小麦是我国的主要粮食作物之一, 对国民经济发展具有显著的影响。 然而, 高温与紫外线胁迫导致其产量大幅下降。 胁迫发生时, 细胞壁内多糖物质会发生不同程度的转变。 作为此类多糖重要组成成分的果胶, 在决定细胞间孔隙度、 识别病菌、 维持结构完整等方面扮演着重要角色。 当前, 常见的果胶检测方法有重量法、 滴定法、 酸提取法等, 这些方法多为有损检测, 测定步骤繁琐, 样本损耗量大。 近年来, 光谱检测因其检测速度快、 分辨率高、 实时性强等优点, 在植物生理信息检测领域得到了广泛应用。 因此, 研究采用光谱检测果胶含量。 以济麦22为研究对象, 采取水培方式, 通过调控人工气候培养箱温度及紫外线灯辐照强度对小麦生长过程中遇到的高温及紫外线胁迫环境进行模拟; 在小麦分蘖期, 分别采集叶片高光谱数据与叶绿素荧光光谱数据, 测定叶片果胶含量, 通过小波分析方法对两种原始光谱数据进行平滑与降噪处理, 采用相关系数分析法得到两种光谱数据与果胶含量相关系数最高的重合波段(620, 651), 取该波段内两光谱数据平均值, 重塑双光谱曲线; 按照3∶1比例划分训练集和验证集, 采用PLS最小二乘法分别建立高光谱反演果胶模型、 荧光光谱反演果胶模型及双光谱反演果胶模型。 结果表明: 双光谱模型反演的小麦叶片果胶含量效果较好, 对应模型的训练集与验证集相关系数分别为0.944 9及0.944 5。 该研究有助于探究逆境胁迫下小麦细胞壁内多糖物质响应情况, 并为大田作物所处胁迫环境和程度的预测及种植环境的精准管控提供参考和帮助。

斑病害在全球玉米产区均有爆发, 严重影响玉米产量与品质, 是一种常见的叶类疾病。 荧光光谱技术能够快速、 无损、 准确地反映作物生理信息, 动态检测其逆境响应规律。 以玉米为研究对象, 基于荧光光谱和生理参数（SPAD和Fv/Fm）融合分析, 探究玉米生理参数对不同程度斑病害的响应规律, 构建荧光光谱反演模型。 首先, 利用相关分析与峰值分析筛选荧光光谱的敏感波段, 采用多元散射校正（MSC）、 标准正态变量变换（SNV）、 多项式平滑（S-G）、 FD光谱一阶导数、 SD光谱二阶导数等5种预处理及MSC-SG-FD, MSC-FD-SG, SNV-SG-FD, SNV-SG-SD等4种建模组合方法, 以相关系数R2和均方根误差RMSE为模型效果评价指标, 确定荧光光谱反演生理参数模型的最优方法。 结果表明: 不同斑病害程度下荧光光谱特性的整体变化趋势一致, 但强度差异显著, 在波段600.000～800.000 nm内, 光谱反射率会出现明显的峰中心, 达到极值。 在波段900.000 nm之后, 反射率趋于平稳, 特征明显减少。 对于潜伏期叶片, SPAD与Fv/Fm的建模最优方法均为SNV-SG-FD, Rc为0.985 2和0.976 8, RMSEC为1.59和2.85。 对于早期发病叶片, SPAD的建模最优方法为SNV-SG-FD, Rc为0.949 7, RMSEC为3.79, Fv/Fm的建模最优方法为SNV-SG-SD, Rc为0.943 8, RMSEC为0.011 7。 模型预测性精度较高, 能够实现对早期斑病害玉米叶片SPAD和Fv/Fm的精准预测, 为玉米斑病害潜伏期与病害早期的生理信息监测提供参考依据。 研究结果可应用于大田作业, 提升田间精细化、 智能化管理水平, 为玉米高产、 优质、 优生提供理论依据与技术支撑。

作物病害类型的快速无损检测对提高作物品质和产量至关重要。 传统的病害分类方法费时费力且不能实时检测。 为此， 利用高光谱进行大豆病害分类。 以健康大豆为对照， 灰斑病和细菌性斑点病两种病害为研究对象， 获取三种类别叶片高光谱数据。 基于高光谱曲线分析病害与健康叶片反射率的变化规律。 采用主成分分析（PCA）和光谱指数（SI）两种单一方法进行病害有效信息提取， 共使用30个SI。 在此基础上， 提出一种PCA与SI相结合的组合方法（PCA-SI）， 通过提取有效主成分（PC）及有效SI， 将有效SI按得分情况分为两组（9SIs和18SIs）， 再分别对应每一个有效PC进行分组， 形成病害光谱有效信息的变量集。 采用三种方法分别进行病害有效信息的提取， 基于提取后的光谱变量， 采用最小二乘支持向量机（LSSVM）和支持向量机（SVM）两种分类器建立病害分类模型。 以原始高光谱为基准， 以病害分类正确率为指标， 评价模型的病害分类性能及不同病害有效信息提取方法和分类器的有效性。 结果表明: 高光谱反射率具有可见光450～700 nm 波段范围病害叶片高于健康叶片而近红外760～1 000 nm波段范围其特征完全相反的规律。 采用单一PCA方法提取出了34个有效PC用于病害分类。 基于PCA-SI组合方法提取出5个有效PC（PC1—PC5）和18个有效SI， 将其进行分组得到10组变量， 共计13组变量作为建模集。 三种方法提取病害有效信息后的光谱变量均比原始高光谱具有更好的病害分类能力， 提出的PCA-SI组合方法具有最优的病害有效信息提取能力， PC1-18SIs和PC4-18SIs为最优建模集， LSSVM分类器具有最优的分类性能。 PC1-18SIs-LSSVM和PC4-18SIs-LSSVM模型为最优病害分类模型， 训练集和预测集的总病害分类正确率分别为100%和98.85%， 与原始高光谱分类模型相比， 总分类能力分别提高了6.47%和21.74%， 模型分类能力较好， 可为病害实时无损分类识别提供参考。

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(R2p)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R2p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。

叶绿素含量的准确获取及预测可为作物种植的精准化管理提供理论依据。 利用最优光谱指数建立大豆叶绿素含量反演模型, 以大豆花芽分化期叶片为研究对象, 获取高光谱和叶绿素含量数据。 首先构建了7种与叶绿素含量相关的典型光谱指数, 分别为比值指数（RI）、 差值指数（DI）、 归一化差值植被指数（NDVI）、 修正简单比值指数（mSR）、 修正归一化差值指数（mNDI）、 土壤调节植被指数（SAVI）和三角形植被指数（TVI）, 并对原始高光谱进行一阶微分（FD）处理, 随后分别对原始和一阶微分高光谱在全光谱波长范围内两两组合所有波长, 进行14个光谱指数的计算。 再采用相关矩阵法进行最优光谱指数的提取, 将所有波长组合计算出的光谱指数与叶绿素含量进行相关性分析, 以相关系数最大值为指标, 提取出14组最优的波长组合, 并进行对应光谱指数值的计算作为最优光谱指数。 最后将最优光谱指数划分为3组模型输入变量, 分别与偏最小二乘回归（PLS）、 最小二乘支持向量机回归（LSSVM）和套索算法LASSO回归3种方法组合建模并对比分析, 以决定系数R2c, R2p和均方根误差RMSEC, RMSEP作为模型评价指标, 最终优选出精度最高的大豆叶片绿素含量反演模型。 结果表明: 14组最优光谱指数波长组合分别为RI（728, 727）, DI（735, 732）, NDVI（728, 727）, mSR（728, 727）, mNDI（728, 727）, SAVI（728, 727）, TVI（1 007, 708）, FDRI（727, 708）, FDDI（727, 788）, FDNDVI（726, 705）, FDmSR（726, 705）, FDmNDI（726, 705）, FDSAVI（727, 788）和FDTVI（760, 698）, 相关系数最大值rmax均大于0.8。 建立最优模型的方法为输入变量为一阶微分光谱指数（组合2）与LSSVM组合的建模方法, 所建模型的R2c=0.751 8, R2p=0.836 0, RMSEC=1.361 2, RMSEP=1.220 4, 表明模型精度较高, 可为大面积监测大豆的生长状态提供参考。