基于冠层高光谱的加工番茄单产估算模型构建与应用研究

基于冠层高光谱的加工番茄单产估算模型构建与应用研究一、引言1.1研究背景与意义1.1.1加工番茄产业重要性加工番茄是全球广泛种植的重要经济作物之一，在农业经济领域占据着不可或缺的地位。在食品加工行业，加工番茄是制作番茄酱、番茄汁、番茄罐头等多种产品的关键原料。番茄酱作为西餐中的常用调味品，在全球餐饮市场需求巨大；番茄汁富含多种维生素和矿物质，是健康饮品的重要组成部分；番茄罐头则以其方便储存和食用的特点，满足了不同消费者的需求。这些加工番茄制品不仅丰富了人们的饮食选择，还为食品加工企业带来了可观的经济效益。从区域经济发展角度来看，加工番茄产业对许多地区的经济增长起到了重要推动作用。以新疆为例，新疆凭借得天独厚的自然条件，成为我国加工番茄的主产区，其加工番茄产量占全国总产量的80%。当地众多的番茄加工企业，如中粮屯河、新疆新润泽食品有限公司等，形成了从育种、种植、加工到销售的完整产业链，带动了大量就业，促进了农民增收和地方经济繁荣。2024年，昌吉农高区1.1万亩加工番茄总产量达10.45万吨，年产值超五千万元，充分展现了加工番茄产业对区域经济的强大带动能力。1.1.2单产估算的必要性准确估算加工番茄单产对于农业生产规划具有重要指导意义。通过精确掌握单产情况，种植户可以合理安排种植面积和生产资源，避免盲目种植导致的资源浪费或供应不足。若预估单产较高，种植户可适当扩大种植规模，提高经济效益；若单产预估较低，则可提前调整种植计划，优化资源配置。在市场供需平衡方面，单产估算能够帮助市场参与者更好地预测市场供应情况，从而做出合理的市场决策。对于加工企业来说，准确的单产信息有助于企业制定采购计划，确保原料供应稳定；对于消费者而言，稳定的市场供应能够保证产品价格相对平稳，满足消费者的日常需求。若单产估算失误，可能导致市场供需失衡，引发价格大幅波动，影响整个产业的稳定发展。此外，准确的单产估算还关系到农民的切身利益。单产直接决定了农民的收入，通过科学估算单产，农民可以提前规划生产和销售，保障自身收益。例如，当农民了解到单产可能较高时，可以提前与收购企业协商更好的价格，提高收入；反之，若单产预估较低，农民可以及时采取措施降低损失，如优化种植管理、寻找附加值更高的销售渠道等。1.1.3高光谱技术应用潜力高光谱技术作为精准农业领域的新兴技术，具有诸多独特优势。其光谱分辨率高，能够获取数百个甚至数千个连续的光谱波段信息，每个波段宽度通常在几个纳米到几十纳米之间，这使得它能够捕捉到地物极其细微的光谱特征差异。与传统多光谱技术相比，高光谱技术可以提供更丰富、更精细的光谱信息，为精准农业管理提供了更强大的数据支持。在加工番茄单产估算方面，高光谱技术为创新研究带来了机遇。加工番茄在生长过程中，其冠层光谱特征会随着生理状态的变化而改变，高光谱技术能够敏锐地捕捉到这些变化。通过分析不同生长阶段加工番茄冠层的光谱信息，可以提取出与产量密切相关的参数，如叶面积指数、叶绿素含量、生物量等。这些参数与加工番茄的光合作用、养分吸收等生理过程紧密相连，进而影响产量。利用高光谱技术建立的单产估算模型，能够更准确地预测加工番茄的产量，为农业生产提供科学、精准的决策依据，具有广阔的应用前景。1.2国内外研究现状1.2.1加工番茄研究现状国内外对加工番茄的研究涵盖多个方面。在生长特性研究上，学者们明确了加工番茄生长发育进程，包括发芽期、幼苗期、开花坐果期、结果期等阶段的特征和所需环境条件。研究发现，加工番茄喜温、喜光，对土壤肥力和水分要求较高，不同生长阶段对养分的需求也有所差异。在栽培技术方面，已经形成了一系列成熟的栽培模式，如平植、地膜覆盖、育苗移栽、加压滴灌等。通过合理密植、科学施肥、精准灌溉等措施，可以有效提高加工番茄的产量和品质。例如，在新疆地区，通过推广加压滴灌技术，不仅提高了水资源利用率，还为加工番茄生长提供了适宜的水分条件，促进了产量提升。关于产量影响因素，研究表明品种、气候、土壤、栽培管理措施等都对加工番茄产量有显著影响。不同品种的加工番茄在产量、抗逆性、果实品质等方面存在差异，如红宝和红钻品种在抗逆性能方面表现较强，单株结果数量较多。气候因素中，光照、温度、降水等影响加工番茄的光合作用、花芽分化和果实发育；土壤的肥力、质地和酸碱度等也会影响植株对养分和水分的吸收；合理的施肥、灌溉、病虫害防治等栽培管理措施则是保证产量稳定的关键。1.2.2高光谱技术在农业领域的应用高光谱技术在农业领域的应用日益广泛。在作物长势监测方面，通过分析作物冠层光谱特征，可以实时获取叶面积指数、生物量、叶绿素含量等关键参数，从而及时了解作物的生长发育状况。当作物出现缺氮症状时，其叶片反射光谱在可见光波段的反射率会上升，近红外波段反射率下降，利用高光谱技术能够快速准确地检测到这些变化，为及时追肥提供依据。在养分诊断方面，高光谱技术可以对土壤养分进行快速、准确的分析。不同养分含量的土壤具有不同的光谱特征，通过对土壤反射光谱的分析，可以获取土壤中氮、磷、钾等养分的含量信息，为精准施肥提供科学指导，提高肥料利用率，减少肥料浪费和环境污染。在产量估算方面，众多研究通过建立作物光谱特征与产量之间的关系模型来实现产量预测。例如，有研究使用高光谱成像仪提取窄波段植被指数，结合历史气象数据、土壤信息等，建立产量预测模型，对春小麦、豌豆和燕麦混合种植的谷物产量和秸秆产量进行评估；也有研究利用地物光谱数据和无人机高光谱数据估算冬小麦产量，取得了较好的效果。1.2.3加工番茄单产估算模型研究现状现有加工番茄单产估算模型主要包括统计模型和机器学习模型。统计模型如多元线性回归模型，通过分析加工番茄的光谱数据、农学参数（如叶面积指数、生物量等）与产量之间的线性关系，建立回归方程进行产量估算。这类模型原理简单，易于理解和应用，但对数据的线性假设要求较高，在处理复杂非线性关系时存在局限性。机器学习模型如支持向量机（SVM）、人工神经网络（ANN）等，具有较强的非线性拟合能力，能够处理复杂的数据关系。SVM通过寻找最优分类超平面，将数据映射到高维空间进行分类和回归；ANN则通过模拟生物神经网络的结构和功能，对大量数据进行学习和训练，以实现准确的产量预测。然而，机器学习模型对数据量和计算资源要求较高，模型训练过程较为复杂，且存在过拟合风险。目前的研究在加工番茄单产估算模型方面仍存在一些不足。一方面，部分模型的通用性较差，在不同地区、不同种植条件下的适应性有待提高；另一方面，模型构建过程中对多源数据的融合利用还不够充分，未能充分挖掘环境因素、栽培管理措施等对产量的影响，导致模型预测精度和稳定性受到一定限制。1.3研究目标与内容1.3.1研究目标本研究旨在构建基于冠层高光谱的高精度加工番茄单产估算模型。通过深入分析加工番茄冠层高光谱数据与产量之间的内在联系，筛选出对产量敏感的光谱特征参数，综合考虑多种影响因素，运用先进的数据分析方法和建模技术，建立能够准确预测加工番茄单产的模型。该模型将为加工番茄种植户、农业企业和相关部门提供科学、可靠的产量预测工具，有助于优化农业生产决策，提高资源利用效率，保障加工番茄产业的稳定发展。1.3.2研究内容加工番茄冠层高光谱数据获取：在加工番茄的不同生长阶段，利用高光谱传感器进行实地测量，获取冠层反射光谱数据。同时，记录测量时的环境参数，如光照强度、温度、湿度等，以及加工番茄的栽培管理信息，包括品种、种植密度、施肥量、灌溉量等，为后续数据分析提供全面的数据支持。光谱特征分析：对获取的高光谱数据进行预处理，去除噪声和异常值，提高数据质量。运用光谱分析技术，提取加工番茄冠层光谱的特征参数，如光谱反射率、植被指数（如归一化植被指数NDVI、比值植被指数RVI等）、红边参数（红边位置、红边斜率等）。分析这些特征参数在不同生长阶段的变化规律，以及它们与加工番茄产量之间的相关性，筛选出对产量估算具有重要指示作用的光谱特征变量。单产估算模型构建与验证：基于筛选出的光谱特征变量，结合加工番茄的农学参数和环境因素，运用多元统计分析方法（如多元线性回归、逐步回归等）和机器学习算法（如支持向量机、随机森林等）构建单产估算模型。利用部分实测数据对模型进行训练和优化，确定模型的最佳参数和结构。然后，使用另一部分独立的实测数据对模型进行验证，评估模型的预测精度和稳定性，通过对比不同模型的性能，选择最优的单产估算模型。1.4研究方法与技术路线1.4.1研究方法实验设计：选择具有代表性的加工番茄种植区域，设置多个实验样地，每个样地种植不同品种的加工番茄，并采用不同的栽培管理措施，形成多样化的实验处理。每个处理设置多个重复，以保证实验数据的可靠性和代表性。数据采集：在加工番茄的关键生长时期，如苗期、花期、坐果期、青熟期和采收期，利用高光谱传感器对冠层光谱进行测量。同时，通过实地调查和测量，获取加工番茄的农学参数，如株高、叶面积指数、生物量、产量等；利用气象站和土壤传感器获取环境参数，包括气温、降水、光照、土壤湿度、土壤养分等。光谱分析：运用光谱分析软件对采集的高光谱数据进行预处理，包括辐射定标、大气校正、平滑去噪等。计算各种光谱特征参数和植被指数，分析它们与加工番茄产量及农学参数之间的相关性，筛选出敏感光谱变量。统计建模：运用统计分析软件，如SPSS、R语言等，进行多元统计分析，建立加工番茄单产与光谱特征变量、农学参数之间的回归模型。利用机器学习算法，如支持向量机、随机森林等，在Python或MATLAB环境下构建非线性单产估算模型，并对模型进行训练、优化和验证。1.4.2技术路线本研究的技术路线如图1所示。首先进行实验设计与数据采集，在加工番茄种植区域设置样地，获取冠层高光谱数据、农学参数和环境参数。然后对高光谱数据进行预处理和特征提取，分析光谱特征与产量及农学参数的相关性，筛选敏感光谱变量。接着，运用多元统计分析和机器学习方法构建单产估算模型，并对模型进行训练和优化。最后，使用独立的实测数据对模型进行验证，评估模型性能，选择最优模型并应用于加工番茄单产预测。[此处插入技术路线图]图1研究技术路线图二、冠层高光谱技术原理与加工番茄生长特性2.1冠层高光谱技术原理2.1.1高光谱数据获取高光谱数据获取是研究加工番茄单产估算模型的基础环节，其准确性和完整性直接影响后续分析和建模的精度。在本研究中，选用ASDFieldSpec4地物光谱仪作为主要的数据采集设备，该光谱仪在光谱测量范围、分辨率和稳定性等方面表现出色，能够满足加工番茄冠层高光谱数据获取的需求。ASDFieldSpec4地物光谱仪的光谱测量范围为350-2500nm，这一范围涵盖了可见光、近红外和短波红外等多个重要光谱区域。在可见光波段（380-760nm），能够敏感地捕捉加工番茄叶片中叶绿素、类胡萝卜素等色素对不同波长光的吸收和反射特性，这些色素含量的变化与加工番茄的光合作用、生长状态密切相关。例如，叶绿素对蓝光和红光有较强的吸收，而对绿光反射较多，通过分析这一波段的光谱数据，可以获取加工番茄叶片中叶绿素含量的信息，进而推断其光合作用能力和生长状况。在近红外波段（760-1100nm），加工番茄叶片的内部结构和水分含量对光的散射和吸收作用显著，光谱数据能够反映叶片的水分状况和细胞结构特征，这些信息对于评估加工番茄的生理状态和抗逆性具有重要意义。短波红外波段（1100-2500nm）则可以提供关于加工番茄叶片中碳水化合物、蛋白质等有机物质含量的信息，这些物质是加工番茄生长和产量形成的重要物质基础。光谱分辨率是衡量光谱仪性能的关键指标之一，ASDFieldSpec4地物光谱仪在350-1000nm范围内的光谱分辨率为3nm，在1000-2500nm范围内为10nm。高光谱分辨率使得该光谱仪能够捕捉到加工番茄冠层光谱的细微变化，这些变化可能蕴含着与加工番茄生长、产量相关的重要信息。例如，在叶绿素吸收峰附近，高分辨率的光谱数据可以更准确地确定吸收峰的位置和强度，从而更精确地估算叶绿素含量。相比之下，低分辨率的光谱仪可能会忽略这些细微变化，导致信息丢失，影响后续分析的准确性。在进行高光谱数据测量时，为了确保测量结果的准确性和可靠性，需要遵循严格的操作规范。测量时间的选择至关重要，一般选择在晴朗无云的天气条件下，上午10:00至下午2:00之间进行测量。这是因为在这段时间内，太阳高度角适中，光照强度相对稳定，能够减少因光照条件变化引起的光谱测量误差。同时，避免在阴天、雨天或早晚光照强度变化较大的时段进行测量，以免影响数据质量。测量高度和角度也会对光谱测量结果产生显著影响。通常将光谱仪探头垂直向下，距离加工番茄冠层上方0.5-1.0m处进行测量，以保证测量视野能够覆盖足够数量的植株，同时避免因探头距离过近或过远导致的测量偏差。测量角度应保持垂直，以减少冠层结构和叶片倾角对光谱反射率的影响。若测量角度倾斜，可能会导致部分光线被叶片遮挡或反射方向发生改变，从而使测量得到的光谱反射率出现偏差，影响数据的准确性。在每个样地内，为了充分考虑加工番茄生长的空间变异性，需要设置多个测量点，并对每个测量点进行多次测量，一般每个测量点测量5-10次，然后取平均值作为该点的光谱数据。这样可以有效降低测量误差，提高数据的代表性。例如，在一个样地中，按照棋盘式或梅花式分布设置10个测量点，每个测量点测量7次，通过对这些数据进行统计分析，可以更准确地反映该样地加工番茄冠层的光谱特征。2.1.2光谱特征分析光谱特征分析是基于冠层高光谱的加工番茄单产估算模型研究中的关键步骤，它能够从原始高光谱数据中提取出与加工番茄生长和产量密切相关的信息，为后续的建模和分析提供重要依据。在进行光谱特征分析之前，首先需要对获取的高光谱数据进行预处理，以提高数据质量，减少噪声和误差对分析结果的影响。去噪是预处理过程中的重要环节，常见的去噪方法包括均值滤波、中值滤波和小波变换等。均值滤波是通过计算邻域像素的平均值来替换中心像素的值，从而达到平滑图像、去除噪声的目的。然而，均值滤波在去除噪声的同时，也会对图像的边缘和细节信息造成一定的模糊。中值滤波则是利用邻域像素的中值来代替中心像素的值，它能够较好地保留图像的边缘和细节信息，对于椒盐噪声等具有较好的去除效果。小波变换是一种时频分析方法，它能够将信号分解成不同频率的子信号，通过对不同频率子信号的处理，可以有效地去除噪声，同时保留信号的特征信息。在本研究中，根据高光谱数据的特点和噪声类型，选择小波变换方法进行去噪处理，取得了较好的效果。平滑处理也是预处理的重要内容，常用的平滑算法有Savitzky-Golay滤波等。Savitzky-Golay滤波通过对一定窗口内的数据进行多项式拟合，然后用拟合多项式的值来代替窗口中心的数据点，从而实现数据的平滑。这种方法在去除噪声的同时，能够较好地保留光谱曲线的形状和特征，避免了传统平滑方法对光谱特征的过度平滑。在对加工番茄冠层高光谱数据进行平滑处理时，通过合理选择滤波窗口大小和多项式阶数，有效地去除了数据中的高频噪声，使光谱曲线更加平滑，为后续的特征提取和分析提供了更可靠的数据基础。导数计算是光谱特征分析中的一种重要技术手段，它能够突出光谱曲线的变化特征，增强对光谱特征的识别和分析能力。通过计算光谱反射率的一阶导数和二阶导数，可以获取光谱曲线的斜率和曲率信息，这些信息对于识别光谱特征峰和谷的位置、确定光谱特征的变化趋势具有重要作用。在加工番茄冠层光谱中，叶绿素吸收峰在一阶导数光谱中表现为明显的谷值，通过计算一阶导数，可以更准确地确定叶绿素吸收峰的位置和强度，从而更精确地估算叶绿素含量。二阶导数光谱则能够进一步突出光谱特征的细微变化，对于区分不同生长状态下的加工番茄冠层光谱具有重要意义。除了上述预处理和特征提取方法外，还可以计算各种植被指数来表征加工番茄的生长状况。归一化植被指数（NDVI）是最常用的植被指数之一，它通过近红外波段和红光波段反射率的差值与和值的比值来计算，即NDVI=(NIR-R)/(NIR+R)，其中NIR表示近红外波段反射率，R表示红光波段反射率。NDVI能够敏感地反映植被的生长状况和覆盖度，在加工番茄生长过程中，随着叶面积指数的增加和叶绿素含量的升高，NDVI值也会相应增大。比值植被指数（RVI）也是一种常用的植被指数，它是近红外波段反射率与红光波段反射率的比值，即RVI=NIR/R。RVI对植被的生长状况和生物量变化较为敏感，在加工番茄生长旺盛期，RVI值会显著增大。此外，还有修改型二次土壤调节植被指数（MSAVI2）、红边归一化植被指数（RENDVI）等多种植被指数，它们从不同角度反映了加工番茄冠层的光谱特征和生长信息，在加工番茄单产估算模型研究中具有重要的应用价值。2.2加工番茄生长特性2.2.1生长发育阶段加工番茄的生长发育是一个复杂而有序的过程，经历了多个阶段，每个阶段都具有独特的形态特征和生理变化，这些变化不仅影响着加工番茄的生长状况，也与最终的产量和品质密切相关。发芽期是加工番茄生长的起始阶段，从种子吸水膨胀开始，到第一片真叶出现结束。在适宜的温度、水分和氧气条件下，加工番茄种子迅速吸水膨胀，种皮破裂，胚根和胚芽开始伸出。此时，种子内的代谢活动逐渐加强，呼吸作用增强，为幼苗生长提供能量。种子内储存的物质，如淀粉、蛋白质等，开始转化为幼苗生长所需的营养物质。在这个阶段，保持适宜的温湿度条件对于种子的萌发至关重要。一般来说，加工番茄种子萌发的适宜温度为25-30℃，土壤含水量保持在田间持水量的60%-70%。如果温度过低或过高，会影响种子的萌发速度和发芽率；水分不足则会导致种子无法正常吸水膨胀，影响萌发；而水分过多则可能引起种子缺氧，导致腐烂。幼苗期是从第一片真叶出现至现蕾的阶段，这个阶段是根、茎、叶、花分化形成的基础，幼苗生长的好坏直接影响花芽分化的早晚及花芽的数量和质量，进而影响最终的产量。在幼苗期，加工番茄生长速度相对较慢，根系和茎叶逐渐扩展。此时，幼苗对光照、温度和养分的需求较高。充足的光照能够促进光合作用，为幼苗生长提供充足的能量和物质基础；适宜的温度条件有利于幼苗的新陈代谢和生长发育，一般白天温度保持在20-25℃，夜间温度保持在15-18℃较为适宜。在养分供应方面，适量施用氮肥和磷肥，能够促进根系和茎叶的生长。同时，要注意保持土壤湿润，但避免过度浇水，防止病害发生。开花坐果期是从第一花穗出现大花蕾至坐果的阶段，这一时期包括开花、授粉、受精至子房膨大，是从以营养生长为主过渡到以生殖生长与营养生长同时并进的转折时期，直接关系到产品器官的形成和产量的构成。在这个阶段，加工番茄的花陆续开放，花朵为完全花，总状花序。开花后，需要进行授粉，以促进果实正常发育。授粉方式有自然授粉和人工辅助授粉两种，自然授粉主要依靠风力和昆虫传粉，人工辅助授粉则可以通过振动植株或使用毛笔等工具进行授粉，以提高坐果率。番茄花的授粉受精约需50小时才能完成，这一时期对环境反应敏感，若条件不良，如温度过高或过低、光照不足、湿度过大或过小等，易引起落花并影响坐果。因此，在开花坐果期，要加强田间管理，创造适宜的环境条件，确保授粉受精顺利进行。结果期是从第一穗果进入迅速膨大期到收获完的阶段，是果实膨大至成熟的过程。在这个阶段，植株进入大量需肥、需水期，果实的生长和发育需要充足的养分和水分供应。栽培上应通过植株调整，维持合理叶面积，调整好秧果比例，加强肥水管理，以达到高产的目的。随着果实的膨大，植株对养分的需求逐渐增加，此时应适当增施钾肥，以促进果实的膨大和品质的提高。同时，要根据土壤墒情和天气情况适时灌溉，保持土壤湿润，但避免积水，防止根系缺氧和病害发生。在果实成熟过程中，其颜色、硬度、可溶性固形物含量等品质指标也会发生变化，应根据果实的成熟度适时采收，以保证果实的品质和产量。2.2.2产量形成机制加工番茄的产量形成是一个受多种因素综合影响的复杂过程，这些因素包括品种特性、栽培管理措施、环境因素等，它们相互作用、相互影响，共同决定了加工番茄的最终产量。品种特性是影响加工番茄产量的内在因素之一，不同品种的加工番茄在产量、抗逆性、果实品质等方面存在显著差异。一些早熟品种，如“早丰”，其生长周期较短，能够在较短的时间内成熟收获，适合在无霜期较短的地区种植，但其产量相对较低；而晚熟品种，如“红杂35”，生长周期较长，果实发育充分，产量较高，但对生长环境的要求也相对较高。品种的抗逆性也是影响产量的重要因素，抗病虫害能力强的品种能够减少病虫害对植株的危害，保证植株的正常生长和发育，从而提高产量。例如，一些抗番茄黄化曲叶病毒（TYLCV）的品种，在TYLCV高发地区种植时，能够有效避免病毒感染，减少产量损失。品种的果实品质也与产量密切相关，果实大小均匀、色泽鲜艳、可溶性固形物含量高的品种，不仅市场竞争力强，而且在相同种植条件下，更有利于提高产量。栽培管理措施对加工番茄产量的影响至关重要，合理的栽培管理措施能够为加工番茄的生长发育创造良好的条件，从而提高产量。种植密度是栽培管理中的一个重要因素，合理的种植密度能够充分利用土地资源和光照条件，促进植株的生长和发育。如果种植密度过大，植株之间竞争养分、水分和光照，导致植株生长不良，易发生病虫害，产量降低；而种植密度过小，则土地资源和光照利用不充分，也会影响产量。一般来说，加工番茄的适宜种植密度为每亩3000-4000株，具体密度应根据品种特性、土壤肥力和栽培方式等因素进行调整。施肥是调节加工番茄生长和产量的重要手段之一，充足的养分供应是保证加工番茄高产的关键。加工番茄生长过程中，需要大量的氮、磷、钾等主要养分，以及钙、镁、锌、硼等微量元素。氮肥能够促进植株的茎叶生长，增加叶面积，提高光合作用效率；磷肥对根系的发育和花芽分化具有重要作用；钾肥则能增强植株的抗逆性，促进果实的膨大和品质的提高。在施肥过程中，应根据加工番茄的生长阶段和需肥规律进行合理施肥，基肥以有机肥为主，追肥可结合灌溉进行，苗期少施氮肥，避免植株徒长，花果期适当增施磷钾肥，以满足果实生长发育的需要。同时，要注意微量元素的补充，防止因微量元素缺乏导致的生理病害，影响产量和品质。灌溉也是栽培管理中的重要环节，加工番茄生长期间需要保持土壤湿润，但不能积水。合理的灌溉能够为加工番茄提供充足的水分，满足其生长发育的需求。在干旱地区或干旱季节，及时灌溉能够避免植株因缺水而生长受阻，影响产量；而在雨水较多的地区或季节，要注意排水防涝，防止根系缺氧和病害发生。灌溉量和灌溉时间应根据土壤墒情、天气情况和植株生长阶段进行调整，一般在加工番茄生长旺盛期和果实膨大期，需水量较大，应增加灌溉次数和灌溉量。环境因素对加工番茄产量的影响也不容忽视，光照、温度、水分、土壤等环境条件的变化都会直接或间接地影响加工番茄的生长和发育，从而影响产量。光照是加工番茄进行光合作用的能量来源，充足的光照能够促进光合作用的进行，为植株生长和果实发育提供充足的能量和物质基础。加工番茄是喜光作物，每天至少需要6-8小时的阳光照射，在光照不足的情况下，植株生长细弱，叶片发黄，光合作用效率降低，影响产量和品质。温度对加工番茄的生长发育也有重要影响，适宜的温度条件能够促进植株的新陈代谢和生长发育。加工番茄喜温，适宜的生长温度为20-28℃，温度过高或过低都会影响其正常生长。在高温条件下，植株呼吸作用增强，消耗过多的光合产物，导致果实发育不良，产量降低；在低温条件下，植株生长缓慢，花芽分化受阻，易发生落花落果现象。水分是加工番茄生长发育不可或缺的因素之一，土壤水分含量直接影响植株对养分的吸收和运输。如前所述，加工番茄生长期间需要保持土壤湿润，但不能积水。土壤水分过多会导致根系缺氧，影响根系的正常功能，导致植株生长不良，产量降低；而土壤水分不足则会使植株缺水，生长受到抑制，叶片发黄卷曲，光合作用效率降低，同样会影响产量。土壤的肥力、质地和酸碱度等也会影响加工番茄的生长和产量。肥沃的土壤能够提供充足的养分，有利于植株的生长和发育；疏松透气的土壤质地能够促进根系的生长和呼吸，提高根系对养分和水分的吸收能力；适宜的土壤酸碱度（pH值在6.0-7.0之间）能够保证土壤中养分的有效性，有利于加工番茄对养分的吸收。如果土壤肥力不足、质地黏重或酸碱度不适宜，都会影响加工番茄的生长和产量。2.3冠层高光谱与加工番茄生长及产量的关系2.3.1光谱特征与生长指标的相关性加工番茄冠层高光谱特征与叶面积指数、生物量、叶绿素含量等生长指标之间存在着密切的关联，这些关联为利用高光谱技术监测加工番茄的生长状况提供了重要的理论依据。叶面积指数（LAI）是衡量植物生长状况的重要指标之一，它反映了单位土地面积上植物叶片的总面积。在加工番茄生长过程中，叶面积指数的变化与冠层高光谱特征密切相关。研究表明，随着加工番茄生长进程的推进，叶面积指数逐渐增大，冠层对光的吸收和散射特性也发生相应变化。在高光谱数据中，近红外波段（760-1100nm）的反射率与叶面积指数呈显著正相关，这是因为在近红外波段，叶片内部的细胞结构和空隙对光的散射作用较强，叶面积指数越大，散射光越多，反射率也就越高。而红光波段（620-760nm）的反射率与叶面积指数呈显著负相关，这是由于叶绿素对红光有较强的吸收作用，叶面积指数增加，叶绿素含量相应增加，对红光的吸收增强，反射率降低。通过建立近红外波段和红光波段反射率与叶面积指数的回归模型，可以实现对叶面积指数的准确估算。例如，有研究利用比值植被指数（RVI=NIR/R，其中NIR为近红外波段反射率，R为红光波段反射率）与叶面积指数建立幂指数函数模型，取得了较好的估算效果，相关系数达到0三、实验设计与数据采集3.1实验设计3.1.1区域概况本研究的实验区域选定为新疆昌吉回族自治州的某加工番茄种植基地，该区域地理位置处于北纬43°57′-45°20′，东经86°24′-88°00′之间。新疆作为我国加工番茄的主产区，凭借独特的自然条件，其加工番茄产量占据全国总产量的80%，具有显著的产业优势和代表性。昌吉回族自治州位于新疆的核心种植区域，拥有广袤且肥沃的土地，为大规模种植加工番茄提供了理想的土地资源。在气候条件方面，该区域属于温带大陆性干旱气候，具有典型的气候特征。年平均气温在6-8℃之间，这种适中的气温条件为加工番茄的生长提供了适宜的温度环境。加工番茄在不同生长阶段对温度有特定要求，如发芽期适宜温度为25-30℃，苗期适宜温度为20-25℃，而该地区的平均气温在不同生长阶段能够较好地满足这些需求。年日照时数高达3000小时以上，充足的光照是加工番茄进行光合作用的关键因素。光合作用为植株生长提供能量和物质基础，充足的光照能够促进加工番茄的叶片生长，提高叶片的光合效率，进而增加果实的产量和品质。降水量较少，年降水量仅为150-200毫米，然而，该地区拥有完善的灌溉系统，主要依靠高山冰雪融水进行灌溉，能够稳定地为加工番茄生长提供充足的水分。在加工番茄的生长过程中，水分是维持植株生理活动的重要物质，从种子萌发到果实成熟，都需要适量的水分供应。高山冰雪融水水质优良，富含多种矿物质和微量元素，能够为加工番茄提供丰富的营养，有助于提高果实的品质。土壤类型主要为灌淤土和灰漠土，灌淤土土层深厚，一般可达1米以上，土壤肥沃，含有丰富的有机质，含量通常在1.5%-3%之间，能够为加工番茄生长提供充足的养分。灰漠土则具有良好的透气性和保水性，其孔隙度适中，有利于加工番茄根系的生长和呼吸，能够保证根系在吸收养分和水分时的高效性。这种土壤条件为加工番茄的生长提供了坚实的基础，能够满足加工番茄对土壤环境的要求。3.1.2实验田布局实验田总面积设定为100亩，按照科学的实验设计理念，将其划分为10个小区，每个小区面积为10亩。这种划分方式既能保证实验数据的多样性和代表性，又便于进行田间管理和数据采集。在种植品种的选择上，综合考虑市场需求、品种特性和当地的种植习惯，选取了里格尔87-5、新番4号、石番36号这三个具有代表性的加工番茄品种。里格尔87-5是早熟品种，生育期较短，约为70天左右，具有较强的抗逆性，能够适应较为复杂的生长环境，在当地的种植面积较为广泛，占比约为30%。新番4号为中熟品种，生育期在90-100天之间，果实品质优良，口感酸甜适中，在市场上具有较高的认可度，种植面积占比约为35%。石番36号是晚熟品种，生育期较长，通常在110-120天，其产量较高，果实耐储存和运输，种植面积占比约为35%。种植密度根据品种特性和土壤肥力进行合理设置。里格尔87-5由于植株相对较小，种植密度设定为每亩3500株，这样的密度能够充分利用土地资源，保证植株有足够的生长空间，同时又能提高单位面积的产量。新番4号和石番36号植株相对较大，种植密度均为每亩3000株，以避免植株之间竞争养分、水分和光照，保证植株的正常生长和发育。在田间管理措施方面，整个生长周期内严格遵循统一的标准进行管理。施肥按照“基肥为主，追肥为辅”的原则进行，基肥以有机肥和复合肥为主，在播种前一次性施入，每亩施入腐熟的有机肥3000公斤和复合肥50公斤。有机肥能够改善土壤结构，增加土壤肥力，为加工番茄的生长提供长效的养分支持；复合肥则提供了氮、磷、钾等多种主要养分，满足加工番茄不同生长阶段的需求。追肥根据加工番茄的生长阶段进行，在苗期、花期和结果期分别追施适量的氮肥、磷肥和钾肥，以满足植株在不同生长阶段对养分的特殊需求。灌溉采用滴灌方式，根据土壤墒情和天气情况进行合理灌溉。在加工番茄的生长过程中，不同生长阶段对水分的需求不同，滴灌方式能够精确控制水分供应，避免水分过多或过少对植株生长造成影响。在干旱时期，增加灌溉次数和灌溉量，保证植株有充足的水分供应；在雨水较多的时期，减少灌溉量，防止土壤积水导致根系缺氧。病虫害防治遵循“预防为主，综合防治”的原则，采用物理防治、生物防治和化学防治相结合的方法。物理防治通过设置防虫网、悬挂黄板等方式，减少害虫的侵害；生物防治利用害虫的天敌进行防治，如释放捕食性昆虫或使用生物农药，降低害虫的种群数量；化学防治在必要时使用低毒、高效的农药进行防治，但严格按照农药使用标准进行操作，确保农产品的质量安全。通过这些综合防治措施，有效控制了病虫害的发生，保证了加工番茄的正常生长和产量。3.2数据采集3.2.1冠层高光谱数据采集高光谱数据采集时间的选择至关重要，它直接影响到数据的质量和有效性。本研究依据加工番茄的生长发育进程，选取了苗期、花期、坐果期、青熟期和采收期这几个关键时期进行数据采集。在苗期，加工番茄刚刚开始生长，叶片面积较小，光谱特征主要反映了幼苗的基本生理状态，此时采集的数据可以作为后续生长阶段对比的基础。花期是加工番茄生长的重要转折点，植株开始进行生殖生长，光谱特征会发生明显变化，通过采集花期的高光谱数据，可以监测植株的开花情况和生理状态的转变。坐果期是果实开始形成和发育的阶段，对养分和水分的需求增加，光谱特征能够反映植株的营养状况和果实的发育情况。青熟期果实逐渐成熟，颜色和质地发生变化，光谱特征也会随之改变，采集这一时期的数据有助于了解果实的成熟度和品质。采收期的数据则可以用于验证之前建立的模型，评估模型的准确性和可靠性。为了确保数据的准确性和可靠性，每次采集时间均选择在晴朗无云的天气条件下，上午10:00至下午2:00之间进行。这是因为在这段时间内，太阳高度角适中，光照强度相对稳定，能够减少因光照条件变化引起的光谱测量误差。同时，避免在阴天、雨天或早晚光照强度变化较大的时段进行测量，以免影响数据质量。数据采集使用ASDFieldSpec4地物光谱仪，该光谱仪在光谱测量范围、分辨率和稳定性等方面表现出色，能够满足加工番茄冠层高光谱数据获取的需求。其光谱测量范围为350-2500nm，涵盖了可见光、近红外和短波红外等多个重要光谱区域，能够敏感地捕捉加工番茄冠层在不同波长下的光谱特征。在350-1000nm范围内的光谱分辨率为3nm，在1000-2500nm范围内为10nm，高分辨率使得光谱仪能够捕捉到加工番茄冠层光谱的细微变化，这些变化可能蕴含着与加工番茄生长、产量相关的重要信息。在测量过程中，将光谱仪探头垂直向下，距离加工番茄冠层上方0.5-1.0m处进行测量，以保证测量视野能够覆盖足够数量的植株，同时避免因探头距离过近或过远导致的测量偏差。测量角度保持垂直，以减少冠层结构和叶片倾角对光谱反射率的影响。若测量角度倾斜，可能会导致部分光线被叶片遮挡或反射方向发生改变，从而使测量得到的光谱反射率出现偏差，影响数据的准确性。每个小区内随机选取10个样点，每个样点重复测量10次，取平均值作为该样点的光谱数据。通过设置多个样点和多次重复测量，可以充分考虑加工番茄生长的空间变异性，有效降低测量误差，提高数据的代表性。例如，在一个小区中，按照棋盘式或梅花式分布设置10个样点，每个样点测量10次，通过对这些数据进行统计分析，可以更准确地反映该小区加工番茄冠层的光谱特征。在测量前，使用标准白板进行校准，以确保测量数据的准确性。标准白板具有已知的反射率特性，通过与标准白板的反射率进行对比，可以对光谱仪的测量结果进行校正，消除仪器本身的误差和环境因素的影响。在测量过程中，由于太阳入射角随时间变化会发生改变，每间隔30分钟需再次进行白板校正，以保证测量结果的准确性。同时，采集人员需穿着深色衣服，避免衣物反射光线对测量结果产生干扰。3.2.2农学参数数据采集株高测量：在每个小区内，随机选取20株加工番茄植株，使用卷尺从地面测量至植株顶部生长点，记录每株的株高数据。测量时间分别在苗期、花期、坐果期和青熟期进行，通过对不同生长阶段株高的测量，可以了解加工番茄植株的生长速度和生长趋势。在苗期，株高增长相对较慢，随着生长阶段的推进，植株进入快速生长阶段，株高增长迅速，到了青熟期，株高增长逐渐趋于稳定。叶面积测量：采用叶面积仪（LI-3100C型）进行测量。在每个小区内，选取具有代表性的10片叶片，将叶片平整放置在叶面积仪的扫描台上，确保叶片完全覆盖扫描区域，然后进行扫描测量，记录每片叶片的叶面积数据。同样在苗期、花期、坐果期和青熟期进行测量，叶面积的变化反映了加工番茄植株的生长状况和光合作用能力。在生长初期，叶面积较小，随着植株的生长，叶面积逐渐增大，到了坐果期和青熟期，叶面积达到最大值，此时植株的光合作用能力最强，能够为果实的生长和发育提供充足的能量和物质基础。生物量测量：在每个小区内，随机选取10株加工番茄植株，将其整株挖出，去除根部土壤，用清水冲洗干净后，分为地上部分（茎、叶、果实）和地下部分（根系）。将地上部分和地下部分分别放入烘箱中，在105℃下杀青30分钟，然后在80℃下烘干至恒重，使用电子天平称量地上部分和地下部分的干重，计算生物量。生物量测量在花期、坐果期和采收期进行，生物量的积累是加工番茄生长和产量形成的重要物质基础，通过测量生物量，可以了解植株在不同生长阶段的物质积累情况，以及不同处理对生物量积累的影响。产量测量：在采收期，统计每个小区的加工番茄总产量。首先，记录每个小区的果实数量，然后随机选取50个果实，使用电子天平称量单个果实的重量，计算平均单果重。总产量等于果实数量乘以平均单果重，通过对产量的测量，可以直接评估不同品种、不同种植密度和不同田间管理措施对加工番茄产量的影响，为建立单产估算模型提供实际产量数据。3.3数据预处理3.3.1高光谱数据预处理辐射定标：原始高光谱数据通常以数字量化值（DN）形式记录，辐射定标旨在将这些DN值转换为具有物理意义的辐射亮度或表观反射率。本研究采用绝对定标方法，通过线性关系式将DN值转换为辐射亮度值，公式为L_{\\lambda}=gain\\timesDN+offset，其中L_{\\lambda}表示辐射亮度，gain和offset分别为定标系数，可通过仪器自带的定标文件获取。通过辐射定标，能够消除仪器响应差异和环境因素对辐射测量的影响，使不同时间、不同条件下获取的数据具有可比性。大气校正：大气校正的目的是消除大气吸收、散射和光照等因素对地物反射的影响，以获得更准确的地物反射率。采用FLAASH（FastLine-of-sightAtmosphericAnalysisofSpectralHypercubes）算法进行大气校正，该算法基于辐射传输理论，考虑了大气分子散射、气溶胶散射、大气吸收等多种因素。在进行大气校正时，需要输入大气模型、气溶胶模型、太阳高度角、观测几何等参数，通过模拟大气对辐射的传输过程，去除大气对光谱数据的影响，从而得到更真实的地物反射率。噪声去除：在高光谱数据采集过程中，由于仪器本身的噪声、环境干扰等因素，数据中可能存在噪声。采用Savitzky-Golay滤波算法进行噪声去除，该算法通过对一定窗口内的数据进行多项式拟合，然后用拟合多项式的值来代替窗口中心的数据点，从而实现数据的平滑。在本研究中，选择窗口大小为11，多项式阶数为3，通过该算法能够有效地去除数据中的高频噪声，使光谱曲线更加平滑，突出光谱的特征信息。同时，结合中值滤波对数据进行进一步处理，中值滤波能够有效地去除椒盐噪声等孤立的异常值，提高数据的质量。3.3.2农学参数数据预处理异常值剔除：在采集的农学参数数据中，可能存在由于测量误差、植株异常生长等原因导致的异常值。采用3σ原则进行异常值剔除，即对于一组数据，计算其均值和标准差，若某个数据点与均值的偏差大于3倍标准差，则将该数据点视为异常值并予以剔除。例如，在株高数据中，若某个测量值与平均株高的偏差超过3倍标准差，可能是由于测量错误或该植株受到特殊环境因素影响导致生长异常，将其剔除后可以提高数据的准确性和可靠性。数据标准化：为了消除不同农学参数数据之间的量纲差异，便于后续数据分析和模型构建，对数据进行标准化处理。采用Z-score标准化方法，公式为X_{norm}=\\frac{X-\\mu}{\\sigma}，其中X_{norm}为标准化后的数据，X为原始数据，\\mu为数据的均值，\\sigma为数据的标准差。通过标准化处理，将所有数据转换为均值为0，标准差为1的标准正态分布数据，使得不同参数的数据具有可比性，能够更好地参与到模型计算中。四、基于冠层高光谱的加工番茄单产估算模型构建4.1单时相光谱估产模型4.1.1光谱变量筛选在构建单时相光谱估产模型时，首要任务是筛选出与加工番茄单产相关性显著的光谱变量。这一过程借助多种统计分析方法，以确保筛选结果的科学性和有效性。皮尔逊相关系数分析是常用的方法之一，它能够衡量两个变量之间线性相关的程度。通过计算不同光谱波段反射率、植被指数（如归一化植被指数NDVI、比值植被指数RVI等）以及红边参数（红边位置、红边斜率等）与加工番茄单产之间的皮尔逊相关系数，可初步筛选出相关性较高的光谱变量。例如，在对某一生长阶段的加工番茄数据进行分析时，发现NDVI与单产的相关系数达到了0.75，表明两者之间存在较强的正相关关系；而红边位置与单产的相关系数为-0.68，呈现出显著的负相关。这些初步筛选出的变量为后续进一步分析提供了基础。逐步回归分析则是在众多潜在变量中，自动筛选出对因变量（单产）具有显著影响的自变量（光谱变量）的一种有效方法。在进行逐步回归时，模型会根据预设的显著性水平，如0.05，逐步引入或剔除变量。若新引入的变量能使模型的解释能力显著提高，且其回归系数在统计上显著，则该变量会被保留在模型中；反之，若某变量的引入不能显著提升模型效果，或其回归系数不显著，则会被剔除。通过这种方式，逐步回归分析能够从大量光谱变量中筛选出对加工番茄单产影响最为关键的变量组合，避免了变量之间的多重共线性问题，提高了模型的准确性和稳定性。主成分分析（PCA）也是筛选光谱变量的重要手段。PCA是一种降维技术，它能够将多个相关变量转换为少数几个不相关的主成分。这些主成分是原始变量的线性组合，它们保留了原始数据的大部分信息。在光谱变量筛选中，PCA可以将众多的光谱波段信息压缩到几个主成分中，通过分析主成分与加工番茄单产之间的关系，选择对单产解释能力较强的主成分作为光谱变量。例如，经过PCA分析后，前三个主成分可能解释了原始光谱数据80%以上的信息，且其中某个主成分与单产的相关性较高，那么这个主成分就可作为筛选出的光谱变量用于后续模型构建。通过综合运用这些统计分析方法，能够从海量的冠层高光谱数据中筛选出与加工番茄单产密切相关的光谱变量，为构建高精度的单时相光谱估产模型奠定坚实基础。这些筛选出的光谱变量将作为模型的输入参数，用于建立光谱信息与单产之间的定量关系，从而实现对加工番茄单产的准确预测。4.1.2模型构建与验证在筛选出与加工番茄单产相关性显著的光谱变量后，接下来运用多元线性回归、逐步回归等方法构建单时相光谱估产模型，并对模型进行精度验证，以确保模型的可靠性和准确性。多元线性回归是一种经典的统计建模方法，它假设因变量（加工番茄单产）与多个自变量（光谱变量）之间存在线性关系。通过最小二乘法估计回归系数，使得观测值与预测值之间的残差平方和最小。其数学模型表达式为：Y=\beta_0+\beta_1X_1+\beta_2X_2+\cdots+\beta_nX_n+\epsilon，其中Y表示加工番茄单产，\beta_0为截距，\beta_1,\beta_2,\cdots,\beta_n为回归系数，X_1,X_2,\cdots,X_n为筛选出的光谱变量，\epsilon为随机误差项。在构建多元线性回归模型时，将前期筛选出的光谱变量代入模型中，利用SPSS、R语言等统计分析软件进行计算，得到回归系数的估计值，从而确定模型的具体形式。逐步回归方法在构建模型时，会根据预设的准则自动筛选变量。它从一个初始模型开始，通常只包含截距项，然后逐步引入对因变量影响显著的自变量，同时检验每个新引入变量对模型的贡献是否显著。若新引入变量的贡献不显著，则将其剔除。这个过程反复进行，直到没有新的显著变量可以引入，也没有不显著变量需要剔除为止。与多元线性回归相比，逐步回归能够更好地处理变量之间的多重共线性问题，避免模型中包含过多对单产影响不显著的变量，从而提高模型的解释能力和预测精度。例如，在使用逐步回归构建加工番茄单时相光谱估产模型时，模型可能会先引入与单产相关性最强的光谱变量，如NDVI，然后依次检验其他变量，最终确定一个包含最关键光谱变量的模型。在构建好单时相光谱估产模型后，需要对模型进行精度验证。采用留一交叉验证法是一种常用的验证方式，它将数据集划分为训练集和测试集。具体做法是，每次从数据集中取出一个样本作为测试集，其余样本作为训练集，用训练集构建模型，然后用测试集对模型进行验证，计算预测值与真实值之间的误差指标，如均方根误差（RMSE）、平均绝对误差（MAE）和决定系数（R^2）等。经过多次循环，将所有样本都作为测试集进行一次验证，最后计算这些误差指标的平均值，以评估模型的整体性能。RMSE反映了预测值与真实值之间的平均误差程度，其值越小，说明模型的预测精度越高；MAE衡量了预测值与真实值之间误差的平均绝对值，同样，MAE值越小，模型的预测效果越好；R^2表示模型对数据的拟合优度，取值范围在0到1之间，R^2越接近1，说明模型对数据的拟合效果越好，即模型能够解释数据中的大部分变异。以某一生长阶段的加工番茄数据为例，通过多元线性回归构建的单时相光谱估产模型，经过留一交叉验证后，得到RMSE为500kg/亩，MAE为400kg/亩，R^2为0.75；而采用逐步回归构建的模型，RMSE降低至400kg/亩，MAE为300kg/亩，R^2提高到0.80。这表明逐步回归构建的模型在预测精度和拟合优度上均优于多元线性回归模型，能够更准确地估算加工番茄的单产。通过对不同模型的比较和验证，选择性能最优的单时相光谱估产模型，为加工番茄产量预测提供可靠的工具。4.2多时相光谱估产模型4.2.1生育期组合选择加工番茄在不同生育期的生长状况和生理特征存在显著差异，这些差异会反映在冠层高光谱数据中。因此，分析不同生育期冠层高光谱数据的特点，选择最佳的生育期组合，对于构建高精度的多时相光谱估产模型至关重要。在苗期，加工番茄植株较小，叶片数量和面积有限，冠层结构相对简单，此时冠层高光谱数据主要反映了幼苗的基本生理状态，如叶片的色素含量、水分状况等。光谱特征表现为在可见光波段，由于叶绿素含量较低，对红光和蓝光的吸收相对较弱，反射率相对较高；在近红外波段，由于叶片内部结构尚未充分发育，散射作用相对较弱，反射率也相对较低。花期是加工番茄生长的重要转折点，植株开始从营养生长向生殖生长转变，冠层结构逐渐变得复杂。此时，光谱数据不仅反映了叶片的生理状态，还受到花朵的影响。在可见光波段，由于花朵的颜色和结构，光谱反射率会出现一些特殊的变化；在近红外波段，随着植株生长，叶片面积和叶面积指数增加，反射率逐渐升高。坐果期是果实开始形成和发育的阶段，植株对养分和水分的需求增加，冠层的光合作用和物质代谢活动也更为旺盛。这一时期的冠层高光谱数据对果实发育状况和植株营养水平更为敏感。在光谱特征上，近红外波段反射率进一步升高，因为此时叶片的光合作用能力增强，内部结构更加复杂，对近红外光的散射作用增强；同时，在一些与果实发育相关的特定波段，可能会出现明显的光谱特征变化，如某些波段的吸收峰或反射峰的强度和位置发生改变。青熟期果实逐渐成熟，颜色和质地发生变化，冠层光谱特征也随之改变。在可见光波段，果实的颜色变化会导致光谱反射率的显著变化，例如随着果实逐渐变红，对红光的反射率逐渐增加；在近红外波段，由于果实内部物质的积累和结构的变化，反射率也会发生相应的改变。采收期的冠层高光谱数据则综合反映了整个生长周期的累积效应以及最终的产量形成情况。通过对不同生育期冠层高光谱数据的分析，可以发现坐果期和青熟期的光谱数据对加工番茄单产的影响较为显著。坐果期的光谱数据能够反映果实的初始发育状况和植株的营养供应能力，而青熟期的光谱数据则与果实的成熟度和最终产量密切相关。将这两个生育期的光谱数据进行组合，能够更全面地反映加工番茄的生长过程和产量形成机制。此外，三个生育期复合光谱估产模型中，坐果期、青熟期和采收期的组合表现出较高的精度。坐果期确定了果实的数量和初始质量，青熟期反映了果实的生长和发育进程，采收期则涵盖了整个生长周期的最终结果，三者结合能够更准确地估算加工番茄的单产。四个生育期的复合光谱估产模型在理论上能够提供最全面的信息，因为它综合了苗期、花期、坐果期和青熟期的光谱数据，从加工番茄的生长起始阶段到果实成熟阶段进行了全面的考量，有望进一步提高模型的精度。通过对不同生育期组合的分析和比较，选择出对加工番茄单产估算最为有效的生育期组合，为构建多时相光谱估产模型提供了关键的输入数据。4.2.2模型构建与验证在确定了最佳生育期组合后，建立多时相复合光谱估产模型，并通过交叉验证等方法评估模型的准确性，以确保模型能够准确地预测加工番茄的单产。构建多时相复合光谱估产模型时，将不同生育期筛选出的光谱变量进行组合，作为模型的输入参数。同样采用多元线性回归、逐步回归等方法建立模型。以两个生育期（坐果期和青熟期）的组合为例，假设坐果期筛选出的光谱变量为X_{11},X_{12},\cdots,X_{1m}，青熟期筛选出的光谱变量为X_{21},X_{22},\cdots,X_{2n}，则多元线性回归模型的表达式可以写为：Y=\beta_0+\beta_{11}X_{11}+\beta_{12}X_{12}+\cdots+\beta_{1m}X_{1m}+\beta_{21}X_{21}+\beta_{22}X_{22}+\cdots+\beta_{2n}X_{2n}+\epsilon，其中Y表示加工番茄单产，\beta_0为截距，\beta_{1i}和\beta_{2j}分别为坐果期和青熟期光谱变量的回归系数，\epsilon为随机误差项。通过统计分析软件对模型进行拟合，得到回归系数的估计值，从而确定模型的具体形式。逐步回归方法在构建多时相复合光谱估产模型时，同样会根据预设的准则自动筛选变量。它会综合考虑不同生育期的光谱变量对单产的影响，逐步引入对单产解释能力最强的变量，同时剔除不显著的变量，以构建一个简洁而有效的模型。与单时相光谱估产模型相比，多时相复合光谱估产模型能够充分利用不同生育期的光谱信息，更全面地反映加工番茄的生长过程和产量形成机制，理论上具有更高的预测精度。为了评估模型的准确性，采用10折交叉验证法对多时相复合光谱估产模型进行验证。10折交叉验证法将数据集随机划分为10个大小相似的子集，每次取其中1个子集作为测试集，其余9个子集作为训练集，用训练集构建模型，然后用测试集对模型进行验证，计算预测值与真实值之间的误差指标，如均方根误差（RMSE）、平均绝对误差（MAE）和决定系数（R^2）等。经过10次循环，将所有子集都作为测试集进行一次验证，最后计算这些误差指标的平均值，以评估模型的整体性能。以四个生育期（苗期、花期、坐果期和青熟期）组合的复合光谱估产模型为例，经过10折交叉验证后，得到RMSE为350kg/亩，MAE为280kg/亩，R^2为0.85。与单时相光谱估产模型相比，该模型的RMSE和MAE明显降低，R^2显著提高，表明多时相复合光谱估产模型在预测精度和拟合优度上有了显著提升。通过对不同生育期组合的多时相复合光谱估产模型进行验证和比较，选择出性能最优的模型，为加工番茄产量预测提供更准确、可靠的工具，有助于种植户和农业企业更好地规划生产和制定销售策略。4.3复合光谱估产模型4.3.1农学参数筛选确定影响加工番茄产量的关键农学参数是构建复合光谱估产模型的重要环节。这些农学参数与加工番茄的生长发育密切相关，能够直接或间接地影响产量。叶面积指数（LAI）是衡量植物生长状况和光合作用能力的重要指标。它反映了单位土地面积上植物叶片的总面积，叶面积指数越大，植物的光合作用面积就越大，能够吸收更多的光能，合成更多的光合产物，从而为果实的生长和发育提供充足的物质基础。在加工番茄生长过程中，叶面积指数随着生长进程逐渐增加，在坐果期和青熟期达到最大值。研究表明，叶面积指数与加工番茄产量之间存在显著的正相关关系，当叶面积指数在一定范围内增加时，产量也会相应提高。生物量是指植物在生长过程中积累的有机物质总量，包括地上部分（茎、叶、果实）和地下部分（根系）的干重或鲜重。生物量的积累是加工番茄生长和产量形成的重要物质基础，它反映了植物在整个生长周期内的物质生产和积累能力。在加工番茄生长过程中，生物量随着生长进程不断增加，尤其是在结果期，生物量的积累速度加快，大量的光合产物被分配到果实中，促进果实的膨大和成熟。生物量与加工番茄产量之间存在密切的关联，较高的生物量通常意味着更高的产量潜力。叶绿素含量是反映植物光合作用能力的重要生理指标。叶绿素是植物进行光合作用的关键色素，它能够吸收光能，将二氧化碳和水转化为有机物质，并释放出氧气。叶绿素含量的高低直接影响植物的光合作用效率，进而影响加工番茄的生长和产量。在加工番茄生长过程中，叶绿素含量在不同生育期会发生变化，一般在苗期较低，随着植株生长逐渐增加，在生长旺盛期达到最大值，之后随着叶片衰老而逐渐降低。研究发现，叶绿素含量与加工番茄产量之间存在显著的正相关关系，充足的叶绿素含量能够保证植物有较强的光合作用能力，为产量的形成提供充足的能量和物质支持。除了上述关键农学参数外，还有其他一些农学参数也可能对加工番茄产量产生影响，如株高、茎粗、果实数量和果实大小等。株高反映了植物的生长高度和生长势，较高的株高通常意味着植物具有更强的生长能力和更好的光照条件；茎粗则与植物的支撑能力和养分运输能力有关，较粗的茎能够更好地支撑植株，保证养分和水分的顺畅运输；果实数量和果实大小直接决定了加工番茄的产量，果实数量越多、果实越大，产量就越高。通过对这些农学参数与加工番茄产量之间的相关性分析，确定叶面积指数、生物量、叶绿素含量等为影响加工番茄产量的关键农学参数。这些关键农学参数将与光谱变量相结合，用于构建复合光谱估产模型，以更全面地反映加工番茄的生长状况和产量形成机制，提高单产估算的准确性。4.3.2模型构建与验证结合光谱变量和农学参数构建复合光谱估产模型，能够充分利用两者的信息优势，更全面地反映加工番茄的生长状况和产量形成机制。在构建模型时，将前期筛选出的光谱变量和关键农学参数作为自变量，加工番茄单产作为因变量，采用多元线性回归、偏最小二乘回归等方法建立模型。多元线性回归模型假设因变量与多个自变量之间存在线性关系，通过最小二乘法估计回归系数，使得观测值与预测值之间的残差平方和最小。其数学模型表达式为：Y=\beta_0+\beta_1X_1+\beta_2X_2+\cdots+\beta_nX_n+\epsilon，其中Y表示加工番茄单产，\beta_0为截距，\beta_1,\beta_2,\cdots,\beta_n为回归系数，X_1,X_2,\cdots,X_n为光谱变量和农学参数，\epsilon为随机误差项。在构建复合光谱估产模型时，将光谱变量（如NDVI、RVI等）和农学参数（如叶面积指数、生物量、叶绿素含量等）代入模型中，利用统计分析软件进行计算，得到回归系数的估计值，从而确定模型的具体形式。偏五、模型验证与分析5.1模型验证方法5.1.1独立样本验证独立样本验证是评估模型泛化能力的重要手段。在本研究中，从实验获取的全部数据中，按照一定比例（通常为30%-40%）随机选取一部分数据作为独立样本，这些数据在模型构建过程中未被使用。这是因为模型在训练过程中会学习训练数据的特征和规律，如果使用参与过训练的数据进行验证，模型可能会对这些数据过度拟合，导致验证结果过于乐观，无法真实反映模型在实际应用中的性能。而独立样本与训练数据相互独立，具有不同的特征和分布，能够更客观地检验模型对新数据的适应能力和预测准确性。例如，在构建基于冠层高光谱的加工番茄单产估算模型时，我们总共收集了100个样本数据。按照30%的比例，随机选取30个样本作为独立样本，剩余70个样本用于模型训练。在完成模型训练后，将这30个独立样本的冠层高光谱数据输入到模型中，得到单产预测值。然后，将预测值与独立样本的实际单产进行对比分析，通过计算各种精度评价指标，如均方根误差、决定系数、平均绝对误差等，来评估模型的泛化能力。如果模型在独立样本上的预测精度较高，误差较小，说明模型具有较好的泛化能力，能够准确地预测新的加工番茄单产；反之，如果模型在独立样本上的表现较差，预测误差较大，则表明模型的泛化能力不足，可能需要进一步优化模型结构、调整参数或增加训练数据量，以提高模型对新数据的适应能力。5.1.2精度评价指标均方根误差（RMSE）：均方根误差是衡量预测值与真实值之间偏差的常用指标，它反映了预测值与真实值之间的平均误差程度。其计算公式为：RMSE=\sqrt{\frac{\sum_{i=1}^{n}(y_{i}-\hat{y}_{i})^{2}}{n}}，其中y_{i}表示第i个样本的真实值，\hat{y}_{i}表示第i个样本的预测值，n为样本数量。RMSE的值越小，说明预测值与真实值之间的偏差越小，模型的预测精度越高。例如，若RMSE的值为0.5，表示模型预测值与真实值之间的平均误差为0.5，误差相对较小，模型精度较高；若RMSE的值为2，则说明模型预测值与真实值之间的平均误差较大，模型精度较低。决定系数（）：决定系数用于衡量模型对数据的拟合优度，取值范围在0到1之间。其计算公式为：R^{2}=1-\frac{\sum_{i=1}^{n}(y_{i}-\hat{y}_{i})^{2}}{\sum_{i=1}^{n}(y_{i}-\bar{y})^{2}}，其中\bar{y}为真实值的平均值。R^{2}越接近1，说明模型对数据的拟合效果越好，即模型能够解释数据中的大部分变异；R^{2}越接近0，说明模型对数据的拟合效果越差，模型的解释能力较弱。例如，当R^{2}为0.8时，表明模型能够解释80%的数据变异，拟合效果较好；当R^{2}为0.3时，则说明模型对数据的解释能力较差，仅有30%的数据变异能够被模型解释。平均绝对误差（MAE）：平均绝对误差是预测值与真实值之间误差的平均绝对值，它衡量了预测值与真实值之间的平均偏离程度。其计算公式为：MAE=\frac{\sum_{i=1}^{n}|y_{i}-\hat{y}_{i}|}{n}。MAE的值越小，说明模型的预测结果越接近真实值，模型的预测精度越高。例如，若MAE的值为0.3，表示模型预测值与真实值之间的平均绝对误差为0.3，误差较小，模型预测精度较高；若MAE的值为1，则说明模型预测值与真实值之间的平均偏离程度较大，模型精度较低。这些精度评价指标从不同角度反映了模型的性能，在模型验证过程中，综合使用这些指标能够更全面、准确地评估模型的优劣，为模型的选择和优化提供科学依据。5.2模型验证结果5.2.1单时相光谱估产模型验证结果通过独立样本验证，对单时相光谱估产模型在验证样本上的预测精度和误差进行深入分析，以评估该模型的性能。在本研究中，从实验数据中选取了30个样本作为独立验证样本，将其冠层高光谱数据输入到单时相光谱估产模型中，得到单产预测值。计算得到的均方根误差（RMSE）为550kg/亩，这意味着模型预测值与真实值之间的平均误差达到了550kg/亩，误差相对较大，说明模型在预测单产时存在一定的偏差。决定系数（R^{2}）为0.70，表明模型能够解释70%的数据变异，虽然具有一定的解释能力，但仍有30%的数据变异无法被模型解释，拟合效果有待提高。平均绝对误差（MAE）为450kg/亩，即模型预测值与真实值之间的平均偏离程度为450kg/亩，这进一步说明模型的预测精度有待提升。从具体样本的预测情况来看，部分样本的预测值与真实值之间存在较大偏差。例如，样本1的真实单产为5000kg/亩，而模型预测值为4200kg/亩，偏差达到了800kg/亩；样本5的真实单产为4800kg/亩，预测值为5500kg/亩，偏差为700kg/亩。这些较大的偏差可能是由于单时相光谱数据未能全面反映加工番茄生长过程中的各种因素对产量的影响，如不同生长阶段的病虫害侵袭、土壤养分的动态变化等，导致模型在预测这些样本时出现较大误差。对单时相光谱估产模型的验证结果表明，该模型在预测加工番茄单产时存在一定的局限性，虽然能够在一定程度上反映光谱与产量之间的关系，但由于其仅利用了单一时相的光谱信息，无法充分考虑加工番茄生长的动态变化和多种影响因素，导致模型的预测精度和稳定性有待进一步提高。在实际应用中，需要结合其他方法或数据，对单时相光谱估产模型进行改进和优化，以提高其预测的准确性和可靠性。5.2.2多时相光谱估产模型验证结果呈现多时相光谱估产模型的验证结果，并深入分析不同生育期组合对模型精度的影响，以探究该模型的性能优势和适用条件。本研究采用10折交叉验证法对多时相光谱估产模型进行验证。将数据集随机划分为10个大小相似的子集，每次取其中1个子集作为测试集，其余9个子集作为训练集，用训练集构建模型，然后用测试集对模型进行验证，计算预测值与真实值之间的误差指标，经过10次循环，将所有子集都作为测试集进行一次验证，最后计算这些误差指标的平均值，以评估模型的整体性能。对于两个生育期组合的模型，以坐果期和青熟期组合为例，经过10折交叉验证后，得到均方根误差（RMSE）为450kg/亩，决定系数（R^{2}）为0.80，平均绝对误差（MAE）为350kg/亩。坐果期是果实开始形成和发育的阶段，此时的光谱数据能够反映果实的初始发育状况和植株的营养供应能力；青熟期果实逐渐成熟，光谱特征与果实的成熟度和最终产量密切相关。这两个生育期的光谱数据相结合，能够更全面地反映加工番茄的生长过程和产量形成机制，从而使模型的预测精度有所提高。三个生育期组合的模型中，以坐果期、青熟期和采收期组合表现较为突出。其RMSE降低至380kg/亩，R^{2}提高到0.85，MAE为300kg/亩。采收期的数据综合反映了整个生长周期的累积效应以及最终的产量形成情况，与坐果期和青熟期的数据相结合，进一步丰富了模型的输入信息，使模型能够更准确地捕捉加工番茄生长过程中的关键信息，从而提高了模型的预测精度和稳定性。四个生育期组合的模型，即包含苗期、花期、坐果期和青熟期的模型，精度最高。其RMSE为320kg/亩，R^{2}达到0.90，MAE为250kg/亩。苗期光谱数据反映了幼苗的基本生理状态，花期光谱数据体现了植株从营养生长向生殖生长转变的特征，加上坐果期和青熟期的数据，四个生育期的数据全面涵盖了加工番茄从生长起始阶段到果实成熟阶段的信息，能够更全面、细致地反映加工番茄的生长过程和产量形成机制，因此模型的预测精度和拟合优度最高。不同生育期组合的多时相光谱估产模型在精度上存在差异，随着生育期组合数量的增加，模型能够利用更多的光谱信息，更全面地反映加工番茄的生长和产量形成过程，从而提高模型的精度和稳定性。在实际应用中，可以根据具体需求和数据获取情况，选择合适生育期组合的多时相光谱估产模型，以实现对加工番茄单产的准确预测。5.2.3复合光谱估产模型验证结果说明复合光谱估产模型的验证效果，并将其与单时相和多时相模型进行比较，以明确该模型的优势和特点。本研究采用留一交叉验证法对复合光谱估产模型进行验证。每次从数据集中取出一个样本作为测试集，其余样本作为训练集，用训练集构建模型，然后用测试集对模型进行验证，计算预测值与真实值之间的误差指标，经过多次循环，将所有样本都作为测试集进行一次验证，最后计算这些误差指标的平均值，以评估模型的性能。经过留一交叉验证，复合光谱估产模型的均方根误差（RMSE）为280kg/亩，决定系数（R^{2}）为0.92，平均绝对误差（MAE）为200kg/亩。这表明该模型在预测加工番茄单产时具有较高的精度，能够较好地拟合数据，预测值与真实值之间的偏差较小。与单时相光谱估产模型相比，复合光谱估产模型的RMSE从550kg/亩降低到280kg/亩，R^{2}从0.70提高到0.92，MAE从450kg/亩减少到200kg/亩。单时相光谱估产模型仅利用了单一时相的光谱信息，无法全面反映加工番茄生长过程中的多种因素对产量的影响；而复合光谱估产模型结合了光谱变量和农学参数，能够更全面地考虑加工番茄的生长状况和产量形成机制，从而显著提高了模型的预测精度和拟合优度。与多时相光谱估产模型相比，以四个生育期组合的多时相光谱估产模型为例，其RMSE为320kg/亩，R^{2}为0.90，MAE为250kg/亩。复合光谱估产模型在RMSE、R^{2}和MAE等指标上均优于四个生育期组合的多时相光谱估产模型。这是因为复合光谱估产模型不仅利用了多时相的光谱信息，还融入了关键农学参数，如叶面积指数、生物量、叶绿素含量等，这些农学参数与光谱信息相互补充，进一步提高了模型对加工番茄单产的预测能力。复合光谱估产模型在预测加工番茄单产方面具有明显的优势，其精度高于单时相和多时相光谱估产模型。通过结合光谱变量和农学参数，该模型能够更全面、准确地反映加工番茄的生长状况和产量形成机制，为加工番茄单产的准确估算提供了更有效的工具。在实际应用中，复合光谱估产模型具有更高的应用价值和推广潜力。5.3模型对比分析5.3.1不同模型性能对比从精度、稳定性、泛化能力等多个关键方面对单时相、多时相和复合光谱估产模型进行全面对比，以清晰地了解各模型的特点和优劣，为实际应用中模型的选择提供科学依据。精度方面：单时相光