Abstract To date, studies using hyperspectral imaging (HSI) to monitor plant nutrient status have focused mainly on the prediction of water and nitrogen (N) contents, and few have attempted to monitor phosphorus (P) and potassium (K). In this study, we aimed to predict P and K contents in tea plant leaves of five cultivars using HSI coupled with chemometrics. Hyperspectral data within the spectral range of 908.15–1735.68 nm were extracted for 87 leaf samples by mask method. To eliminate noise interference in raw spectral data, different spectral pre-processing methods were tried and compared. Standard normal variate (SNV) showed better model performance than others both for the prediction of P and K contents. Successive projections algorithm (SPA), and regression coefficients (RC) of partial least squares regression (PLSR) model were employed to select the optimal wavelengths. After variable selection, four models of SPA-PLSR, RC-PLSR, SPA-multiple linear regression (MLR), and RC-MLR were established. SPA-MLR models yielded the best performance with correlation coefficients of prediction (RP) of 0.9423 (P), and 0.9168 (K).Whereas, the root mean square errors in prediction (RMSEP) were 0.0927, 0.4941, residual predictive deviation (RPD) of 2.76, 2.50, for P and K, respectively. Our results suggested that HSI combined with chemometrics is a rapid and accurate approach to potentially predict the contents of P and K in tea plants.

中文翻译：

---

近红外高光谱成像结合化学计量学对茶叶中磷和钾含量的无损评估

摘要 迄今为止，利用高光谱成像（HSI）监测植物营养状况的研究主要集中在水和氮（N）含量的预测上，很少尝试监测磷（P）和钾（K）。在本研究中，我们旨在使用 HSI 结合化学计量学预测五个品种的茶树叶片中 P 和 K 的含量。通过掩模法提取了 87 个叶片样品在 908.15-1735.68 nm 光谱范围内的高光谱数据。为了消除原始光谱数据中的噪声干扰，尝试并比较了不同的光谱预处理方法。标准正态变量 (SNV) 在预测 P 和 K 含量方面显示出比其他模型更好的模型性能。连续投影算法（SPA），采用偏最小二乘回归（PLSR）模型的回归系数（RC）和回归系数（RC）来选择最佳波长。经过变量选择，建立了SPA-PLSR、RC-PLSR、SPA-多元线性回归（MLR）、RC-MLR四个模型。SPA-MLR 模型产生了最佳性能，预测相关系数 (RP) 为 0.9423 (P) 和 0.9168 (K)。而预测中的均方根误差 (RMSEP) 分别为 0.0927、0.4941，残余预测偏差 (RPD) ) 对于 P 和 K，分别为 2.76、2.50。我们的结果表明，HSI 结合化学计量学是一种快速准确的方法，可以潜在地预测茶树中 P 和 K 的含量。SPA-MLR 模型产生了最佳性能，预测相关系数 (RP) 为 0.9423 (P) 和 0.9168 (K)。而预测中的均方根误差 (RMSEP) 分别为 0.0927、0.4941，残余预测偏差 (RPD) ) 对于 P 和 K，分别为 2.76、2.50。我们的结果表明，HSI 结合化学计量学是一种快速准确的方法，可以潜在地预测茶树中 P 和 K 的含量。SPA-MLR 模型产生了最佳性能，预测相关系数 (RP) 为 0.9423 (P) 和 0.9168 (K)。而预测中的均方根误差 (RMSEP) 分别为 0.0927、0.4941，残余预测偏差 (RPD) ) 对于 P 和 K，分别为 2.76、2.50。我们的结果表明，HSI 结合化学计量学是一种快速准确的方法，可以潜在地预测茶树中 P 和 K 的含量。