1 杭州电子科技大学自动化学院, 浙江 杭州 310018
2 金华市农业科学研究院, 浙江 金华 321017
3 杭州师范大学遥感与地球学院, 浙江 杭州 311121
随着人民生活水平的提高, 中草药的保健功能越来越得到大家的重视, 铁皮石斛是我国名贵中药材, 素有“救命仙草”之称。 尝试用叶绿素、 糖度和pH值作为铁皮石斛的品质指标, 选择安徽霍山、 浙江雁荡山和云南3个不同产地的铁皮石斛作为研究对象, 提取不同铁皮石斛的光谱数据和理化参数, 然后进行各品质指标的反演, 最终建立品质指标与光谱之间的相关模型, 并对模型的有效性进行分析。 实验中的研究对象是铁皮石斛的茎, 用ASD光谱仪得到三种铁皮石斛茎的光谱数据, 再把同一批样本研磨碎, 放入离心管中加入甲醇溶液密封, 并用锡箔纸包装处理制成相应的溶液, 采用分光光度计、 糖度计和pH计测量叶绿素含量、 糖度和pH值, 每个样本分别选取离心试管中的上层, 中层, 下层溶液检测糖度, 测量3次并取平均值, 以此结果作为对照组。 原始光谱数据通过小波变换去除噪声和降维, 将得到的能量系数(包括波段与尺度), 与铁皮石斛对照组的理化参数进行相关性分析, 选取决定系数中较高的能量系数作为小波特征, 用最小化二乘法对小波特征拟合。 用全部实验样本作为测试集, 随机选取70%作为验证集, 对于浙江雁荡山、 安徽霍山和云南三种不同品种铁皮石斛: 叶绿素含量反演模型的决定系数(R2)分别为0.819, 0.820和0.865, 均方根误差(RMSE)分别为为0.035, 0.013和0.017; 糖度反演模型的决定系数(R2)分别为0.756, 0.764和0.823, 均方根误差(RMSE)分别为0.025, 0.030和0.0368; pH值的反演模型决定系数(R2)分别为0.819, 0.820和0.865, 均方根误差(RMSE)分别为0.0345, 0.013和0.017。 从中可以发现, 三种不同铁皮石斛的品质反演模型和决定系数(R2)均大于0.80, 均方根误差(RMSE)小于0.10。 实验证明了铁皮石斛中叶绿素、 糖度和pH值的光谱特性对其进行品质评估的可行性。
铁皮石斛 品质 光谱特性 小波变换 快速无损检测 Dendrobium officinale Kimura et Migo Quality Spectral characteristics Wavelet transform Fast and nondestructive detection 光谱学与光谱分析
2021, 41(10): 3276
1 浙江省农业科学院, 浙江省植物有害生物防控重点实验室—省部共建国家重点实验室培育基地, 浙江 杭州 310021
2 浙江大学生物系统工程与食品科学学院, 浙江 杭州 310058
转基因技术在过去的几十年里快速发展, 然而此项技术对生态环境、 伦理道德等可能带来的影响尚存争议, 因此针对农作物的转基因成分检测和鉴别的相关技术研究十分重要。 本研究以转双价基因(cry1Ab/cry2Aj-G10evo)玉米籽粒和玉米面粉为研究对象, 采用近红外光谱仪采集900～1 700 nm波段范围的光谱, 结合 Savitzky-Golay(SG)平滑算法对提取出的光谱数据进行去除噪声处理。 基于全波段光谱和PCA主成分分别建立了偏最小二乘判别分析(PLS)和支持向量机判别模型(SVM)。 试验结果表明, 在转基因玉米籽粒全谱的判别分析模型中, SVM判别模型效果要优于PLS判别模型, SVM模型识别正确率达到90%以上, PLS的模型识别率只有85%左右。 以PCA降维后建立的模型中, SVM模型也取得了最优的效果, 建模集和预测集识别正确率达到100%。 虽然转基因玉米在研磨加工后外源蛋白和DNA有所下降, 但是转基因玉米粉末基于全波段光谱建立的SVM模型的建模集正确率仍有90.625%。 结果表明应用近红外光谱技术集合化学计量学方法对转基因玉米的鉴别是可行的, 为转基因玉米乃至其他转基因农产品的鉴别提供了技术支持, 具有重要的理论意义和应用价值。
近红外光谱 转双价基因玉米 偏最小二乘判别分析模型 支持向量机判别模型 Near infrared spectroscopy Transgenic maize harboring cry1Ab/cry2Aj-G10evo Partial least squares Support vector machine 光谱学与光谱分析
2018, 38(4): 1095
1 浙江大学生物系统工程与食品科学学院, 浙江 杭州 310058
2 农业部光谱学重点实验室, 浙江 杭州 310058
3 浙江省农业科学院农产品质量标准研究所, 浙江 杭州 310021
突变体的筛选与鉴定是育种工作中的重要环节。 该研究基于高光谱成像技术实现了水稻CRISPR/Cas9突变体种子的可视化鉴别。 采集了水稻HD野生型和CRISPR/Cas9突变体种子共1 200粒样本的高光谱图像数据, 通过Kennard-Stone算法, 按照2∶1的比例构建了建模集(800)和预测集(400)。 对水稻种子的原始光谱经过WT预处理后, 通过2nd derivative提取了24个特征波长, 分别基于全谱和特征波长建立径向基函数神经网络(RBFNN), 极限学习机(ELM)和K最邻近法(KNN)模型。 试验结果表明, 无论是基于全谱还是特征波长神经网络模型都取得了良好的识别能力。 通过2nd derivative提取的特征波长结合RBFNN模型也取得了较好的鉴别结果, 其建模集和预测集分别达到了9225%和8950%。 基于2nd derivative-RBFNN结合图像处理技术, 可以实现水稻CRISPR/Cas9突变体种子的可视化鉴别, 实现种子的定位和识别。 结果表明应用高光谱成像技术, 结合化学计量学方法和图像处理技术对水稻CRISPR/Cas9突变体的鉴别具有可行性, 可为水稻育种中大量突变体的快速、 准确地筛选和鉴定提供技术手段。
高光谱成像技术 径向基函数神经网络 可视化 NIR hyperspectral imaging CRISPR/Cas9 CRISPR/Cas9 Radial basis function neural network Visualization
1 杭州师范大学遥感与地球科学研究院, 浙江 杭州311121
2 浙江省城市湿地与区域变化研究重点实验室, 浙江 杭州311121
3 杭州师范大学生命与环境科学学院, 浙江 杭州311121
水生植被是湿地生态系统的核心, 也是影响湿地生态系统功能的最主要因素。 近年来, 卫星遥感技术在湿地植被资源调查、 分类和保护等领域中已得到广泛的应用。 由于水生植被独特的生长环境, 其冠层光谱会受到水体背景要素包括大气—水界面、 水中浮游生物以及泥沙含量、 透明度、 水体深度、 底质和其他光学活性成分的影响, 因此遥感技术应用于湿地水生植被冠层光谱研究时, 需考虑到水生植被不同于陆生植被的生长环境, 这一点在以往的相关研究中并没有得到应有的重视。 以典型的挺水植物鸢尾(Iris tectorum Maxim)为研究对象, 模拟湿地水生植被的生长环境, 使用地物光谱仪测定了鸢尾植被冠层在不同水深梯度背景下的光谱反射率(400~2 400 nm)。 实验结果表明, 背景水深与鸢尾冠层反射率之间存在着显著的负相关性, 其中可见光波段绝对相关系数在0.9以上, 近红外波段的绝对相关系数在0.8以上。 在可见光和近红外波段, 随着背景水深的增加, 鸢尾冠层反射率下降均比较明显。 最后分别依据可见光和近红外区域相关性最高的波段(505, 717, 1 075和2 383 nm)建立了背景水深与冠层反射率之间的线性方程, 并得出了相关参数。
水体背景 湿地 水生植物 冠层 光谱 Aquatic vegetation Remote sensing Spectral reflection Canopy 光谱学与光谱分析
2015, 35(10): 2970
杭州师范大学理学院遥感与地球科学研究院, 浙江省城市湿地与区域变化研究重点实验室, 浙江 杭州 311121
土地覆盖遥感分类根据图像中每个像元在不同波段具有不同光谱亮度、 空间结构特征或者其他差异的特征, 按照某种规则或算法提取土地覆盖分类信息。 硬分类方法由于混合像元的存在, 导致遥感分类和面积测量精度难以达到使用要求; 软分类方法能够解决混合像元问题。 针对硬分类与软分类各自存在的问题及优势, 在分析硬分类模型和软分类模型的理论基础上, 通过研究两种模型的优缺点取长补短, 优化分类模型。 在新的软硬分类方法支持下, 设计典型应用案例, 在精度评价过程采用改进型混淆矩阵评价方法, 验证该方法在土地覆盖信息提取方面的精度。 结果表明, 软硬分类方法能够有效提高土地覆盖分类精度。
自适应阈值 多光谱遥感影像 软硬分类 土地覆盖/利用 Adaptive threshold Multi-spectral remote sensing image Hard/soft classification Land cover/use 光谱学与光谱分析
2013, 33(4): 1038
