对叶片高光谱信息进行分析, 实现苎麻褐斑病快速无损的诊断, 对提高苎麻产量和品质有重要意义。利用FieldSpec3便携式地物光谱仪和手持叶片夹持器, 采集了430个苎麻褐斑病叶片和健康叶片高光谱数据。提出了一种基于离散系数的子波段主成分分析PCA方法来提取特征变量。同时, 为了探讨不同主成分个数对模型的影响, 分别以1~10个主成分作为特征变量, 采用支持向量机分类SVC方法建立苎麻叶片褐斑病识别模型。结果表明: 1)波段A(511~636 nm)、波段B(690~714 nm)、波段C(1 406~1 511 nm)和波段D(1 870~2 450 nm)离散系数较大, 是建立识别模型的敏感波段; 2)4个子波段中, 波段C建模效果最好, 选择5~10个PCA主成分作为特征变量建立SVC识别模型时, 在主成分个数相同的情况下, 其正确率可以达到90%以上, 总体高于全波段和其他子波段。基于离散系数筛选较敏感的子波段进行PCA, 选择合适的主成分个数作为特征变量, 建立苎麻叶片褐斑病SVC识别模型是可行的, 为开创一种新的苎麻褐斑病诊断方法提供技术支持。

苎麻（Boehmeiria nivea L）是我国的特产, 作为一种传统的纤维作物, 一直有着较高的经济地位。 开发一种基于高光谱的、 新型高效的苎麻品种识别方法, 有利于苎麻栽种、 种质资源开发利用, 为实现苎麻高产优质及麻田精准管理提供关键技术支撑, 对提高苎麻产量和品质有重要意义。 为了将高光谱技术应用于苎麻品种识别, 采集了9个不同基因型苎麻品种, 利用地物光谱仪测定苎麻叶片高光谱反射率, 共1 458个叶片高光谱数据, 利用主成分分析(PCA)对高光谱数据进行降维, 探讨PCA最佳主因子个数的确定方法, 比较不同主因子个数与不同判别分析(DA)方法——即线性判别分析(LDA)、 二次判别分析(QDA)和马氏距离判别分析(MD-DA)组合, 在建立基于叶片高光谱的苎麻品种识别模型中效果。 对全波段的数据样本进行主成分分析之后, 以2～20个主成分作为特征变量, 分别建立LDA, QDA和MD-DA三种品种判别模型进行预测, 以预测集正确率为评价标准, 比较各种组合的效果。 结果表明, 若以累积贡献率≥85%为标准, 选择2个主成分时, LDA, QDA和MD-DA三种判别模型预测集正确率分别为32.92%, 38.48%和33.54%; 以特征值≥1为标准, 选择11个主成分时, 三种判别模型预测集正确率分别为68.72%, 87.04%和83.54%; 若以预测集正确率为优先考虑标准, 将主成分个数增加至20个时, 三种判别模型正确率有较大提高, 分别为84.98%, 95.68%和95.27%。 由此, 得到如下结论: ①利用PCA组合DA方法建立基于苎麻叶片高光谱的品种识别模型是可行的, 但因子数不同、 DA判别标准不同、 组合方法不同效果差异非常大; ②主因子个数对识别结果的影响较为明显, 适当增加主成分个数可以显著提高模型判别正确率, 因此不应局限于PCA特征值和方差累积贡献率的选择方法; ③主因子个数相同时, 三种判别标准中, QDA效果最好, LDA效果最差; ④最佳组合是20个主成分+QDA方法, 其数据维度大大降低（由全波段的2 031维降低20维）, 而预测集正确率为95.68%。

为了探讨基于高光谱的苎麻品种识别和分类的方法， 在大田栽培条件下， 采集了4个不同基因型苎麻品种共927个叶片高光谱数据。 根据苎麻叶片高光谱反射曲线， 选择了2组特征参数： 基于高光谱波形峰谷反射率和位置参数（V1组）、 基于偏度和峰度参数（V2组）。 运用逐步判别的方法， 通过设置不同F值筛选不同个数的变量， 分别建立基于2组特征参数的多个Fisher线性判别函数， 并从计算量、 正确率和稳定性三方面对所建立的判别函数进行分析比较。 结论： (1)所有组合的判别函数总体平均正确率为911%， 标准差总体均值为12%； (2)综合权衡， 在所有组合中， V2组且14≥变量个数n≥8判别效果最好——计算量中等， 正确率和稳定性均高于平均值， 其中， 13个变量的Fisher判定函数平均正确率最高有942%， 标准差最低为0%； (3)若优先考虑正确率， V1组且22≥变量个数≥15正确率最高， 平均正确率最大有955%， 但计算量比较大， 稳定性中等， 标准差最低为09%。 研究表明， 利用高光谱参数结合逐步判别方法识别苎麻品种是可行的。