刘 宁， 邢子正， 乔 浪， 李民赞， 孙 红*， Qin Zhang

1. 中国农业大学现代精细农业系统集成研究教育部重点实验室， 北京 100083 2. Center for Precision & Automated Agricultural System, Washington State University, Pullman WA 99350, USA

引 言

叶绿素含量是评价马铃薯作物光合作用能力与营养水平的重要指标之一[1-2]。 在可见光-近红外区域， 分析含氢基团(O—H， N—H， C—H)振动合频和各级倍频的特性， 是开展作物叶绿素、 氮素、 水分等参数光谱学检测的理论基础， 取得了重要进展[3]。

作物叶绿素光谱学检测中， 常通过筛选特征波长来达到解析光谱变量、 剔除冗余信息、 压缩计算量、 提高诊断模型精度与鲁棒性等目的[4]。 因为相关分析筛选变量存在高度自相关导致的多重共线性问题， 在主成分分析的基础上， 连续投影算法(successive projection algorithm， SPA)、 无信息变量消除法(uninformative variables elimination， UVE)、 间隔最小二乘波长选择方法(interval partial least square， iPLS)、 变量投影重要程度系数法(variable importance in the projection， VIP)等算法被用于筛选特征波长并建立诊断模型[5-6]。

上述一次性建模筛选特征波长的方法， 数据处理易受样本个数的影响[7]。 针对此问题Li等提出基于模型集群思想的蒙特卡洛无信息变量消除(Monte Carlo uninformative variables elimination， MC-UVE)[8]、 随机蛙跳(random frog， RF)[9]、 竞争自适应重加权采样(competitive adaptive reweighted sampling， CARS)[10]等变量筛选算法。 有报道应用CARS算法设置迭代次数为50， 选取10个波长建立南瓜叶绿素检测模型， 精度为0.846。 郑涛等[11]采用MC-UVE算法迭代次数为500， 选出12个马铃薯叶绿素特征波长。 程萌等[12]基于RF算法筛选小麦叶绿素特征波长， 迭代次数为10 000， 选出8个最优波长。

此类研究中尚有如下问题需要深入讨论， 一方面应用不同算法选取变量是否存在差异， 建立的模型是否最优且稳健； 另一方面， MC-UVE， RF和CARS等算法中初始参数迭代次数普遍采用固定值， 修改迭代次数与其他约束是否对变量筛选结果有影响， 需要开展比较和分析。……