Stickstoff ist Bestandteil von Proteinen, Chlorophyll und anderen Substanzen und spielt eine entscheidende Rolle bei Wachstum und Entwicklung von Pflanzen. Der Stickstoffgehalt gibt den Ernährungszustand der Pflanzen und Veränderungen im Wachstum an. Die Nutzung der Hyperspektraltechnologie zur zerstörungsfreien und effizienten Abschätzung physiologischer und biochemischer Indikatoren von Pflanzen kann eine zuverlässige Methode zur Datensammlung für die Nährstoffbewertung und die Gesundheitsüberwachung während des Wachstums- und Entwicklungsprozesses von Pflanzen bieten. In dieser Studie wurde die schlanke Shansi-Walnuss (Changlin- und Jiande-Serie) als Forschungsobjekt ausgewählt. Es wurden Hyperspektraldaten von 53 Bäumen der schlanke Shansi-Walnuss im Bereich von 350 bis 2500 nm im Freien zufällig gesammelt. Zunächst wurde eine spektrale Vorverarbeitung mit dem Fraktionalen Differential (FOD) durchgeführt; anschließend wurden zwei spektrale Indizes aus zwei Bändern verwendet, um die Beziehung zwischen dem Stickstoffgehalt der Blätter der schlanke Shansi-Walnuss (LNC) und dem Spektrum zu erkunden. Schließlich wurden die Modellvariablen mithilfe des Variable Combination Cluster Analysis-Algorithmus (VCPA) ausgewählt und Schätzmodelle mit dem Extreme Gradient Boosting (XGBoost)-Algorithmus für einzelne und zwei spektrale Indizes des FOD der Baumkrone entwickelt. Unter den experimentellen Bedingungen wurden geeignete Schätzmodelle für LNC erhalten. Die Ergebnisse zeigten, dass im Vergleich zum Originalspektrum der Effekt der Verbesserung der Korrelation zwischen dem von FOD vorverarbeiteten Kronenspektrum und LNC der schlanke Shansi-Walnuss gut war, mit einer Verbesserung um 0,152. Die Kombination von FOD und zwei spektralen Indizes aus zwei Bändern (normalisierter und differenzieller spektraler Index) führte zu einer verbesserten Korrelation zwischen spektralen Merkmalen und Zielkomponenten, mit Steigerungen um 0,250 bzw. 0,277 im Vergleich zu einem einzelnen Spektrum. Die Methode der Variablenselektion VCPA filterte schließlich Teilvariablenmengen, die starke und schwache Informationsvariablen enthielten und eine wichtige Rolle bei der Verbesserung der Schätzgenauigkeit des Modells hatten. Das optimale Stickstoffschätzmodell ist das Differentialspektrale Index-Modell von 1,5 Ordnung in Kombination mit zwei Bändern (DSI), mit RP2 = 0,75, RMSEP = 1,32 g⁄kg. Diese Studie bestätigte einerseits die Machbarkeit der zerstörungsfreien Abschätzung des Stickstoffs in der schlanke Shansi-Walnuss mittels Hyperspektrum. Andererseits kann die Kombination von Fraktionalem Differential und zwei spektralen Indizes aus zwei Bändern signifikant die Beziehung zwischen spektralen Merkmalen und Zielvariablen verbessern, die Methoden zur Verarbeitung von Hyperspektraldaten erweitern und eine neue Herangehensweise zur Überwachung der Pflanzenernährung bieten.

Schlanke Shansi-Walnuss; Baumkronengröße; Hyperspektrale Fernerkundung; Stickstoff; Fraktionales Differential; Spektralindex; Variable Combination Cluster Analysis; Maschinelles Lernen