Cette étude porte sur le maïs en tant qu’objet de recherche. En réponse aux problèmes d’exactitude insuffisante du suivi de la teneur en azote dans les conditions de culture en régions froides, après comparaison de plusieurs méthodes de prétraitement, une méthode combinée de transformation en ondelettes discrètes (DWT) et de transformation des variables normales standardisées (SNV) a été adoptée. Les algorithmes de sélection de caractéristiques tels que l’algorithme adaptatif compétitif de repondération (CARS), l’élimination des variables non informatives (UVE), l’algorithme de projection séquentielle (SPA), l’algorithme génétique (GA) et l’algorithme génétique combiné à SPA (GA-SPA) ont été systématiquement comparés. De plus, différents modèles de régression comme la régression par moindres carrés partiels (PLSR), la régression par vecteurs de support (SVR), la machine d’apprentissage extrême à noyau (KELM), la machine d’apprentissage extrême profonde (DELM), le gradient boosting extrême (XGBoost) et le réseau de neurones convolutifs unidimensionnel (1D-CNN) ont été utilisés pour évaluer de manière exhaustive la performance de l’inversion hyperspectrale de la teneur en azote dans le maïs. Les résultats montrent que la modélisation sur tout le spectre, bien qu’offrant un ajustement élevé sur l’ensemble d’entraînement, présente une faible précision prédictive sur l’ensemble de test avec un surapprentissage évident ; l’introduction de la sélection de caractéristiques a sensiblement amélioré la performance des modèles, parmi lesquels l’algorithme GA-SPA s’est révélé le meilleur pour l’extraction des caractéristiques et la suppression des redondances. La meilleure performance de prédiction a été obtenue avec les caractéristiques sélectionnées par GA-SPA combinées au modèle DELM, avec un R² de test de 0,8111 et un RMSE de 0,4930, nettement supérieurs aux autres combinaisons ; par ailleurs, GA-SPA a également maintenu une stabilité prédictive élevée dans les modèles PLSR, KELM et SVR. Ces résultats indiquent que le cadre de modélisation DELM basé sur le prétraitement DWT+SNV et l’optimisation des caractéristiques GA-SPA peut améliorer efficacement la précision et la capacité de généralisation de l’inversion de la teneur en azote du maïs, fournissant un soutien technique fiable pour la surveillance nutritionnelle et la fertilisation précise du maïs en régions froides.

maïs; teneur en azote; technologie hyperspectrale; GA-SPA; DELM