相比传统的化学方法及主观视觉测定植物生理信息指标,通过光谱辐射仪对农作物冠层信息的评估更简单、快速和精确.本文结合近年来农作物群体信息的获取方法,综述了不同类型光谱仪尤其以国际上应用最广泛的Cropscan多光谱辐射仪在农作物群体叶面积指数、生物量、氮素及叶绿素的预测,病虫害的监测及产量预测中的应用.总结了不同类型的的植被指数(VIs)、冠层光谱的获取及光谱分析方法,比较了不同农作物建立相关模型的回归系数.总体上建立的数学模型的相关系数较高,能实现对农作物各种生理信息等的检测.此外,将多光谱辐射仪与多种传感器相结合所得到的综合信息对于全面评价农作物生长情况具有重要指导价值。

基于近红外光谱技术结合连续投影算法和回归系数分析对检测土壤总氮含量进行研究.采集农田土壤样本近红外光谱数据,土壤样本数量共394个.由于原始光谱数据量大,在500～2 500 nm光谱波长范围基础上,为简化模型,在原始光谱基础上采用连续投影算法和回归系数分析提取特征变量,以两种变量选择方法提取的特征变量作为输入,分别采用偏最小二乘回归(PLS)、多元线性回归(MLR)和最小二乘支持向量机(LS-SVM)建模方法建立总氮预测模型,共建立了9个预测模型,最优预测集的决定系数为0.81,剩余预测偏差RPD为2.26.研究表明,基于连续投影算法和回归系数分析选择的特征波长可以应用于近红外光谱检测土壤总氮含量,同时可以大大简化模型,适合开发便携式土壤养分检测仪。

为了探索一种快速有效的蜂花粉新鲜程度检测方法，利用可见-近红外光谱技术结合最小二乘支持向量机(LS-SVM)对蜂花粉的贮存时间进行了检测.选择常温环境中贮存时间为4~50天(共计47天)的茶花蜂花粉作为研究对象，将全光谱数据作为输入变量建立了LS-SVM模型.结果显示，该LS-SVM模型预测效果较好，预测相关系数rp达到了0.996，预测标准误差(SEP)和预测均方根误差(RMSEP)的值分别为1.310和1.308，优于偏最小二乘法(PLS)和主成分回归(PCR)的预测结果，说明基于LS-SVM的可见-近红外光谱技术能够很好地对花粉贮存时间进行检测.同时对不同贮存时间段花粉的预测效果进行了比较，发现该LS-SVM模型适用于对第11~50天范围的贮存时间进行检测.

为了进行快速实时的杂草识别,研究了作物和杂草叶片的可见-近红外反射光谱特性。选择了两种常见的田间作物大豆(Glycine max)和玉米(Zea mays),以及铁苋菜(Acalypha australis L.)和田字草(Marsilea quadrifolia L.)两种杂草作为研究对象,每种各30个样本,共120个样本。采用ASD Fieldspec 便携式光谱仪进行光谱采集。在对400～1000 nm的光谱数据进行平滑和一阶求导预处理、。通过主成份分析,去除了一个奇异样本。最后用79个样本组成的建模集进行偏最小二乘法建模,对剩余的40个样本进行预测。预测模型结果的相关性达到0.986,识别率达到100%。说明研究中选用的作物和杂草叶片的可见-近红外反射光谱特性之间有较大的区别,可以用于进行杂草和作物的区分。