应用遗传算法结合连续投影算法近红外光谱检测土壤有机质研究

应用遗传算法结合连续投影算法近红外光谱检测土壤有机质研究。采集浙江省文城地区农田土壤样品近红外光谱数据,土壤样品数为394个。为简化模型,采用遗传算法结合连续投影算法挑选出18个特征波长建模,应用偏最小二乘回归建立有机质预测模型,建模集的决定系数为0.81,均方根预测误差为0.22, 剩余预测偏差为2.31,预测集的决定系数为0.83,均方根预测误差为0.20,剩余预测偏差为2.45。研究发现,遗传算法结合连续投影算法在简化模型同时,模型的预测评价指标同采用全谱波长建模并没有明显降低。因此,遗传算法结合连续投影算法挑选的特征波长可以应用于近红外光谱检测土壤有机质含量。     

基于变量优选和快速独立成分分析的黄花梨可溶性固形物可见/近红外光谱检测

为建立预测能力高、稳定性强的可见/近红外漫透射光谱无损检测黄花梨可溶性固形物(SSC)数学模型,对比各种预处理方法、变量优选方法、快速独立主成分分析(FICA)以及最小二乘支持向量机(LS-SVM)对黄花梨SSC模型的影响,得出最佳的组合方法用于建立黄花梨可溶性固形物(SSC)预测模型。采用Quality Spec型光谱仪采集550~950 nm波段范围内的黄花梨漫透射光谱并采用遗传算法、连续投影算法和CARS(competitive adaptive reweighted sampling)三种方法筛选黄花梨可溶性固形物的光谱特征变量,再结合FICA提取光谱主成分,最后采用LS-SVM建立黄花梨的SSC预测模型。结果显示,采用CARS筛选的21个变量,经FICA挑选出12个主成分数,联合LS-SVM所建立的CARS-FICA-LS-SVM黄花梨SSC预测模型性能最佳,建模集和预测集的决定系数及均方根误差分别为0.974,0.116%和0.918,0.158%,同直接采用PLS方法建模相比,变量数从401个下降到21,主成分数由14下降到12,建模集和预测集决定系数分别上升了0.023,0.019,而建模和预测均方根误差分别下降了0.042%和0.010%。CARS-FICA-LS-SVM建立黄花梨SSC预测模型能够有效地简化预测模型并提高预测模型精度。     

基于UVE-ICA和支持向量机的南丰蜜桔可溶性固形物可见-近红外检测

利用可见-近红外光谱技术联合变量选择新方法对南丰蜜桔的可溶性固形物(SSC)进行快速无损检测研究,以简化南丰蜜桔SSC预测模型和提高预测模型性能。试验共采用300个南丰蜜桔样本,校正集、验证集及预测集样本分别为150,75和75个。采用QualitySpec型光谱仪在350~1 000 nm波段范围内采集样本光谱,利用无信息变量消除(UVE)剔除无用信息波长变量,再采用独立成分分析(ICA)提取光谱的独立成分,最后应用最小二乘支持向量机(LS-SVM)建立南丰蜜桔的SSC预测模型,并利用未参与建模的预测集样本对模型进行评价。研究结果表明,可见-近红外光谱技术联合UVE-ICA- LS-SVM对南丰蜜桔的SSC检测精度高。UVE-ICA可以有效剔除无用信息波长变量,提取特征光谱信息,简化预测模型及提高预测模型性能。UVE-ICA- LS-SVM所建立的南丰蜜桔SSC预测模型性能优于PLS,PCA-LS-SVM及ICA-LS-SVM预测模型,其校正集、验证集及预测集的决定系数和均方根误差分别为0.978,0.230%,0.965,0.301%及0.967,0.292%。     

可见/近红外漫透射光谱结合CARS变量优选预测脐橙可溶性固形物

可溶性固形物(SSC)是脐橙重要内部品质之一。采用QualitySpec型光谱仪在350～1000 nm波段范围采集脐橙的可见/近红外漫透射光谱,采用CARS(competitive adaptive reweighted sampling)变量选择方法筛选出与脐橙SSC相关的重要变量,并与无信息变量消除(UVE)及连续投影算法(SPA)比较。最后,对选择的38个重要波长变量应用偏最小二乘(PLS)回归建立脐橙SSC预测模型,并对未参与建模的75个样品进行预测。研究结果表明,CARS方法优于UVE及SPA变量选择方法,能有效地筛选出重要波长变量。CARS-PLS建立的SSC预测模型优于全光谱的PLS模型,其校正集及预测集的相关系数分别为0.948和0.917,均方根误差分别为0.347%和0.394%。因此,可见/近红外漫透射光谱结合CARS方法可以预测脐橙可溶性固形物,CARS变量选择方法能有效简化预测模型和提高模型的预测精度。     

不同速度对近红外光谱预测库尔勒香梨品质模型的影响

针对目前库尔勒香梨品质在线分级检测系统存在价格昂贵、结构复杂等问题,设计了库勒尔香梨内部品质在线无损检测分级系统。基于该系统研究了不同移动速度(0.3和0.5 m·s~(-1))对库尔勒香梨的可溶性固形物含量(solid soluble contents, SSC)和硬度在线预测模型的影响。不同移动速度下,采集样品相同部位的信息,所采集光谱存在差异。由于采集的光谱存在差异性,采用SG-平滑(Savitzky-Golay smooth)、 SG卷积导数、多元散射校正(MSC)、标准正态能量变换(SNV)、归一化(Normalization)等多种光谱预处理方法进行处理,基于偏最小二乘法(partial least squares, PLS),建立移动速度为0.3 m·s~(-1)(S1)和0.5 m·s~(-1)(S2)下库尔勒香梨的SSC和硬度模型。结果表明:移动速度为0.5 m·s~(-1)下,采用SG-DER(Savitzky-Golay Derivative)处理光谱图建立SSC模型优于0.3 m·s~(-1),其预测集相关系数和预测均方根误差为0.880 2和0.391 5°Bri。而在移动速度为0.3 m·s~(-1)下的结果,采用SGS(Savitzky-Golay smooth)处理光谱图建立的SSC模型优于0.5 m·s~(-1)下的结果,其预测集相关系数和预测均方根误差分别为0.820 2和0.470 8 N。后建立两个速度混合模型,采用竞争性自适应重加权算法(competitive adaptive reweighted sampling, CARS)和连续投影算法(successive projections algorithm, SPA)筛选特征变量,后采用PLS,建立混合速度下硬度和SSC预测模型。从建模效果来看SPA和CARS都可以有效减少建模所用变量数、提高库尔勒香梨在线SSC和硬度检测模型的预测能力和运算速度,增强模型的稳健性等。采用CARS方法,从501个光谱中筛选出24个变量,建立了CARS-PLS模型,建立的SSC模型较好,其预测集相关系数和预测均方根误差分别为0.915 0和0.371 9°Bri。采用SPA方法,从501个光谱中筛选出32个变量,建立硬度模型较好,其预测集相关系数和预测均方根误差分别为0.821 0和0.492 0 N。混合速度建立预测品质模型比单一速度建立模型稳健一些。研究表明:不同移动速度对建立果品品质预测模型产生不同影响,该研究有助于果品品质在线分选提供技术支持。     

基于遗传算法的安溪铁观音品质快速评价研究

为探究一种快速无损的安溪铁观音品质评价方法,利用遗传算法(GA)对茶样的近红外光谱特征波长进行筛选,结合偏最小二乘(PLS),建立全谱段的PLS定量模型与GA-PLS模型。结果表明,傅里叶变换近红外(FT-NIR)全谱段光谱在经过平滑+二阶导数+归一化处理后,PLS模型预测性能最高,建模结果为：校正集相关系数R_C=0.921,校正集均方根误差RMSEC=0.543,验证集相关系数R_P=0.913,验证集均方根误差RMSEP=0.665。选用近红外光谱6 670～4 000 cm-1谱区,采用遗传算法进行特征波长筛选,参与建模数据点数从1 557缩减到408个。优选波段后,GA-PLS建模结果为：校正集相关系数R_C=0.959,校正集均方根误差RMSEC=0.413,验证集相关系数R_P=0.940,验证集均方根误差RMSEP=0.587。可见,GA-PLS模型的校正集和验证集的预测结果均优于全谱段PLS模型。结果说明,在传统的近红外光谱技术结合化学计量学方法的建模基础上,加入遗传算法进行波长筛选,能有效提高模型预测能力,实现方法学的创新研究,且GA-PLS品质评价模型具有较强的参考和推广价值,为提高我国茶叶品质的检测技术水平提供新的方法借鉴。     

基于高光谱漫透射成像可视化检测脐橙可溶性固形物

厚皮类瓜果内部品质的无损检测是目前水果产业的检测技术瓶颈。本文采用高光谱漫透射技术对脐橙可溶性固形物(SSC)含量进行可视化分析研究。通过基线校正(Baseline)预处理结合连续投影算法(SPA)优选9个特征波长,建立SSC偏最小二乘回归(PLSR)模型,校正集相关系数r_(cal)为0.891,校正集均方根误差RSMEC为0.612°Brix,预测集相关系数r_(pre)为0.889,预测集均方根误差RMSEP为0.630°Brix。最后,计算各个像素点的SSC值结合图像处理技术得出SSC的可视化分布图,直观判断脐橙SSC含量高低。     

LS-SVM的梨可溶性固形物近红外光谱检测的特征波长筛选

为提高梨可溶性固形物含量(soluble solids content,SSC)的近红外光谱模型的精度和稳定性,以160个梨样品为实验对象,分别对原始光谱、多元散射校正(MSC)和标准正态变量变换(SNV)处理后的光谱,经无信息变量消除算法(UVE)挑选后,再结合遗传算法(GA)和连续投影算法(SPA),筛选梨可溶性固形物的近红外光谱特征波长。将筛选后的波长作为输入变量建立梨可溶性固形物的最小二乘支持向量机(LS-SVM)模型。结果表明经过SNV-UVE-GA-SPA从全波段3112个波长中筛选出的30个特征波长建立的梨可溶性固形物LS-SVM模型效果最好,该模型的预测集相关系数(R_p)和预测均方根误差(RMSEP)分别为0.956和0.271。该模型简单可靠,预测效果好,能满足梨的可溶性固形物含量的快速检测,为在线检测和便携式设备开发提供了理论基础。     

基于高光谱成像技术的脐橙叶片的叶绿素含量及其分布测量

为实现脐橙叶片叶绿素含量无损检测及其分布可视化表征,采用高光谱成像技术,结合自适应重加权算法(CARS)和连续投影算法(SPA),筛选特征光谱变量,进行脐橙叶片叶绿素含量及可视化分布研究。选取叶绿素测量位置的7×7矩形感兴趣区域,提取并计算脐橙叶片平均光谱。基于Kennard-ston方法,将148个脐橙叶片样品划分成建模集和预测集(111∶37)。采用CARS和SPA算法分别筛选出了32个和6个叶绿素特征光谱变量,用于建立偏最小二乘(PLS)回归模型。采用37个未参与建模的脐橙叶片样品评价模型的预测能力,经比较,CARS-PLS和SPA-PLS模型均优于变量筛选前的PLS模型,且CARS-PLS和SPA-PLS模型的预测能力几乎相同,其预测集相关系数分别为0.90和0.91,均方根误差分别为1.53和1.60。SPA-PLS模型计算脐橙叶片每个像素点的叶绿素含量,经伪彩色变换,绘制了脐橙叶片叶绿素含量可视化分布图。实验结果表明:变量筛选方法结合高光谱成像技术,能够实现脐橙叶片叶绿素含量无损检测及叶绿素分布可视化表达,并简化了数学模型。     

不同颜色冬枣可溶性固形物可见-近红外光谱分析模型构建

冬枣品质受其品种和生长环境等因素的影响,引起采后化转红指数不同,导致果实的颜色差异较大,从而影响其可溶性固形物（SSC）检测模型的分析精度。采用可见-近红外（Vis-NIR）光谱结合Norris-Williams平滑（NWS）、连续小波导数（CWD）、多元散射校正（MSC）、标准正态变量变换（SNV）和NWS-MSC五种光谱预处理方法构建不同颜色（红绿相间MJ,绿色GJ和红色RJ）冬枣SSC的偏最小二乘（PLS）定量分析模型,分别采用MJ,GJ,RJ,MJ-GJ和MJ-GJ-RJ五个样品集合建立冬枣SSC的定量分析模型,并采用由MJ-GJ-RJ三种颜色冬枣样品组成的测试集进行模型的评价;以不同建模样品集（校正集）的校正相关系数（R_c）和交互验证均方根误差（RMSECV）作为构建最优模型的评价指标;测试集的预测相关系数（R_p）和预测均方根误差（RMSEP）用于模型预测精度的评价。研究结果表明：分别采用MJ,GJ和RJ的独立样品集进行建模时,模型仅对具有相同颜色的冬枣样品的SSC实现了较好的预测;分别在MJ样品中加入GJ和GJ-RJ样品进行MJ-GJ和MJ-GJ-RJ两个混合样品集的定量模型的构建时,MJ-GJ模型对MJ和GJ样品的SSC具有较好的预测效果,其RMSECV,R_c,RMSEP,R_p分别为1.108,0.698,0.980,0.724和1.108,0.698,0.983,0.822,而对RJ样品的预测误差较大,模型的RMSECV,R_c,RMSEP,R_p为1.108,0.698,1.928,0.597;而MJ-GJ-RJ模型对三种颜色的冬枣SSC均有较好的预测结果：MJ-GJ-RJ模型对MJ样品的SSC模型的RMSECV,R_c,RMSEP,R_p为1.158,0.796,1.077,0.668;对GJ样品的SSC模型的RMSECV,R_c,RMSEP,R_p为1.158,0.796,0.881,0.861;对RJ样品的SSC模型的RMSECV,R_c,RMSEP,R_p为1.158,0.796,1.140,0.841;采用蒙特卡罗无信息变量消除（MCUVE）方法进一步对MJ-GJ-RJ样品集光谱的特征变量进行优选后,模型的R_c和R_p分别由原来的0.796和0.864提高到0.884和0.922,模型的RMSECV和RMSEP分别由1.158和0.946减小到0.886和0.721,模型具有较好的分析精度。采用可见-近红外光谱对不同颜色冬枣的SSC进行分析时,当建模集样品与测试集样品颜色属性相似或选择性质相似的建模变量进行模型构建时,模型具有更好的通用性。     

基于Vis/NIR光谱技术的酿酒葡萄成熟期间SSC预测研究

酿酒葡萄成熟度是确定葡萄采收期的重要品质指标,针对酿酒葡萄大田中成熟度检测难度大的问题,利用可见/近红外（Vis/NIR）光谱技术和化学计量学,研究了酿酒葡萄可溶性固形物含量（SSC）与光谱数据之间的内在联系。采用USB2000+光谱仪获取5种酿酒葡萄及其叶片在不同成熟时期的Vis/NIR光谱数据,通过OMNIC 8.0软件提取光谱数据,将化学值与光谱吸收率值通过TQ Analyst8.0软件建立模型。选取信噪比高的450~1 000 nm波段,利用PCA剔除异常光谱数据,将一阶导数（FD）、Savitzky-Golay卷积平滑（S-G）、多元散射校正（MSC）、标准正态变换（SNV）分别组合共4种方法用于光谱数据预处理。利用偏最小二乘（PLS）法分别建立了5种葡萄基于酿酒葡萄光谱数据的SSC预测模型,建立了5种葡萄基于冠层叶片光谱数据的SSC预测模型,对比了不同方式预处理后的建模效果,并选择最优预处理方式建模。最后用外部样本分别验证了SSC预测模型。结果表明,采用S-G平滑+FD+MSC的预处理方法时大多数预测模型性能达到最好。5种葡萄浆果校正集和验证集的R分别达到0.93和0.86以上,最高均方根误差分别为0.30和0.48,5种葡萄冠层叶片校正集和验证集的R分别达到0.73和0.65以上,最大均方根误差分别为0.95和0.75。5种葡萄浆果外部试验样本预测值与真实值间的平均RE最高为0.43%。基于酿酒葡萄浆果光谱的SSC预测模型具备良好的预测能力,优于基于酿酒葡萄冠层叶片光谱的SSC预测模型,SSC预测模型能够为酿酒葡萄成熟度评价研究提供理论参考。Vis/NIR光谱技术适用于在酿酒葡萄大田中快速、无损检测SSC。     

高光谱技术结合特征波长筛选和支持向量机的哈密瓜成熟度判别研究

可溶性固形物含量(SSC)和硬度是哈密瓜划分等级的重要指标,同时也是其成熟度的表征因子。因此,为满足哈密瓜自动化分级和适宜采摘,采用高光谱技术结合特征波长筛选的方法,同时对哈密瓜的可溶性固形物含量、硬度及成熟度进行了无损检测研究。对多元散射校正(MSC)处理后的光谱分别利用连续投影算法(SPA)、竞争性自适应重加权算法(CARS)和CARS-SPA方法筛选了哈密瓜可溶性固形物和硬度的特征波长,并将原始光谱、MSC预处理后的光谱和所筛选的特征波长作为输入变量分别建立哈密瓜可溶性固形物和硬度的支持向量机(SVM)预测模型及成熟度判别模型。结果显示,MSC-CARS-SPA方法所建立的可溶性固形物和硬度SVM预测模型最优,其R_pre, RMSEP和RPD分别为0.940 4, 0.402 7, 2.94 1和0.825 3, 35.22, 1.771。同时对哈密瓜成熟度进行了判别分析,并分别建立了基于全光谱、单一的可溶性固形物或硬度特征波长和主成分分析(PCA)特征融合的哈密瓜成熟度SVM判别模型。结果显示,CARS-PCA-SVM模型的判别结果与全光谱SNV-SVM模型相同,其校正集和预测集判别正确率分别为95%和94%。研究表明,利用高光谱技术结合特征波长筛选方法可实现同时对哈密瓜可溶性固形物和硬度的定量预测及成熟度判别。     

SPXY算法的西瓜可溶性固形物近红外光谱检测

可溶性固形物(SSC)是一种综合参数,主要包括糖、酸、纤维素、矿物质等成分,对评价果实成熟度和品质具有重要意义,影响果实口感、风味及货架期。西瓜可溶性固形物含量的无损快速检测对西瓜成熟度的确定、贮藏及运输过程中西瓜内部品质监控具有十分重要的意义,有助于提高西瓜生产效益和市场竞争力。在西瓜可溶性固形物含量的快速无损近红外光谱检测中,近红外漫透射的方式所需光源的能量大,同时大功率透射会对水果的内部品质产生影响;采用近红外漫反射方式的研究较少,但漫反射采集所需的能量小,有助于实现仪器小型便携化,成本低,同时避免透射引起的水果品质变化。以小型西瓜为研究对象,利用JDSU便携式近红外光谱仪采集西瓜样品瓜梗、瓜脐、赤道部位的近红外反射光谱,在976,1 186和1 453 nm附近有明显的吸收,利用偏最小二乘回归定量分析方法建立西瓜可溶性固形物的近红外光谱无损预测模型。首先,采用光谱-理化值共生距离(SPXY)算法对西瓜不同检测部位的样品集进行划分,以可溶性固形物含量为y变量,光谱为x变量,利用两种变量同时计算样品间距离,以保证最大程度表征样本分布,有效地覆盖多维向量空间,增加样本间的差异性和代表性,提高模型稳定性。将西瓜样品划分为51个校正集和15个预测集,校正集样本的SSC含量涵盖了预测集样本的SSC含量范围,且变异系数均小于9%,样品集划分合理,有助于建立稳健可靠的预测模型。其次,对比分析西瓜瓜梗、瓜脐、赤道检测部位的近红外反射光谱与可溶性固形物含量之间的定量模型的预测精度,结果得出西瓜赤道部位的反射光谱与可溶性固形物含量相关性较高,预测效果较好,预测集相关系数为0.629,预测集均方根误差为0.49%。对于不同检测部位获取的光谱信息所建立的近红外光谱SSC预测模型的精度问题,一方面与光谱的采集方式有关,另一方面与西瓜的产地、品种、成熟期等因素引起的其性状上的差异有关。在模型建立过程中根据实际情况确定西瓜的检测部位。最后,为提高西瓜赤道部位近红外反射光谱与可溶性固形物含量之间的预测模型精度,采用光谱预处理方法进行优化,结果得出经标准归一化预处理后,建立的偏最小二乘回归预测模型效果最佳,预测集相关系数为0.864,预测集均方根误差为0.33%,模型相关性较好,预测精度得到了很大提升。研究结果表明,近红外反射光谱检测小型西瓜赤道部位能很好预测其可溶性固形物含量,为实际生产中近红外光谱无损快速检测西瓜可溶性固形物含量及小型便携式仪器研发提供了技术储备。     

应用近红外高光谱成像技术预测甘蔗可溶性固形物含量

为了探究应用近红外高光谱成像技术对甘蔗内部可溶性固形物（SSC）预测的可行性,试验样本选择三种不同品种中的240个甘蔗节作为研究对象。通过高光谱成像系统获取甘蔗节的近红外光谱信息和图像信息,并分别探讨了光谱信息和图像纹理信息对甘蔗可溶性固形物预测的可行性。采用最小二乘回归（PLSR）,最小二乘支持向量机（LS-SVM）及主成分回归（PCR）建模方法构建甘蔗可溶性固形物的预测模型。比较了连续投影算法（SPA）、无信息变量消除算法（UVE）及区间偏最小二乘（iPLS）特征提取方法对预测结果的影响。实验结果表明：基于甘蔗的光谱信息能实现可溶性固形物的预测,其中偏最小二乘回归模型的建模集和预测集的相关系数分别为0.879和0.843,均方根误差分别为0.644和0.742。通过UVE算法提取105个有效波长所建立的PLSR模型的建模集及预测集相关系数分别为0.860和0.813,均方根误差分别为0.693和0.810。     

基于漫透射光谱技术的番茄可溶性固形物及总糖含量的无损检测

为了满足果蔬品质快速安全无损检测,基于可见-近红外漫透射原理,设计了番茄专用环形光源,自行搭建了番茄可见-近红外漫透射多品质检测系统,并以可溶性固形物含量(SSC)和总糖(TS)作为内部品质指标,对58个番茄样品进行了快速无损检测研究。基于自主搭建的系统对每个番茄进行四点的光谱采集,对平均后的光谱分别用15点SG卷积平滑(SG-Smooth)、标准正态变量变换(SNV)、多元散射校正(MSC)、一阶导数(FD)等方法进行了预处理,分别建立了SSC及TS的偏最小二乘预测模型,并对该模型进行了验证。结果表明：采用15点SG平滑预处理后的SSC预测模型校正集和预测集相关系数分别为0.995 6和0.976 0,均方根误差分别为0.052 4°Brix和0.082 3°Brix。采用SG平滑后一阶导数预处理的TS预测模型校正集和预测集相关系数分别为0.969 1和0.972 9,均方根误差分别为0.423 8%和0.454 9%。模型验证结果显示,番茄SSC和TS模型预测结果与标准理化值相关系数分别为0.985 5和0.944 9,均方根误差分别为0.066 3°Brix和0.571 5%。利用自行搭建的可见-近红外漫透射光谱检测系统完全可以实现番茄可溶性固形物及总糖含量的快速无损预测,为番茄内部品质的评价提供了实时、无损、快速的检测方法,为其在线分级提供理论基础。     

估测田间烟叶色素含量的光谱模型研究

田间烟叶色素含量的光谱无损快速测量,对烟草营养生长期的营养诊断与长势监测、成熟期的烟叶品质评判具有重要的生产指导意义。该研究的目的是利用烟叶田间光谱估测烟叶的叶绿素和类胡萝卜素含量。研究采集了营养生长期和成熟期烟叶田间反射光谱,测量了样品烟叶的色素含量,利用支持向量机(SVM)和光谱指数法,对营养生长期和成熟期烟叶样品用分期建模和混合建模两种方法建立色素含量估测模型,并对模型的预测性能进行比较。研究结果表明,分期建模和混合建模对于烟叶色素含量的估测效果差异不显著。对于叶绿素含量,SVM和光谱指数法均有较好的估测效果;对于类胡萝卜素含量,SVM方法比光谱指数法具有更高的估测精度。采用SVM方法对烟叶样品的叶绿素含量分期建模得到的估测决定系数和均方根误差分别为0.862 9和0.015 5,对叶绿素含量混合建模得到的估测决定系数和均方根误差分别为0.898 5和0.012 3;采用SVM方法对烟叶样品类胡萝卜素含量分期建模得到的估测决定系数和均方根误差分别为0.873 0和0.002 4,对类胡萝卜素含量混合建模得到的估测决定系数和均方根误差分别为0.852 7和0.002 4。该研究的创新点是通过支持向量机和光谱指数法采用分期建模以及混合建模的方式建立了烟叶样品色素含量的估测模型,为烟草田间生产的质量控制、烟叶的采收品质保证提供科学依据和技术支持。     

PROSPECT模型的特征波长优化与作物叶绿素含量检测

叶绿素是作物生长诊断的重要参数,对其进行高效检测是农田精细化管理的基础.PROSPECT模型是作物光谱学检测研究的重要工具,可为建立高精度叶绿素诊断模型提供数据集基础.为了建立具有普适性的田间玉米作物叶绿素含量检测模型,使用PROSPECT模型输入叶片结构参数和生化参数模拟叶片400～2500 nm波段反射率曲线106...