本研究由华南农业大学电子工程学院（人工智能学院）的代秋芳、廖臣龙、李震*、宋淑然、薛秀云和熊诗路团队完成，发表于2022年9月的《光谱学与光谱分析》（Spectroscopy and Spectral Analysis）第42卷第9期。研究聚焦于利用高光谱成像技术与卷积神经网络（CNN）实现柑橘叶片含水率的快速无损检测及可视化，为精准农业中的智能灌溉决策提供技术支持。

学术背景
柑橘叶片水分亏缺是影响其生长发育的关键因素。传统检测方法（如烘干法）虽精度高，但具有破坏性且耗时。高光谱成像技术能同时获取空间与光谱信息，而卷积神经网络（CNN）因其自动特征提取能力，在生物及农业领域应用广泛。本研究旨在开发一种结合竞争性自适应重加权算法（CARS）与CNN的高精度含水率预测模型，并通过伪彩色成像实现水分分布可视化，为柑橘水分管理提供新方法。

研究流程
1. 样本制备与数据采集
- 样本处理：采集100片柑橘叶片，通过烘干法分5次（50℃烘干50分钟，最终85℃恒重）获得500个不同含水率样本（19.59%~83.05%），按7:3划分为训练集（350样本）和测试集（150样本）。
- 高光谱成像：使用Hypersis Zolix高光谱仪（369~988 nm）获取图像，经黑白校正后提取叶片平均反射率（256波段），数据预处理包括Savitzky-Golay平滑（SG）、多元散射校正（MSC）和标准正态变量变换（SNV）。

1. 特征波段选择

   • CARS算法：通过蒙特卡罗采样和偏最小二乘回归（PLSR）筛选出29个关键波段（如493、589、967 nm），其交互验证均方根误差（RMSEcv）最小。
     
   • 主成分分析（PCA）：前10个主成分累积贡献率达99.83%，用于降维。
     

2. 模型构建与优化

   • CNN架构：采用三层一维卷积池化层（核大小1×3，步长1），激活函数为ReLU，输出层为Linear；优化器为NAdam，迭代1000次。
     
   • 对比模型：包括支持向量机回归（SVR）、PLSR和随机森林（RF），以全波段及预处理数据组合验证性能。
     

3. 可视化实现

   • 将高光谱图像各像素点反射率输入最佳模型（CARS-CNN），预测含水率并生成伪彩色分布图，红色代表高含水率（81%），蓝色代表低含水率（19%）。
     

主要结果
- 模型性能：CARS-CNN预测效果最优，训练集决定系数（R²c）和均方根误差（RMSEc）分别为0.9679和0.0163，测试集（R²v和RMSEv）为0.9470和0.0214。全波段CNN次之，而传统模型（如SNV+PCA+RF）存在过拟合（测试集R²p=0.7462）。
- 光谱关系：同一叶片含水率与反射率呈负相关，但自然条件下受叶片形态等因素影响，非线性显著。
- 可视化效果：伪彩色图像清晰展示水分梯度分布，为灌溉评估提供直观依据。

结论与价值
- 科学价值：首次将CARS-CNN应用于柑橘叶片含水率检测，证实高光谱结合深度学习在农业水分监测中的优势。
- 应用价值：为柑橘水分胁迫研究、智能灌溉优化提供高效无损的技术支持，推动精准农业实践。

研究亮点
1. 方法创新：CARS-CNN模型显著提升预测精度（较PLSR提升8.89%），且无需复杂预处理。
2. 技术整合：将高光谱成像、特征筛选与深度学习结合，实现含水率空间分布可视化。
3. 样本多样性：涵盖广泛含水率梯度（19.59%~83.05%），增强模型泛化能力。

其他发现
研究还指出，叶片大小、颜色等因素会干扰反射率与含水率的线性关系，需进一步探究多因素耦合影响。这一发现为后续复杂环境下的模型优化指明了方向。