多毛刺小样本高光谱数据下鹰嘴蜜桃含水率的预估

目的:提出并解决鹰嘴蜜桃高光谱测量数据多毛刺和小样本问题.方法:基于高光谱成像技术,使用图像处理方法识别高光谱图像中鹰嘴蜜桃所在区域,计算该区域内的光谱图像从而得到平均光谱反射率数据,形成高光谱曲线图像.对于存在抖动和毛刺的高光谱图像数据,比较多项式平滑算法(SG)、多元散射矫正算法(MSC)、标准正态变量算法(SNV)、一阶导数算子(D1)、二阶导数算子(D2)等数据预处理方法对模型预测精度的影响;针对数据维度高且样本量少的特点,使用主成分分析算法(PCA)对数据进行降维,再对降维后的数据应用马氏距离测度方法(MD)进行异常值剔除;最终利用Kennard-Stone算法(KS)划分出训练集和测试集,并选取小样本场景下表现较好的偏最小二乘回归(PLSR)模型对鹰嘴蜜桃的含水率进行估计和分析.结果:SG-PCA-MD-KS-PLSR模型在高光谱曲线存在抖动和毛刺情况时对鹰嘴蜜桃含水率估计的效果最好,训练集下决定系数(R2)达到 0.928,均方根误差(RMSE)为 0.008 4,测试集下R2 达到 0.926,RMSE 为 0.009 2.在进一步对鹰嘴蜜桃以含水率为指标进行分级试验时,该模型的预测结果可以较好地对鹰嘴蜜桃含水状况进行分级,训练集下分级正确率为 0.956,测试集下分级正确率为 0.923.结论:利用高光谱成像技术建立 SG-PCA-MD-KS-PLSR 模型,在高光谱样本数较小且存在毛刺的情况下,仍能对鹰嘴蜜桃含水率进行无损估计.