基于高光谱特征选择的霉变玉米黄曲霉毒素B_1的检测方法

为研究高光谱技术检测霉变玉米中黄曲霉毒素B_1含量的可行性,选择5种不同霉变程度的玉米为试验材料,利用高光谱图像采集系统获得了250个霉变玉米样本的高光谱数据,并进行多元散射校正(MSC)预处理;运用偏最小二乘回归(PLSR)系数来选择特征波长,筛选出7个特征波长,然后利用Fisher判别分析(FDA)分别对全波长和特征波长下霉变玉米进行鉴别分析。结果表明,5组样本在全光谱波段下的FDA鉴别正确率在85%～88%之间,而在特征光谱下的FDA鉴别正确率均在98%以上,说明特征波长能较好地表征不同霉变等级的玉米。神经网络模型优于PLSR模型,其预测集相关系数和均方根误差分别为0.999 9、0.180 9。因此,可认为利用高光谱技术来检测不同霉变程度玉米中的黄曲霉毒素B_1含量是可行的。本研究结果为高光谱鉴别其他农产品提供了重要参考。     

基于高光谱技术和改进型区间随机蛙跳算法的番茄硬度检测

为了准确、快速的检测番茄硬度,该文提出了一种基于改进型区间随机蛙跳算法优选高光谱特征波长的番茄硬度检测模型。在获取番茄高光谱图像后,首先对光谱数据进行多元散射校正(multiplicative scatter correction,MSC)和归一化预处理。针对区间随机蛙跳算法(interval random frog,i RF)所需迭代次数大、算法收敛慢等缺点,该文提出了改进型区间随机蛙跳算法(modified interval random frog, miRF),并将其应用于特征波长选择。最后建立偏最小二乘回归模型(partial least squares regression, PLSR)预测番茄的硬度。iRF共选出特征波段100个,算法收敛时间为32.1 min,而miRF共选出特征波长47个,算法收敛仅需1.6 min。同时miRF-PLSR番茄硬度预测精度也更优,测试集相关系数达到了0.968 5,均方根误差为0.004 0 kg/mm~2。试验结果表明:结合高光谱技术和miRF算法可实现对番茄硬度的快速、无损检测。     

Diagnosis of bacterial spot of tomato using spectral signatures

Ultraviolet, visible, and near-infrared reflectance spectroscopy was used to determine the disease severity of tomato (Lycopersicon esculentum) leaves infected with Xanthomonas perforans, the causal agent of bacterial leaf spot of tomato. Chemometric methods were used to identify significant wavelengths and create spectral-based prediction models. Significant wavelengths were identified through analysis of the B-matrix from partial least squares (PLS) regression, analysis of a correlation coefficient spectrum, and through the use of a stepwise multiple linear regression (SMLR) procedure. These analysis methods revealed several significant regions wavelengths and produced predictive models of disease severity based on absorbance spectra. The best model predicted the disease severity of the validation data set with a root mean square difference (RMSD) of 4.9% and a coefficient of determination (R²) of 0.82. The results of this initial study indicate the potential for the use of spectral technology to detect bacterial leaf spot of tomato in the field.     

3种不同短波光暗期间断对农垦58s育性的影响

以光敏核不育水稻农垦５８ｓ为材料，用３种不同波长短波光进行长暗期间断，结果表明：３种光质都有间断效应，其中ＵＶ－Ｂ大于蓝光和ＵＶ－Ａ。暗期间断１５ｄ后，倒二叶及幼重避ＰＯＤ，ＳＯＤ活性及可溶性蛋白质含量都有不同程度的下降。     

基于分数阶微分的盐渍土电导率高光谱估算研究

传统电导率的反演模型采用整数阶微分(1阶或2阶)的预处理方法,忽略位于分数阶微分处的高光谱反射率信息。因此,本研究提出一种基于分数阶微分的盐渍土电导率高光谱估算方法,以新疆昌吉回族自治州境内的盐渍化土壤为研究靶区,于2017年5月采集0～20 cm的表层土壤样品,利用FieldSpec?3 Hi-Res光谱仪测量盐渍土的野外高光谱,并在实验室化验土壤的电导率理化参数。在Matlab2019a软件中编程实现0阶-2.0阶的Grünwald-Letnikov分数阶微分计算(阶数间隔为0.1)。分析土壤高光谱与电导率的相关系数曲线在21种微分处的变化规律,选择每阶微分的最大相关系数大于0.5时对应的波长为敏感波长,采用逐步多元线性回归模型对电导率进行预测。结果表明:分数阶微分预处理方法能够把相关系数曲线位于不同分数阶时的变化细节呈现出来,在全波段范围内出现更多的波峰和波谷信息。电导率的8个敏感波长为400 nm、418 nm、567 nm、1 667 nm、2 132 nm、2 193 nm、2 257 nm和2 258 nm。估算电导率的最佳模型位于分数阶1.5阶,其验证集的RPD值为1.99, R~2为0.81, RMSE为1.08,该模型因RPD值大于1.8对电导率的估算能力好。本研究探索了电导率在不同分数阶微分处的差异信息,为电导率的估算提供一种新的研究思路,对新疆干旱区盐渍土的改良提供了科学可靠的依据。     

谷蠹的趋光行为及部分影响因素研究

为探讨昆虫的趋光性和灯光诱捕技术在储粮害虫防治中的应用,在实验室条件下探究了光源波长、光强、虫龄、虫口密度和饥饿处理对谷蠹成虫趋光行为的影响。结果表明,在可见光区,谷蠹趋光性较强的波长范围在530nm和575nm,在紫外光区,谷蠹趋光性较强的波长为365、385和395nm。在一定的光强范围内,谷蠹的趋光性随光强度的增强而增大。随着日龄的增加,趋光性先增强后逐渐减弱,10~15日龄成虫的趋光性最强。随着成虫饥饿处理时间的延长,谷蠹的趋光性先增强后减弱,饥饿处理2d的趋光性最强。随着释放虫口密度的增加,谷蠹的趋光性增强。研究结果为谷蠹灯光诱捕技术的研究和应用提供了一些参考。     

波长、密度和光强对黏虫趋光行为的影响

为提高灯光诱控黏虫Mythimna separata的选择性与效果,采取成虫趋光反应行为试验箱分别测定14种单色光波LED灯下、不同试虫密度下及不同光强下黏虫的趋光行为。结果表明：在18：00—21：00时段,不同光照时间下,试虫密度为20头时黏虫成虫趋光率最高;在光强为40~640 lx下,光强对黏虫成虫趋光率无显著影响,当光强为160 lx时,黏虫雌、雄成虫趋光率最高,分别为52.0%和27.6%;在365~660 nm波长范围内,雌成虫的趋光率显著高于雄成虫。当波长为420、590、600、630和660 nm时,黏虫雌成虫的趋光率较高,分别为41.0%、40.0%、41.0%、40.6%和45.0%;当波长为365、380、445和480 nm时,黏虫雌成虫的负趋光率较大,分别为33.6%、24.6%、20.0%和20.6%;当波长为570、590、630和660 nm时,黏虫雄成虫的趋光率较高,分别为33.6%、32.4%、30.8%和33.2%;当波长为365、590、600和630 nm时,黏虫雄成虫的负趋光率较大,分别为21.2%、20.2%、21.8%和21.2%,表明黏虫趋光行为主要受波长影响,且雌、雄成虫敏感波长不同。     

钼蓝比色法测定沙田柚果肉中还原型维生素C含量的研究

以沙田柚果肉和VC标准液为试材,探讨钼蓝比色法测定沙田柚果肉最佳条件。结果表明:测定波长为700 nm,3%偏磷酸-醋酸用量为1.5 mL,5%硫酸和5%钼酸铵用量均为2 mL,30℃水浴显色20 min,取出自然冷却至室温,再放置1 h后测定。该方法数据的稳定性和准确性好,适合少量和批量样品的测定。试验测得沙田柚果肉中还原型维生素C平均含量为114.63 mg/100g。     

高光谱估算土壤有机质含量的波长变量筛选方法

土壤高光谱数据量大、波段维数高,存在光谱信息无效、冗余和重叠现象,导致基于全波段构建的土壤有机质含量反演模型不稳定、精度难以提升。因此,探寻筛选关键波长变量的方法,通过滤除干扰、冗余、共线信息,提高模型预测性能,是目前土壤高光谱研究的热点之一。该文对江汉平原公安县的土壤样本进行室内理化分析、光谱测量与处理等工作获取了实证数据,采用无信息变量消除法(uninformative variables elimination,UVE)剔除无效变量,利用竞争性自适应重加权算法(competitive adaptive reweighted sampling,CARS)滤除冗余变量,运用连续投影算法(successive projections algorithm,SPA)消除共线变量,并尝试将不同类型的筛选方法进行耦合筛选关键波长变量,应用偏最小二乘回归(partial least squares regression,PLSR)分别建立土壤有机质含量估算模型,对比各种变量筛选方法的优缺点,最终,构建筛选土壤高光谱数据关键变量的方法体系。研究结果表明,除SPA方法的模型精度低于全波段外,其他6种变量筛选方法的建模效果均优于全波段;在3种单个变量筛选方法中,CARS方法优于UVE、SPA变量筛选方法,能有效地筛选出重要波长变量,其预测集相对分析误差RPD值为2.84;综合比较各种变量筛选方法,发现CARS-SPA方法从全波段2 001个波长中筛选出37个特征波长建立的土壤有机质含量的PLSR模型效果最好,其模型预测集的决定系数R2和相对分析误差RPD值分别为0.92、3.60,所选波段仅为全波段的1.85%。CARS-SPA-PLSR模型简单、预测效果好,可作为该区域土壤有机质含量估测的重要方法,对今后土壤近地传感器设备的开发具有一定的指导作用。     

基于水分和粒度的土壤有机质特征波长提取与预测模型

为减少水分、粒度对传统方式选取特征波长建立的土壤有机质预测模型的影响,本文提出新的特征波长提取方法。采集中国农业大学上庄实验站土壤样本60份,将样本自然风干后一分为二,一份配成5个粒度梯度（粒径2~2.5mm、1.43~2mm、1~1.43mm、0.6~1mm、0~0.6mm）,另一份过0.6mm筛后配成5个水分梯度（含水率5%、10%、15%、20%、25%）。通过标准仪器分别获取土壤有机质含量真值和土壤光谱信息,使用随机蛙跳算法进行特征波长提取,每个水分、粒度梯度下分别选取7个与土壤有机质含量真值相关性较高的波长作为对应梯度下选取的特征波长,分别建立多元线性回归（MLR）、偏最小二乘（PLS）、随机森林（RF）模型,结果表明：随着含水率增高,3种模型的建模集和预测集决定系数R2基本呈减小趋势;在2~2.5mm粒度梯度下,3种模型的建模集和预测集R2最低,在0~0.6mm梯度下,建模集和预测集R2最高,其余梯度下,建模集和预测集R2接近。结合滤光片带通范围（±15nm）,挑选出水分梯度下相同或者接近的8个土壤有机质特征波长,粒度梯度下选取6个特征波长,最终结合化学键特性在水分梯度和粒度梯度下确定的14个特征波长下剔除了6个,确定8个特征波长：932、999、1083、1191、1316、1356、1583、1626nm。分别建立MLR、PLS、RF模型,结果表明：最终选取的有机质特征波长建立的3种模型建模集R2均不低于0.8、预测集R2均不低于0.75,其中PLS预测效果最佳,建模集、预测集R2分别为0.8809、0.8402。本研究所确定的有机质特征波长建立的模型具有更好的适用性和预测效果,相比于传统方式,一定程度上消除水分、粒度对预测的影响。