第４３卷，第７期光谱学与光谱分析Ｖｏｌ．４３，Ｎｏ．７，ｐｐ２０５０－２０５８２０２３年７月ＳｐｅｃｔｒｏｓｃｏｐｙａｎｄＳｐｅｃｔｒａｌＡｎａｌｙｓｉｓＪｕｌｙ，２０２３基于近红外光谱技术和混合学习框架的橡胶树叶片氮含量估算胡文锋１，２，唐玮豪１，李创１，吴京锦１，马庆芬１，罗小川１，王超２，唐荣年１＊１．海南大学机电工程学院，海南海口５７０２２８２．天津大学电气自动化与信息工程学院，天津３０００７２摘要叶片氮含量（ＬＮＣ）是判断橡胶树营养状态的一个重要量化指标，快速准确地检测橡胶树的叶片氮含量对于保证橡胶树的生长和天然橡胶的产量是非常十分必要的。利用近红外光谱技术对１１９片橡胶叶片的叶面氮含量进行了定量分析，建立了高精度的预测模型，实现了对橡胶叶片氮含量的快速精准检测。采集海南橡胶叶作物实验对象，首先使用ＧａｉａＦｉｅｌｄ－Ｆ－Ｎ１７Ｅ光谱仪测量橡胶叶片的近红外光反射率数据，波长范围为９４２～１６８０ｎｍ。然后，消除光谱数据中的异常样本，分别使用了三种不同的预处理方法对数据进行处理并比较它们对模型精度的提升效果。由于橡胶叶片的近红外光谱数据存在着大量的冗余信息和高度共线的光谱特征波段，因此，提出了一种基于改进后的模因框架（ＩＭＦ）的结合竞争自适应重加权采样（ＣＡＲＳ）和近邻搜索（ＮＮＳ）的混合变量选择方法，采用该算法消除光谱中的冗余信息并进行二次优化，从全波段中提取２８个作为建模波段。最后，使用偏最小二乘回归（ＰＬＳＲ）和最终选取的波段建立橡胶叶片的ＬＮＣ估算模型。为了验证所提方法的优越性，进一步使用ＣＡＲＳ，连续投影（ＳＰＡ）和传统模因算法（ＭＡ）的变量选择算法建立模型作为对比。结果表明，多元防散射效正（ＭＳＣ）处理后的光谱曲线和基于ＩＭＦ框架的ＣＡＲＳ－ＮＮＳ算法所建立的模型在预测集上的表现最佳：均方根误差（ＲＭＳＥｐ）达到０．１１６，决定系数（Ｒ２ｐ）为０．９５１，两项评价指标均优于其他的预测模型。综上所述，基于近红外光谱技术和使用混合学习ＩＭＦ框架构建的预测模型能够很好地揭示光谱数据与橡胶树叶片氮含量两者之间的关系，可为橡胶林的养分诊断提供必要的技术支持，保证橡胶树的良好生长，以提升天然橡胶的产量和质量。关键词近红外光谱；橡胶树；机器学习；进化算法；光谱波段选择；叶面氮含量中图分类号：Ｏ４３３．４文献标识码：ＡＤＯＩ：１０．３９６４／ｊ．ｉｓｓｎ．１...
