为了快速、 准确、 直观估测尖椒叶片的营养水平和生长状况, 利用高光谱成像技术结合化学计量学方法对不同叶位尖椒叶片氮素含量(nitrogen content, NC)的分布进行了可视化研究。 按照叶片位置采摘尖椒叶片, 并采集高光谱数据, 然后测定相应叶片的SPAD和NC。 提取出叶片的光谱信息后, 采用Random-frog(RF)算法提取特征波段, 分别选出5条与10条特征波段。 针对选取的特征波段和全波段, 分别建立偏最小二乘回归(partial least squares regression, PLSR)模型, 结果表明采用特征波段建立的PLSR模型性能较好(SPAD: RC=0.970, RCV=0.965, RP=0.934; NC: RC=0.857, RCV=0.806, RP=0.839)。 根据预测模型计算尖椒叶片高光谱图像每个像素点的SPAD与NC, 从而实现SPAD与NC的可视化分布。 事实上叶片的SPAD在一定程度上可以反映含氮量, 二者分布图的变化趋势基本一致, 验证了可视化结果的正确性。 结果表明: 运用高光谱成像技术可以实现对不同叶位尖椒叶片氮素分布的可视化研究, 这为监测植物的生长状况和养分分布提供理论依据。

采用高光谱成像技术结合不同的特征提取方法,实现了对草莓可溶性固形物含量的检测.通过提取154颗成熟无损伤草莓的高光谱图像的874～1 734 nm范围光谱信息,对941～1 612 nm光谱采用移动平均法(moving average,MA)进行预处理.基于残差法剔除19个异常样本后将剩余135个样本分为建模集(n=90)和预测集(n=45).采用连续投影算法(successive projections algorithm,SPA),遗传偏最小二乘算法(genetic algorithm-partial least squares,GAPLS)结合连续投影算法(GAPLS-SPA),加权回归系数(weighted regression coefficient,Bw)以及CARS法(competitive adaptive reweighted sampling)选择特征波长分别提取14,17,24与25个特征波长,并采用主成分分析(principal component analysis,PCA)与小波变换(wavelet transform,WT)分别提取20与58个特征信息.分别基于全波段光谱、特征波长与特征信息建立PLS模型.所有模型都取得了较好的效果,基于全波段光谱的PLS模型与基于WT提取的特征信息的PLS模型的效果最优,建模集相关系数(rc)与预测集相关系数(rp)均高于0.9.结果表明高光谱成像技术结合特征提取方法可用于草莓可溶性固形物含量的检测.

以油菜叶片为研究对象, 利用高光谱成像技术, 成功建立了叶绿素相对值SPAD值的预测模型。共采集了160个油菜叶片样本在380～1030 nm范围内的高光谱图像。选择500～900 nm之间的平均光谱作为油菜叶片样本的光谱。利用蒙特卡罗最小二乘法(monte carlo partial least squares, MC-PLS)剔除了13个异常样本, 基于剩余的147个样本光谱数据与SPAD测量值进行分析, 采用了不同的方法建立了多种预测模型, 包括: 全光谱的偏最小二乘法(partial least squares, PLS)模型, 连续投影算法(successive projections algorithm, SPA)选择特征波长的PLS预测模型, “红边”位置(λred)的简单经验估测模型, 三种植被指数R710/R760, (R750－R705)/(R750－R705)和R860/(R550*R708)分别建立的简单经验估测模型, 以及基于这三种植被指数的PLS预测模型。建模结果显示, 全光谱的PLS模型预测效果最为精确, 其预测相关系数rp为0.833 9, 预测均方根误差RMSEP为1.52。而使用SPA算法选出的8个特征波长所建立的PLS模型其预测结果可达到与全光谱的PLS模型非常接近的水平, 而且在保证一定精度的条件下减少了大量运算, 节省了运算时间, 大幅提高了建模的速度。而基于红边位置和选择的三种植被指数而建立的简单经验估计模型其预测结果虽与基于全光谱的PLS预测模型有一定差距, 但模型简单、运算量小, 适合用于对精度要求不高的场合, 对后续的便携仪器设备开发有一定的指导作用。