杉木是我国南方最重要的用材树种之一，其速生性强、用途广、产量高，在林业生产中具有重要地位。叶片叶绿素含量和含水量是反映杉木生长状态的重要生理指标，与生长、抗性等性状密切相关。然而，长期以来，杉木叶绿素含量和含水量的测定一直依赖破坏性的化学测定，存在成本高、效率低等问题，严重制约了杉木种质资源高通量评价、种苗培育实时监测等工作的开展。近年来，高光谱技术的发展和机器学习模型的应用为杉木叶片叶绿素含量和含水量等重要生理指标的无损精准检测提供了新的思路。
2024年7月，Forestry Research 在线发表了浙江农林大学黄华宏/林二培教授课题组题为Non-destructive estimation of needle leaf chlorophyll and water contents in Chinese fir seedlings based on hyperspectral reflectance spectra 的研究论文。
在这项研究中，作者首次基于高光谱反射率和机器学习算法建立了杉木幼苗叶片叶绿素含量（LCC）和水分含量（LWC）无损检测技术。作者利用光谱范围为870至1720纳米的线扫描高光谱成像系统，获取具有不同LCC和LWC的杉木幼苗叶片高光谱图像，提取并利用Savitzky-Golay平滑（SG）算法对幼苗冠层区域的光谱数据进行预处理。随后，采用连续投影算法（SPA）和竞争性自适应重采样（CARS）方法提取最富含信息的特征波长。作者进一步使用支持向量机（SVM）、偏最小二乘回归（PLSR）和人工神经网络（ANNs）构建基于有效波长预测LCC和LWC的模型。结果表明，CARS-ANNs模型在预测LCC方面表现最佳，其R²C = 0.932，RSMEC = 0.224，R²P = 0.969，RSMEP = 0.157。同样，SPA-ANNs模型在预测LWC方面展现出最佳的性能，其R²C = 0.952，RSMEC= 0.049，R²P= 0.948，RSMEP= 0.051。这些研究结果表明，高光谱成像技术结合机器学习算法，能够为杉木叶绿素含量和叶片含水量等重要生理指标的快速、无损精度检测提供新的方法。
图1 杉木幼苗高光谱数据提取流程
图2 杉木幼苗叶片叶绿素含量和含水量实测值和预测值相关性分析
原文链接：
https://doi.org/10.48130/forres-0024-0021
相关推荐：
关于
Forestry Research
赶紧加入
ForRes交流群
