融合光谱统计特征与三重优化策略的马铃薯干物质含量高精度预测模型研究

《Smart Agricultural Technology》：Predicting Potato Dry Matter Content by Incorporating Spectral Statistical Features

为解决传统高光谱建模难以捕捉样本异质性和局部光谱特征的问题，研究人员开展了基于近红外高光谱（780-2000 nm）融合光谱统计特征（SD/SS）的马铃薯干物质含量预测研究。通过样本子集优化、特征波长筛选和统计特征融合的三重优化策略，构建的SDSS-CARS-PLSR模型预测性能显著提升（R2P=0.80，RMSEP=1.32%，RPD=2.13），为作物生化参数快速检测提供了可扩展的技术方案。

　　

马铃薯作为全球第四大粮食作物，其干物质含量（Dry Matter Content, DMC）是决定加工适用性和营养价值的关键指标。传统检测方法如烘箱干燥法虽精度较高，但存在样品前处理复杂、检测周期长、对操作人员依赖度大等问题，难以满足大规模样本快速检测需求。随着智慧农业的发展，近红外高光谱技术因其快速、无损的特点，成为作物品质参数检测的重要工具。然而，现有高光谱建模方法多聚焦于原始光谱数据与目标性状的直接关联，未能充分挖掘波段间的光谱变异特征，且对样本异质性的适应能力有限，制约了模型在实际应用中的稳定性和泛化能力。

针对上述挑战，内蒙古大学研究团队在《Smart Agricultural Technology》发表论文，提出一种融合光谱统计特征的多源建模方法。研究通过集成近红外高光谱反射率与光谱统计特征（光谱离散度Spectral Dispersion, SD和光谱平滑度Spectral Smoothness, SS），结合三重优化策略（样本子集划分、关键波长选择、统计特征融合），实现了马铃薯干物质含量的高精度预测。

关键技术方法包括：（1）使用FieldSpec4光谱仪采集442个马铃薯样本的780-2000 nm近红外高光谱数据，并进行SNV+DT+SG预处理；（2）采用CARS、BOSS、SPA、UVE四种算法筛选特征波长；（3）基于PCA降维后数据计算SD/SS统计特征，公式分别为SD=∑(i-j)²×P(i,j)和SS=∑P(i,j)/(1+|i-j|)；（4）利用PLSR、SVR、ELM、BPNN构建预测模型，以KS算法划分训练验证集（7:3），通过R²_P、RMSEP、RPD等指标评估性能。

研究结果方面：

3.1 样本统计特征表明，442个样本干物质含量呈正态分布（14.19-31.58%），校准集与验证集数据范围匹配良好。

3.2 光谱特性分析发现，马铃薯切片在980nm、1200nm、1450nm和1780nm处存在特征吸收峰，分别对应O-H键和C-H键的倍频振动。

3.3 全波长建模结果显示，Raw-SVR模型性能最优（R²_P=0.72-0.75），但所有模型RPD均低于2.0。

3.4 特征波长建模中，CARS-BPNN模型表现最佳（RPD=1.99），但仍未达到理想预测水平。

3.5 数据融合模型显著提升预测能力，SDSS-CARS-PLSR模型的R²_P达0.80，RMSEP为1.32%，RPD提升至2.13；SDSS-CARS-BPNN模型RPD也达2.01，均超过稳健预测阈值。

讨论部分指出，光谱统计特征能有效表征样本内部成分差异引起的局部光谱变异。与既往研究相比（如Escuredo等模型的RPD=1.90，Camps等模型的RPD=2.17），本研究在涵盖121个地方品种和40个F₁分离群体的广遗传多样性样本中实现了预测性能的提升，证实SD/SS特征可补充反射率变量信息，增强模型对异质性样本的适应能力。

结论强调，通过三重优化策略融合光谱统计特征的方法，为马铃薯干物质含量检测提供了可靠方案。该方法可扩展至其他作物生化性状的快速检测，为精准农业中的智能质量评估提供技术支持。未来需通过多批次、多产地样本验证模型泛化能力，并整合更多品质指标构建综合评估体系。