
-
生物通官微
陪你抓住生命科技
跳动的脉搏
基于高光谱成像与机器学习算法的番茄叶片氮素水平分类研究
《Scientific Reports》:Synergistic effects of spectral preprocessing and machine learning algorithms for nitrogen estimation in tomato using hyperspectral spectral data
【字体: 大 中 小 】 时间:2026年09月18日 来源:Scientific Reports 4.9
编辑推荐:
摘要准确估算叶片氮含量对于优化施肥管理和提高作物产量至关重要。本研究提出了一种无损高光谱成像框架,结合先进的机器学习算法,用于对番茄(Solanum lycopersicum L.,Royal品种)叶片氮素水平进行分类。在受控条件下,从接受三种氮处理(N-30%、N-60%和
准确估算叶片氮含量对于优化施肥管理和提高作物产量至关重要。本研究提出了一种无损高光谱成像框架,结合先进的机器学习算法,用于对番茄(Solanum lycopersicum L.,Royal品种)叶片氮素水平进行分类。在受控条件下,从接受三种氮处理(N-30%、N-60%和N-90%)的植株中共采集了300个高光谱样本。反射率数据(400–1000 nm)经过校准,并使用标准正态变量变换(SNV)、乘性散射校正(MSC)和Savitzky–Golay(SG)滤波进行预处理。系统评估了无监督和有监督算法。聚类结果表明,预处理方法对类别可分性具有显著影响。MSC结合高斯混合模型(GMM)取得了最优的无监督结果,其Davies–Bouldin指数最低(0.443),轮廓系数最高(0.975),表明簇的紧凑性和分离度得到提升。在有监督学习中,神经网络(NN)始终优于其他模型,在SNV、MSC和SG预处理下均达到100%准确率和1.00的ROC–AUC值。梯度提升(GB)和支持向量机(SVM)也表现出较强的预测能力,而包括线性判别分析(LDA)、逻辑回归(LR)、K近邻(KNN)和朴素贝叶斯(NB)在内的传统模型,在预处理后仅呈现中等程度的改善。统计分析证实,光谱预处理对聚类与分类结果均有显著影响(p < 0.05)。总体而言,在受控实验条件下,将高光谱成像与适当的预处理及非线性机器学习模型相结合,可实现较强的分类性能。然而,部分模型表现出的极高性能应谨慎解读,原因在于数据集规模相对较小且氮处理处于实验控制之下。此外,缺乏独立的对外验证数据集,限制了对该框架在不同生长条件、品种及田间环境下泛化能力的评估。因此,在将该框架更广泛地应用于精准农业实践中之前,需使用更大规模且更多样的数据集进行独立验证。