安徽省農(nóng)業(yè)科學院土壤肥料研究所利用我司高光譜設備，通過高光譜成像技術研究辣椒葉片葉綠素含量與光譜之間的定量關系，為大面積、快速檢測植被葉綠素含量變化提供了可能。

此研究選取150組不同生長期的辣椒葉片作為研究對象，分別采集辣椒葉片的高光譜圖像和葉綠素含量后，進行辣椒葉片葉綠素含量定量模型的預測研究。我司高光譜成像系統(tǒng)如圖1、圖2所示。

圖1 GaiaSoter-Dual“蓋亞”雙相機全波段高光譜分選儀

圖2 Gaiafiled-Pro-V10E相機及參數(shù)

通過選取如圖3所示的6處具有代表性的矩形感興趣區(qū)（避開葉脈）作為樣本的原始光譜，加權平均后的光譜值作為原始光譜數(shù)據(jù)。去掉383～399 nm和950～1000 nm邊緣噪聲較大的光譜數(shù)據(jù)，保留400～949 nm進行下一步研究（如圖4所示）。

圖3.辣椒葉片取樣區(qū)域

Fig3. Sampling area of pepper leaves

圖4原始光譜曲線

Fig 4. original spectral curve

通過隨機森林算法選擇得到重要性最高的前20個波段，如圖5所示。分別為697.1 nm、932.1nm、941.9 nm、693.6 nm、857.4 nm、930.8 nm、543.4 nm、927.1 nm、803.3 nm、550.1 nm、806.9 nm、785.4 nm、704.1 nm、890.1 nm、916 nm、530 nm、533.1 nm、556.8 nm、771.1 nm、536.7 nm，從上述所選波段分布來看，主要集中于可見光波段（390～780 nm），這可能與光合作用的波段主要是可見光波段有關。

圖5.隨機森林特征重要性

Fig 5 Importance of random forest characteristics

將經(jīng)隨機森林特征選擇算法篩選后的波段作為自變量，SPAD值作為因變量。利用線性回歸（Linear Regression, LR）、偏最小二乘回歸（Partial Least Squares Regression, PLSR）、梯度提升回歸樹（Gradient Boosting Regressor Tree, GBRT)、隨機森林回歸（Random Forest regression, RFR）分別構建反演模型。表1為4種模型的建模效果精度對比，圖6為4種模型的驗證集驗證效果。

表1 不同算法精度對比