为了探索快速无损检测棉花生长阶段叶片叶绿素含量的可行性，本研究利用高光谱技术结合特征变量选择方法进行定量检测研究。通过相关光谱(COS)，对苗期、芽期、花期和铃期的882个具有代表性的样品进行特征波长筛选，筛选出213个特征波长。基于所有波长和选定的特征波长，提出了一种反向传播神经网络(BPNN)、遗传算法优化的反向传播神经网络(GA-BPNN)、粒子群优化的反向传播神经网络(PSO-BPNN)、建立了基于麻雀搜索算法优化的反向传播神经网络(SSA-BPNN)预测模型，并对模型性能进行了比较。研究结果表明，基于所有波长和选择的特征波长建立的GA-BPNN、PSO-BPNN和SSA-BPNN模型在性能上优于BPNN模型。其中，利用相关分析提取的213个特征波长建立的SSA-BPNN模型(简称COS-SSA-BPNN模型)性能最好。其预测集的决定系数和均方根误差分别为0.920和3.26%，相对分析误差为3.524。其预测集的决定系数和均方根误差分别为0.920和3.26%，相对分析误差为3.524。此外，创新性地引入正交实验验证模型的性能，结果表明，获得最佳模型性能的最佳方案是采用COS方法提取的213个特征波长建立的SSA-BPNN模型。以上结果表明，将高光谱数据与COS-SSA-BPNN模型相结合，可有效实现棉花叶片叶绿素含量的定量检测。本研究结果为低成本棉花叶片叶绿素含量检测系统的开发提供了技术支持和参考。

图1 采样点地理位置示意图

图2高光谱图像数据采集系统组成原理图

图3 棉花叶片高光谱图像和3个阶段ROI的平均光谱。(a).原始图像样本;(b).样本纯叶片部分图像;(c).样本关注区域(ROI);(d).所有像素点的平均光谱:不同颜色的线代表不同的样本光谱曲线。

表1 生育期棉花叶片叶绿素含量

图4 叶绿素含量分布示意图

图5 叶绿素含量与平滑光谱波长的相关系数

表2 不同数量和波长棉花叶片样本的BPNN模型评估结果。

表3 不同数量和波长的棉花叶片样本的GA-BPNN模型评估结果。

表4 不同数量和波长棉花叶片样本的PSO-BPNN模型评估结果。

表5 不同数量和波长棉花叶片样本的 SSA-BPNN 模型评估结果。

图6 棉花叶片叶绿素含量预测模型。注：深色条纹区域为95%置信区间；浅色的条带是95%的预测条带

表6叶绿素含量预测的正交试验因子水平表

表7 试验方案

表8 试验结果

表9 试验结果分析