Diese Studie untersucht Mais als Forschungsobjekt und adressiert das Problem der unzureichenden Genauigkeit der Stickstoffgehaltsüberwachung unter Anbaubedingungen in kalten Gebieten. Nach dem Vergleich mehrerer Vorverarbeitungsmethoden wurde eine kombinierte Vorverarbeitung mit Wavelet-Transformation (DWT) und Standardnormalvariablen-Transformation (SNV) verwendet. Es wurden Wettbewerbsadaptive Regewichtungsalgorithmus (CARS), informativer Variablenausschluss-Algorithmus (UVE), fortlaufender Projektionsalgorithmus (SPA), genetischer Algorithmus (GA) und genetisch-fortlaufender Projektionsalgorithmus (GA-SPA) als Merkmalsauswahlalgorithmen systematisch verglichen und in Kombination mit verschiedenen Regressionsmodellen wie Partial Least Squares Regression (PLSR), Support Vector Regression (SVR), Kernel Extreme Learning Machine (KELM), Deep Extreme Learning Machine (DELM), Extreme Gradient Boosting (XGBoost) und eindimensionalen Convolutional Neural Networks (1D-CNN) zur umfassenden Bewertung der Hyperspektral-Rückprojektion der Mais-Stickstoffgehalte verwendet. Die Ergebnisse zeigen, dass das Vollbandsmodell zwar im Trainingsdatensatz eine hohe Anpassung aufweist, jedoch auf dem Testdatensatz eine geringe Vorhersagegenauigkeit mit deutlicher Überanpassung zeigt. Durch Einführung der Merkmalsauswahl verbesserte sich die Modellleistung deutlich, wobei der GA-SPA-Algorithmus bei der Merkmalsextraktion und Redundanzunterdrückung die beste Leistung zeigte. Mit den durch GA-SPA ausgewählten Merkmalen kombiniert mit dem DELM-Modell wurde die beste Vorhersageleistung erzielt, wobei das R² im Testdatensatz 0,8111 und der RMSE 0,4930 betrugen und damit andere Kombinationen deutlich übertrafen; gleichzeitig zeigte GA-SPA in den PLSR-, KELM- und SVR-Modellen eine hohe Vorhersagestabilität. Die Ergebnisse zeigen, dass das DELM-Modellierungsrahmenwerk basierend auf der DWT+SNV-Vorverarbeitung und der GA-SPA-Merkmalsoptimierung die Genauigkeit und Generalisierungsfähigkeit der Rückprojektion des Mais-Stickstoffgehalts effektiv verbessern kann, was eine zuverlässige technische Unterstützung für die Nährstoffüberwachung und präzise Düngung von Mais in kalten Gebieten bietet.

Mais; Stickstoffgehalt; Hyperspektraltechnik; GA-SPA; DELM