基于高光谱成像的干旱诱发成分预测和茶树干旱损害评估

有效评价茶树的生理生化指标和干旱程度，是确定茶树抗旱能力的重要技术。目前，传统的茶旱应力检测方法主要以生理和生化检测为主，不仅对茶树具有破坏性，而且耗时费力。在这项研究中，通过模拟茶树的干旱处理，利用高光谱相机获取茶叶的光谱数据， 和三个机器学习模型（支持载体机（SVM），随机森林（RF），和部分最小方块（PLS）回归）用于模拟茶叶中丙二醛（MDA），电解质泄漏（EL），光系统II（Fv/Fm），可溶性糖（SS）和干旱损害程度（DDD）。结果表明，MDA竞争性自适应重加权取样（CARS）-PLS模型在四个生理和生化指标（Rcal = 0.96，Rp = 0.92，RPD = 3.51）中效果最佳。无信息变量消除（UVE）-SVM 模型在 DDD 中最好 （Rcal = 0.97， Rp = 0.95， RPD = 4.28） 。因此，通过利用高光谱成像技术建立机器学习模型，可以监测受干旱压力的茶苗的干旱程度。这种方法不仅无损，而且快速准确，有望在茶园水系监测中得到广泛应用。