氮素是影响生菜产量和品质的重要因素, 光谱技术是检测作物氮素含量最有效的手段之一。 通过获取不同氮素水平下生菜冠层的反射光谱, 对其进行FDSGF（first-order derivative based savitzky-golay filt）滤波后, 利用后向区间偏最小二乘算法（BiPLS）、 遗传算法（GA）及连续投影算法（SPA）对特征波长进行梯度提取, 最终从2 151个波长点中提取了8个与生菜氮素最为相关的特征波长。 分别利用多元线性回归（MLR）、 径向基函数神经网络（RBFNN）及极限学习机（ELM）三种算法建立了基于特征波段或特征波长的8个生菜冠层氮素含量检测模型。 结果表明: BiPLS-GA-SPA-ELM模型（RMSEC=0.241 6%, Rc=0.934 6, RMSEP=0.284 2%, Rp=0.921 8）的预测结果优于其他模型, 为指导合理施肥和开发便携式仪器提供了理论基础。

为提高番茄植株营养胁迫定量分析模型的精度, 探究偏振检测在植物单叶尺度进行无损检测的优势, 利用自行研制的偏振反射光谱系统检测不同生长期温室番茄缺素叶片偏振反射特征。 对影响番茄单叶偏振反射的主要因素: 方位角、 入射天顶角、 探测天顶角、 光源偏振片起偏角度、 探测器偏振片起偏角度进行了讨论, 通过正交试验的极差分析获取光谱仪各测量角度参数的优水平, 并通过实验进一步验证, 最终分析得到偏振光谱系统检测番茄缺素叶片的角度组合及主次排序为: 入射天顶角60°、 光源起偏角度0°、 探测器起偏角度45°、 探测天顶角45°、 方位角180°, 在此基础上对不同生长期的缺氮、 缺磷、 缺钾叶片以及不同缺素程度的叶片进行分析比较, 结果显示偏振反射比随番茄叶片的生长周期呈现正相关关系, 缺素和营养过量均能导致偏振反射比的下降, 偏振反射比在结果期和采收期的降幅较为明显。 对于偏振反射光谱在植物单叶尺度营养快速检测的深入研究具有一定的理论和实践意义。

以Venlo型温室中无土栽培模式下自行培育的25%, 50%, 75%, 100%, 150%五个梯度水平的氮、 磷、 钾营养胁迫样本为研究对象, 利用高光谱成像系统以及课题组自行研发的偏振反射光谱测量分析系统分别采集不同氮磷钾营养水平番茄叶片的偏振光谱和高光谱数据。 通过扫描电镜分析阐明营养胁迫叶片非光滑表面的凹凸和质地发生的一系列变化与偏振反射辐射之间具有一定的联系。 由斯托克斯公式将偏振光谱换算成偏振度后, 提取偏振度与氮磷钾实测值之间的各4个偏振度特征; 同时将高光谱数据经过主成分分析降维并确定氮磷钾各4个特征波长, 再通过相关分析法提取这4个特征波长下的各8个高光谱图像纹理特征。 偏振度特征与高光谱纹理特征相加累计氮磷钾各12个特征作为支持向量回归(SVR)的输入变量。 对这12个特征变量进行最大—最小值归一化后, 采用SVR建立番茄氮磷钾营养水平的定量诊断模型, 求得氮的相关系数r=0.961 8, 均方根误差RMSE=0.451; 磷的相关系数r=0.916 3, 均方根误差RMSE=0.620; 钾的相关系数r=0.940 6, 均方根误差RMSE=0.494。 研究结果表明采用偏振反射光谱结合高光谱的多维光信息融合技术能够建立精度较高的番茄营养水平预测模型, 具有较好的诊断作用, 对于提高模型的精度和专用仪器的开发具有一定的指导意义, 为番茄养分含量的快速检测提供了新的思路。

为了便于经济合理的生菜施肥, 研究一种生菜叶片氮素水平智能鉴别方法。 在温室大棚内无土栽培不同氮素水平的生菜样本, 在特定生育期, 采集各类氮素水平生菜样本, 利用FieldSpec○R 3型光谱仪采集生菜叶片高光谱数据。 由于原始高光谱数据存在噪声且冗余性强, 利用标准归一化(SNV)对原始高光谱数据进行降噪处理, 再利用主成分分析方法(PCA)对高光谱数据进行特征提取。 分别利用K最近邻(KNN)和支持向量机(SVM)对降维后的光谱数据进行分类研究, 由于自适应提升法(Adaboost)能提升弱分类器分类性能, 将其分别引入到KNN和SVM两种分类器中, 提出了Adaboost-KNN和Adaboost-SVM两种集成分类算法。 分别利用上述四种分类算法对相同测试样本数据进行分类鉴别。 结果表明, KNN, SVM, Adaboost-KNN和Adaboost-SVM四种算法的分类正确率分别为74.68%, 87.34%, 100%和100%, 其中所提出的Adaboost-KNN与Adaboost-SVM分类效果都很好, 且Adaboost-SVM分类算法的稳定性最好。 因此, Adaboost-SVM算法适合作为基于高光谱的生菜氮素水平鉴别的建模方法, 并且也为其他作物营养元素无损检测提供了一种新的方法。

磷元素（P）亏缺初期， 水果黄瓜植株根部叶片出现小斑点， 其症状的外观特征与健康植株根部叶片老化初期类似， 难以用肉眼或者计算机图像处理技术识别。 本文根据近红外光谱能够反映叶片组织中有机物组分的差异， 运用近红外光谱技术对水果黄瓜植株磷元素亏缺进行了快速诊断研究。 精确控制营养液中磷元素含量， 通过设施栽培方式培养缺磷植株和对照样本。 近红外光谱仪采集了90片叶子的原始光谱（60片作为训练集， 30片作为预测集）， 经光谱预处理和窗口宽度优化后均匀划分为27个子区间， 分别提取每个子区间的10个主成分数据作为BP人工神经网络（BP-ANN）的输入变量， 以叶片缺素情况作为输出变量， 建立3层BP-ANN诊断模型。 当主成分因子数为3时， 第7个子区间对应的模型效果最佳， 模型对缺磷叶片和正常叶片的预测准确率均达到100%。 研究表明: 近红外光谱技术结合BP-ANN快速诊断水果黄瓜磷元素亏缺是可行的。

为了简化近红外光谱模型，提高对草莓可溶性固形物含量的预测精度，将反向偏最小二乘法(BiPLS)与模拟退火算法(Simulated annealing algorithm，SAA)相结合优选特征波长，建立了多元线性回归可溶性固形物光谱模型.原始光谱经过预处理后，用反向偏最小二乘法优选出4个特征子区间(分别为第8、13、16、17)；对所选的特征子区间，进一步用模拟退火算法选择可溶性固形物的特征波长.在SAA选择出的 7565 cm-1、7706 cm-1、8289 cm-1、8489 cm-1、8499 cm-1、8724 cm-1、8807 cm-1 7个特征波数点的基础上建立了预测模型.模型的预测均方根误差为0.428，优于偏最小二乘法、向后区间偏最小二乘法建模结果.研究结果表明： 反向偏最小二乘法结合模拟退火算法可以有效选择近红外光谱特征波长.

除草剂的精确喷施、物理方法精确除草皆依赖于杂草的自动识别。光合色素和结构差异导致作物、杂草的光谱反射率不同,因此不同植物可以利用光谱特性来区分。利用ASD光谱仪在室内分别测量了棉花、刺儿菜、水稻、稗草等四种植物在350-2 500 nm波段范围内的光谱反射率。运用SAS统计软件的STEPDISC过程筛选能够区分作物和杂草的波长;判别模型中加入筛选所得特征波长,利用Discrim过程进行判别分析。实验结果表明,利用3个特征波长385,415和435 nm有效地从双子叶植物棉花中识别出双子叶杂草刺儿菜,其识别率为100％,波长415和435 nm的组合对识别模型的贡献最大;利用5个特征波长375, 465,585,705和1 035 nm可有效地从单子叶植物水稻中识别出单子叶杂草稗草,其识别率也为100％,黄色到橙色的过渡波长585 nm和“红边” 内的波长705 nm的组合对识别模型的贡献最大。

研究发现,由图像傅里叶周向谱传统算法得到的频谱分布不能够真正反映其频率特性.因此,根据傅里叶变换的共轭对称性,提出了更具有一般性的长方环傅里叶周向谱能量百分比新算法.该算法均匀地把图像功率谱分成20个等间距同心长方环,计算每一个长方环内功率谱能量占总能量的比值作为图像频率分布特征.实验证明,新算法能更好地反映具有一般性的不同频率图像的纹理特征.在对作物缺乏营养元素诊断识别研究中,新算法提取的特征有效性远远高于传统算法,使识别的准确率达到82%以上.