1 吉林大学生物与农业工程学院, 吉林 长春 130022
2 吉林大学公共卫生学院, 吉林 长春 130021
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。
玉米斑病害 荧光光谱 生理参数 建模方法 病害胁迫 Maize spot disease Fluorescence spectroscopy Physiological parameters Modeling methods Disease stress 光谱学与光谱分析
2023, 43(12): 3710
1 吉林农业大学园艺学院， 吉林 长春 130118
2 吉林大学生物与农业工程学院， 吉林 长春 130022
3 吉林农业大学工程技术学院， 吉林 长春 130118
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。
大豆 病害分类 高光谱 Soybean Disease classification Hyperspectral data 光谱学与光谱分析
2023, 43(5): 1550
吉林大学生物与农业工程学院, 吉林 长春 130022
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。
哈里斯鹰优化算法 核极限学习机 高光谱 叶绿素含量 Harris Hawk optimization algorithm Nuclear limit learning machine Hyperspectral Chlorophyll content
吉林大学生物与农业工程学院, 吉林 长春 130022
利用高光谱反射率光谱的特征波段构建光谱指数, 建立叶绿素含量反演模型是实现水稻生产精准调控和科学管理的必要手段之一。 为了建立适用于拔节孕穗期水稻叶片叶绿素相对含量(SPAD)的高光谱反演模型, 分别获取了拔节孕穗期水稻叶片的高光谱和SPAD数据, 利用小波分析法对原始光谱反射率曲线进行降噪处理, 并对基于积分运算的光谱指数NAOC进行简化, 获得了基于双波段简化运算的优化光谱指数。 利用相关分析法计算由原始反射率光谱R和数学变换光谱LgR、 1/R和构建的优化光谱和变换光谱指数与水稻叶片SPAD的相关系数, 获得了以积分限(a, b)为横、 纵坐标的相关系数二维矩阵, 并绘制相关性等势图, 得到相关系数最高的3个波段组合: R(641, 790)(0.872 6), (653, 767)(0.871 7)和R(644, 774)(0.871 6), 计算出20个原始样本中3个积分波段组合所对应的60个优化光谱指数值, 按照2:1的比例划分为建模集和验证集, 建立了三种水稻叶片SPAD反演模型: 偏最小二乘回归(PLSR)、 支持向量机(SVM)和BP神经网络模型。 结果显示: 利用优化光谱和变换光谱指数建立的3种水稻叶片SPAD反演模型决定系数R2均大于0.79, 归一化均方根误差NRMSE则小于5.4%。 其中BP神经网络相对于其他两种模型具有较高的拟合度, 预测精度也相对较高, 建模集R2=0.842 6, NRMSE=5.152 7%; 验证集R2=0.857, NRMSE=4.829 9%。 总体来看, 基于双波段简化运算后的优化光谱和变换光谱指数建立拔节孕穗期水稻叶片SPAD反演模型是可行的; 对比分析3种模型反演结果发现, BP神经网络对水稻叶片SPAD的反演效果较好。 该工作对提高拔节孕穗期水稻精准调控技术和建立水稻生产的科学管理体系具有一定的参考价值。
水稻 优化光谱指数 高光谱 BP神经网络 Rice SPAD Optimized spectral index Hyperspectral BP neural network SPAD 光谱学与光谱分析
2022, 42(4): 1092
吉林大学生物与农业工程学院, 吉林 长春 130022
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Fv/Fm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。
玉米苗期 光温耦合 高光谱数据 环境胁迫 Corn seedling Light-temperature coupling Hyperspectral data Environmental stress 光谱学与光谱分析
2021, 41(11): 3545
吉林大学生物与农业工程学院, 吉林 长春 130022
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。
大豆 最优光谱指数 叶绿素含量 反演模型 Soybean Optimal spectral index Chlorophyll content Inversion model 光谱学与光谱分析
2021, 41(6): 1912
吉林大学生物与农业工程学院, 吉林 长春 130022
大气中的颗粒物不仅影响人类生活, 还影响植物的光合作用、 生长发育和产量品质。 实现了颗粒物污染环境的人工模拟, 并对采收期的小白菜、 生菜、 小油菜三种叶菜进行颗粒物作用试验, 获取叶片的光合生理信息和高光谱数据, 基于高光谱技术和植物表型分析叶菜对颗粒物的响应机理, 研究叶菜的光合特性和光谱特征对颗粒物污染的响应情况。 结果表明: 以颗粒物作为唯一差别条件下, 三种叶菜叶片的高光谱曲线整体趋势相同, 在可见光波段内试验组反射率增加最大, 红边位置发生蓝移, 小油菜对颗粒物的作用最敏感, 小白菜吸附颗粒物的能力最强。 分别比较三种叶菜的净光合速率与叶片原始光谱、 一阶导数光谱的相关性, 利用相关分析法提取三种叶菜的敏感波段, 用原始光谱、 FD、 MSC和相关分析法提取特征波长; 比较10个高光谱特征参数及4个植被指数与净光合速率的相关系数, 选出敏感光谱特征参数和植被指数, 即生菜的Dr, SDr, SDr/SDb和SDr/Sdy, 小白菜的SDr, Dy, NIRRP, (SDr-SDy)/(SDr+SDy)以及小油菜的λr, SDy, (SDr-SDy)/(SDr+SDy)。 用ln对数运算、 多项式函数以及几种组合方法建立三种叶菜叶片的净光合速率定量反演模型, 其中, 预处理方法采用SG, FD, SD和MSC, 建模方法采用CLS, PLS, PCR和SMLR。 以相关系数为模型评价指标, 最终确定FD+SG+PLS方法是建立生菜和小白菜净光合速率反演模型的最优方法, FD+SG+MSC+SMLR方法是建立小油菜净光合速率反演模型的最优方法。 所建模型可为今后颗粒物污染环境下的模型修正提供参考, 具有实用性。 研究结果为利用高光谱技术研究叶菜类蔬菜在颗粒物污染环境下的诊断与分析提供理论依据, 为设施农业蔬菜的病害预警、 生理信息监测、 设施环境的净化和管控提供新思路。
颗粒物 高光谱 叶菜 净光合速率 反演模型 Particle matters Hyperspectral Leaf vegetable PM2.5 Net photosynthetic rate Inversion model PM2.5 
吉林大学生物与农业工程学院, 吉林 长春 130022
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Rc和Rp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Rc和Rp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, Rc值为0.944(D1)和0.941(D2), Rp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, Rc值为0.929(D1)和0.925(D2), Rp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。
高光谱 大豆 生理信息 特征波长 反演模型 Hyperspectral Soybean Physiological information Characteristic wavelength Inversion model 光谱学与光谱分析
2020, 40(11): 3542
吉林大学生物与农业工程学院, 吉林 长春 130022
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。
大豆 水氮胁迫 高光谱 光谱植被指数 反演模型 Soybean,Water and nitrogen stress Hyperspectral Spectral vegetation index Inversion model 光谱学与光谱分析
2020, 40(5): 1575
1 吉林大学生物与农业工程学院, 吉林 长春 130022
2 吉林大学植物科学学院, 吉林 长春 130022
温室蔬菜病害的发生及大面积流行严重影响设施农业的生产管理, 大大降低设施农业的经济效益。 为了实现温室蔬菜病害的无损准确预测, 以黄瓜霜霉病害为例, 利用激光诱导叶绿素荧光构建光谱特征指数, 建立了温室蔬菜病害的预测模型。 在试验中采用对比分析的方法, 通过对作物健康叶片接种病菌孢子, 分别采集健康、 接种2 d、 接种6 d和出现明显病症共4组试验样本的光谱曲线, 定性分析了荧光强度随叶片样本感染病菌孢子的变化规律; 利用光谱曲线不同波段峰谷值创建了叶绿素荧光光谱指数k1=F685/F512和k2=F734/F512, 根据数值的变化范围, 设定k1和k2分别为20和10时可以作为判断样本出现明显病症与未出现明显病症的特征值, 其判断的准确率分别达到96%和94%; 利用构建的光谱指数与样本健康状况的分类结果, 选择光谱指数F685/F512, F685-F734, F715/F612可以定性判断样本健康状况, 并选择光谱指数F685/F512, F734/F512, F685-F734, F715/F612作为建立定量分析模型的输入量, 以预测集分类准确率作为评价标准, 对比判别分析、 BP神经网络、 支持向量机三种数据建模方法, 结果表明支持向量机作为霜霉病害预测的建模方法, 其预测能力达到91.38%。 利用激光诱导叶绿素荧光构建光谱指数方法, 研究植物病害的预测问题, 具有很好的分类和鉴别效果。
光谱指数 病害预测 叶绿素荧光 支持向量机 Spectrum index Disease prediction Chlorophyll fluorescence Support vector machine 光谱学与光谱分析
2016, 36(6): 1779
