基于高光谱成像技术的辣椒叶片叶绿素含量估算

安徽省农业科学院土壤肥料研究所利用我司高光谱设备，通过高光谱成像技术研究辣椒叶片叶绿素含量与光谱之间的定量关系，为大面积、快速检测植被叶绿素含量变化提供了可能。

此研究选取150组不同生长期的辣椒叶片作为研究对象，分别采集辣椒叶片的高光谱图像和叶绿素含量后，进行辣椒叶片叶绿素含量定量模型的预测研究。我司高光谱成像系统如图1、图2所示。

图1 GaiaSoter-Dual“盖亚”双相机全波段高光谱分选仪

图2 Gaiafiled-Pro-V10E相机及参数

通过选取如图3所示的6处具有代表性的矩形感兴趣区（避开叶脉）作为样本的原始光谱，加权平均后的光谱值作为原始光谱数据。去掉383～399 nm和950～1000 nm边缘噪声较大的光谱数据，保留400～949 nm进行下一步研究（如图4所示）。

图3.辣椒叶片取样区域

Fig3. Sampling area of pepper leaves

图4原始光谱曲线

Fig 4. original spectral curve

通过随机森林算法选择得到重要性最高的前20个波段，如图5所示。分别为697.1 nm、932.1nm、941.9 nm、693.6 nm、857.4 nm、930.8 nm、543.4 nm、927.1 nm、803.3 nm、550.1 nm、806.9 nm、785.4 nm、704.1 nm、890.1 nm、916 nm、530 nm、533.1 nm、556.8 nm、771.1 nm、536.7 nm，从上述所选波段分布来看，主要集中于可见光波段（390～780 nm），这可能与光合作用的波段主要是可见光波段有关。

图5.随机森林特征重要性

Fig 5 Importance of random forest characteristics

将经随机森林特征选择算法筛选后的波段作为自变量，SPAD值作为因变量。利用线性回归（Linear Regression, LR）、偏最小二乘回归（Partial Least Squares Regression, PLSR）、梯度提升回归树（Gradient Boosting Regressor Tree, GBRT)、随机森林回归（Random Forest regression, RFR）分别构建反演模型。表1为4种模型的建模效果精度对比，图6为4种模型的验证集验证效果。

表1 不同算法精度对比