利用植物和背景(枯枝、 土壤等)的光谱特性“红边”两侧反射率的差异, 研究了探测绿色植物靶标的光谱探测技术。 定义850与650 nm处反射率的比值为植物判别指数(GPDI)。 用FieldSpecHandheld 2500型野外便携式光谱仪测量了绿色植物和背景的光谱数据, 对其进行数据处理, 计算各被测物质的植物判别指数GPDI。 利用决策树模式识别方法建立植物与背景的分类模型, 得到了GPDI阈值(GPDITH), 选择此阈值为5.54。 当GPDI＞GPDITH时, 判别探测对象为植物； 反之亦然。 设计开发了基于AT89S51单片机和光电二极管OPT101的绿色植物光谱探测器。 试验结果表明, 此探测器的探测率受杂草的种类、 大小和密度的影响； 阔叶草比窄叶草更易探测到； 植株越大、 密度越高, 探测率越高。

田间全面积均匀喷施除草剂不经济， 还污染环境， 精准喷施除草剂意义重大， 其关键是正确识别杂草。 用便携式野外光谱仪， 在田间测量了玉米、 马唐和稗草植株冠层在350～2　500　nm波长范围内的光谱数据， 经过数据预处理， 数据分析波长选为350～1　300和1　400～1　800　nm。 数据处理采用支持向量机(SVM)模式识别方法。 SVM具有可实现对小样本建模结构风险最小化、 结果最优化、 泛化能力强的优点。 用线性、 多项式、 径向基和多层感知核函数对玉米和杂草建立二分类模型， 结果表明， 三阶多项式核函数SVM分类模型的正确识别率最高， 达到80%以上， 且支持向量比例较小。 以二分类模型为基础， 利用投票机制， 建立了玉米、 马唐和稗草的一对一多分类SVM模型， 正确识别率达80%。 田间光谱测量受光照、 背景和仪器测量精度等条件的影响较大， 但结果仍表明SVM结合光谱技术在田间杂草识别中应用潜力很大， 此研究为田间杂草识别及传感器的建立提供了一种研究思路和应用基础。