可見一近紅外光譜法異位發(fā)酵床墊料水分快速檢測

中圖分類號：X713；X76 文獻標識碼：A 文章編號：2095-5553（2025）07-0281-

DOI：10.13733/j.jcam.issn.2095-5553.2025.07.040

Abstract：Toaddresstheneedforrapid moisturedetectioninectopicfermentationbedding materials，thisstudyexploredthe feasibilityofdevelopingamoisturepredictionmodelusingvisible-nearinfraredspectroscopy（Vis-NIR）technology.Overaperiod of 4-5 months，samplesofbedding materials werecolected，and spectraldata ranging from40Onm to990nm wereobtained using aspectrometer.Key characteristicwavelengths wereselectedusing the Competitive AdaptiveReweighted Sampling （CARS）algorithm.Subsequently，a Backpropagation（BP） neural network modelwas thenconstructedandoptimizedusing three optimization algorithms：Grey Wolf Algorithm（GWO），Haris Hawk Algorithm（HHO），and the Guanhao Pig Algorithm （CPO）.Among these，theCPOalgorithm demonstrated the bestoptimization performance.To further enhance modelacuracy， theParticle Swarm Optimization（PSO）algorithmwas improved by integrating Chebyshevchaoticmapping，resulting inthe CARS—ICPO model． The final model achieved R² values of O.993 5 and O.995 6 on the validation and prediction sets， respectively，withcorresponding RMSEvaluesofO.O1landO.O09，indicating excellentpredictiveaccuracyand generalizationcapability.ThesefindingsconfirmedthefeasibilityofVis-NIRspectroscopycombinedwithadvancedmachine learningtechniquesformoisturecontrolpredictioninectopicfermentationbeddingmaterials，oferinganovelaproachand technical support for rapid detection and intelligent management of fermentation systems.

Keywords：ectopic fermentation bed；padding material；visible near infraredspectroscopy；moisture content detection;neural network;algorithm optimization

0 引言

隨著我國畜禽養(yǎng)殖規(guī)模不斷擴大，畜禽糞污類廢棄物大量產生[]。異位發(fā)酵床技術作為一種高效的畜禽糞污處理方式，得到廣泛推廣，并在同步實現糞污消納和肥料化利用方面發(fā)揮重要作用。研究表明，該技術在高濕熱季節(jié)仍能保持良好的養(yǎng)殖效果，有效解決了傳統(tǒng)糞污處理中的環(huán)境問題[2]。異位發(fā)酵床結合翻拋機等設備進一步提高了糞污處理的效率和均勻性[3]。在生豬養(yǎng)殖廢棄物處理中，微生物異位發(fā)酵床技術表現出顯著的環(huán)境效益，能夠有效降解有機質并減少污染物排放[4。此外，與原位發(fā)酵床相比，異位發(fā)酵床在控制養(yǎng)殖廢棄物污染方面具有更高的穩(wěn)定性和適應性[5]。近年來，異位發(fā)酵床技術在養(yǎng)殖糞污處理中的應用機制不斷被深入研究，其在減少溫室氣體排放、提高資源利用率等方面的潛力也得到了進一步驗證。在發(fā)酵進程中，墊料水分是發(fā)酵床控制的重要參數之一[6]。過低的墊料水分會抑制發(fā)酵菌種的活性，使發(fā)酵進程變慢，影響糞污的消納；過高的墊料水分則會影響發(fā)酵床中的氧氣含量，使得發(fā)酵菌種無法正常活動，嚴重時會造成死床[7，8]。因此，對墊料水分進行快速檢測并準確調控，可以加速糞污發(fā)酵進程并且一定程度上避免死床發(fā)生，對異位發(fā)酵床的運行有著重要作用。

目前，異位發(fā)酵床墊料水分的測量方法主要參考其他質地相近的農業(yè)物料，相關的國內外研究較少。烘干法是物料水分檢測的標準方法，但存在操作復雜、測量時間過長等問題，無法快速測量出墊料水分。韓志恒等°建立了基于介電特性的異位發(fā)酵床墊料水分檢測模型。但檢測過程中對墊料的壓實程度有具體要求，并且墊料具有強腐蝕性，極易腐蝕銅制的電極，導致儀器損壞，難以應用于實際檢測工作。由于可見一近紅外光譜具有快速分析、無損檢測、關鍵元件不與物料接觸等特點，基于物料的光譜特性，測定物料特征波段光譜數據用于組分的精準反演，在物料組分含量檢測上大受青睞。

在農業(yè)、生物等領域，可見一近紅外光譜技術的應用研究不斷深入，為物質成分檢測帶來了新的思路與方法。周宏等[1°運用浸入式可見一近紅外光譜技術對雨生紅球藻葉綠素含量展開研究，成功探索出利用該光譜技術檢測雨生紅球藻葉綠素含量的有效方法。蔣璐璐等[1]利用可見—近紅外光譜實現了對螺旋藻生長品質指標的快速無損檢測。唐永生等將先進的神經網絡算法與光譜技術相結合，提高了土壤含氮量檢測的準確性和智能化程度。Kim等[13]借助近紅外光譜技術測量闊葉凋落物的水分含量，證明了該技術在凋落物水分檢測方面的有效性，為生態(tài)環(huán)境研究中相關指標的監(jiān)測提供了新的方法。Chen等[14通過近紅外高光譜成像技術實現了對不同類型土壤氮的快速檢測。Tan等[15重點探討了不同光譜預處理方法對模型性能的影響，并優(yōu)化了特征波長選擇算法以提高檢測精度。He等[16]提出了一種基于近紅外傳感器的土壤氮含量檢測方法，并通過優(yōu)化水分含量范圍提高了檢測的準確性和穩(wěn)定性。

盡管可見一近紅外光譜技術在多個領域已取得顯著成果，但在異位發(fā)酵床墊料水分檢測方面的研究仍顯不足?？紤]到該技術在快速分析、無損檢測和非接觸測量等方面的獨特優(yōu)勢，其在墊料水分檢測中具有廣闊的應用前景?；诖?，本文在利用可見一近紅外光譜技術，采集異位發(fā)酵床墊料樣本光譜數據，通過多種數據處理方法，建立墊料水分預測模型，探索該技術在異位發(fā)酵床墊料水分檢測中的可行性，為異位發(fā)酵床的智能化管理提供技術支持。

1 材料與方法

1.1材料選取與制取

選取使用 4～5 個月的異位發(fā)酵床墊料，樣本于2023年9月取自莆田市某農牧合作社。異位發(fā)酵床墊料是由谷殼、鋸末以及豬糞混合發(fā)酵而成。將取回的墊料樣本用恒溫干燥箱在 105^°C 下干燥 12h ，干燥至恒重后用10目墊料篩過篩。向過篩后的墊料加入不同質量的水，獲得5個梯度水分的墊料，靜置一周待到墊料與水充分混合，將墊料放入鋁盒中，每個梯度配置6份樣本，共30份樣本。

1. 2 儀器與設備

電熱恒溫鼓風干燥箱（型號為DG一9140A），控溫范圍為室溫 +3^°C 至 250°C ；光譜儀（型號為 QEPro ，采集范圍為 197～990nm ，分辨率為 1.1nm ；鹵鎢燈光源（型號為HL1000型）、 VIS-NIR 分叉光纖；天平（型號為YJ—DTF—200），測量范圍在 0～250g ，精度為 0.01g 鋁盒尺寸（直徑 × 長度）為 60mm×30mm ;干燥皿的直徑為 40cm ，容量為 18L 。

1.3光譜數據采集與水分測定

使用光譜儀采集不同水分下的墊料光譜數據，使用前進行白板校正，再通過鹵鎢燈光源配合VIS一NIR分叉光纖進行試驗。試驗時，將表面刮平的墊料樣本迅速放至光譜儀光纖探頭下，以減輕樣本表面水分散失對采集結果的影響。采集每份樣本中20個點的墊料反射光譜，共獲得5個水平的墊料水分，通過烘干法確定水分分布在 32%、42%、52%、63%、70% 左右以及600個墊料水分的反射光譜數據。其中樣本光譜反射率計算如式（1）所示。

式中： R ——光譜反射率；I original 原始光譜， μW/（cm²?nm） ：Iwhite 白板光譜， μW/（cm²?nm） ：

I_dark 暗電流， μW/（cm²?nm） 。

1.4數據預處理與特征波段選取

相比于土壤、谷物等農業(yè)物料，異位發(fā)酵床墊料水分高，且考慮到探頭與墊料表面距離無法絕對穩(wěn)定，測定易出現誤差。為提高水分預測模型的精度，借助馬氏距離法（MahalanobisDistance）剔除異常樣本。馬氏距離計算如式（2）所示。

式中： d_m —馬氏距離；

x_i 一 第 i 個訓練樣本光譜在主成分空間上的投影；

y_j —第 j 個測試樣本光譜在主成分空間上的投影；

S 訓練集的協(xié)方差。

原始光譜數據存在散射和隨機噪聲，使用卷積平滑（SG一平滑）、標準正態(tài)變量變換（SNV）、多元散射校正（MSC）和歸一化（NOR）對原始光譜數據進行預處理以改善原始光譜質量。為增加樣本的差異性和代表性，采用SPXY算法劃分模型校正集和預測集來增加樣本的差異性和代表性。

競爭性自適應重加權算法（CARS）利用回歸系數的絕對值作為權重，通過不斷地迭代調整優(yōu)化保存對模型預測最有貢獻的波段。CARS算法因出色的穩(wěn)定性和魯棒性備受推崇，其能夠有效地增強模型的預測準確性。此外，該算法還能有效地降低數據的維度和減少計算的復雜性。在化學計量學、食品安全檢測和環(huán)境監(jiān)測等涉及光譜分析的領域中，CARS算法得到廣泛應用。因此選用CARS選擇光譜數據中的特征波段點。

1.5模型構建優(yōu)化與評價方法

BP神經網絡是一種多層的前饋型神經網絡，其利用誤差反向傳播，通過學習率和梯度不斷更新隱含層與輸出層的權重與偏置，使實際輸出值與預測值之間誤差最小。

灰狼優(yōu)化算法（GWO）由Mirjalili等[1于2014年開發(fā)，其設計靈感源自灰狼的社會層級和捕獵習性。在這個算法框架下，每個可能的解決方案都被比作一只狼，通過模仿狼群捕獵的方式來探索問題的最優(yōu)解。算法初始時會隨機生成一群狼，隨后通過迭代，每只狼根據狼群中的領袖 α 、副領袖 β 和獵手 δ 的位置來調整自己的位置，逐步接近最優(yōu)解。

哈里斯鷹算法（HHO）由Heidari等[18]在2019年提出，其創(chuàng)意源自哈里斯鷹的捕食行為。在HHO中，每只鷹代表一個解決方案，算法通過模擬鷹群協(xié)作捕獵的方式來探索最優(yōu)解。該算法的核心在于模擬鷹群的2種捕食模式：單獨捕食和群體捕食。在單獨捕食模式下，每只鷹獨自尋找獵物；而在群體捕食模式下，鷹群協(xié)同作戰(zhàn)，共同捕獲獵物。結合這2種模式，算法不斷更新鷹的位置，以逼近最優(yōu)解。

冠豪豬優(yōu)化算法（CPO）是一種較新的優(yōu)化算法，由Mohamed等[19在2024年提出，其設計靈感來自冠豪豬的防御機制。在CPO算法中，每個解決方案被比作一只豪豬，算法通過模擬豪豬群體的防御行為來尋找最優(yōu)解。CPO算法中，豪豬的位置更新不僅受到當前最優(yōu)解（即“領導者”的影響，還受到群體中其他豪豬的影響。算法通過模擬豪豬的群體行為和防御策略來調整豪豬的位置，逐步逼近最優(yōu)解。

GWO模擬的是狼群的等級和狩獵行為，HHO模擬的是鷹群的集體狩獵行為，而CPO模擬的是豪豬的群體防御行為。GWO的參數較少，易于實現，HHO和CPO的參數相對較多，可能需要進行更多的調參工作。CPO通過模擬豪豬的防御行為，可能在探索新解和開發(fā)已知解之間有更好的平衡。

Chebyshev混沌映射[20]因其在區(qū)間［-1，1]的遍歷性和隨機性，被用于設計一種新型的混沌粒子群優(yōu)化算法（CPSO）。通過混沌映射生成隨機數序列，用來更新每個粒子的速度和位置，增加算法的隨機性和多樣性，從而更好地探索搜索空間。

對預處理和特征選取后的數據建立單一BP神經網絡模型。為進一步提高預測模型的準確度，在原BP模型的基礎上分別引入灰狼算法（GWO）、哈里斯鷹算法（HHO）、冠豪豬算法（CPO）進行比較，再以CPO算法為基礎引入Chebyshev混沌映射，分別獲得基于各優(yōu)化方法建模后的BP神經網絡模型決定系數 R_C² 、均方根誤差 RMSE_c 、預測決定系數 R_p² 和預測均方根誤差 。決定系數越接近1，代表墊料光譜數據對水分的解釋效果越好，均方根誤差越小，代表模型預測墊料水分數據與真實值差距越小，其構建的模型效果也就越好， R_c² 和 R_p² 以及 RMSE_c 和 RMSE_P 越接近，表示所構建的模型越穩(wěn)定[21]

2 結果與分析

2.1異常樣本剔除

考慮到探頭與發(fā)酵墊料表面的距離不能絕對的穩(wěn)定以及發(fā)酵墊料各采集點的組分不能保證絕對均勻，需要對獲得的光譜數據進行剔除異常值處理。采用馬氏距離法對異常樣本值進行篩選，經過采樣計算后，樣本的馬氏距離分布如圖1所示。直線下方表示正常樣本所在的區(qū)間，直線以上為異常值予以剔除，剔除后有效數據由600條變?yōu)?39條。

2.2光譜預處理與特征波段選取

由于低于 400nm 的波長不屬于可見近紅外波段，因此只采用波段為 400～990nm 的光譜數據進行分析，該波段包含784個波長點。用SPXY算法以 3：7 的比例劃分樣本的訓練集和測試集，由于初步提取的特征集維度較高，包含了許多冗余的特征。為減少光譜曲線噪聲，提高建模的準確性，分別采用MSC、SNV、SG、NOR四種預處理方法進行比較，以尋求最佳預處理方法，分別獲得了基于不同預處理方法建模后的BP神經網絡模型的結果。

從表1可以看出，采用4種預處理方法建立的模型中，NOR平滑法建模的 R² 均小于0.8，說明此方法不適合用于發(fā)酵墊料反射光譜數據的BP模型建模中。而SG平滑法和MSC平滑法建模的 R² 均大于0.9，說明通過這2種預處理方法后的BP模型對發(fā)酵墊料水分的解釋效果好，預測能力強。其中SG平滑法建模的各項評價指標均為最優(yōu)。因此，采用SG平滑法對不同梯度的發(fā)酵墊料水分光譜數據進行預處理。

表1不同預處理方法的建模結果Tab.1 Comparison of preprocessing methods

圖2為SG平滑預處理后的數據結合CARS算法的BP模型進行特征波長提取的過程。其中，圖2（a）表示采樣變量個數隨采樣次數增加的變化過程，圖2（b）表示采樣次數與均方根誤差的關系，可以看出交叉驗證均方根誤差 RMSE_cv 先減小后增大，圖2（c表示所有變量回歸系數在每次采樣中的路徑變化。對SG預處理后的數據進行特征提取，提取結果如圖3所示，當 RMSE_cv 最低為 0.030 128 1 時，對應的采樣次數為57，此時對應的特征波長變量數為27。因此將原本784個特征的數據提取為27個波長點，分別位于 540nm，700nm，740nm 760nm，820nm，900nm，940nm，970nm 附近。

由圖4可以看出，基于CARS特征波段篩選法選出的27個特征變量所建立的BP模型訓練集和預測集的 R² 分別為0.96705、0.9617，均高于根據全波段數據所建模型，且根據特征波段數據建立模型的訓練集和預測集的均方根誤差也略低于根據全波段建立的模型，比較結果如表2所示。由于多數波段對模型的訓練和泛化能力貢獻不大，它們的存在反而可能削弱模型的整體性能。高維度的特征集合不僅會提高計算和存儲的需求，還有可能引發(fā)維度災難和過擬合的風險。通過實施特征選擇，可以降低數據集的復雜性，從而提升模型訓練的效率、穩(wěn)定性和泛化能力。

表2基于CARS方法與全波段數據模型比較 Tab.2 Comparison between CARS method and full band data model

此外，篩選出的關鍵特征有助于深入理解模型的預測結果，并為這些結果提供更加合理的解釋。同時，這也說明CARS方法所選擇的27個特征波長不僅包含了發(fā)酵墊料大部分的樣本信息，同時也減少了數據量，進一步去除了不必要的干擾信息，并且簡化了回歸預測模型的計算量。

2.3 模型構建與優(yōu)化

為進一步提高預測模型的準確度，在原BP模型的基礎上分別引人灰狼算法（GWO）、哈里斯鷹算法（HHO）、冠豪豬算法（CPO）對原有模型的建模參數進行尋優(yōu)。從圖5可以看出，灰狼算法優(yōu)化后的BP模型訓練集和預測集的 R² 分別為0.9823、0.9817，均方根誤差分別為 0.017843.0.017709. ，且由圖6可知，模型在迭代次數為2時，函數迅速收斂，并在第3次迭代時獲得模型最優(yōu)參數。這是因為GWO算法具有較強的全局搜索能力，它在搜索過程中綜合考慮了模型的多種信息，對于不同類型的優(yōu)化問題都有良好的適應性和魯棒性。

如圖7所示，哈里斯鷹算法（HHO）優(yōu)化后的BP模型訓練集和預測集的 R² 分別為0.98434、0.98596，均方根誤差分別為0.016638、0.015698，且由圖8可知，模型在迭代次數為1時，函數迅速收斂，并在第2次時獲得模型最優(yōu)參數。可以看出，在引人HHO優(yōu)化算法后，BP模型精度相比于GWO優(yōu)化算法有著一定的提升。這是因為HHO優(yōu)化算法在全局收斂性、尋優(yōu)性能提升、魯棒性以及適應性等方面相比于GWO優(yōu)化算法有一定優(yōu)勢。

從圖9可以看出，冠豪豬算法（CPO）優(yōu)化后的BP模型訓練集和預測集的 R² 分別為0.98919、0.98942，均方根誤差分別為 0.013641.0.014273 ，且從圖10可知，冠豪豬算法經歷了多次收斂速度的改變，最終在迭代次數為14時獲得模型最優(yōu)參數。這說明CPO優(yōu)化算法作為一種較新的算法，有較好的全局搜索能力和解的多樣性。

為進一步提高CARS—CPO—BP模型的精度和穩(wěn)定性，引人Chebyshev混沌映射初始化粒子對CPO算法進行改進，形成ICPO優(yōu)化算法對BP模型進行優(yōu)化。從圖11和圖12可以看出，ICPO優(yōu)化算法在執(zhí)行到13次時獲得模型最佳參數，并且訓練集和測試集的R² 均達到0.99以上，且均方根誤差約為0.01。證明模型具有高精度和良好的預測能力，且相比于CPO優(yōu)化算法更加穩(wěn)定，說明ICPO的優(yōu)化效果十分顯著。

為基于光譜技術快速檢測異位發(fā)酵床墊料水分提供理論基礎，為后續(xù)開發(fā)相應的檢測儀器奠定基礎。未來可結合物聯網技術，開發(fā)實時在線監(jiān)測系統(tǒng)，為異位發(fā)酵床的智能化管理提供技術支持。

3 討論

應用可見一近紅外光譜技術成功開發(fā)異位發(fā)酵床墊料水分的預測模型。相比于傳統(tǒng)烘干法，該方法操作簡便快捷，適合現場快速檢測；在進行數據預處理和特征波段的選取后，通過特征優(yōu)化進一步優(yōu)化預測模型的性能，預測結果準確可靠。

在實際應用中，墊料表面水分的散失可能會影響光譜數據的采集，從而影響預測結果的準確性。并且，雖然通過控制墊料在鋁盒中的體積和質量來保持密度和厚度一致的方法，在一定程度上可以保證試驗的可重復性和準確性，但與實際生產仍存在一定差距。需要綜合考慮實際生產中墊料的復雜性、動態(tài)變化、環(huán)境因素和使用狀態(tài)等因素，通過增加樣本多樣性、動態(tài)監(jiān)測、環(huán)境因素控制和結合實際應用需求等方法，更準確地評估墊料的含水率及其在實際生產中的應用效果。未來可進一步探索如何降低這些因素的干擾，提高模型在實際生產中的穩(wěn)定性和可靠性。

4結論

1）通過系統(tǒng)化的光譜數據預處理和基于競爭性自適應重加權采樣（CARS）的特征波段篩選策略，顯著提升模型的預測性能，驗證集和預測集的決定系數分別達到0.9935、0.99559。

2）在灰狼算法（GWO）、哈里斯鷹算法（HHO）與冠豪豬算法（CPO）的系統(tǒng)對比中，發(fā)現CPO算法具有更優(yōu)的參數尋優(yōu)能力和收斂速度?；诖颂岢龅腃ARS—ICPO融合模型展現出卓越的工程應用價值，其均方根誤差RMSE在驗證集和預測集上分別降至0.010658、0.0090561。

3）驗證可見一近紅外光譜用于墊料水分檢測的可行性，通過特征波段縮減（從784個降至28個）為后續(xù)開發(fā)墊料水分檢測儀提供理論基礎。

參考文獻

[1]Li Y，LiL，LiuX，et al. Treatment of piggery waste in anectopic microbial fermentation system and safety evaluationofgenerated organic fertilizer [J].Journal of ChemicalTechnologyamp;.Biotechnology，2022，97（5）：1336-1344.

[2]朱洪，常志州，葉小梅，等．基于畜禽廢棄物管理的發(fā)酵床技術研究：Ⅲ高濕熱季節(jié)養(yǎng)殖效果評價[J].農業(yè)環(huán)境科學報，2008（1）：354—358.Zhu Hong，Chang Zhizhou，Ye Xiaomei， et al.Studyon deep litter system for management of livestock manure：Evaluation on effects of deep litter system onpiggrowth in high temperature and RH season[J]. Journal ofAgro-Environment Science，2008（1）：354-358.

[3]張林，何金成.畜禽糞污發(fā)酵翻拋機的研究現狀與發(fā)展趨勢[J].湖北農業(yè)科學，2018，57（S2）：191-195.ZhangLin，HeJincheng. Research statusand developmenttrendsoffermentationandflippingmachinesforlivestock and poultry manure [J]. Hubei AgriculturalSciences，2018，57（S2）：191—195.

[4]董立婷，朱昌雄，張麗，等．微生物異位發(fā)酵床技術在生豬養(yǎng)殖廢棄物處理中的應用研究[J].農業(yè)資源與環(huán)境學報，2016，33（6）：540-546.Dong Liting， Zhu Changxiong， ZhangLi， etal.Researchandapplication ofectopic microbialfermentation system in processing piggery waste [J].Journalof Agricultural Resources and Environment，2016，33（6）：540-546.

[5]李路瑤，王漢清，李艷苓，等．原位和異位發(fā)酵床控制生豬養(yǎng)殖廢棄物污染對比[J]：農業(yè)環(huán)境科學學報，2021，40（10）：2208-2216.LiLuyao，WangHanqing，LiYanling，etal.Comparative studyof in situ andectopicfermentationsystems in piggery waste control [J]. Journal of Agro-Environment Science，2021，40（10）：2208—2216.

[6]孫宏，吳逸飛，沈琦，等．異位發(fā)酵床技術在養(yǎng)殖糞污處理中的應用及其影響機制的研究進展[J]．中國畜牧雜志，2023，59（1）：70—76.Sun Hong，Wu Yifei，Shen Qi，et al.Advances in theperformanceandregulationmechanismofectopicfermentation system in the treatment of livestock andpoultry wastes [J]. Chinese Journal of Animal Science，2023，59（1）：70—76.

[7]Mohammad N， Alam M Z， Kabbashi N A，et al.Effective composting of oil palm industrial waste byfilamentousfungi： A review [J]. Resources，Conservation and Recycling，2012，58：69-78.

[8]Kim E，LeeD， WonS，etal.Evaluationofoptimum moisture content for composting ofbeefmanure and bedding material mixtures using oxygenuptake measurement [J]. Asian-Australasian Journal ofAnimal Sciences，2015，29（5）：753.

[9]韓志恒，陶志影，曾育寧，等．基于介電特性的異位發(fā)酵床稻谷殼含水率的檢測[J]．河南農業(yè)科學，2021，50（5）：173—180.Han Zhiheng， Tao Zhiying， ZengYuning， etal.Moisture contentprediction ofrice husk in ectopicfermentation bed based on dielectric property [J]. Journalof Henan Agricultural Sciences，2021，50（5）：173—180.

[10]周宏，方蕙，潘健，等．浸人式可見/近紅外光譜的雨生紅球藻葉綠素含量研究［J]．光譜學與光譜分析，2017，37（11）：3375-3378.Zhou Hong，FangHui，Pan Jian，etal．Chlorophyllcontent research of haematococcus pluvial is based on immersedvisible/near-infrared spectroscopy [J].SpectroscopyandSpectral Analysis，2017，37（11）：3375—3378.

[11]蔣璐璐，魏萱，謝傳奇，等．可見一近紅外光譜的螺旋藻生長品質指標快速無損檢測[J]．光譜學與光譜分析，2018，38（8）：2493-2497.Jiang Lulu， Wei Xuan， Xie Chuanqi，et al.Non-destructive determination of growth quality indicators ofSpirulinasp.usingVis/NIRspectroscopy[J].Spectroscopy and Spectral Analysis，2018，38（8）：2495-2491

[12]唐永生，陳爭光.基于卷積神經網絡與可見近紅外光譜的土壤含氮量檢測[J]．黑龍江八一農墾大學學報，2021，33（3）：93-99.Tang Yongsheng， Chen Zhengguang. Detectionofsoil nitrogen content based on convolution neuralnetwork and visible-near infraredspectroscopy [J].Journal of Heilongjiang Bayi Agricultural University，2021，33（3）：93-99.

[13] Kim G，Hong S，Lee A，et al. Moisture contentmeasurementofbroadleaflittersusingnear-infrared spectroscopy technique [J]. Remote Sensing，2017，9（12）：1212.

[14]Chen Z，RenS，QinR，etal.Rapid detection of differenttypesofsoilnitrogenusingnear-infraredhyperspectral imaging [J]. Molecules，2022，27（6）：2017.

[15] Tan B， You W， Tian S， et al.Soil nitrogencontent detection based on near-infrared spectroscopy [J].Sensors，2022，22（20）：8013.

[16] HeY，Xiao S，Nie P，et al. Research on the optimumwater content of detecting soil nitrogen using nearinfrared sensor[J].Sensors，2017，17（9）：2045.

[17] MirjaliliS， Mirjalili S M，LewisA.Greywolfoptimizer [J]. Advances in Engineering Software，2014，69：46-61.

[18]HeidariAA，MirjaliliS，FarisH，etal.Harrishawksoptimization：Algorithm and applications [J]. FutureGenerations Computer Systems（FGCS）， 2019， 97：849-872.

[19] Mohamed A，Reda M，Mohamed A. Crested porcupineoptimizer：A new nature-inspired meta heuristic [J].Knowledge-Based Systems，2024，284：111257.

[20]沈孟龍．一種基于Chebyshev 映射的改進型混沌序列生成算法[D]．昆明：云南大學，2015.ShenMenglong.Animprovedchaotic sequencegeneration algorithm based on Chebyshev mapping [D].Kunming：Yunnan University，2015.

[21]金慧凝，張新樂，劉煥軍，等．基于光譜吸收特征的土壤含水量預測模型研究[J]．土壤學報，2016，53（3）：627—635.Jin Huining，Zhang Xinle，Liu Huanjun，et al.Soilmoisturepredictingmodel based on spectralabsorption characteristics of the soil [J]. Acta PedologicaSinica，2016，53（3）：627-635.