生菜叶片绿度的高光谱判别方法研究

生菜叶片绿度在作物生理及品质感官评价中具有重要作用。结合目前高光谱检测与分析技术在植物生理信息监测中的应用现状,开展了基于高光谱技术的生菜叶片绿度判别方法研究,以此为叶菜品质感官评价的定量化及基于高光谱技术的多功能生理信息同步采集装置的开发提供必要的理论支撑。本文以生菜为研究对象,在三种不同光照强度下开展栽培试验。以叶绿素相对含量（SPAD）作为反应绿度的参数,获取生菜整个生命周期中的动态高光谱和SPAD数据,分析了高光谱曲线的变化规律,建立了高光谱与SPAD之间的关系模型。采用Savitzky-Golay卷积平滑(SG)方法对原始高光谱数据进行降噪,平滑后的数据分别与多元散射校正（MSC）,标准正态变量变换(SNV)和一阶导数(FD)三种预处理方法组合,采用竞争性自适应重加权取样法（CARS）和提取有效植被指数（VI）两种方法进行敏感波长提取,结合偏最小二乘（PLS）和最小二乘支持向量机（LSSVM）两种方法建模,以决定系数（R2）和均方根误差（RMSE）为评价指标,优选出最优绿度判定模型。结果表明：在10,20和30 d的生菜全生命周期内,不同光照强度下的高光谱曲线表现出总体变化趋势一致但反射率值不同的特征,在可见光450～680nm范围内,自然光照条件下的生菜高光谱反射率值要高于补光处理条件下的反射率值;而在近红外730～850 nm范围内,生菜叶片的高光谱响应特征恰好与可见光范围内相反。基于SG+FD预处理与CARS敏感波长提取方法的组合可实现叶绿素相对含量特征信息的最有效提取,提取的敏感波长占全波长的64.59%,与原始高光谱（1.25%）相比,提取的敏感波长数增加了63.34%。最终确定LSSVM方法为最优建模方法,基于SG+FD+CARS+LSSVM组合方法所建模型为最优生菜绿度判定模型,训练集R2_c=0.920 7,RMSEC=1.161 0,预测集R2_p=0.828 8,RMSEP=2.400 8,模型精度较高,可以实现生菜叶片绿度判别的目的。     

大豆不同水氮胁迫响应规律的高光谱分析

大豆胁迫的快速无损检测对提高大豆品质和产量至关重要,近年来,通过高光谱技术进行植物胁迫的检测得到广泛应用,但针对大豆水氮胁迫的应用研究鲜有报道。针对开花结荚期大豆设置了4种水分和5种氮素水平进行胁迫实验,获取高光谱、叶绿素含量和净光合速率生理信息数据,并通过光谱数据计算了15个光谱植被指数,最终选取了5种植被指数,分别为归一化差异植被指数NDVI、比值植被指数RVI、绿色归一化差异植被指数GNDVI、改进红边归一化指数mNDVI705和叶绿素指数LCI以指示水氮胁迫对大豆的影响。同时通过建立单叶叶绿素含量和净光合速率反演模型进行大豆生理信息的预测,采用相关分析法提取敏感波段,所提取的敏感波段分别为520～622和485～664 nm;采用多元散射校正(MSC)、标准正态变量变换(SNV)、一阶导数(FD)、二阶导数(SD)和Savitzky-Golay平滑(S-G)预处理方法,同时采用主成分分析(PCR)和偏最小二乘(PLS)2种建模方法,将其按一定关系组合成多种方法,以相关系数为模型评价指标,寻找出最优预处理与建模方法的组合。结果表明:未受胁迫和受胁迫大豆的高光谱曲线具有整体变化趋势一致但光谱反射率值不同的特征,未受胁迫大豆的反射率在500～700 nm波段具有最低值,在760～900 nm波段具有最高值;随着水氮胁迫程度的增加, 500～700 nm波段的反射率逐渐增加。不同水分和氮素水平对植被指数的影响不同,但变化规律一致, 5种植被指数均表现为未受胁迫大豆大于受胁迫大豆,且随着水氮胁迫程度的增加,植被指数值逐渐减小。建立反演模型所用最优方法组合为MSC+FD+S-G+PLS和SNV+SD+S-G+PLS,校正集相关系数分别为0.960 6和0.992 7,预测集相关系数分别为0.972 0和0.970 8,表明所建模型的精度较高,可对受胁迫和未受胁迫大豆单叶叶绿素含量和净光合速率生理信息进行精准预测,为大面积种植时检测其生理信息提供技术支持。     

柑橘叶片叶绿素含量拉曼光谱定量分析方法研究

柑橘叶片叶绿素含量的准确检测对柑橘营养状况和生长态势具有极其重要的意义。研究了快速无损诊断柑橘叶片中叶绿素含量的方法,以期为拉曼光谱检测技术用于柑橘叶片叶绿素含量检测提供参考。采集不同冠层高度和不同地理分布的柑橘叶片120片,拭去叶片表面的灰尘,用去离子水对其清洗、晾干装入密封袋中并用标签分类标注。然后对柑橘叶片进行拉曼光谱采集,参数设置如下：分辨率为3 cm-1,积分时间为15 s;激光功率为50 mW。分别采用BaselineWavelet、迭代限制最小二乘（IRLS）和不对称最小二乘(ALS)三种算法对柑橘叶片的拉曼光谱背景进行扣除,使用偏最小二乘（PLS）方法建立定量模型;四种光谱预处理方法归一化(Normalization),Savitzky-Golay卷积平滑(SG smoothing, SG平滑)、多元散射校正(MSC)和Savitzky-Golay一阶导数(SG 1st Der)对扣除背景后的光谱进行进一步的优化处理。结果表明：采用原始光谱、BaselineWavelet、IRLS、ALS背景扣除处理后的光谱建立PLS模型,模型的相关系数r分别为0.858,0.828,0.885和0.862,交互验证均方根误差(RMSECV)分别为5.392,5.870,4.934和5.336,最佳因子数分别为8,3,8和8;IRLS背景扣除处理后的PLS模型的RMSECV最小,相关系数最高,建模效果最好。分别采用SG平滑、归一化、MSC和SG 1st Der预处理方法对IRLS背景扣除后光谱进行预处理并建立PLS模型,结果表明：IRLS光谱及其结合SG平滑、归一化、MSC和SG 1st Der四种预处理方法的PLS模型的R分别为0.885,0.897,0.852,0.863和0.888,RMSECV分别为4.934,4.715,5.595,5.182和4.962;最佳因子数分别为8,8,8,8和5;IRLS-SG平滑后PLS模型的RMSECV最小,模型效果最优。对IRLS-SG平滑预处理后的PLS模型展开验证,预测相关系数r为0.844,预测均方根误差(RMSEP)为5.29,预测精确度较高。采用拉曼光谱结合三种光谱背景扣除方法和四种预处理方法对柑橘叶片叶绿素含量进行定量分析表明：采用IRLS背景扣除结合SG平滑预处理后的PLS模型最优,建模集r为0.897,RMSECV为4.715;预测集r为0.844,RMSEP为5.29,预测精度较高。拉曼光谱结合背景扣除方法可以为柑橘叶片叶绿素含量的定量分析提供一种快速简便的分析方法。     

高光谱的病害棉叶光合参数提取

应用高光谱遥感监测黄萎病胁迫下棉花叶片光合参数。在350～2 500 nm光谱波段获取207个不同时期不同病情严重度的棉叶样本光谱数据,同步利用光合仪测量样本光合参数。采用单因素方差和相关分析研究光合参数特征,提取样本叶片光合参数的敏感波段并筛选光谱特征参数,采用线性和非线性回归方法建立预测模型并检验。结果表明：随病情严重度增加,棉叶净光合速率、气孔导度、蒸腾速率均下降,胞间CO₂浓度先降后增,差异显著;病情严重度与光合参数均达到显著相关,与净光合速率、蒸腾速率、气孔导度、胞间 CO₂浓度相关系数分别为-0.97, -0.957, -0.886和0.715。选择与光合参数相关性最好的光谱敏感波段R704, R706, R699, R690, FD688, FD732, FD690, FD731, FD681组建新的光谱特征参数并与传统参数一起对净光合速率、蒸腾速率、气孔导度和胞间 CO₂浓度进行反演,其中是以光谱参数PRI[FD732, FD688]), R706, RVI[890, 670]), R690为自变量建立的净光合速率、蒸腾速率、气孔导度和胞间CO₂浓度反演方程精度最高,预测R2分别为0.827, 0.810, 0.658, 0.573;RMSE分别为5.466, 2.801, 109.500, 63.500;RE分别为0.041, 0.137, 0.158, 0.021。表明通过高光谱遥感可以实现棉花黄萎病叶片光合生理参数的提取。     

基于机器学习的水体化学需氧量高光谱反演模型对比研究

化学需氧量（COD）是水体有机污染的一项重要指标,如何快速准确检测水体的COD含量尤为重要。机器学习在水质反演领域应用日益增多,并取得了较多的研究成果,高光谱遥感具有光谱空间分辨率高、成像通道多等优势,使其在水体COD反演方面有着极大的潜力。利用不同的高光谱预处理方法对原始高光谱数据进行处理,并利用处理前后的高光谱数据对比研究了不同机器学习模型、不同高光谱预处理方法对水体COD的反演性能。首先利用ZK-UVIR-I型原位光谱水质在线监测仪在扬州宝带河实地收集了1 548组COD和对应的高光谱数据（400~1 000 nm）样本,为降低光谱噪音干扰以及消除光谱散射影响,分别使用Savitzky-Golay（SG）平滑、多元散射校正数据（MSC）以及SG平滑结合MSC对原始光谱进行预处理。其次,将样本集随机划分为训练集和测试集,其中训练集占比80%,测试集占比20%。对预处理后的训练集全波段光谱基于线性回归、随机森林（random forest）、AdaBoost、XGBoost四种机器学习方法建立COD高光谱反演模型,并选取了决定系数（R2）、均方根误差（RMSE）、相对分析误差（RPD）三种指标在测试集数据中评估高光谱反演模型的精度。结果表明,随机森林、AdaBoost、XGBoost均优于线性回归,无论光谱处理与否,通过XGBoost建立的反演模型预测能力均为最佳,其中使用XGBoost对经过SG平滑和MSC处理后的光谱数据进行建模的反演模型精度最高,其R2达到0.92,RMSE为7.1 mg·L-1,RPD为3.4。考虑到原始光谱可能存在冗余,通过主成分分析法（PCA）对经过SG平滑和MSC处理后的光谱进行降维,并选取累计贡献率达到95%的前十个主成分作为模型的输入变量。通过XGBoost建立反演模型,结果表明经过PCA后的反演模型不仅精度有所上升,RPD达到3.8,而且模型的训练时间也由72 s缩短到2.9 s。以上研究可为该水域及类似水域的高光谱水质反演模型的建立提供新的方法及思路。     

基于高光谱图像的生菜叶片水分预测研究

为了便于生菜合理施水管理,力求构建生菜叶片水分检测模型。采集生菜叶片获取高光谱图像并同时测量叶片含水率,分析高光谱图像寻求生菜叶片水分特征波段,处理特征波段处的波段图像,求取生菜叶片水分的图像特征,并通过相关性分析筛选出其中与水分相关性高的图像特征。由于图像特征之间存在可能的相关性,利用偏最小二乘PLS提取图像特征的主成分,作为具有回归预测能力的BP神经网络的输入,构建PLS-ANN模型。同时分别利用BP神经网络、传统的多元回归方法MLR建模,采用相同的样本数据分别对三种模型进行预测试验,结果表明,发棵期的PLS-ANN网络模型的生菜叶片水分预测平均误差率达到9.323%,比BP-ANN和MLR预测模型均有了改善。     

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。     

基于高光谱技术反演大豆生理信息的特征波长提取方法研究

生理信息的准确获取及预测可为种植的精细化管理提供依据。传统的大豆生理信息反演方法检测效率低、操作过程繁琐且多为有损检测。利用高光谱技术建立大豆生理信息的快速无损反演方法。以大豆开花结荚期叶片为研究对象,在2个日期(D1和D2)获取高光谱、叶绿素含量、净光合速率和光合有效辐射数据。首先分别采用多元散射校正(MSC)、标准正态变量变换(SNV)、一阶导数(FD)、二阶导数(SD)、 Savitzky-Golay平滑(SG)、 MSC-SG-FD、 MSC-SG-SD、 SNV-SG-FD和SNV-SG-SD共9种方法对原始光谱数据进行预处理,随后结合偏最小二乘法(PLS)建立全波段模型,比较分析,选出最优预处理方法。再分别利用竞争性自适应权重取样法(CARS)、连续投影法(SPA)和相关系数法(CC)对特征波长进行筛选提取。最后将优选出的预处理方法与特征波长变量进行PLS建模并对比分析,以校正集和预测集相关系数R_c和R_p为模型评价指标,最终优选出与大豆生理信息相关性最高的反演模型。结果表明:采用MSC-SG-FD预处理后建立的叶绿素含量全波段PLS模型的Rc和Rp最高,分别为0.909和0.882(D1), 0.909和0.880(D2),采用SNV-SG-FD预处理后建立的光能利用率全波段PLS模型的R_c和R_p最高,分别为0.913和0.894, 0.902和0.869,与原始及其他预处理后建立的模型相比表现出最高的模型性能特征。进一步对比3种特征波长提取方法的建模,发现SPA法筛选出的变量能将叶绿素含量反演模型的建模变量数由512个压缩至20个(D1)和23个(D2),变量压缩率高达96.09%和95.51%,同时能将光能利用率反演模型的建模变量数压缩至27个和37个,变量压缩率高达94.73%和92.77%。最终得出反演叶绿素含量的最优建模方法为MSC-SG-FD-SPA-PLS,R_c值为0.944(D1)和0.941(D2),R_p值为0.911和0.903,反演光能利用率的最优建模方法为SNV-SG-FD-SPA-PLS,R_c值为0.929(D1)和0.925(D2),R_p值为0.912和0.907,所建模型精度较高,可为大面积检测大豆生理信息提供技术支持。     

近红外光谱的三种蓝莓果渣花色苷含量测定

为了提高对蓝莓果渣的开发利用,探索了近红外光谱测定三种蓝莓(北陆、蓝美1号、灿烂)果渣中花色苷含量的可行性。通过DA7200采集三种蓝莓果渣的近红外光谱,利用PCA-MD对北陆、蓝美1号、灿烂果渣分别剔除1, 4和8个异常样本。运用K-S划分样本集得到校正集(686个样本)和验证集(171个样本)。对样本集分别进行归一化、变量标准化(SNV)、多元散射校正(MSC)、 Norris一阶导数(NFD)、 Norris二阶导数(NSD)、 SG卷积一阶导数(SGCFD)、 SG卷积二阶导数(SGCSD)、 Savitzky-Golay(SG)卷积平滑、正交信号校正预处理,并建立相应全谱PLS模型。比较并选择MSC、 SGCSD、 SG卷积平滑、正交信号校正,进行预处理方法顺序组合的比较,结果显示,全谱PLS模型中最优预处理方法为正交信号校正+SGCSD+SG卷积平滑,其R■为0.940 0、R■为0.886 7、 RMSEC为0.722 5、 RMSECV为0.246 2、 RMSEP为1.000 5、 RPD为2.970 8。利用SPA和CARS对预处理过的光谱数据分别进行波长变量的筛选,依次建立PLS回归模型,并定量分析其对蓝莓果渣花色苷的预测能力。在所有预处理方法进行波长变量筛选中, SPA与CARS算法均可以有效地筛选出波长变量,但SPA筛选出的波长变量,无法全部建立PLS回归模型,而CARS算法筛选出的波长变量,均可建立PLS回归模型。数据表明, CARS-PLS最佳组合为正交信号校正+MSC+SG卷积平滑+SGCSD,选择波长数为25个,相较于原始光谱,其R■从0.900 8增长到0.940 3,R■从0.881 8增长到0.885 7, RMSEC从0.929 1减少到0.720 9, RMSECV从0.317 6减少到0.245 6, RMSEP从1.021 8减少到1.004 9, RPD从2.908 8增长到2.957 5。近红外光谱的蓝莓果渣花色苷含量测定中,正交信号校正表现出强大的去噪效果, CARS算法具有简化模型、适用性较好和预测精度较高等优点。研究结果表明,应用近红外光谱技术可以较好地实现三种不同品种蓝莓果渣中花色苷含量的测定,可为蓝莓果渣品质分级提供一种快速、支持大样本量的检测方法。     

不同光温环境下玉米苗期叶片的高光谱特性响应分析

光温环境胁迫是影响作物优质高产的一个主要制约因素,传统的作物胁迫监测,敏锐性不足、耗时费力且多为有损检测。近年来随着信息技术的快速发展,高光谱技术能够快速无损的获取作物生理信息,并对逆境胁迫响应进行动态监测,为现代农业的精准化生产和智能化决策提供了数字化支撑,对实现传统农业向精准化、数字化的现代农业转变具有重要意义。以玉米苗期为研究对象,获取不同光温环境下叶片的高光谱数据和生理参数,探究玉米苗期叶片对不同光温环境的响应规律,进行高光谱差异性分析,并构建生理参数的高光谱反演模型。利用相关分析法筛选光谱敏感波段,采用多元散射校正(MSC)、标准正态变量变换(SNV)、Savitzky-Golaay(S-G)平滑相结合的预处理方法,分别与偏最小二乘回归法(PLS)、主成分回归法(PCR)、逐步多元线性回归法(SMLR)三种建模方法组合,以模型相关系数和均方根误差作为模型效果评价指标,探索高光谱反演叶片生理参数模型的最优方法。结果表明：不同光温环境下玉米的高光谱特性在整体上变化趋势一致,但仍存在差异,在500～700 nm波段内,光谱反射率的升高表明光强的增强;在760～900 nm波段内,光谱反射率的升高表明温度的增强;且光温胁迫环境的变化,均可反映在高光谱特性上,波段760～900 nm内光谱的反射率在高温胁迫环境下较高,在弱光胁迫环境下较低,在低温胁迫环境下反射率显著降低;所构建的SPAD和F_v/F_m的反演模型中,建模最优方法为PLS-MSC-SG,模型验证集相关系数分别为0.958和0.976,训练集相关系数分别为0.979和0.995。模型的预测性精度较高,表明利用高光谱技术,可以实现光温环境胁迫下玉米植株的定量监测,提高田间精细化管理水平,为玉米优质高产的智能化管理提供参考依据。     

高光谱成像技术的油菜叶片氮含量及分布快速检测

应用高光谱成像技术实现了油菜苗-花-角果整个生命期叶片氮含量的快速检测和氮素水平分布的可视化。采集三个生长时期共计420个叶片样本的高光谱图像信息(380～1 030 nm),提取图像中感兴趣区域的平均光谱数据,经过不同光谱预处理后,利用连续投影算法(SPA)选择特征波长,将提取的12个特征波长(467,557,665,686,706,752,874,879,886,900,978和995 nm)作为自变量,叶片氮含量作为因变量,分别建立偏最小二乘法(PLS)和最小二乘-支持向量机(LS-SVM)模型。SPA-PLS和SPA-LS-SVM模型对叶片氮含量的预测相关系数R_P分别为0.807和0.836,预测均方根误差RMSEP分别为0.387和0.358。高光谱图像中的每一个像素点都有对应的光谱反射值,利用结构简单、更易提取回归系数的SPA-PLS模型,快速计算出12个特征波长下高光谱图像中每个像素点对应的氮含量预测值,结合像素点的空间位置生成氮素浓度的叶面分布图。可视化分布图详细且直观的反应出同一叶片内部或不同叶片之间氮含量的差异。结果表明,应用高光谱成像技术分析整个油菜生长期的叶片氮含量及其可视化分布是可行的。     

高光谱成像的油菜和杂草分类方法

利用高光谱成像技术结合化学计量学方法对油菜中的杂草进行分类识别。采用近红外高光谱技术,通过正态变量变换(SNV)、去趋势化(De-trending)、多元散射校正(MSC)、移动平均平滑法(MA)、多项式卷积平滑法(SG)、基线校正(baseline)及归一化(normalize)算法对光谱数据进行预处理,采用主成分载荷(PCA loadings)、载荷系数法(x-LW)、回归系数法(RC)、连续投影算法(SPA)分别进行特征波长提取,采用偏最小二乘判别分析(PLS-DA)、极限学习机(ELM)和支持向量机(SVM)建立分类模型。结果表明,基于De-trending 预处理,通过PCA loadings,x-loading weights及SPA特征波长提取方法,基于极限学习机ELM算法建立的模型取得了最优的分类效果,建模集和预测集的分类精度均达到100%,另引入平均分类精度的指标,发现不同试验时间下,模型分类精度变化不大,表明应用近红外高光谱成像技术对油菜和杂草进行分类是可行的。     

基于色彩参数和高光谱特征的针叶树种色素含量预估

光谱成像技术广泛应用于植物理化参数无损伤测定等领域研究,而色素与色彩参数相关性研究也有学者探索.但比较并优选分别以色彩参数值、光谱参数值作为自变量与色素含量拟合出的模型,还未见报道.本实验以5种针叶树种为研究对象,筛选蓝边幅值Db、黄边幅值Dy、红边幅值Dr、绿峰幅值Rg、红谷幅值Rr、蓝边面积SDb、黄边面积SDy、...     

利用高光谱扫描技术检测小麦叶片叶绿素含量

利用高光谱扫描技术对小麦叶片进行无损检测试验,探索精确测定小麦叶绿素含量的方法,为农作物生长状况、植物病理诊断等提供科学依据。研究选取90个样本作为校正集,30个样本作为预测集,获取叶片的高光谱反射图像,同时用传统的分光光度计方法测定其叶绿素含量。选取波长491～887 nm范围光谱,用多元散射校正、一阶导数、二阶导数3种方法处理,利用偏最小二乘法和逐步线性回归法分别建立了小麦叶片叶绿素含量与光谱信号间的数学模型。研究发现多元散射校正(MSC)结合二阶导数光谱的多元线性回归(SMLR)模型的效果较优,模型校正集和预测集决定系数分别为0.82和0.79,校正均方根误差和预测均方根误差分别为0.69和0.71。研究结果表明可以利用高光谱扫描技术检测小麦叶片叶绿素含量。     

基于Adaboost及高光谱的生菜叶片氮素水平鉴别研究

为了便于经济合理的生菜施肥,研究一种生菜叶片氮素水平智能鉴别方法。在温室大棚内无土栽培不同氮素水平的生菜样本,在特定生育期,采集各类氮素水平生菜样本,利用FieldSpec○R 3型光谱仪采集生菜叶片高光谱数据。由于原始高光谱数据存在噪声且冗余性强,利用标准归一化(SNV)对原始高光谱数据进行降噪处理,再利用主成分分析方法(PCA)对高光谱数据进行特征提取。分别利用K最近邻(KNN)和支持向量机(SVM)对降维后的光谱数据进行分类研究,由于自适应提升法(Adaboost)能提升弱分类器分类性能,将其分别引入到KNN和SVM两种分类器中,提出了Adaboost-KNN和Adaboost-SVM两种集成分类算法。分别利用上述四种分类算法对相同测试样本数据进行分类鉴别。结果表明,KNN,SVM,Adaboost-KNN和Adaboost-SVM四种算法的分类正确率分别为74.68%,87.34%,100%和100%,其中所提出的Adaboost-KNN与Adaboost-SVM分类效果都很好,且Adaboost-SVM分类算法的稳定性最好。因此,Adaboost-SVM算法适合作为基于高光谱的生菜氮素水平鉴别的建模方法,并且也为其他作物营养元素无损检测提供了一种新的方法。     

小麦盐与物理损伤胁迫下果胶高光谱反演模型

小麦是我国的主要粮食作物，在国民经济发展中具有举足轻重的地位。然而，盐与物理损伤等非生物胁迫，逐渐成为制约小麦产量和品质的重要因素。研究表明，细胞壁是植物细胞直接抵御逆境胁迫的重要防线。盐胁迫下，细胞渗透压增大，质膜的透性会受到一定程度的影响。为了维持细胞的形态和结构，植物细胞壁中的果胶等多糖物质会发生不同程度的转化和改变。物理损伤，会加深植物细胞膜脂过氧化的程度，使膜通透性增大，导致营养物质的流失和降解。受到损伤的部位及其周边细胞还会发生栓化以阻塞病菌的侵入。构成植物细胞壁主要成分且能够反映细胞壁以及膜系统完整性和透过性的果胶，可以作为研究胁迫下植物内部物质响应规律的重要指标。目前，质量法、比色法、液相色谱法等常用的果胶检测方法操作繁琐、实时性不强且对样本损耗较大。亟需一种操作简便、检测速度快、无损的检测方法。将烟农0428小麦作为研究对象，采用水培方式，以向培养液中施加氯化钠(NaCl)溶液和对小麦第一片叶主脉两侧针刺分别模拟盐胁迫和昆虫叮咬造成的物理损伤，并完成小麦叶片果胶及高光谱信息的采集与处理。利用相关分析法筛选光谱敏感波段，将主成分回归(PCR)、偏最小二乘法(PLS)、逐步多元线性回归(SMLR)三种建模方法分别与多元散射校正(MSC)、标准正态变换(SNV)、一阶导数(FD)、卷积平滑(S-G)、Norris导数滤波(NDF)等预处理技术相结合，建立果胶含量反演模型。最终，选定PLS+SNV+FD+NDF方法建立的模型为最优模型，并对其性能进行了测试。结果表明：果胶含量的预测值与实测值一致性较高，拟合系数(R2)和均方根误差(RMSE)分别为0.997 6和0.35；预测值重复性较好，相对标准偏差(RSD)为1.2%。该研究以新方法实现小麦果胶的高精度、快速、无损检测，有助于小麦响应逆境胁迫机理的深入探索，并为大田作物胁迫程度预测及种植环境的精准管控提供参考。