基于高光谱反射率的植物不同生育期叶片磷含量鉴定

背景

现代农业力求从经济和环境两方面考虑对化肥进行可持续管理。监测生长中的植物的任何营养(磷、氮、钾)缺乏是精确农业技术的一个挑战。研究人员对三种常见作物芹菜(芹菜L,简历。霓虹灯)、甜菜(Beta寻常魅力L,简历。Tapir）和草莓（草莓属×ananassa杜谢恩,简历。Honeoye），用四种不同剂量的磷（P）施肥，为P含量的非侵入性检测提供数据。

结果

通过植物材料中叶绿素和类胡萝卜素含量的生化分析获得的数据表明，与草莓中的甘油甜菜和芹菜中的P植物的最强烈效果是在甘蔗和芹菜中的各种叶绿素含量中，其中p影响各种类胡萝卜素叶子中的内容。使用高光谱成像进行的测量，在植物发育的几种不同阶段获得，应用于监督分类实验。开发了一种机器学习算法（BackProjagation神经网络，随机森林，野贝雷斯和支持向量机），以从P施肥的四种变体对植物进行分类。获得最低预测精度，以获得最早的植物发育阶段。统计分析显示叶生化成分，磷肥施肥与植物叶片/根的质量之间的相关性。

结论

结果表明，高光谱成像与人工智能相结合的方法在作物水平非均质磷肥的无创检测方面具有潜力。

磷（P）是一种重要的常量营养元素，对植物根系发育、生长发育和产量有重要影响[1］．此外，P在植物中的各种代谢过程中具有显着的功能，例如植物内的蛋白质形成，光合作用，细胞分裂，呼吸，能量储存和营养运动，是核酸，磷脂和辅酶的一体组成部分，活化氨基酸生产[2］．P被发现是芹菜中最重要的矿物质之一(Aqium graveolens）生长，质量和产量。它负责提高地上的总质量，可销售修剪产量和较大等级尺寸的产量[3.]. 磷在甜菜的生长发育中也起着重要的作用，因为磷对甜菜的根系产量和糖的同化至关重要[4.那5.］．

不当的磷肥管理对植物和环境都是危险的，并产生额外的成本。通常根据农民的经验施用肥料，这很容易导致过量或误用，导致土壤质量退化、作物减产、环境污染、水质恶化、富营养化和生物多样性丧失[6.］．因此，充足的磷肥在精准农业中起着关键作用。目前，通过目视检测或化学分析来获取植物中磷的状态信息是一种成本高、耗时费力的方法。此外，这些方法具有破坏性，无法用于连续监测植物生长过程中的磷含量，从而无法利用田间的磷资源。因此，需要多种有效的植物磷含量监测方法。

众所周知，植物缺磷会干扰叶绿素的产生，导致叶片褪绿[7.那8.］．延长的p缺乏可能进一步导致花青素的积累，从而导致叶面上的紫色变色[9.那10］．上述变化改变了叶子或檐篷的光谱反射特性，并使磷颜色图表和叶绿素米的光谱反射方法的应用，用于非破坏性估计的磷状态[11那12];然而，这些方法大多集中在单个叶片上。高光谱成像将光谱学与成像方法相结合，可以收集冠层图像，并提供有代表性的反射率数据，这些数据对测定植物在野外的磷状况非常有用。近年来，这项技术已被有效地用于各种作物的生物物理参数的估算，如叶面积指数[13那14]叶和果实色素含量[15那16那17那18那19那20.那21.)、生物质(22.]以及检测疾病和真菌感染[23.那24.那25.那26.］．报告了与叶含水量相关的光谱变化进行了几项研究[27.那28.叶绿素含量[29.那30.[Macronurient含量，例如氮气[31.那32.]和钾[33.］．

自动检测营养缺陷的目的是识别这些缺陷的视觉症状。以往的研究大多集中在估算叶片中的生化成分含量，作为单一植物品种（如柑橘）对缺磷的反应[34.那35.]， 白饭 [36.)、小麦(37.和油菜[6.那38.]. 克里斯滕森等人[39.表示，可以基于光谱冠层反射率以74％的精度预测P含量。类似地，使用从选自可见和近红外（VIS-NIR）谱中的八个波长的生产油菜叶中的P含量高精度（相关系数0.710）。6.]. Mahajan等人[40]提出了两个波段（组合1080） nm和1460 用于预测小麦磷含量的nm波段植被指数。这些研究大多集中在基于反射指数结合几个光谱波段直接预测磷含量，或通过预测相关物质的含量（例如叶绿素含量）间接检测磷含量。到目前为止，很少有研究致力于分析不同磷处理下叶片形态和颜色的时间动态，包括植物生长发育的较长时期和可见/红外光谱的多个波段[41.那42.］．

以往的研究表明，利用高光谱系统监测不同作物的磷素状况是可行的；然而，要正确描述植物对不同磷肥的光谱响应，包括生长的关键阶段，应给予更多的关注。此外，据我们所知，对根类蔬菜（如野生芹菜）中的营养异常进行分类的努力仍然不够-芹菜。)．这些限制已成为开展研究的先决条件，以开发用于预测在不同发育阶段和施肥剂量的植物（包括根蔬菜）中的P状况（包括根蔬菜）中的P状态。

本研究的目的是制定在使用高光谱反射测量的不同P肥料下监测野生芹菜，草莓和甜菜作物的不同发育阶段的植物磷（P）状态动态的歧视模型。由于经济重视（甜菜是许多国家的主要糖来源，以及它们的营养价值和味道（芹菜和草莓），为这项研究选择的三种物种非常受气候区。

叶绿素和常量营养素含量参考数据

不同的磷处理导致了所有研究植物色素含量的主要变化。数字1说明叶绿素a的含量_那叶绿素b_那甜菜、芹菜和草莓植株叶绿素和类胡萝卜素对不同施磷肥的响应结果表明，甜菜和草莓植株的磷含量超过营养液推荐剂量(图中黄色条)。1(P增加33%)导致叶绿素含量下降，叶绿素含量指的是所有测量的叶绿素(叶绿素a_那叶绿素B和总叶绿素）。在芹菜植物中观察到相同的趋势，但在较小的程度上。对于三种研究的物种，为各种P剂量记录最大的叶绿素浓度：对于甜菜，剂量低于推荐剂量的33％，对于推荐剂量的67％，在推荐的草莓下，为67％剂量。这些差异与P对各种物种的叶绿素活性的不同影响。与对照组（具有推荐剂量的那些剂量）相比，P对生长盆的缺乏或过度施加在草莓叶中的叶绿素和类胡萝卜素浓度的缺陷非常高，这可能与叶氯阳炎有关。该结果表明，草莓植物对磷剂量不平衡的高敏感性，同意Trejo-Téllez和Gómez-merino的观察到[43.[谁注意到P缺陷草莓叶中叶绿素含量大大降低，在P应力下变得均匀黄色。此外，estrada-ortiz等。[44.]证实了草莓植株中P含量与其叶片叶绿素积累的密切关系。此外，过量施磷会导致光合色素含量下降，并严重影响土壤和环境的退化。数字1表明所研究物种中叶绿素A的浓度远高于叶绿素B的浓度。该结果与Costa等人不一致。[45.[谁观察到叶绿素B浓度高于各种淡化条件下的2种草莓中的叶绿素A.然而，先前表明叶绿素A和B之间的关系取决于许多因素，包括光源，阴影，植物生长的环境条件[46.那47.那48.以及这两种色素在植物物理化学中的特殊作用。叶绿素a负责光子的收集，在光合作用中起着至关重要的作用，而叶绿素b还参与光放射性能量的传递[49.那50］．

在芹菜叶片中，最低磷处理(P-33)的叶绿素浓度(所有3种叶绿素)都远低于其他P处理，说明低磷供应对芹菜具有胁迫效应。对于芹菜叶，叶绿素浓度的最高值出现在变异P-67，而不是P-100，这说明在这种情况下，肥料中推荐的P剂量被高估了。芹菜叶中的类胡萝卜素含量也相同(P-67变异株的类胡萝卜素含量最高)。也是芹菜植物中观察到的最高剂量的P化肥(P - 133变种)并没有导致如此高的降低叶绿素a、b或总浓度,作为肥料最低剂量的情况(P-33变体),这表明芹菜对P的稀缺性更敏感比过剩。

在49、51和45 DAT时，用参考方法测定芹菜、甜菜和草莓植株的总N、P、K、Mg和Ca含量，如图所示。2．总体而言，不同磷处理间的常量营养素含量存在显著差异，且具有统计学意义。而甜菜和芹菜叶面磷浓度及芹菜和草莓叶面Mg浓度均未受磷处理的显著影响。3种植物叶片宏量营养素含量随施磷量的变化趋势不明显。例如，在甜菜和芹菜中，肥料中P的最低剂量(P-33)导致N的最高剂量，这可能是由于基质中营养元素之间特定的相互作用，正如Y. Li等人的研究所解释的[3.]. 同样，肥料中磷的最低剂量（P-33）反映在每个物种的最高钾浓度中。芹菜叶片中Ca含量最高；然而，随着处理中磷浓度的增加，甜菜和草莓中磷浓度的增加趋势没有得到证实。这些结果证实了叶片中大量营养元素含量与土壤磷处理之间的复杂关系，这在其他来源中也有可能存在[3.那51那52］．

叶片生化成分，植物叶/根磷肥和含量的相关性

叶片常量养分(N、P、K、Ca、Mg)与总叶绿素(Chl .)之间的皮尔逊相关系数(PCC)_合计），类胡萝卜素（汽车），磷肥水平（p_提供），叶子的质量（m_叶)和根(m_根)对于所研究的物种如图所示。3.作为相关矩阵。通过实验结束的实验室分析评估叶子颜料和营养元素。所有植物在P供应水平和氮气（N）和钾（K）常规营养素的浓度之间显示出负相关性。芹菜中获得的结果表明，磷肥给药的施用剂量和植物叶中钙含量之间的强正相关（PCC = 0.77），而另一个植物表明糖甜菜的负相关（PCC = -0.81和PCC = -草莓0.69）。早些时候的报道还表明了对植物中其他Macronurient积累的强磷肥作用[53那54］．

施磷水平与甜菜叶片叶绿素含量呈极显著负相关，而其它植株的相关不显著。施肥对植物叶片中类胡萝卜素含量影响不大。施磷量与植物叶片中该元素的浓度呈正相关，尤其是芹菜（PCC=0.70）和草莓（PCC=0.70）。甜菜施磷水平与叶片磷含量的相关性较小。这种依赖性与以前的一些研究结果一致，这些研究表明施磷增加了甜菜根系的磷含量[55］．大部分植物营养元素之间存在高度相关。甜菜养分之间存在显著相关关系，尤其是K和Ca (PCC=0.88)与N和Mg (PCC=0.82)之间。芹菜(PCC=0.85)和草莓(PCC=0.95)的叶绿素含量与类胡萝卜素之间存在较强的相关性。这是因为叶绿素和类胡萝卜素在自然界中是共同变化的(作为光合天线复合体的组成部分)，并在统计上依赖，正如以前的研究所观察到的[16那56］．

植物根部的P补充剂与植物根部质量之间的负相关表明，P缺乏促进了根蔬菜中根部的质量和长度的降低，并导致产率降低。在草莓的情况下，这种相关性是阳性的。经过测试植物的上地上部分叶绿素和类胡萝卜素的浓度显着影响了其根部的质量。糖甜菜在类卡蛋白含量和根质（PCC = 0.6）之间具有正相关性，而在叶片和根部质量的叶绿素和类胡萝卜素含量之间观察到强的负相关性。

植物的光谱特征

数字4.表示从三种研究植物的叶表面获得光谱特征的程序的总体方案。ROI的平均反射光谱，覆盖400–2500的光谱范围 不同磷处理的三种植物叶片样品和五个发育阶段的nm如图所示。5.. 三个研究物种的叶片光谱曲线显示出相似的形状，尽管属于特定变体的光谱之间存在明显的差异。在可见光谱区，在550处观察到一个特征峰 变种间有一定差异，特别是甜菜和草莓。这个峰值是叶绿素吸收的特征。在近红外范围650-750的植被反射率快速变化区域 在电磁波谱（即所谓的红边）中，反射率会出现很高的增加，这使我们能够区分一些实验变体之间的差异。属于特定变异体的植物光谱曲线之间的最高分化在750-1300范围内观察到 nm，其中反射模式与植物的内部细胞结构密切相关[57］．遗憾的是，在该范围内，在注册的反射辐射中存在断裂（不连续性），其连接到该范围部分中使用的两个光谱相机的低灵敏度。因此，在该范围内叶片的原始光谱不擅长区分变体。似乎适当用于区分变体之间差异的频谱的另一部分在大约1400和1950nm处吸收，这与水的吸收高度相关。结果如图1所示。5.说明反射光量与后续生长阶段磷处理之间的定量关系。在所有三种植物中，在SWIR区域（2200–2400）观察到反射率值的最高变化 纳米）。这表明SWIR区域对区分磷肥水平是有用的。SWIR区域的波长主要与蛋白质、氮、纤维素、淀粉和糖的光吸收有关。众所周知，P在蛋白质合成中起着重要作用，这可能解释了这些差异，正如Knox等人提出的[58］．

有效波长选择

为了减少提取的光谱数据的高维度，并使分类模型更加稳健，基于原始光谱的第二衍生转换，选择给出不同水平的P疗程中的最高判断的最合适的波长。第二衍生平均光谱如图2所示。6.．基于原始光谱的第二衍生物转化，并通过将CFS算法利用贪婪的逐步选择方法，分别根据糖甜菜，芹菜和草莓植物的P治疗选择10,7和4个波长进行分类（表1). 用于区分磷肥水平的波长位于蓝色光谱带（400–480） nm），近红外（760–900 nm）和SWIR（1000–2500 nm）光谱区域。在所有研究的植物中，磷供应水平对绿色（500–560）的反射率没有显著影响 nm）区域。对于草莓植株，红色区域（715和723）的波长 nm）和SWIR区域（2301和2332 nm）对P处理水平的分离具有特别重要的意义。电磁光谱（723、754、715和723）中红色和远红色区域的波长 nm）主要与叶绿素a的吸收有关。结果表明，不同施磷量引起植物叶片叶绿素a浓度的变化（图。1)．

Osborne et al[9.]也表明NIR（730 nm和930 nm）和蓝色（440和445 光谱的nm）区域可用于预测玉米冠层中的磷浓度。三个被研究物种之间所选波长的差异可能是由于植物结构的差异或化学物质浓度的变化。

判别分析结果

在表中介绍了在表格中以不同发育阶段进行不同水平的P治疗植物生长的模型的预测精度。2．It results from the analysis of the supervised classification algorithms that very similar and relatively high prediction accuracies in the majority of cases (ranging from 40 to 100% for validation sets) were obtained for all four methods of machine learning model creation methods (i.e., backpropagation neural network, random forest, naive Bayes and support vector machines). In all cases, despite very limited numbers of wavelengths selected for the classification (from 4 to 10), the prediction accuracies for training sets were very high in all variants of the experiment. This confirms a good performance of the CFS wavelength selection algorithm and is in agreement with other studies on plant material classification with the use of this algorithm [26.那59］．验证集的性能明显低于训练集，但在植物发育15个变异/阶段中的11个变异中，验证集区分不同水平磷处理的准确性等于或高于80%。这个结果非常好，尽管很难与其他使用不同实验设置和有限数量的P治疗变量的研究相比[38.那42.］．在植物开发的第一阶段获得了正确甲型的最低百分比;然而，随着植物的发展进展，这种准确性越高。该结果来自于，在植物发育的第一期，各种P治疗和错误分类之间叶谱性能的变化显着最小，特别是P施肥的一个或更高。虽然所有四种监督分类模型创作的方法都是高效的，但为RF模型获得了最高的整体分类性能。验证结果表明，此模型在草莓植物的情况下正确归类为所有实例的70％，超过80％（第二项除外），用于围绕五个开发阶段。与其他植物相比，甜菜甜菜分类的平均准确性较低（65％）。该结果可以通过糖甜菜的特定营养要求来解释[55那60]，对不平衡磷肥的敏感性较草莓和芹菜低。

为了评估分析模型在五个发育阶段的具体磷水平的表现，创建了混淆矩阵，这使我们能够确定实验分析变量的错误分类百分比。这项分析的总结见表3.对于RF模型，在进行所进行的实验中给出了最佳总体结果。The grey cells in this table represent variants with 100% accuracy (all cases classified correctly), yellow cells show misclassified variants in which misclassification refers to one level up or down with respect to the analysed P fertilization level (e.g., P-33 level classified as P-67 level), and red cells indicate misclassification higher than one P fertilization level (e.g., variant P-133 classified as P-33). The confusion matrices for all models divided to 5 growth stages are presented in Table S1在补充1．对于每个发展阶段，都给出了错分类病例的百分比，可以看到错分类是如何发生的(该表的第二列显示了分析的变体，单独的行显示了哪些变体被错分类，以及错分类发生的百分比)。从这个表中,达到了100%的准确率(所有情况下分类正确)26个不同的实验(P水平和发展阶段),误分类是一个水平向上或向下的分析P 27变种,施肥水平和错误分类是高于P只有13个变量施肥水平。在大多数误分变异(26个)中，误分病例仅占20%，误分病例仅占40%的9个变异，误分病例占60%的3个变异，误分病例占80%的1个变异。表格3.还表明，只有6个变体，其中为给定水平分配了两种不同水平的P治疗，其中五个用于第一和第二植物发育阶段。在图中。7.，介绍了植物治疗中植物治疗中P含量的验证数据集中错误分配病例的数量，植物生长和3种研究的3种阶段的P含量的型号，而这些是基于表S中呈现的混乱矩阵1在补充1．该图表明，在植物生长的第一阶段发生了甜菜和草莓的最多错误分类病例，而这在芹菜植物生长的第二阶段发生。这证实，在植物生长的早期阶段，受影响的植物叶的光谱特性并不总是区分P含量的差异。尽管如此，所选模型（尤其是RF模型）的整体分类性能非常好。

高光谱筛选技术在控制栽培植物磷营养方面具有很大的潜力，这对于创造适宜的生产条件和对环境因子的响应至关重要。在甜菜、芹菜和草莓上进行的实验表明，基于反射光谱在450-2500 nm波段的二阶导数进行机器学习建模，可以区分这些物种在磷营养方面的差异，且精度高。此外，阐明了程序提供了一个区分植物不同发育阶段不同水平磷肥的机会。在植物发育早期可以准确地进行缺磷分类，尤其是芹菜和草莓;然而，随着植物的生长，分类精度逐渐提高。

结果有几个实际意义。首先，他们可以应用于快速和非破坏性的分析磷的有效性为被检查的三个物种作为一个元素的精确农业。特别是，通过安装在拖拉机平台上的多光谱扫描仪（由GPS系统支持），通过将选定的光谱带安装到可用传感器中，并通过直接使用数据分析和监督分类的详细程序，可以检测P含量的不足。这种方法使我们能够在耕地甚至是需要注意的单个植物上钉点区域。在这种情况下，特别重要的是，详细的模型涉及植物生长的不同阶段，这是这种筛选的另一个优势。这项研究的第二个可能应用是将其应用于无人机上，这种无人机一次能够对大片区域进行远距离分析。然而，在这种系统中还需要考虑一些附加的技术问题，如分析场景的不规则照明、强烈振动的发生以及飞行轨迹的控制。

土壤类型对植物磷积累的影响、植物磷素在非生物胁迫和生物胁迫下的相互作用及其在反射光谱和化学计量学分析中的表现有待进一步研究。这些额外的研究将加强在检测植物磷状况的详细方法的性能。

植物材料

相同数量的三种物种植物用于实验：64芹菜（芹菜L.，cv。霓虹灯），64甜菜(Beta寻常魅力L,简历。Tapir）和64个草莓（草莓属×ananassa杜谢恩,简历。Honeoye)。芹菜(由SEMO生产)和甜菜(由SESVanderHave生产)的种子是商业购买的，而具有资格证书的草莓苗是从持证草莓Nursey (Niewczas Krystyna & Józef, Wielowicz 31,89 - 412 Sośno，波兰)获得的。2018年3月，芹菜种子(芹菜L,简历。霓虹灯）和甜菜（Beta寻常魅力L.，cv。在含有泥炭的塑料盆中播种。发芽后，大小相似的幼苗被移栽到含有沙子的花盆中（每个花盆一个幼苗）。草莓的幼苗直接放在有沙子的花盆里。这些植物生长在温室里，在自然光的照射下，在320度的白光下生长 μmol M^{- 2} s^{- 1}使用设置为12/12小时的昼/夜光周期，3 - 6月和9月的温度范围为20°C到22°C, 7 - 8月的温度范围为24°C到26°C。

治疗

在本实验中，将每一种植物平均分为4组，每组16株，分别进行4种不同磷浓度的处理，分别施于盆栽，刺激植物叶片不同的营养水平，以测试高光谱成像系统。磷肥以过磷酸钙(P₂O._5.）在幼苗之前将盆栽直接施用于各种量以获得P-33％，P-67％，P-100％和P-133％的不同施肥方案。在变体P-100％中，它是整体实验的对照组，使用了这些类型品种的文献中推荐的剂量[61那62那63]，即每壶1.2克P（土壤40mg / kg）。将其他变体用1/3,2 / 3和4/3进行处理。初始分化后，每两天用100ml处理溶液灌溉每种植物60天。营养溶液含有33.3mg / L的N，13.3mg / L的P和50mg / L施用为NH_4.不_3.Ca (H₂阿宝_4.）₂了解_3.,分别。微量元素含量分别为B 0.28、Fe 2.4、Mn 1.0、Zn 0.35、Mo 0.05 mg/l，以波兰Intermag公司生产的Micro Plus商品肥作为肥料施用。60d后，盆栽土壤含水量保持在与田间水量相对应的水平。为此，选取土壤水势为15596 J·m的土壤样品，测定了土壤的田间水量^{- 3.}（PF等于2.2）在理查德的腔室（Santa Barbara，Ca，USA）。在该阶段，使用自来水浇水，使用加重方法控制适当的土壤含水含量。

高光谱成像系统

光谱数据由实验室高光谱成像系统记录，该系统由由SPECIM (Spectral imaging Ltd, Oulu, Finland)制造的两台高光谱相机组成，覆盖可见和近红外(VNIR)和短波红外(SWIR)范围，一个带式输送机(Reall, Lublin，照明系统Brilum (Piaseczno，波兰)型号LAVADO416配有4个照明模块(每个模块都装有荷兰Philips公司生产的4x20W卤素灯)。在高光谱相机中使用了以下成像光谱仪:ImSpector V10E (400-1000 nm)和N25E 2/3″成像光谱仪(1000-2500 nm)。每次扫描时，摄像机镜头与植物表面之间保持恒定的20厘米距离。卤素灯架与输送带表面夹角为45°。

图像采集与校正

在化学计量分析之前收集了由960株植物的960图像（4营养处理×5×3种植物）组成的三维高光谱数据（4营养处理×5次发育阶段×3种）。在没有连根拔除的盆中，用高光谱相机扫描植物。在实验期间在植物发育的不同阶段进行数据收集，编号为1,2,3,4和5.它们代表移植（DAT）以进行芹菜植物的7,14,21,35和49天;甜菜植物的7,21,31,41和51 DAT;和7,14,21,35和45个草莓植物的DAT。表中提供了每个植物物种和BBCH比例的代码所获得的开发阶段的描述4.．在三个被研究的物种中，他们涵盖了从第二片叶子展开到第一个果实出现的漫长时期。

在400-1000波长范围内记录高光谱图像 nm，光谱分辨率为2.8 使用VNIR相机，在1000-2500 nm范围内 光谱分辨率为10 nm 使用SWIR摄像机拍摄。在图像采集过程中，将植物样品放置在移动平台上，扫描速度为6 毫米/秒和8 mm/s，相机曝光时间设置为2.3和7.6 分别用于VNIR和SWIR摄像机的ms。使用数据采集软件SpectralDAQ-ver记录测量过程中获得的高光谱图像。2.1，专门用于SPECIM相机。对于每个系列的测量，根据Baranowski等人所述的程序进行白校准和暗校准[24.]从原始数据中获得反射率。

高光谱图像预处理

校正的图像用于提取光谱信息，选择有效波长，并详细阐述植物中P含量的鉴定方法。首先，通过Envi软件（Envi5.4，Research System Inc.，Boulder，Co，USA）精确定位了感兴趣的区域（ROI）（包括叶子）（包括叶面）。接下来，实施分割以分离rois。根据Baranowski等人描述的程序进行分割。[59］．在图像分段之后，对每个单独的ROI中的所有像素的反射率值平均以为每个频带生成一个平均值。这样，来自434条带的反射率的平均值产生了每个样品的代表性反射谱。该过程在稿件中引用作为反射光谱的平均值。在分类分析之前，利用Savitzky-Golay（SG）方法（二阶多项式和11平滑点）计算，利用第二衍生物预处理提取的光谱。衍生处理抑制了背景信号，以及减少由非均匀照明引起的图像伪影[66]. 此外，该预处理方法提高了光谱分辨率，在基线校正中具有输入，并且能够提高重叠峰的分辨率[32.］．用使用该预处理方法获得的光谱在稿件中引用作为第二衍生变换的光谱。unscrambler x ver。10.1（CAMO软件，OSLO，挪威）用于预处理光谱数据。

有效波长选择

高光谱图像数据信息量大，相邻波长之间存在冗余和多重共线性，处理和应用问题复杂。为了解决这些问题，在进一步分析和实现之前，有必要提取一些携带最相关信息的基本波长。为了降低光谱数据的高维，将基于相关的特征选择(Correlation-Based Feature Selection, CFS)算法应用于SG变换数据。该算法使用启发式算法，为与类高度相关且彼此高度不相关的特征子集分配高分[67］．本研究在CFS算法中采用贪心逐步搜索策略，通过子集空间选择属性。

分类算法

对植物叶片的高光谱数据进行了监督分类实验。采用不同的机器学习算法(Backpropagation Neural Network, BNN)、随机森林(Random Forest, RF)、朴素贝叶斯(Naive Bayes, NB)和支持向量机(Support Vector Machine, SVM)对不同含磷量下不同发育阶段的植物进行分类。已经进行了大量的工作，以优化个别模型的参数使用试验和错误。详细模型的参数如表所示5.．对于分类实验，将样品随机选择测试集，验证设定为75:25。训练数据集用于构建分类模型，而测试数据集用于检查模型的能力，以适当地分类新样本。随机数据选择（交叉验证方法）重复学习和测试的实验10次。所有分类算法都是从一个名为Waikato环境的综合软件实现，用于知识分析，或Weka [68]. 最初，这些类别中大多数可用的分类器都是在有代表性的训练和测试数据组上进行测试的。选择预测精度最好的四个进行比较。

参考分析

实验结束时，用剪刀从树冠上剪下每棵植物的新鲜叶片，放入塑料袋，冷冻在冷却器中，然后带到实验室测量叶片色素和营养元素含量。为测定叶绿素含量，将新鲜叶片(约0.6 g)在80%丙酮溶液中研磨。然后，使用紫外-可见分光光度计(UV-5600, Metash，中国)，按照Lichtenthaler [69]. 其余的植物样品经烘箱干燥（105） 0.5°C h后跟80 °C，直至达到恒重），然后研磨成细粉进行矿物含量分析。采用钒钼酸-磷酸黄分光光度法测定总磷含量[70］．全氮含量采用微凯氏法测定。用火焰光度法分析了叶片中总钾的含量。钙含量(Ca)和镁(Mg)含量的测定采用原子吸收光谱仪(Spektr AA 800, Varian, Ca, USA)。

统计分析

为了检验磷肥处理对叶片光合色素和营养元素的影响，采用单因素方差分析（ANOVA）和Tukey诚实显著性差异（HSD）。P.< 0.05被认为具有统计学意义。用Pearson相关系数（R）检验了叶片生化成分、施磷量与植株部分性状的关系。所有这些统计分析均使用STATISTICA v13.4（TIBCO软件公司，美国加利福尼亚州帕洛阿尔托市）进行。

在咨询项目资助者后，当前研究期间生成的数据集可从相应的作者获得合理的请求。

VNIR公司：

可见光和近红外

PCC：

Pearson相关系数

ROI：

兴趣区

瑞士共和国：

短波红外

CFS公司：

基于相关性的特征选择

近红外光谱:

近红外

日期：

几天后移植

SG：

Savitzky-golay.

g:

贪婪的逐步

UV-Vis：

紫外可见光

BNN编号：

BackProjagation神经网络

rf：

随机森林

注:

朴素贝叶斯

支持向量机：

支持向量机

WEKA:

怀卡托环境的知识分析

方差分析：

方差分析

高速驱动器：

诚实差异

不适用。

本文的部分资金来源于波兰国家研究与发展中心的“MSINiN”项目，合同编号:BIOSTRATEG3/343547/8/NCBR/2017。资助来源在本研究的设计、数据收集、分析或解释、发表结果的决定或手稿的准备中都没有作用。

隶属关系

1. 波兰科学院农业物理研究所。Doświadczalna 4，20-290，卢布林，波兰

   Anna Siedliska，Piotr Baranowski，乔安娜Pastuszka-Wožniak＆Jaromir Krzyszczak

2. Maria Curie-Skłodowska大学物理学研究所生物物理学系，波兰卢布林20-031

   莫妮卡·祖比克

贡献

AS，JPW，MZ和JK进行了实验。AS和PB设计了实验并写了论文。JK和PB讨论了结果并为最终手稿做出了贡献。所有作者在“贡献”部分中已阅读并批准了稿件。

通讯作者

通信杰罗米尔·克日兹扎克．

伦理批准和同意参与

不适用。

同意出版物

不适用。

利益争夺

作者声明他们没有相互竞争的利益。

出版商的注意

Springer Nature在发表地图和机构附属机构中的司法管辖权索赔方面仍然是中立的。

开放访问本文根据创意公约归因于4.0国际许可证，这允许在任何中或格式中使用，共享，适应，分发和复制，只要您向原始作者和来源提供适当的信贷，提供了一个链接到Creative Commons许可证，并指出是否进行了更改。除非信用额度另有说明，否则本文中的图像或其他第三方材料包含在文章的创造性公共许可证中，除非信用额度另有说明。如果物品不包含在物品的创造性的公共许可证中，法定规定不允许您的预期用途或超过允许使用，您需要直接从版权所有者获得许可。要查看本许可证的副本，请访问http://creativecommons.org/licenses/by/4.0/．“创作共用公共领域”豁免书(http://creativecommons.org/publicdomain/zero/1.0/)适用于本条提供的数据，除非信用额度中另有规定。

转载和许可