橡胶树一直是天然橡胶的商业来源,且橡胶树生长受地域性影响显著,使得橡胶树成为热带地区最重要的作物之一。同时,氮元素的含量高低直接影响橡胶树生长趋势,因此合理施用氮肥对保持橡胶树的正常生长以及天然橡胶的增产具有重要意义。本文进行了基于可见/近红外光谱结合化学计量学原理对橡胶树叶片氮含量进行快速,无损、准确检测研究。主要研究的工作内容如下:1、确定了去除奇异样本后的建模集分集方法和预处理方法。针对采集到的176个橡胶树叶片样本首先采用蒙特卡洛交叉验证(MCCV)方法检测出奇异样本,去除了编号为21,136的两个样本,再对剩下的174个样本进行校正预测分集,分别比较了十折交叉验证(10-fold CV)、KS、SPXY三种分集方法对氮含量模型的影响。结果表明,SPXY方法选择出来的校正集建立的模型优于其它两种,随后经过SPXY分集后再对光谱数据分别采用了多元散色校正(SNV)、Savitzky-Golay、标准正态变量变换(MSC)、平滑算法(Smoothing)、小波变换(WT)、标准化(Normalize)预处理方法与原始光谱的建模效果进行比较。结果表明,氮含量最优预测模型是经多元散色校正预处理得到的,提取了 13个主成分,校正集的Rc=0.9438,RMSEC=0.1072,预测集的Rp=0.9123,RMSEP=0.1120%,后续实验均采用多元散色校正处理后的光谱数据进行分析。2、研究了橡胶树叶片氮含量定量分析模型的波长间隔和单波长选择方法。首先比较分析了间隔随机蛙算法(iRF)、间隔偏最小二乘法(iPLS)、后向偏最小二乘法(BiPLS)三种波长间隔方法对橡胶树叶片氮含量的预测能力,确定了 iRF算法对可见/近红外光谱数据的波段选择结果最优,再用波长选择方法遗传算法(GA)和竞争性重加权自适应选择算法(CARS)对全波段光谱数据和经过iRF算法选择出来的最优间隔组合进行筛选,结果表明,先经过iRF算法粗选后再经过CARS和GA算法(iRF-CARS和iRF-GA)建立的PLS氮含量预测模型效果要优于单波长选择方法建立的,且大大简化了模型。3、不同模型下的两种波长结合方法预测精度对比。对iRF-CARS和iRF-GA两种波长结合方法分别建立多元线性回归(MLR)、人工神经网络(ANN)、最小二乘法支持向量机(LSSVM),结果表明,iRF-CARS-PLS和iRF-CARS-MLR模型对橡胶树叶片的预测效果都一样,且比其它模型的都要好,iRF-CARS四种模型下的预测都要高于iRF-GA的,证明iRF-CARS方法要优于iRF-GA的,iRF-CARS方法仅仅选取了 16个点作为特征波长点,相比全波段数据建模,波长显著性减少了 99.07%,iRF-CARS-PLS 和 iRF-CARS-MLR 模型的精度校正集的 Rc=0.9542,RMSEC=0.0971%,预测集的Rp=0.9345,RMSEP=0.1015%。iRF-CARS方法确实能作为一种策略的波长选择方法用于检测橡胶树叶片的氮含量。