不同生育期冬小麦光谱特征对叶绿素和氮素的响应研究

研究测定了不同施氮水平条件下冬小麦冠层在七个典型生育期叶片叶绿素、地上部分全氮含量以及冠层光谱,分析了单波段反射率、可见光和近红外波段组合而成的归一化植被指数(NDVI)、比值植被指数(RVI)与相应时期叶片叶绿素和地上部分全氮含量的相关性。结果表明,施氮量增加,两个农学参量、冠层近红外波段反射率都随之增加,但当施氮量增加到300kg hm-(2一次性施入)时,上述各项指标均降低;整个生长期中孕穗期在近红外区域反射率最高,与可见光波段反射率相差最大;除分蘖期外,其它时期单波段510nm～1100nm反射率、NDVI、RVI与叶绿素和全氮含量显著相关,植被指数的相关性较单波段高,且从分蘖期到乳熟期,相关性逐渐增强;整体来讲,可见光中560nm、660nm和近红外760nm、1100nm和1200nm组合的NDVI在各生育期与两个农学指标的相关性较好,选择NDVI(560,760)可以准确拟合叶片叶绿素和地上部分全氮含量。     

基于高光谱图像的黄瓜叶片叶绿素含量分布检测

植物叶片叶绿素含量及分布是植物营养信息表达的重要指标。为了给大棚黄瓜营养元素的控制提供理论依据,该研究利用高光谱图像建立简单实用的光谱值和叶绿素含量关系的模型,从而实时、无损地检测叶片的叶绿素分布。选取黄瓜叶片的高光谱图像数据块中450~850 nm波段作为研究波段。选取8个具有代表性的植被指数,建立特征波长λ下相应的光谱反射值Rλ与黄瓜叶片叶绿素含量之间的关系模型。结果显示,基于最优指数(R695–705)-1-(R750–800)-1的模型可以很好地预测黄瓜叶片叶绿素的含量,校正集和预测集相关系数r分别为0.8410和0.8286,最小均方根误差RMSE分别为0.2045和0.2190 mg/g。最后根据最优模型预测叶片上任意位置叶绿素的含量,并通过伪彩手段描述叶绿素含量的分布。研究结果表明,利用高光谱图像技术分析黄瓜叶片叶绿素含量及其在叶面上的分布是可行的。另外,该研究确定的最优植被指数所包含的695~705和750~800 nm 2个波段可用于搭建更加简便实用的快速检测叶片叶绿素的便携式多光谱设备。     

春玉米磷素营养的光谱响应及诊断

通过盆栽试验监测不同磷营养水平春玉米典型生育期叶片光谱变化,并对叶片光谱反射率与叶片磷含量做了相关分析。结果表明,春玉米大喇叭口期是磷素营养的光谱响应敏感期,3507～30.nm和14201～800.nm是磷素营养的光谱敏感波段。该生育期构建的单波段高光谱变量、窄波段光谱变量和宽波段光谱变量与叶片磷含量都存在显著或极显著的回归关系;窄波段光谱变量比值指数R6725/6256和R61745/15856与叶片磷含量的回归关系达到了极显著水平,R625/555达到显著水平。可见光波段光谱变量与磷含量的回归关系优于近红外波段光谱变量与磷含量的回归关系,表明可见光波段叶片光谱反射率可能更适合春玉米磷营养状况的评价。不同波段宽度的光谱变量分析表明,在敏感波段范围内,801～00.nm波段平均的叶片宽波段光谱反射率没有降低对叶片磷含量的估算精度。     

基于反射光谱预处理的苹果叶片叶绿素含量预测

以苹果叶片叶绿素含量为研究对象,定量研究了光谱数据预处理方法对光谱特征提取及叶绿素含量预测模型的影响。首先,比较了苹果叶片原始反射率光谱、小波包去噪反射率光谱、反射率一阶差分光谱、先小波包去噪后一阶差分光谱、先一阶差分后小波包去噪光谱这5种光谱的波段间相关系数以及光谱与叶绿素含量间的相关系数,建立了叶绿素含量预测逐步回归模型并对建模结果进行了比较分析。结果表明单纯3层sym8小波包去噪可使光谱曲线平滑,但不会明显提高模型精度;一阶差分虽然放大了局部噪声,但是消除了基线漂移影响,可提高模型精度;先差分后小波包去噪比先小波包去噪后差分具有更高的峰值信号噪声比,更低的均方误差与最大误差,建模结果也显示出同样的结果。因此,先差分后小波包去噪算法可认为是一种有效的苹果叶片叶绿素含量预测光谱预处理方法。利用这一方法建立了苹果叶片叶绿素含量预测模型,获得了较高的预测精度。该研究可用于对苹果树营养状态的评价并指导按需施肥。     

基于高光谱参数建立苗期高温条件下草莓叶片叶绿素含量估算模型

以“红颜”草莓（Fragaria×ananassa Duch“Benihope”）为试材,于2021年9−11月在人工气候室进行苗期（9～12片真叶,叶长≥5cm）动态高温环境控制实验,日最高温度以32℃为起点,设置日最高气温/日最低气温分别为32℃/22℃、35℃/25℃、38℃/28℃和41℃/31℃共4个水平,持续时间分别为2d、5d、8d和11d,以28℃/18℃为对照（CK）。试验期间空气相对湿度60%～70%,光周期12h/12h（6：00−18：00）,光照强度800μmolm⁻²s⁻¹。测定不同处理下叶片叶绿素含量及高光谱反射率,对原始光谱进行变换,从而细化光谱特征信息。在相关分析的基础上,建立原始和一阶敏感波段植被指数,进而筛选出表征叶绿素含量的光谱特征参数,以期构建叶绿素含量最佳估算模型。结果表明：（1）随着温度的升高和高温持续时间的延长,草莓叶片叶绿素a、叶绿素b和总叶绿素（a+b）含量呈下降趋势。（2）草莓叶片原始光谱在可见光区域均存在绿峰和红谷,除绿峰和红谷外各处理间差异不明显,高温条件下的近红外区域反射率与CK相比出现不同程度的上升。与原始光谱相比,一阶导数光谱曲线震荡更剧烈,且能够显著突出红边参数特征,各处理的红边位置λ_r稳定在716nm,红边幅值D_r与红边面积S_r差异显著;而在连续统去除光谱中各处理的绿峰（550nm附近）和红谷（675nm附近）被完全突显出来。（3）在光谱反射率与叶绿素含量相关性分析的基础上,选取原始光谱与一阶导数光谱在可见光和近红外波段相关性最强的R₇₄₇、R₈₀₀和R'₇₁₆、R'₉₀₆为敏感波段组合,构建植被指数。（4）PVI、MSAVI、TSAVI、TSAVI'、DVI'、MSAVI'、PVI'、SAVI'、D_r和S_r指数与叶绿素含量相关性达极显著水平,可作为表征设施草莓叶片叶绿素含量对苗期高温胁迫响应的高光谱特征参数。其中以TSAVI、DVI'和PVI'植被指数建立的逐步回归模型为叶绿素含量最佳估算模型,其决定系数（R²）为0.843,均方根误差（RMSE）为0.379,相对误差（RE）为12.65%。     

低温胁迫下冬小麦叶片叶绿素含量的高光谱估算

利用一次寒潮降温过程，以苗期12个品种的冬小麦为研究对象，测定其低温逆境下叶片光谱反射率和SPAD(Soil and Plant Analyzer Development，SPAD)值。以2020年12月28日（最高/最低温为15℃/3℃）的观测值为胁迫前数据，12月31日（最高/最低温为1℃/−9℃）的观测值为低温胁迫后数据，分析低温胁迫前后小麦叶片原始光谱和SPAD值的变化规律。在多种光谱参数中，采用相关分析方法遴选出5个与SPAD值密切相关的特征变量，分别建立低温胁迫前、后以原始光谱数据、一阶光谱导数和三种植被指数为自变量的小麦叶片叶绿素含量反演模型，并进行交互验证，筛选出低温胁迫后小麦叶绿素含量的最优反演模型。结果表明：（1）与胁迫前相比，低温胁迫后小麦叶片SPAD整体呈上升趋势，光谱反射率在叶绿素吸收较好的可见光区域有所降低，叶片表现出受冻特征；（2）构建的低温胁迫前后两种混合模型，交互验证后精度较低，表明常温下小麦叶绿素含量估算模型并不适用于遭受低温胁迫后的小麦叶绿素估算，需单独建立低温胁迫后的估算模型；（3）利用光谱数据构建冬小麦低温胁迫下叶绿素含量反演混合模型中，以一阶光谱导数在694nm处建立的模型估算效果最优，拟合度（R2）为0.694，均方根误差（RMSE）为3.191，说明利用小麦叶片光谱特征波段建立低温胁迫下叶片叶绿素含量反演模型的方法是可行的。研究结果可为多品种冬小麦叶片叶绿素含量无损监测提供参考。     

基于波段深度分析和BP神经网络的水稻色素含量高光谱估算

该文以水稻田间氮肥水平试验为基础,采用单变量的线性和非线性回归方法,建立基于植被指数的水稻色素含量高光谱估算模型。各植被指数对色素含量的估计能力分析结果显示,植被指数在色素含量较大时存在饱和问题,为此尝试将波段深度分析(BDA)与BP神经网络结合,以提高利用高光谱技术对水稻叶片色素含量的估算精度。基于连续统去除处理的水稻冠层高光谱数据(400~750 nm),选取波段深度(BD)、波段深度比(BDR)、归一化波段深度(NBDI)和归一化面积波段指数(BNA)4种波段指数,在此基础上进行主成分分析(PCA)实现降维,然后采用反向传播(BP)神经网络方法对水稻叶片色素含量进行高光谱反演,探讨BDA与BP神经网络结合解决植被指数饱和问题的可能性和有效性。结果表明,波段深度分析突出了光谱吸收特征差异,挖掘了更多的潜在信息,使得光谱曲线的差异性得到增强。BD与BP结合的估算模型对水稻叶片中的类胡萝卜素含量估算精度最高(R~2=0.61,RMSEP=0.128 mg?g~(-1)),BNA与BP结合的估算模型对水稻叶片中的叶绿素含量估算精度最高(R~2=0.73,RMSEP=0.343 mg?g~(-1))。对比分析BDA与BP结合的模型和植被指数最佳回归模型的精度,发现波段深度分析建立的BP神经网络模型能较好地解决饱和问题,提高水稻叶片色素含量的估算精度。     

粗面岩质火山碎屑物发育土壤有机质含量的高光谱特征与建模

利用ASD Field Spec 4便携式快速扫描分光辐射光谱仪,对采自吉林省长白山地区粗面岩质火山碎屑物发育的土壤进行光谱反射率测定,分析其光谱特征;对土壤原始光谱反射率进行一阶微分、二阶微分、倒数的微分、倒数的对数的一阶微分和倒数的对数的二阶微分等五种数学处理,并应用多元逐步回归分析建立土壤有机质含量的高光谱预测模型。研究表明:土壤有机质含量与原始光谱反射率在565~675 nm波段内呈显著负相关;一阶微分光谱在415 nm、445~605 nm波段内与土壤有机质含量呈极显著负相关,在705~985 nm、1015~1265 nm波段内呈极显著正相关,在865 nm波段处相关系数达到极大值0.87;建立的土壤有机质多元逐步线性回归预测模型中,以一阶微分模型为最优,R2为0.954,可用于粗面岩质火山碎屑物发育土壤有机质含量的快速测定。     

苗期低温胁迫对“红颜”草莓叶绿素含量及冠层高光谱的影响

2020年9月−2021年1月以“红颜”（Fragaria×ananassa Duch “Benihope”）草莓为试材，在南京信息工程大学开展低温环境控制试验。设置21℃（日最高气温）/11℃（日最低气温）、18℃/8℃、15℃/5℃和12℃/2℃共4个低温处理，持续时间设置3d、6d、9d、12d共4个水平，以25℃/15℃为对照（CK）。测定草莓叶片叶绿素含量以及冠层高光谱反射率，研究低温胁迫对草莓叶绿素含量及冠层反射光谱的影响，筛选出叶绿素含量估算模型的敏感波段与特征参数。结果表明：（1）同一低温条件下，草莓叶片叶绿素a、叶绿素b和总叶绿素(a+b)等参数随着胁迫天数的延长而减少；同一胁迫天数下，温度越低其含量越低，即低温胁迫程度越大叶绿素含量下降幅度也越大。（2）不同温度同一胁迫天数处理草莓苗期冠层光谱反射率变化规律大致相同。在可见光区域草莓冠层反射光谱曲线均存在绿峰和红谷，在近红外反射平台随着温度降低，光谱反射率数值逐渐增大，即反射平台逐渐增高。（3）草莓冠层一阶微分光谱曲线变化较剧烈，有明显波峰和波谷，在红边范围内偶有双峰现象。随着低温胁迫程度的加深，一阶微分光谱最高峰的值越高，草莓冠层光谱的近红外反射率升高，红边位置蓝移，之后该峰值逐渐降低，红边位置红移。（4）草莓叶绿素(a+b)含量与冠层原始光谱反射率的相关系数均呈负相关，与原始光谱的近红外波段反射率的相关性明显高于可见光波段。叶绿素(a+b)含量与原始光谱反射率相关性较好，均达到显著水平，其中737nm波段相关系数达到最大，因此可以用其作为敏感波段对叶绿素含量进行预测。叶绿素(a+b)含量与植被指数中的DVI、MSAVI、PVI、RDVI、SAVI和TSAVI的相关性达极显著水平，可以选其作为特征参数对叶绿素含量进行预测。     

植被参数高光谱遥感反演最佳波段提取算法的改进

高光谱信息量巨大,如何选取最佳组合波段构建高精度光谱模型,是植被参数遥感反演模型研究的重要工作基础。该研究将最佳指数与相关系数通过熵权评价值进行融合,提出最佳指数-相关系数法(optimum index factor and correlation coefficient,OIFC)。基于OIFC法选取了小麦叶片叶绿素含量的最佳组合波段,并利用最佳组合波段的高光谱数据建立小麦叶片叶绿素含量预测模型。结果表明:利用OIFC法所提取的小麦叶绿素最佳组合波段是760、1 860、1 970 nm;对比最佳指数法(optimum index factor,OIF)、最大相关系数法(maximum correlation coefficient,MCC)提取波段以及归一化植被指数(normalized difference vegetation index,NDVI)、土壤调和植被指数(soil-adjusted vegetation index,SAVI)所建立的叶片叶绿素含量高光谱模型,基于OIFC法构建的模型预测值与实测值具有显著的线性关系,决定系数达0.827,且均方根误差最小(RMSE=5.44)。可见,基于OIFC法构建的小麦叶绿素含量模型具有更高的精度,该结果验证了利用OIFC法提取高光谱特征波段的可行性,并且能够获得更高建模精度的特征波段。     

基于光谱信息的柑橘树叶面积指数测试系统研制

叶面积指数可为精细农业生产提供作物生物量状态信息,通过光谱的分析,找出叶面积指数和光谱的关系,从而通过光谱反演出叶面积指数及叶干质量,可实现叶面积指数的快捷准确测量。该文以柑橘叶片为研究对象,通过扫描标定试验,得到叶片的精确总面积以及标定的LAI值。利用以FieldSpec-FR地物谱仪和计算机为主体的数据采集平台和以计算机和ViewSpecPro、SPSS等软件为核心的反演平台组成的测试系统,对柑橘叶光谱信息进行采集与分析。结果表明,LAI与光谱信息RVI的拟合方程相关系数R=0.891,显著水平Sig＜0.05,应用回归方程计算的结果相对误差为0.04%;LAI与叶干质量的拟合方程相关系数R=0.885,显著水平Sig＜0.05,应用回归方程计算的结果相对误差为0.30%,叶干质量与叶湿质量的拟合方程相关系数R=0.990,显著水平Sig＜0.05,应用回归方程计算的结果相对误差为2.27%。该系统可为果树LAI进行实时快速自动检测提供研究基础。     

基于叶片光谱特性的玉米品种抗倒伏性预测

针对玉米叶片各区域光谱特性与玉米品种抗倒伏性能之间关系未知的问题,该研究探讨了叶脉区、正常反射区和整片叶的平均光谱对玉米品种抗倒伏性预测效果的影响。试验采集了2018年和2019年8个玉米品种的叶片高光谱图像,使用阈值分割和K-means聚类方法提取各叶片区域的平均光谱数据。用最大相关最小冗余（Max-Relevance and Min-Redundancy,MRMR）特征选择算法,提取各叶片区域平均光谱的抗倒伏和不抗倒伏品种分类特征。使用交叉验证的方式,对MRMR方法选择的特征数量进行优化,并使用支持向量机（Support Vector Machines,SVM）方法建立各叶片区域的抗倒伏性预测光谱模型,用网格搜索法对各模型参数进行优化。2 a试验结果显示,各叶片区域约有35~50个可以反映品种抗倒伏性的光谱特征,其中非叶脉区光谱相比叶脉区光谱的抗倒伏特征更多,分类效果更好。参数优化训练后,叶片各区域的光谱模型对训练集数据的预测正确率达到98.46%、98.52%和100%,正常反射区的光谱模型对测试集数据的分类效果最好,2018年和2019年测试集数据的预测正确率分别达到了91%和94.34%。与基于整片叶平均光谱的预测模型相比,基于叶片各区域的光谱特征模型可以排除不平整叶面反射的干扰,有助于提高模型预测结果的稳定性。研究表明,基于正常反射区光谱的预测模型更适用于品种抗倒伏预测,研究结果可为基于玉米叶片光谱预测品种的抗倒伏能力提供借鉴。     

基于叶绿素荧光光谱的生菜硝酸盐含量检测

为了寻求生菜叶片硝酸盐含量的快速无损检测方法,该文利用叶绿素荧光光谱分析技术对生菜(Lactuca sativa L.)叶片硝酸盐含量进行检测研究。对比及分析500~550、650~715和715~800 nm 3个波段的叶绿素荧光光谱特征参数与生菜叶片硝酸盐含量的关系,得出650~715 nm波段的叶绿素荧光光谱特征参数与生菜叶片硝酸盐含量之间线性关系显著,决定系数R2为0.816,标准误差为0.147,以此建立的回归模型能够很好地反映生菜叶片硝酸盐含量与叶绿素荧光光谱特征参数的关系;将同批进行试验的30个样本作为回归方程的校验集,进行模型验证,预测值与实测值之间决定系数R2为0.752,表明回归模型对生菜叶片硝酸盐含量有良好的预测效果。研究结果为生菜叶片硝酸盐含量的快速无损检测提供参考。     

柑橘黄龙病植株内生菌PLFAs多态性研究

采用磷脂脂肪酸(PLFAs)生物标记法,分析柑橘黄龙病株不同部位及健康状态叶片内生菌群落结构。结果表明,从柑橘黄龙病植株叶片共检测到42种PLFAs,其中完全分布的生物标记有9种,不完全标记有33种。对PLFAs进行聚类分析表明,柑橘黄龙病株不同部位叶片内生菌PLFAs可以分为2大类群,类群I特点为脂肪酸生物标记均为不完全分布,类群Ⅱ的特点为脂肪酸生物标记在被检测的柑橘黄龙病植株的大部分叶片中均有分布。柑橘黄龙病株不同部位及健康状态叶片内生菌PLFAs组成及含量存在差异。总体来看,不同朝向中,东面叶片内生菌PLFAs含量最大;不同高度中,下部叶片内生菌PLFAs含量最大;不同健康状态中,带有黄龙病原叶片内生菌PLFAs含量比健康植株叶片更大。此外,不同朝向中,南面叶片真菌/细菌值最大,革兰氏阳性菌和革兰氏阴性菌的比值(G+/G)较大;不同高度叶片中,真菌/细菌值差异不明显,G+/G值差异明显,上部最大,下部次之,中部最小;不同健康状态中,健康叶片的真菌/细菌值高于黄龙病株叶片。对柑橘黄龙病株不同部位及健康状态叶片内生菌多样性研究表明,不同朝向和不同健康状态的叶片内生菌种群多样性指数差异显著,不同高度的叶片内生菌种群多样性指数差异不显著。主成分分析表明,主成分1和主成分2基本上能把柑橘黄龙病株不同朝向叶片内生菌种群区分开来。对柑橘黄龙病株不同部位及健康状态叶片进行聚类,结果表明带有黄龙病原的叶片聚为一类,不带黄龙病原的健康叶片分聚为两类,其中,不同朝向的叶片分聚在不同的亚类群中,表明柑橘黄龙病株内生菌PLFAs分布与叶片健康状态和叶片朝向均有紧密关系,与叶片健康状态关系更为密切。     

基于日光诱导叶绿素荧光的柑橘黄龙病原位诊断

柑橘黄龙病（Huanglongbing, HLB）是柑橘生产中的毁灭性病害,柑橘植株遭到黄龙病菌侵染后光合能力发生变化而后表现出相应的黄化症状。及早实现HLB的原位快速诊断是防控HLB的重要手段。为探究黄龙病菌侵染柑橘叶片的光合响应机制并实现HLB的原位诊断,该研究分析了健康（Healthy）、未显症HLB（asymptomatic HLB, aHLB）、显症HLB（symptomatic HLB, sHLB）以及黄斑病（Macular,症状与黄龙病相似）柑橘叶片的光合参数与光合色素含量差异。利用光谱技术与日光诱导叶绿素荧光（Sun-induced Chlorophyll Fluorescence, SIF）技术分析了4种类型柑橘叶片的反射率光谱与SIF光谱差异。采用竞争自适应重加权采样（Competitive Adaptive Reweighted Sampling, CARS）算法结合反射率光谱筛选出特征波段,采用SIF光谱的峰值位置（687和741 nm）构建了上行（Upward, Up）和下行（Downward, Dw）SIF产量指数（Up687, Up741, Dw687, Dw741, Up687/741, Dw687/741）。进一步分别利用特征波段的反射率和SIF产量指数,结合K最邻近（K-nearest Neighbor, KNN）分类算法构建了柑橘黄龙病的诊断模型。结果表明,黄龙病菌的侵染使柑橘叶片的光合作用明显减弱,在未显症时期已经表现出来,证明了SIF技术在诊断早期HLB的优势。基于特征波段反射率的KNN模型对未显症HLB和显症HLB的诊断精度为72.7%和75.6%,健康叶片和黄斑病叶片分别为82.2%和64.1%,而基于687和741 nm波长处的上行比值SIF产量指数Up687/741构建的KNN模型对未显症HLB和显症HLB的诊断精度为84.8%和91.1%,健康和黄斑病叶片分别为88.9%和82.1%,均优于反射率光谱模型。结果证明了SIF技术用于诊断柑橘HLB的潜力,为实现柑橘HLB的田间原位、快速、早期诊断提供了可能。     

不同生长期柑橘叶片磷含量的高光谱预测模型

针对传统柑橘叶片磷含量检测耗时费力、操作繁琐且损伤叶片等弊端,该研究引入高光谱信息探索柑橘叶片磷含量快速无损检测与预测模型,选ASD Field Spec 3光谱仪采集柑橘4个重要生长期的叶片反射光谱,同步采用硫酸-双氧水消煮-钼锑抗比色法测定叶片的磷含量;先用正交试验确定小波去噪的最佳去噪参数组合,再分别选拉普拉斯特征映射(laplacian eigenmaps,LE)、局部线性嵌入(locally-linear embedding,LLE)、局部切空间对齐(local tangent space alignment,LTSA)、等距映射(isometric mapping,Isomap)和最大方差展开(maximum variance unfolding,MVU)5种典型的流形学习算法对去噪后的光谱数据进行降维和特征提取,进而建立基于支持向量机回归(support vector regression,SVR)的柑橘叶片磷含量预测模型。结果表明,基于一阶导数谱的Isomap-SVR建模结果最佳,全生长期校正集和验证集模型决定系数分别为0.9430和0.8949。试验表明,5种流形学习算法皆适用于对柑橘叶片磷含量的预测,为高光谱检测技术用于柑橘树长势监测和营养诊断提供了参考。     

柑桔叶片黄龙病光谱特征选择及检测模型

为探索高光谱技术诊断黄龙病及分类的可行性,通过变量筛选方法组合为高维数据实用化提供参考。采集柑桔叶片高光谱图像并进行普通(polymerase chain reaction,PCR)鉴别分为轻度、中度、重度、缺锌和正常5类样品。用无信息变量消除算法(uninformative variable elimination,UVE)剔除无关信息,组合遗传算法(genetic algorithm,GA)和连续投影算法(successive projections algorithm,SPA)筛选变量,对数据进行降维。结合极限学习机(extreme learning machine,ELM)和最小二乘支持向量机(least squares support vector machine,LS-SVM)构建柑桔黄龙病判别模型。对预测样品进行诊断分类,来评价模型判别能力。经对比发现,UVE组合SPA筛选变量后的LS-SVM模型效果最好,该模型以Link_kernel函数为核函数,惩罚因子(γ)最小为1.07,误判率最低为0。用全谱作输入变量时LS-SVM模型复杂程度最高且预测能力最差,误判率最高为11.9%,可能是包含无用信息和冗余信息变量造成的。研究显示,UVE组合SPA筛选变量,结合LS-SVM对柑桔黄龙病诊断并分类具有一定可行性,为高维度数据实用化提供一定参考价值。     

柑橘黄龙病光谱特征波段选择及光谱检测仪研制

黄龙病（Huanglongbing，HLB）被称为柑橘的癌症，及早检测出患病植株可防止病情蔓延，降低病情灾害程度。高光谱分析技术因其丰富的光谱信息，成为近年来作物病害检测的研究热点。然而高光谱设备昂贵，波段数较多，计算量大，在实际应用中尚未形成规模应用。使用合理的波段选择方法，可以去掉冗余信息，避免"维数灾难"，减轻数据存储、计算与传输压力，并降低设备成本。该研究利用地物谱仪获取了柑橘冠层叶片的高光谱信息，提出一种基于典型成分分析（Exemplar Component Analysis，ECA）的柑橘黄龙病特征波段优选方法，并与其他3种波段优选算法进行比较，分别优选了7个光谱波段的组合。基于优选波段，采用6种机器学习方法进行建模分类，对4种波段选择方法的鲁棒性进行了分析。此外，基于优选的特征波段设计了一款多光谱仪应用于柑橘黄龙病的检测。结果表明，用ECA算法选择的特征波段，其结合6种分类器在测试集上的准确率达到92%以上，并具有较好的鲁棒性。自研基于特征波段的多光谱仪对于HLB的检测精确度最高可达95%。试验表明用少量特征波段表征HLB作为检测手段具有可行性，合理的特征波段有助于降低专门农业病害光谱检测的设计成本，提高果园病情防控精准度。     

柑桔黄龙病近红外光谱无损检测

为探讨快速无损检测柑桔黄龙病的可行性,应用近红外光谱技术结合机器学习方法进行研究。在4000~9000cm-1光谱范围内,采集黄龙病、缺素和健康3类叶片样本的近红外光谱。采用一阶导数、平滑和多元散色校正组合的光谱预处理方法,消除光谱的基线漂移和散射效应。分别对偏最小二乘判别模型(PLS-DA)的主成分因子数和最小二乘支持向量机(LS-SVM)的输入变量数量、核函数类型及其参数进行了优化,建立了PLS-DA和LS-SVM模型。采用预测集样本,评价模型的预测能力,经比较,采用11个主成分得分向量为输入、线性核函数和惩罚因子为2.25的LS-SVM模型预测效果最佳,模型误判率为0。结果表明采用近红外光谱技术结合最小二乘支持向量机进行柑桔黄龙病无损检测是可行的。