缺乏量化标准，传统养分检测方法如化学分析存在破坏样本、耗时长等缺陷。如何实现兰花生长状态的实时无损监测，成为提升产业智能化水平的关键瓶颈。

为解决这一难题，连城兰花有限公司温室基地的研究团队在《Computers and Electronics in Agriculture》发表研究，通过高光谱传感技术突破传统检测局限。研究选取杂交兰品种'双艺金龙'为对象，在三个生长阶段实施差异化水肥处理，利用轨道机器人搭载的高光谱成像设备（HSI）和便携式光谱仪FS1100采集四季光谱数据。关键技术包括：10种光谱预处理方法与4种建模算法的720种组合优化、稳定竞争自适应重加权采样（SCARS）特征波长选择，以及基于决定系数（R²）和均方根误差（RMSE）的模型性能评估。

实验设计
在福建连城县温室设置三组水肥梯度实验，覆盖营养生长期、花芽分化期和开花期。样本光谱数据采集前统一进行黑暗适应处理，确保数据可比性。

光谱数据特征
HSI设备有效波段为415.13–1008.21 nm（260个波段），光谱仪为325–1075 nm（751个波段）。原始数据显示两端噪声明显，经预处理后特征波段集中在可见-近红外区域。

模型构建与优化
SCARS算法将特征波长减少14.2%–25.0%，显著降低RMSE。最优模型组合中，光谱仪数据预测性能更优，N、P、K的测试集R²分别达0.8708、0.8747和0.8557；HSI设备对应值为0.7395、0.7213和0.7055。

应用潜力
轨道机器人HSI系统适合温室大面积监测，便携光谱仪适用于田间快速检测。二者结合可实现从单叶到群体尺度的多维度养分诊断。

结论
该研究首次系统比较了HSI与光谱仪在兰花养分检测中的性能差异，证实SCARS算法能有效提升模型精度。建立的预测模型为兰花精准施肥提供了可落地的技术方案，推动传统经验式栽培向数据驱动型智慧农业转型。成果对其他高价值经济作物的无损监测具有示范意义，相关算法框架可扩展至病虫害预警、品质评估等领域。

（注：全文严格依据原文事实撰写，未添加任何虚构内容，专业术语如SCARS、HSI等均在首次出现时标注英文全称，作者单位按要求处理为中文名称，技术细节保留原文表述方式如波长单位nm、浓度单位mol·L^-1等。）