西北农林科技大学机械与电子工程学院, 陕西 杨凌 712100
植物非生物胁迫是指对植物产生不利影响的非生物因素, 非生物胁迫威胁植物发芽、 生长、 发育和繁殖, 是阻碍农作物高效栽培和农业可持续发展的主要因素。 植物胁迫精准管理和抗逆植物育种是缓解和解决非生物胁迫的有效途径, 其中植物表型分析是一个不可或缺的环节, 但是传统滞后的如人工、 破坏式表型测量方法很难满足高通量表型分析的需求, 制约着植物非生物逆境治理的精度和现代植物育种的效率。 高通量植物表型分析技术旨在实现植物复杂性状的快速、 自动、 无损地获取与分析, 能实时原位监测植物受胁迫状态与程度, 指导胁迫治理措施和资源精准投入, 可以为优良抗逆植物品种高通量筛选鉴定提供解决方案、 能为植物抗逆基因解析与定位、 植物遗传变异分析等提供大数据支撑。 由于成像光谱技术能够实时、 非接触、 高效地测量植物结构形态、 生理生化等多样化的表型, 在高通量植物表型分析中表现出良好的潜力, 近年来在植物精准种植和现代植物育种中得到广泛研究与应用。 主要阐述可见光成像(RGB Imaging)、 多光谱成像(MSI)、 高光谱成像(HSI)、 叶绿素荧光成像(ChlFI)、 多光谱荧光成像(MFI)、 热红外成像(TIRI)高通量表型分析技术在植物非生物胁迫表型分析中的研究进展以及评估分析其发展趋势; 首先简单介绍了不同成像光谱的技术特点以及在植物表型分析中的应用差异和高通量分析流程; 其次总结了近年来基于成像光谱技术高通量分析植物非生物胁迫表型的部分研究和应用, 介绍范围从植物胁迫监测、 抗逆植物品种筛选鉴定、 植物遗传分析3个方面出发, 主要涉及植物干旱、 温度、 盐害、 养分胁迫以及其他非生物逆境。 最后探讨了上述成像光谱技术在植物非生物胁迫表型高通量分析的机遇和其面临的挑战。
成像光谱 非生物胁迫 高通量表型分析 精准管理 植物育种 Imaging spectroscopy Abiotic stress High-throughput plant phenotyping Precision farming Plant breeding 光谱学与光谱分析
2020, 40(11): 3365
李斌 1,2,3高攀 1,2,3冯盼 1,2,3陈丹艳 1,2,3[ ... ]胡瑾 1,2,3,*
1 西北农林科技大学机械与电子工程学院, 陕西 杨凌 712100
2 农业农村部农业物联网重点实验室, 陕西 杨凌 712100
3 陕西省农业信息感知与智能服务重点实验室, 陕西 杨凌 712100
叶绿素荧光参数Fv/Fm是探究逆境胁迫对植物光合作用影响的重要指标, 已有研究表明植被指数与Fv/Fm线性相关, 但直接将植被指数与Fv/Fm拟合存在精度不足的问题。 为实现对该参数的准确预测, 本文以茄子为研究对象, 提出一种基于可见-近红外光谱的Fv/Fm预测方法。 试验获取不同生长状态茄子叶片的可见-近红外光谱数据和荧光参数, 使用蒙特卡洛采样法（MCS）去除明显异常样本, 采取3种光谱预处理方法及5种特征波长选择算法进行光谱数据处理, 并建立偏最小二乘回归（PLSR）模型进行方法评估。 基于提取出的最优特征波长组合, 分析误差反传（BP）神经网络、 径向基函数（RBF）神经网络、 极限学习机（ELM）及回归型支持向量机（SVR）共4种机器学习算法对Fv/Fm预测模型精度的影响, 从而确定基于最优方法组合的叶绿素荧光参数Fv/Fm预测方法。 结果表明: 茄子叶片光谱反射率随Fv/Fm的增加呈明显下降趋势, 表明利用光谱信息反演Fv/Fm的可行性。 基于393组试验样本, 使用多元散射校正（MSC）、 标准正态变量变换（SNV）进行光谱预处理, 以竞争性自适应重加权采样法结合连续投影法（CARS+SPA）进行特征波长筛选的效果最优。 其中, MSC-CARS-SPA-PLSR和SNV-CARS-SPA-PLSR的测试集决定系数分别为0.896 1和0.881 2, 均方根误差为0.011 8和0.012 6, 两者精度皆高于全光谱数据对应的PLSR模型; 同时, 两方法提出的特征波长个数均为12个, 仅占全光谱波长个数（1 358）的0.88%。 该结果表明以上两种方法有效提取出了对模型预测有利的少量波长。 基于上述波长建立机器学习模型, 发现SVR建模效果最优。 以SNV-CARS-SPA-SVR的预测精度最高, 其测试集决定系数为0.911 7, 均方根误差为0.010 8。 综上, SNV-CARS-SPA-SVR建模方法提高了模型精度, 有效降低了模型复杂度, 为基于可见-近红外光谱的Fv/Fm准确预测提供了实现方法。 该方法可应用于作物生长状态的快速、 无损检测, 为农情预警提供有效手段。
叶绿素荧光参数 特征波长 可见-近红外光谱 机器学习算法 茄子 Fv/Fm Characteristic wavelength Vis-NIR Spectroscopy Machine learning Eggplant 光谱学与光谱分析
2020, 40(9): 2834
1 西北农林科技大学机械与电子工程学院, 陕西 杨凌 712100
2 农业农村部农业物联网重点实验室, 陕西 杨凌 712100
3 陕西省农业信息感知与智能服务重点实验室, 陕西 杨凌 712100
4 西北农林科技大学农学院, 陕西 杨凌 712100
为探讨利用可见/近红外光谱进行小麦黑胚病快速无损检测的可行性, 以及基于主流机器学习算法, 寻找面向生产的小麦黑胚病优化识别模型, 利用自行研发的近红外光谱采集平台采集了579～1 099 nm波段23个品种共2760个小麦单籽粒的吸光度光谱数据, 采用标准正态变量变换(SNV)进行预处理之后分别经过SPA(successive projections algorithm), PCA(principal component analysis)等两种数据降维方法, 结合ELM(extreme learning machine), SVM(support vector machine), RF(random forest)和AdaBoost等四种分类方法, 分别构建SPA-SVM, SPA-ELM, SPA-RF, SPA-AdaBoost, PCA-SVM, PCA-ELM, PCA-RF, PCA-AdaBoost八种小麦黑胚病识别模型; 结果表明小麦黑胚籽粒的识别准确率达到93.3%～98.6%, 识别效果优于前人文献中利用近红外波段的识别效果; 其中SPA-SVM模型具有最高的识别率, PCA-AdaBoost模型具有更好的普适性。 将SPA-SVM模型和PCA-AdaBoost模型作为优选模型, 从生产实际出发, 分别对未感病+轻感病、 中感病+重感病籽粒进行了二分类识别, 对未感病, 轻感病+中感病、 重感病籽粒进行了三分类识别, 以及对未感病、 轻感病、 中感病、 重感病籽粒进行了四分类识别, 并深入分析了识别效果和产生原因。 总体来说, 小麦黑胚粒的识别准确率随分类程度的细化而下降, 二分类的识别模型可直接用于生产, 尽管三分类和四分类的感病粒识别效果较差, 但是对未感病粒的检出率则不受分类程度的影响, 识别率在87.2%以上, 符合生产需求。 综合来看, SPA-SVM模型分类效果优于PCA-AdaBoost模型, 可作为首选识别模型, 该研究为小麦籽粒黑胚病的在线批量快速检测提供了技术依据。
小麦黑胚病 可见/近红外 机器学习 模型优选 多分类 Wheat black tip disease Vis/NIR Machine learning Optimized Models Multiple classification 光谱学与光谱分析
2018, 38(12): 3912
1 西北农林科技大学机械与电子工程学院
2 西北农林科技大学信息工程学院，陕西 杨凌 712100
太阳光中各光质对植物光合和生理调节效果不同，分波段光强检测是设施农业高效补光的基础.针对现有特定波段光强检测仪器存在价格高及不易扩展等缺点，提出一种新型定波段光照快速检测方法.以红、蓝光为例，通过实验测量计算不同太阳高度角下特定波段光强占太阳光的百分比，并采用Matlab运用最小二乘法进行函数拟合，融合太阳高度角计算公式，建立了特定波段光强在太阳光所占百分比与日期、时间、经度及纬度四个参量之间的多参量耦合模型，通过实时检测太阳光光强快速计算了特定波段光强值.实验证明本方法测量误差小于4.5%，可满足补光系统分波段光强检测需求.
光谱分析 光谱学 多参量耦合模型 太阳光 太阳高度角 定波段 最小二乘法 Spectrum analysis Spectroscopy Multiparameter coupling model Sun Sun elevation angle Specific waveband Least squares method Matlab Matlab
1 西北农林科技大学机械与电子工程学院，陕西 杨凌 712100
2 西安电子科技大学技术物理学院，西安 710071
通过引入散射理论建立了发光二极管模型，并考虑低计量率电离辐照损伤影响，建立了器件材料散射因子与辐照损伤的关系模型.在输入电流宽范围变化的条件下，测量了器件在不同辐照条件下的电学特性，实验结果与理论模型符合良好.通过对测量结果和以上模型的分析，深入研究低剂量电离辐照损伤和发光二极管性能衰减的关系.证实由于复合中心上的电子浓度增加，导致界面态浓度和散射几率的略微增大，从而造成其I-V和L-V特性的略微衰减.同时由于重离子辐照可直接产生位移效应，使界面态浓度明显上升，因此其对发光二极管的影响较电离辐照大很多.
发光二极管 界面态浓度 散射几率 电离辐照损伤 Light Emitting Diode(LED) Interface trap density Scattering probability Ionization radiation damage
