基于光谱建模与迁移学习的跨物种植物样本氮含量预测研究

《Food and Energy Security》：Interspecies Prediction of Nitrogen Content in Processed Plant Samples Using Spectroscopic Modeling and Transfer Learning

本综述系统评估了利用光谱技术结合机器学习模型（PLSR和RF）预测多物种植物叶片氮含量的可行性与局限性。研究表明，基于预处理样本的PLSR模型具有更高预测精度（R2=0.95），并揭示了C3与C4植物在400-670 nm波段的光谱差异。研究为农业精准施肥提供了跨物种模型泛化的重要理论依据。

　　

引言

氮素是影响农作物生长、产量和品质的关键营养元素，直接参与蛋白质合成、叶绿体形成等生理过程。传统氮含量检测方法耗时费力，而光谱技术结合机器学习为快速无损检测提供了新途径。本研究通过分析咖啡、甘蔗、豆类等7类作物的预处理样本，系统探讨了光谱模型在跨物种氮含量预测中的潜力。

材料与方法

研究收集555份田间样本，经60°C烘干研磨后，使用FieldSpec 3光谱仪（350-2500 nm）采集光谱数据。通过多元散射校正（MSC）和Savitzky-Golay滤波进行光谱预处理，分别建立偏最小二乘回归（PLSR）和随机森林（RF）预测模型。迁移学习评估涵盖三个维度：物种间迁移、时序稳定性验证以及独立数据集测试。

结果与讨论

描述性统计显示，C3植物（如豆类）氮含量（均值45.55 g·kg^-1）显著高于C4植物（甘蔗均值14.11 g·kg^-1）。光谱特征分析发现，所有作物在530 nm、615 nm和670 nm处均出现特征吸收峰，这些在鲜样中被水分掩盖的特征在预处理样本中清晰显现。PLSR模型在全球数据集上表现最优（R²=0.95，RMSE=2.16 g·kg^-1），显著优于RF模型（R²=0.88）。变量重要性分析表明，可见光区（450-680 nm）和红边区域（680-750 nm）波段对预测贡献最大，其中702 nm（PLSR）和707 nm（RF）波段尤为关键。

模型泛化测试显示，PLSR对"其他作物"类别预测效果最佳（R²=0.77），而RF更适用于甘蔗物种。季节性验证发现， forage作物在春季（10月）的预测误差（RMSE≈3.50 g·kg^-1）显著高于夏季（2月）和秋季（4月），表明物候期变化会影响模型稳定性。

结论与展望

研究表明，基于预处理样本的光谱建模能有效克服水分干扰，提升氮含量预测精度。未来研究可重点关注三个方向：开发融合深度学习的新算法、通过样本增强策略优化模型泛化能力、建立作物专属预测模型。该技术为构建跨物种营养诊断系统提供了重要技术支撑，对推进智慧农业发展具有积极意义。