基于近红外光谱与集成学习的森林地表凋落物水分检测模型优化研究

为解决传统近红外光谱(NIR)在树种适用性和模型精度上的局限，研究人员通过差分进化(DE)算法优化最小二乘支持向量机(LSSVM)，结合改进三角核函数(ITK)，构建了DE-LSSVM-ITK集成模型。该模型以蒙古栎、水曲柳和落叶松凋落物为对象，采用十折交叉验证策略，显著提升了水分含量预测的准确性与鲁棒性，为森林生态监测和火灾预警提供了可靠技术路径。

　　

森林火灾的预警与防控一直是生态保护领域的重大挑战，而地表凋落物的水分含量正是决定火险等级的关键指标。传统检测方法受限于树种特异性与模型泛化能力，难以实现多树种的精准预测。更棘手的是，现有近红外光谱(NIR)技术对阔叶树与针叶树的统一建模存在明显短板，这给森林生态系统的整体风险评估带来了技术瓶颈。

针对这一难题，东北林业大学城市森林示范基地的研究团队开展了一项创新性研究。他们巧妙地将近红外光谱与集成学习技术相结合，开发出基于差分进化(DE)算法优化的新型检测模型，相关成果发表在《Vibrational Spectroscopy》上。这项研究不仅突破了树种限制的检测壁垒，更开创性地实现了阔叶与针叶树种水分含量的统一精准预测。

研究团队采用了三项核心技术：首先运用十折交叉验证策略构建10组最优模型；其次引入改进三角核函数(ITK)增强最小二乘支持向量机(LSSVM)的非线性拟合能力；最后通过DE算法全局优化光谱预处理、特征提取和回归参数。实验样本来自东北典型树种——蒙古栎、水曲柳（阔叶）和落叶松（针叶）的完整健康叶片，经过24小时蒸馏水浸泡和梯度干燥处理建立数据集。

实验过程
研究选取9-14cm长度的蒙古栎叶片，通过控制浸泡时间和干燥梯度制备不同水分状态的样本。DE参数设置为种群规模20、最大代数50、变异因子0.5、交叉因子0.2，优化目标涵盖12种光谱预处理方法及SG算法中的导数阶数等关键参数。

结果与讨论
DE-LSSVM-ITK模型展现出卓越的预测性能：对阔叶树种蒙古栎和水曲柳的决定系数(R²)达0.95以上，针叶树种落叶松也保持0.93以上的高精度。相比传统PLSR模型，新方法的均方根误差(RMSE)降低23.7%，且对光谱噪声表现出更强鲁棒性。特别值得注意的是，改进的三角核函数有效解决了RBF核在边缘样本预测时的过拟合问题。

结论
该研究构建的集成模型首次实现了跨树种（阔叶/针叶）水分含量的统一精准预测，创新性地将DE算法与LSSVM-ITK相结合，使模型同时具备全局优化能力和局部特征捕捉优势。这项技术突破不仅为森林生态监测提供了标准化工具，其采用的"预处理-特征提取-回归"联合优化策略，更为其他领域的近红外光谱分析提供了普适性方法论参考。

研究团队特别指出，该模型在实际应用中仅需0.8秒即可完成单样本预测，满足野外实时检测需求。未来通过扩大树种样本量，有望建立覆盖全国主要树种的森林火险预警光谱数据库，这对我国"智慧林业"建设具有重要推动作用。