تناولت هذه الدراسة الذرة كموضوع بحث، حيث عالجت مشكلة عدم دقة مراقبة محتوى النيتروجين في ظل ظروف الزراعة في المناطق الباردة. بعد مقارنة عدة طرق معالجة مسبقة، تم تبني طريقة المعالجة المشتركة بين تحويل المويجة (DWT) وتحويل المتغيرات الطبيعية القياسية (SNV). تم مقارنة أنظمة اختيار الخصائص مثل خوارزمية إعادة الترجيح التكيفية التنافسية (CARS)، وخوارزمية إلغاء المتغيرات غير المعلوماتية (UVE)، وخوارزمية الإسقاط المتتابعة (SPA)، والخوارزمية الجينية (GA)، وخوارزمية GA-SPA، إلى جانب دمج نماذج الانحدار مثل الانحدار الجزئي لأدنى المربعات (PLSR)، والانحدار المدعوم (SVR)، وآلة التعلم القصوى النواة (KELM)، وآلة التعلم القصوى العميقة (DELM)، وتعزيز التدرج المتطرف (XGBoost)، وشبكة الالتفاف أحادية البعد (1D-CNN)، لتقييم أداء الانعكاس الطيفي عالي الدقة لمحتوى النيتروجين في الذرة. أظهرت النتائج أن النمذجة بطيف كامل حققت درجة ملاءمة عالية داخل مجموعة التدريب لكنها أظهرت انخفاض الدقة في التنبؤ على مجموعة الاختبار مع وجود ظاهرة الإفراط في التكيف الواضح. بعد إدخال اختيار الخصائص، تحسنت أداء النماذج بشكل ملحوظ، حيث أظهرت خوارزمية GA-SPA أفضل أداء في استخراج الخصائص وتقليل التكرار. حقق التنبؤ باستخدام ميزات GA-SPA المدمجة مع نموذج DELM أفضل النتائج، مع R² اختبار بلغ 0.8111 وآر إم إس إي 0.4930، متفوقة بشكل ملحوظ على التركيبات الأخرى، كما احتفظت GA-SPA بثبات تنبؤي عالي في نماذج PLSR و KELM و SVR. تظهر النتائج أن إطار نمذجة DELM المستند إلى معالجة مسبقة DWT+SNV وتحسين ميزات GA-SPA يمكن أن يعزز بشكل فعال دقة انعكاس محتوى النيتروجين في الذرة وقدرتها على التعميم، مما يوفر دعمًا تقنيًا موثوقًا لمراقبة مغذيات الذرة في المناطق الباردة والتسميد الدقيق.

ذرة; محتوى النيتروجين; تقنية الطيف عالي الدقة; GA-SPA; DELM