棉花冠层水分含量估算的高光谱指数研究

适宜的光谱指数对于地表参数高光谱诊断模型的估算精度具有决定性作用。通过不同棉花冠层水分含量表征参数冠层等效水厚度EWT_canopy, 植株含水量VWC及其对应的光谱数据分析,构建350～2 500 nm范围内所有波段两两组合的比值指数RVI和归一化指数NDVI,分析水分含量表征参数与所有指数之间的相关关系,筛选最大相关系数对应的指数作为最佳水分指数,利用新指数构建水分含量表征参数的估算模型,并与已知的各种水分指数估算精度进行比较。结果表明：新建比值指数R_{1 475}/R_{1 424}及其归一化指数(R_{1 475}-R_{1 424})/(R_{1 475}+R_{1 424})对EWT_canopy的估算效果最佳,由其得到的估算值与实测值之间的相关系数r值达到0.849;已知指数(R₈₃₅-R_{1 650})/(R₈₃₅+R_{1 650})对VWC的估算效果最佳,由其得到估算值与实测值之间的相关系数r值为0.805。     

基于高光谱成像技术的油菜叶片SPAD值检测

以油菜叶片为研究对象,利用高光谱成像技术,成功建立了叶绿素相对值SPAD值的预测模型。共采集了160个油菜叶片样本在380～1030 nm范围内的高光谱图像。选择500～900 nm之间的平均光谱作为油菜叶片样本的光谱。利用蒙特卡罗最小二乘法(monte carlo partial least squares, MC-PLS)剔除了13个异常样本,基于剩余的147个样本光谱数据与SPAD测量值进行分析,采用了不同的方法建立了多种预测模型,包括：全光谱的偏最小二乘法(partial least squares, PLS)模型,连续投影算法(successive projections algorithm, SPA)选择特征波长的PLS预测模型,“红边”位置(λ_red)的简单经验估测模型,三种植被指数R₇₁₀/R₇₆₀,(R₇₅₀-R₇₀₅)/(R₇₅₀-R₇₀₅)和R₈₆₀/(R₅₅₀*R₇₀₈)分别建立的简单经验估测模型,以及基于这三种植被指数的PLS预测模型。建模结果显示,全光谱的PLS模型预测效果最为精确,其预测相关系数r_p为0.833 9,预测均方根误差RMSEP为1.52。而使用SPA算法选出的8个特征波长所建立的PLS模型其预测结果可达到与全光谱的PLS模型非常接近的水平,而且在保证一定精度的条件下减少了大量运算,节省了运算时间,大幅提高了建模的速度。而基于红边位置和选择的三种植被指数而建立的简单经验估计模型其预测结果虽与基于全光谱的PLS预测模型有一定差距,但模型简单、运算量小,适合用于对精度要求不高的场合,对后续的便携仪器设备开发有一定的指导作用。     

植物光学模型估算叶片类胡萝卜素含量的一种双归一化差值-比值植被指数

运用高光谱技术进行植物叶片探测具有快速、无损、高精度等特点,在叶片色素等生化成分含量估算方面应用前景广阔。类胡萝卜素作为叶片中重要光合色素之一,因其在可见光区域与叶绿素的光谱吸收特征存在重叠,且其含量远低于叶绿素,导致利用光谱信息估算叶片类胡萝卜素含量存在困难,国内外少有针对类胡萝卜素含量的植被指数。利用高光谱数据光谱信息丰富的特点,提出一种以波段组合遍历与相关分析为基础,通过多指数协同来构建组合式的植被光谱指数的新方法。在PROSPECT叶片辐射传输模型模拟出大量具有不同生化和生物物理特征的叶片光谱的基础上,成功构建了一种在叶片水平下具有良好稳定性的类胡萝卜素含量估算新指数RVI_DNDVI。结果表明,该方法构建的叶片类胡萝卜素光谱指数由两部分组成：由532和405 nm构建的窄波段NDVI(与类胡萝卜素、叶绿素均强相关)和由548和498 nm构建的窄波段NDVI(仅与叶绿素强相关)进行比值组合,能较好消除叶绿素含量对指数的干扰;通过减去对叶片结构高敏感的916 nm处反射率,能消除叶肉结构参数的影响,进一步提高指数的抗干扰能力。该研究得到的指数RVI_DNDVI仅对叶片类胡萝卜素具有高敏感性,相关系数达到-0.94,对其进行指数拟合的R2达到0.834 4。经与模拟数据和实测数据的验证,该指数有较好的估算效果。     

整个生育期玉米叶片SPAD高光谱预测模型研究

以两年完整生育期玉米田间试验为基础,利用便携式地物光谱仪和叶绿素仪(SPAD-502)分别测定了叶片高光谱数据和叶绿素含量(SPAD),在两者相关分析的基础上,选取多种光谱参数分别构建了每年的叶片SPAD预测模型,并对模型进行了详细的验证和评价。结果表明：两年间叶片光谱反射率及其一阶导数的平均值曲线差别很小;两年间叶片SPAD与光谱反射率及其一阶导数的相关系数曲线的敏感区域基本相同;以一阶导数为光谱参数构建的预测模型效果不稳定;以LCI和DSI(R_550附近,R_680附近)和DSI(R_680附近,R_710附近)构建的预测模型效果良好,能有效预测玉米叶片SPAD。     

地下储存CO2 泄漏胁迫下地表植被光谱变化特征及识别研究

随着全球气候变暖,减少温室气体排放成为全世界所关注的问题,而碳捕捉与储存(carbon capture and storage,CCS)技术可以减少温室气体CO₂排放量,但储存在地下的CO₂有泄漏的风险。本工作的目的是通过野外模拟实验,研究地表植被(甜菜)在CO₂轻微泄漏胁迫下其叶片叶绿素含量、水分含量及光谱变化特征,结果表明CO₂泄漏胁迫的甜菜叶绿素与叶片含水量明显降低,叶片反射率在550 nm减小,而在680 nm增大。设计了比值指数R₅₅₀/R₆₈₀进行识别CO₂泄漏胁迫的甜菜,发现该指数能够在胁迫发生7天后识别出胁迫的甜菜,且该指数具有较强的敏感性、稳健性及识别能力。研究结果对于未来CCS项目选址、地表生态监测评估、遥感监测CO₂泄漏点等都具有重要的现实意义与应用价值。     

利用高光谱植被指数估测苹果树冠层叶绿素含量

叶绿素含量是反映植物生长状况的重要参数。利用ASD FieldSpec 3光谱仪,测定春梢停止生长期苹果冠层高光谱反射率,对原始光谱进行微分变换,与苹果叶绿素含量进行相关分析确定敏感波段,通过分析敏感区域400～1 350 nm范围内所有两波段组合的植被指数,选择最佳植被指数并建立苹果冠层叶绿素含量估测模型。结果表明：(1)苹果冠层叶绿素含量的敏感波段区域为400～1 350 nm。(2)利用筛选得到的植被指数CCI(D₇₉₄/D₇₆₃)构建的估测模型能较好的估测苹果冠层叶绿素含量。(3)以CCI(D₇₉₄/D₇₆₃)指数为自变量的估测模型CCC=6.409+1.89R3+1.587R2-7.779R预测效果最佳。因此,利用高光谱技术能够较快速、精确的对苹果冠层叶绿素含量进行定量化反演,为苹果长势的遥感监测提供理论依据。     

水稻叶绿素浓度对荧光光谱的影响

为了加强对水稻生长状况的监测,指导水稻的田间施肥,提高施肥利用效率,以增加农作物产量、提高粮食品质,实验室搭建了基于激光诱导荧光技术的荧光探测系统,以研究水稻叶片的叶绿素含量与荧光峰值比之间的相关性。文中测量样本为水稻分蘖期和拔节期的倒二叶,栽培地区位于中国江汉平原。文中先采用凯氏定氮法和相应公式结合测得水稻叶片的叶绿素含量(mg·g-1),再用搭建的荧光探测系统采集了水稻叶片不同叶绿素含量的荧光光谱(激发波长为355 nm)。获得了水稻叶片在不同叶绿素含量下的荧光光谱数据库,定量分析了荧光峰值比F₇₄₀/F₆₈₅(荧光谱峰740 nm、685 nm处的荧光强度比)与叶绿素含量的相关性,发现叶绿素含量的变化对荧光光谱特性影响明显。由实验数据分析可知荧光参数中的峰值比(F₇₄₀/F₆₈₅)与叶绿素含量呈现很好的线性正相关,相关系数(R2)在水稻的分蘖期和拔节期分别达到了0.901 3和0.912 5。实验分析结果表明诱导荧光光谱技术具有方便、快捷、无损等优点,在农作物生长状况的遥感定量监测等方面也具有一定发展潜力。     

基于核函数与可见光光谱的大豆植株群体净光合速率预测模型

采用美国MSR-16便携式多光谱辐射仪,通过推导的辐射仪有效观测面积公式,计算出测试单元数量,有效解决了测量区域可见光各波段光谱辐射配比关系M_D所需测量次数不确定的难题。采用美国CID公司生产型号为CI-310便携式光合作用测定系统,测量大豆植株群体净光合速率C_D。通过[0, 1]归一化方法对M_D和C_D进行归一化处理,分别得到归一化数据M_D₁和C_D₁。按不同测试时间划分,将M_D₁分成两部分数据M_D₁₁和M_D₁₂,将C_D₁分成两部分数据C_D₁₁和C_D₁₂。使用polynomial核函数、gauss核函数、sigmoid核函数和自主研发的bio-selfadaption核函数,利用grid-search,Genetic Algorithm,Particle Swarm Optimization对支持向量机惩罚参数c和参数g寻优,在支持向量机epsilon-SVR公式、nu-SVR公式条件下,通过四种核函数、三种优化方法、两种公式的交叉组合、M_D₁₁、C_D₁₁,建立大豆植株群体净光合速率预测模型。试验结果表明,在大豆植株试验区域面积S=17 m2和MSR-16便携式多光谱辐射仪放置于大豆植株冠层上方高度H=2 m条件下,epsilon-SVR-bio-selfadaption-grid-search模型对预测集1 C_D₁₂的预测精度达到85%以上,对预测集2 C_D₁₂的预测精度达到82%以上。在S和H其他组合条件下,epsilon-SVR-bio-selfadaption-grid-search模型对预测集2 C_D₁₂的预测精度达到81%以上。epsilon-SVR-bio-selfadaption-grid-search模型表明了bio-selfadaption核函数有效性、测量区域可见光光谱数据方法合理性、利用可见光光谱预测大豆植株群体净光合速率可行性。     

系数倍率-光谱法同时测定绞股蓝中总黄酮和总皂甙

文章对绞股蓝主要化学成分黄酮类化合物和总皂甙进行了分析测定。这两种化合物在香草醛-高氯酸作用显色后加入冰醋酸, 分别在451和547 nm处有良好的吸收, 但吸收曲线相互重叠, 难以同时测定。采用系数倍率-光谱法以芦丁和人参皂甙R_b1为对照品, 对绞股蓝中的总黄酮和总皂甙进行分析, 以达到同时测定的目的。所得回归方程分别为: ΔA_黄=0.013 3+4.417 0c_黄, 相关系数r_黄=0.999 4,黄酮的浓度0～0.16 μg·mL-1范围内, ΔA_黄与浓度c_黄之间呈良好的线性关系; ΔA_皂=2.775 5c_皂-0.888 1×10-2, 相关系数r_皂=0.999 1, 在总皂甙的浓度0～0.30 μg·mL-1范围内, ΔA_皂与浓度c_皂之间呈良好的线性关系。它们可按标准曲线法进行定量分析。该法的回收率分别为104.0%～113.0%, 86.8%～94.6.0%, 相对标准偏差分别小于0.58%(n=9), 0.35%(n=9)。方法简便, 快速,准确而且操作简便易行。     

基于CASI高光谱数据的作物叶面积指数估算

叶面积指数(LAI)的快速估算对于及时了解作物长势、病虫害监测以及产量评估具有重要意义。利用2012年7月7日在黑河流域张掖市获取的CASI高光谱数据,精确提取出了不同作物的光谱反射率,同时结合地面实测数据,对比分析了宽波段和“红边”植被指数在估算作物LAI方面的潜力,在此基础上,基于波段组合算法,筛选出作物LAI估算的敏感波段,并构建了两个新型光谱指数NDSI和RSI,最后对研究区域作物LAI的空间分布进行了分析。结果表明,在植被覆盖度较低的情况下,宽波段植被指数NDVI对LAI具有较好的估算效果,模型的精度R2与RMSE分别为0.52,0.45(p<0.01);对于“红边”植被指数,由于CI_{red edge}充分考虑了不同的作物类型,其对LAI的估算精度与NDVI一致;利用波段组合算法构建的光谱指数NDSI_{(569.00, 654.80)}和RSI_{(597.6, 654.80)}对LAI估算的效果要优于NDVI与CI_{red edge},其中,NDSI_{(569.00, 654.80)}主要利用了植被光谱“绿峰”和“红谷”附近的波段,模型估算的精度R2可达0.77(p<0.000 1);根据LAI与NDSI_{(569.00, 654.80)}之间的函数关系,绘制作物LAI的空间分布图,经分析,研究区域的西北部LAI值偏低,需增施肥料。研究结果,可为农业管理部门及时掌握作物长势信息、制定施肥策略提供技术支持。     

考虑水分光谱吸收特征的水稻叶片SPAD预测模型

叶绿素是植被光合作用的重要色素,传统实验室方法测定叶绿素含量需破坏性取样且操作复杂。通过构建高精度SPAD光谱估算模型,可以实现对水稻叶片叶绿素含量的实时无损监测。以黑龙江省不同施氮水平下水稻为研究对象,采用SVC HR768i型光谱辐射仪共获取移栽后、分蘖期、拔节期、孕穗期、抽穗期共五个关键时期水稻叶片反射光谱数据。光谱探测范围350~2 500 nm。利用自带光源型手持叶片光谱探测器直接测定叶片光谱,光源为内置卤素灯。采用SPAD-502型手持式叶绿素仪同步测定水稻叶片的SPAD值。叶片水分是植物光合作用的基本原料,也间接影响着叶绿素含量。叶片含水量降低则会影响植物正常的光合作用,导致其叶绿素含量随之降低。因此将叶绿素敏感波段与水分吸收范围结合作为SPAD估算的输入量。随机森林模型是一个基于多个分类树的算法。算法在采样的过程中包括两个完全随机的过程,一是有放回抽样,可能会得到重复的样本,二是选取自变量是随机的。因此本文对叶片光谱反射率进行去包络线（CR）处理,综合考虑可见光近红外波段提取水稻叶片反射光谱特征参数和植被指数,综合分析光谱指标与SPAD相关关系,采用随机森林算法构建不同输入量的SPAD高光谱估算模型。结果表明: （1）水稻叶片SPAD与光谱反射率的相关系数在叶绿素敏感波段红波段范围（600～690 nm）、红边范围（720~760 nm）、水分吸收波段范围（1 400~1 490和1 900~1 980 nm）均为0.75以上;（2）在光谱参数与SPAD 的相关分析中,NDVI,DP2与水稻叶片SPAD值相关性最好,相关系数为0.811和0.808;（3）以结合水分光谱信息后的CR_{(V1, V2, V3, V4)}为自变量所建立的随机森林模型精度最高,R2为0.715,RMSE为2.646,可作为水稻叶片叶绿素预测模型。研究结果揭示了不同品种水稻的光谱响应机制,提供了水稻叶片SPAD值高精度反演的技术方法,为监测与调控东北地区水稻正常生育进程提供技术支持。     

优化光谱指数建立水稻叶片SPAD的高光谱反演模型

利用高光谱反射率光谱的特征波段构建光谱指数,建立叶绿素含量反演模型是实现水稻生产精准调控和科学管理的必要手段之一。为了建立适用于拔节孕穗期水稻叶片叶绿素相对含量（SPAD）的高光谱反演模型,分别获取了拔节孕穗期水稻叶片的高光谱和SPAD数据,利用小波分析法对原始光谱反射率曲线进行降噪处理,并对基于积分运算的光谱指数NAOC进行简化,获得了基于双波段简化运算的优化光谱指数。利用相关分析法计算由原始反射率光谱R和数学变换光谱LgR、1/R和R构建的优化光谱和变换光谱指数与水稻叶片SPAD的相关系数,获得了以积分限（a,b）为横、纵坐标的相关系数二维矩阵,并绘制相关性等势图,得到相关系数最高的3个波段组合：R（641,790）（0.872 6）,R（653,767）（0.871 7）和R（644,774）（0.871 6）,计算出20个原始样本中3个积分波段组合所对应的60个优化光谱指数值,按照2∶1的比例划分为建模集和验证集,建立了三种水稻叶片SPAD反演模型：偏最小二乘回归（PLSR）、支持向量机（SVM）和BP神经网络模型。结果显示：利用优化光谱和变换光谱指数建立的3种水稻叶片SPAD反演模型决定系数R2均大于0.79,归一化均方根误差NRMSE则小于5.4%。其中BP神经网络相对于其他两种模型具有较高的拟合度,预测精度也相对较高,建模集R2=0.842 6,NRMSE=5.152 7%;验证集R2=0.857,NRMSE=4.829 9%。总体来看,基于双波段简化运算后的优化光谱和变换光谱指数建立拔节孕穗期水稻叶片SPAD反演模型是可行的;对比分析3种模型反演结果发现,BP神经网络对水稻叶片SPAD的反演效果较好。该工作对提高拔节孕穗期水稻精准调控技术和建立水稻生产的科学管理体系具有一定的参考价值。     

稻干尖线虫病胁迫水稻叶片波谱响应特征及识别研究

对植被病害的精确识别是采取植保措施的前提,同时对喷施农药也具有积极的指导作用。比较了受稻干尖线虫胁迫水稻叶片和健康叶片色素含量、光谱反射率、高光谱特征参数,受害水稻叶片与健康叶片相比,叶绿素和类胡萝卜素含量分别降低18%和22%;光谱反射率在蓝紫光、绿光和红光谱段分别增加1.5,1和2.3倍,在近红外和短波红外区域分别降低约28.9%和26.3%,红边和蓝边分别蓝移约8和10nm,绿峰和红谷分别红移约8.5和6 nm。以红边面积和红边位置作为C-SVC(非线性软间隔分类机)的输入向量,对受害和健康叶片进行识别,精度为100%。研究表明,水稻叶片光谱对病害胁迫具有显著的响应特征,利用C-SVC对受害和健康叶片进行辨别的方法是可行的。     

基于无人机高光谱遥感的东北粳稻冠层叶片氮素含量反演方法研究

为探究遥感监测水稻冠层叶片氮素含量的较优高光谱反演模型,以水稻小区试验为基础,获取了不同生长期水稻冠层高光谱数据。在综合比较一阶导数变换(1-Der)、标准正态变量变换(SNV)和SG滤波法等处理方法基础上,提出一种将SNV与一阶导数变换的SG滤波法相结合的光谱处理方法(SNV-FDSGF),并将处理后的数据经无信息变量消除法(UVE)与竞争自适应重加权采样法（CARS）选出不同生长期的敏感波段。将各生长期的敏感波段两两随机组合,并构建与水稻叶片含氮量相关性较高的差值光谱植被指数(DSI)、比值光谱植被指数(RSI)、归一化光谱植被指数(NDSI)。其中分蘖、拔节和抽穗3个时期的最优植被指数和决定系数R2分别为：DSI(R₈₅₇, R₆₂₃), 0.704; DSI(R₆₇₀, R₅₇₈), 0.786; DSI(R₉₉₅, R₅₀₈), 0.754。以各生长期内的较优的三种植被指数作为输入分别构建自适应差分优化的极限学习机(SaDE-ELM)、径向基神经网络(RBF-NN)以及粒子群优化的BP神经网络(PSO-BPNN)反演模型。结果表明：SaDE-ELM建模效果最好,在模型稳定性和预测能力上比RBF-NN和PSO-BPNN都有了明显提高,各生长期反演模型的训练集和验证集决定系数R2均在0.810以上,RMSE均在0.400以下,可为东北水粳稻冠层叶片含氮量的检测与评估提供科学和技术依据。     

高光谱成像的水稻稻瘟病早期分级检测

稻瘟病是世界公认的水稻重大病害之一。实现稻瘟病害的早期分级检测,对水稻病害早期防治及精准用药具有重要意义。以大田自然发病水稻为研究对象,采集稻瘟病发病早期染病叶片和健康叶片,获取所有叶片样本在400~1 000 nm波段内的高光谱图像并提取光谱数据。水稻在染病之初不会立刻出现病斑,无法识别采集到的无斑叶片是否染病。为实现对自然染病叶片早期无病斑状态的识别,提出取染病叶片贴近病斑的非病斑区域高光谱数据作为染病等级中的1级样本进行检测分析。按照病斑面积将样本划分为4个等级：健康叶片为0级（109片）、染病无病斑为1级（116片）、病斑面积小于10%为2级（107片）、病斑面积小于25%为3级（101片）。运用主成分分析（PCA）和竞争性自适应重加权（CARS）算法进行特征变量选取,CARS提取的特征波段较多,利用PCA算法对其进一步降维。分别以全谱数据、PCA提取的4个、8个、CARS选择的21个、CARS-PCA提取的6个特征变量为输入,建立水稻稻瘟病早期高光谱支持向量机（SVM）、PCA4-SVM、PCA8-SVM、CARS-SVM和CARS-PCA-SVM检测模型。结果显示,所有模型对各级样本的检测准确率均较高,其中,对1级样本的检测准确率与其他级别相当,识别效果较好;所有模型的样本总体准确率均大于94.6%,CARS-SVM模型的总体准确率最高为97.29%,CARS-PCA-SVM模型为96.61%略低于CARS-SVM模型,但其输入变量仅为6个,较CARS-SVM的21个减少71.43%,模型更为简洁、更利于提高检测速度。因此,综合评价CARS-PCA-SVM模型最优,各级准确率分别为97.30%,94.87%,94.29%和100.00%。结果表明,所建模型检测准确度较高,可以实现对大田自然发病的稻瘟病早期分级检测,为稻瘟病染病之初无病斑叶片的检测提供新思路,为水稻稻瘟病早期防治、精准施药及检测仪器开发提供理论依据。     

高压处理后水稻抗氧化酶活性及对逆境胁迫的响应

 对经高静水压处理的水稻粤香占（Oryza sativa L. cv. Yuexiangzhan）种子播种后的植株进行了抗氧化酶活性的测定和对逆境胁迫响应的研究。结果表明,高压处理抑制了水稻生长早期（12 d）色素和蛋白质含量的增加,并使早期抗氧化酶活性表现较对照低。随着播种天数增加,经高压处理的材料中的色素、蛋白质含量不同程度地增加,抗氧化酶活性发生改变,至播种后32 d时,高压处理的叶绿素含量和可溶性蛋白含量都高于对照粤香占。在自然低温条件下,经高压（干压、湿压）处理的植株其Rubisco大、小亚基含量和光合色素含量较高,抗光抑制能力增强,具一定的耐低温性。     

基于仿生优化算法的水稻叶绿素含量反演模型

用光谱信息精准、高效地检测水稻叶片叶绿素含量,对诊断和优化水稻叶片氮素营养、开发和优化稻田氮素追肥系统、监测和评价水稻病虫害具有重要的实际意义。针对单纯采用机器学习模型反演水稻叶片叶绿素含量模型精确性和稳定性差的问题,以粳稻吉粳88为研究对象,通过网格试验获得分蘖期等关键生育期的叶片表型高光谱数据和相对叶绿素含量。选取核极限学习机（KELM）为基础建模模型,提出了一种先依据基础KELM建模效果选择预处理方法后,再利用仿生优化算法对所选预处理组合所对应的KELM模型的训练过程进行优化的新思路,以提高模型预测精度。首先,对光谱数据的各类预处理方法展开研究,通过对4类预处理方法进行全排列组合共得到72种预处理组合。利用连续投影算法（SPA）选择特征波段输入KELM模型以筛选较优预处理组合。依据建模效果,预处理组合CWT+MMS,CWT+MSC+SG+SS和CWT+SS所对应KELM的测试集决定系数（R2_p）较高,分别为0.850,0.835和0.828。其次,为使KELM模型在保证稳定性和泛化性的前提下性能达到最优,引入哈里斯鹰优化算法（HHO）,通过模拟鹰群在捕食时的合作行为和追逐策略,自动最优调节上述三种KELM模型参数,使得HHO-KELM模型R2_p分别为0.957,0.867和0.858,模型精度得到有效提升,最高提升10.7%。通过研究,证明了HHO算法优化机器学习模型反演水稻叶片叶绿素含量的可行性,为东北粳稻叶绿素含量的测定和评估提供了有力的参考和借鉴。     

稻瘟病、玉米锈病和蚕豆锈病叶的傅里叶变换红外光谱研究

利用傅里叶变换红外光谱(FTIR)研究了水稻、玉米、蚕豆正常叶和稻瘟病叶、玉米和蚕豆锈病叶。结果显示,其红外光谱均主要由多糖、蛋白质的振动吸收谱带组成。光谱整体相似,差异主要表现为光谱峰位、峰形及吸收强度比。三种作物正常叶的二阶导数光谱在1 750～1 500 cm-1范围内的相关系数差异明显。水稻正常叶与稻瘟病叶的吸收强度比A_{1 056}/A_{1 652};蚕豆正常叶与锈病叶的吸收强度比A_{1 652}/A_{2 920};玉米正常叶和锈病叶(非病斑部位)吸收强度比A_{1 056}/A_{2 920},玉米正常叶和玉米锈病叶(病斑处)吸收强度比A_{1 652}/A_{2 920},均呈现出病变叶吸收强度比正常叶要小的趋势。表明他们之间的多糖和蛋白质的含量存在差异。     

栽培稻叶片近红外光纤漫反射光谱的抗旱性鉴定分析

选用了来源于不同国家和地区的30个抗旱性强弱不同的栽培稻品种,其中有传统旱稻4个,改良旱稻18个,敏旱突变体材料2个,典型水稻4个,耐旱水稻2个,分别在水田和旱地下种植得到的叶片近红外漫反射光谱为对象,进行了抗旱性鉴定分析研究,结果表明:采用多个叶片测量得到的平均光谱数据,选择4 500～7 500 cm-1作为有效的分析谱区,应用一阶导数和散射校正结合进行光谱预处理等方法,适合建立旱地种植下栽培稻叶片的旱地产量等模型.同时研究表明:孕穗中后期旱地叶片近红外光谱与旱地产量、抗旱指数之间建立模型的结果要优于孕穗前期,其模型交叉验证结果的相关系数可达0.8左右.而在水田种植条件下得到的叶片近红外光谱与水田产量、抗旱指数之间模型交叉验证结果相关性较弱,从叶片叶绿素、含水量等主要生理生化参数与产量、抗旱指数之间相关关系角度,对水旱田下两类模型的性能差异进行了农学解释.     

转基因水稻及其亲本叶片的可见/近红外光谱分析

应用可见/近红外光谱技术实现了转基因水稻叶片的快速识别和叶绿素含量(SPAD)的快速检测。建立偏最小二乘-支持向量机(LS-SVM)鉴别模型,校正集的正确率为100%,同时应用连续投影算法(SPA)提取有效波长,建立SPA-LS-SVM鉴别模型,只用了全变量的0.3%进行建模,其预测集的正确率达到87.27%。在定量分析中,各模型的最优结果均来自经过正交信号校正(OSC)的光谱数据,经过SPA处理后的模型均优于最优的全波段PLS模型,说明SPA是一种有效的波长选择方法。最优SPAD值预测模型为SPA-LS-SVM,其相关系数(r)和预测均方根误差(RMSEP)分别为0.902 2和1.312 1,获得了满意的结果。这说明提出的SPA-LS-SVM方法能快速识别转基因水稻叶片并对SPAD值进行准确预测,为实现大田活体鉴别与连续监测提供了新方法。