基于现场高光谱成像的葡萄叶氮含量评估中的特征选择与机器学习集成
图像与视频处理
2026-04-21 v3 计算机视觉与模式识别
机器学习
摘要
氮（N）是酒葡萄生产中最关键的营养素，影响藤蔓活力、果实组成及酒质。由于土壤 N 可用性随空间和时间的变化，准确估计叶片 N 浓度对于在individual plant 层面优化肥料成为必然。本研究收集了来自四个葡萄品种（Chardonnay、Pinot Noir、Concord 和 Syrah）在 2022 和 2023 年生长季节（盛花期和欣净期）于叶面和冠层水平的现场高光谱图像（400-1000 nm）。开发了 ensemble 特征选择框架，用于在individual cultivars 中识别 N 估计最具信息量的光谱带，有效减少冗余并选择跨 visible、red-edge 和 near-infrared 区域的紧凑、生理上有意义的带数组合。在叶面水平，Chardonnay（R^2 = 0.82, RMSE = 0.19 %DW）和 Pinot Noir（R^2 = 0.69, RMSE = 0.20 %DW）的模型预测准确率最高。在冠层水平，Chardonnay、Concord 和 Syrah 的 R^2 分别为 0.65、0.72 和 0.70。白色品种在 visible、red-edge 和 near-infrared 区域展现出均衡的光谱贡献，而红色品种则更依赖 visible 带，由于花青素-叶绿素相互作用。成功将 Chardonnay 和 Pinot Noir 在叶面选择的 N 敏感波段转移至冠层水平，提升或保持了各品种的预测准确率。这些结果表明，ensemble 特征选择捕获的光谱特征在尺度一致性方面具有鲁棒性，可跨测量水平和品种传递，展示了将现场高光谱成像与机器学习集成用于葡萄园 N 状态监测的潜力。
引用
@article{arxiv.2507.17869,
title = {Integrating Feature Selection and Machine Learning for Nitrogen Assessment in Grapevine Leaves using In-Field Hyperspectral Imaging},
author = {Atif Bilal Asad and Achyut Paudel and Safal Kshetri and Chenchen Kang and Salik Ram Khanal and Nataliya Shcherbatyuk and Pierre Davadant and R. Paul Schreiner and Santosh Kalauni and Manoj Karkee and Markus Keller},
journal= {arXiv preprint arXiv:2507.17869},
year = {2026}
}
备注
Major Revision