王金星 刘雪梅 刘双喜,3 权泽堃 徐春保 江 浩

(1.山东农业大学机械与电子工程学院， 泰安 271018； 2.山东省农业装备智能化工程实验室， 泰安 271018；3.山东省园艺机械与装备重点实验室， 泰安 271018)

0 引言

中国是世界上最大的苹果生产国和消费国，总种植面积及总产量均占世界50%以上[1-2]。氮元素是苹果树体内一种重要的必需元素，它影响果树体内各种生理生化过程、果树抗性、果品产量、品质以及储藏性状[3-4]。合理施用氮肥可以促进苹果树健康生长，提高果实产量及果品品质，减少农田环境污染与资源浪费。因此，精准预测果树氮含量对指导果树健康成长有重要作用[5-7]。叶片是整个树体上对土壤矿质营养反应最敏感的器官，苹果叶片营养分析、诊断技术可以作为苹果树氮素营养盈亏并指导精准施肥的依据[8-9]。传统的作物氮素检测方法主要有田间采样室内化学分析测定法和叶色卡法，虽然结果准确可靠，但分析成本高、检验周期长、时效性差[10]。近年来，机器学习及数字图像处理技术的快速发展为作物氮素营养快速、无损和准确监测提供了有效方法与手段[11]。

目前，国内外学者针对作物氮含量预测方法已经进行了大量的研究[12-14]，取得了一定成果。近年一些学者尝试将支持向量机(SVM)方法[15-17]应用到植被理化参数的反演中，梁栋等[18]利用SVM回归方法估测冬小麦叶面积指数LAI，且估测精度优于传统模型。何汝艳等[19]联合应用连续小波变换与支持向量机方法对条锈病胁迫下冬小麦叶片全氮含量进行反演，且具有较高的估测精度。……