實(shí)時(shí)無(wú)損精準(zhǔn)監(jiān)測(cè)茶樹(shù)鮮葉品質(zhì)成分含量是實(shí)現(xiàn)茶園精準(zhǔn)優(yōu)質(zhì)栽培管理的關(guān)鍵環(huán)節(jié)。繼前期在茶樹(shù)長(zhǎng)勢(shì)與氮素營(yíng)養(yǎng)無(wú)損監(jiān)測(cè)方面取得突破后，近日，房婉萍教授團(tuán)隊(duì)在該方向上進(jìn)一步取得重要進(jìn)展，成功構(gòu)建融合高光譜特征工程與建模技術(shù)的智能無(wú)損品質(zhì)監(jiān)測(cè)方法，實(shí)現(xiàn)了從樹(shù)體長(zhǎng)勢(shì)監(jiān)測(cè)向品質(zhì)成分監(jiān)測(cè)的縱深拓展。相關(guān)成果論文“Advanced hyper-spectral feature engineering for real-time prediction of tea quality in support of high-grade cultivation”發(fā)表在農(nóng)業(yè)工程與信息科學(xué)交叉領(lǐng)域的國(guó)際權(quán)威期刊Computers and Electronics in Agriculture上。

研究聚焦于茶多酚、游離氨基酸及酚氨比（TP/AA）等關(guān)鍵茶鮮葉品質(zhì)指標(biāo)，面向江蘇省六個(gè)典型茶園，于春、夏、秋三個(gè)季節(jié)系統(tǒng)采集茶樹(shù)冠層高光譜數(shù)據(jù)，并同步開(kāi)展葉片生化測(cè)定與氣象監(jiān)測(cè)，確保模型訓(xùn)練所需數(shù)據(jù)的多樣性與時(shí)空代表性。通過(guò)引入諧波分析與小波變換等時(shí)頻域方法，實(shí)現(xiàn)了對(duì)光譜數(shù)據(jù)潛在周期性與多尺度特征的深度挖掘。模型構(gòu)建方面，團(tuán)隊(duì)綜合使用隨機(jī)森林（RF）、最小絕對(duì)收縮與選擇算子（LASSO）以及偏最小二乘回歸（PLSR）三種主流機(jī)器學(xué)習(xí)算法，對(duì)比分析模型性能，確保結(jié)果的穩(wěn)健性與適用性。在進(jìn)一步融入多時(shí)間尺度的氣象變量后，模型精度顯著提升，驗(yàn)證了遙感與氣象多源信息融合在茶葉品質(zhì)動(dòng)態(tài)監(jiān)測(cè)中的潛力。季節(jié)性對(duì)比結(jié)果亦表明，秋季模型性能最優(yōu)，其次為夏季與春季，反映出品質(zhì)指標(biāo)在不同時(shí)期的生物合成規(guī)律與遙感響應(yīng)差異。本工作是在前期茶樹(shù)長(zhǎng)勢(shì)與養(yǎng)分監(jiān)測(cè)研究基礎(chǔ)上的延續(xù)與深化，不僅進(jìn)一步驗(yàn)證了高光譜技術(shù)在茶園管理中的實(shí)用性，也開(kāi)創(chuàng)性地將諧波分析與小波分析協(xié)同引入茶葉品質(zhì)無(wú)損預(yù)測(cè)中，探索形成一套具有普適性與推廣潛力的鮮葉品質(zhì)監(jiān)測(cè)范式。研究為我國(guó)茶園高質(zhì)量發(fā)展、精準(zhǔn)采摘調(diào)度與智慧栽培管理提供了關(guān)鍵技術(shù)支撐。

本研究由南京農(nóng)業(yè)大學(xué)園藝學(xué)院房婉萍教授擔(dān)任通訊作者，鐘山青年研究員江杰與碩士研究生周官子為共同第一作者。團(tuán)隊(duì)成員姬浩田、潘榮玉、楊壘、趙蘇慧、方子迪，朱旭君副教授和馬媛春老師，以及農(nóng)學(xué)院劉小軍教授亦參與了部分研究工作。項(xiàng)目獲得國(guó)家現(xiàn)代農(nóng)業(yè)（茶葉）產(chǎn)業(yè)技術(shù)體系、國(guó)家自然科學(xué)基金、中國(guó)博士后科學(xué)基金及國(guó)家資助博士后研究人員計(jì)劃等多項(xiàng)支持。

圖1 春季鮮葉品質(zhì)指標(biāo)與不同光譜特征（反射率、諧波、小波）的相關(guān)性分析

圖2 三特征型高光譜指數(shù)與春季鮮葉品質(zhì)參數(shù)間的定量模型決定系數(shù)