地上生物量和叶绿素是紫花苜蓿生长过程中的重要指标, 可以为其生长的动态监测与管理提供有效的帮助。 紫花苜蓿作为最为重要的饲草作物, 如何利用现代光谱智能技术有效且准确地预测其状态是紫花苜蓿种植过程中的重要问题。 基于无人机多光谱对不同品种紫花苜蓿的地上生物量和叶绿素含量的估算结果进行研究并为此构建预估模型。 共研究了21个紫花苜蓿品种, 采用无人机搭载多光谱相机在天气晴朗无风时起飞并拍摄图像, 将无人机拍摄得到的多光谱图像采用ENVI 5.3软件进行分析, 挑选出NDVI、 EVI、 SAVI、 Green NDVI、 NDGI、 DVI、 NGBDI、 OSAVI、 NDRE 和MSR共10个植被参数和无人机多光谱相机自带的5个光谱波段（蓝、 绿、 红、 红边、 近红外）进行特征分析, 再使用Matlab 2020b软件, 采用支持向量机（SVM）构建不同品种紫花苜蓿的地上生物量和叶绿素含量的预测模型。 然而在实际操作的运行中, 发现使用SVM构建的预估模型其准确率不理想, 因此使用智能算法鲸鱼(WOA)和灰狼(GWO)对SVM预估模型进行优化, 发现使用SVM预估模型能预估不同品种的紫花苜蓿的地上生物量和叶绿素含量, 其中经WOA智能算法优化后的SVM预估模型在估算不同品种的紫花苜蓿的地上生物量和叶绿素含量时其准确率最高。 研究中构建的预估模型为筛选品质较好的紫花苜蓿品种有一定的指导意义, 同时也为今后无人机多光谱预估紫花苜蓿的生物量及其相关的生理生态指标提供了有效的帮助和合理的参考依据。

品质性状的化学测定操作繁琐且存在破坏性和耗时较长等不足的问题, 光谱测定具有高效、 快速、 成本低等优点, 但测定准确度受到不同仪器以及不同机型的影响。 为了建立和优化快速测定苜蓿样品的粗蛋白（CP）、 粗脂肪（EE）、 酸性洗涤纤维（ADF）和中性洗涤纤维（NDF）近红外漫反射光谱的模型, 更好的测定苜蓿品质性状。 选取了25份苜蓿材料147份试验样品, 采用傅里叶变换近红外光谱技术（NIRS）扫描, 获得扫描光谱范围4 000~10 000 cm-1的光谱值, 软件TQ Analyst v9选用偏最小二乘法（PLS）和OPUS7.0选用定量2方法建立定量模型并优化, 并进一步交叉验证和外部检验评估模型效果。 结果表明利用2种软件建立的模型都能很好的预测CP的含量, 建模决定系数（R2cal）分别达到0.999 9和0.984 8, 交叉验证的均方根误差（RMSECV）分别为2.121和0.471, 外部验证决定系数（R2）都大于0.97, 残留预测偏差（RPD）值大于6.0。 EE应用TQ Analyst v9所建立的模型效果更好, R2cal为0.999 7, RMSECV为1.502, 外部验证的R2为0.9293, RPD值为3.89; ADF和NDF利用OPUS7.0建立的模型效果更好, R2cal分别为0.944 1和0.978 8, RMSECV分别为1.040和0.514, 外部验证的R2依次为0.914 5和0.911 8, RPD值分别为3.66和3.43。 4种品质性状建模效果表明, 相对分子结构相对简单的蛋白质和脂肪, 利用TQ Analyst v9更准确, 而对于分子结构更复杂的纤维素, OPUS7.0的预测效果更好。

这项研究是利用太赫兹时域光谱(THz-TDS)技术结合多元统计方法, 对14种外表看起来极其类似的不同苜蓿牧草品种进行鉴定识别的可行性研究。 通过实验测试获得苜蓿牧草品种在0.1～1.5 THz有效波段的吸收系数和折射率等光谱参数, 并且测试光谱揭示不同种类的苜蓿牧草在时间延迟、 吸收强度和折射率等物理参量的平均值上都有所不同。 尽管以上提到的这些太赫兹特征差异意味着太赫兹时域光谱(THz-TDS)鉴定识别牧草品种是可行的, 但是, 由于没有特征吸收峰作为指纹谱识别依据, 因此, 本文利用多元统计方法聚类分析(CA)和主成分分析(PCA)在光谱参数和不同品种的苜蓿草种之间建立模型用以进行辅助验证, 通过CA方法计算得到牧草间的欧氏距离以及通过PCA方法获得牧草的任何两个样本的PC1分值显示CA和PCA之间存在着很好的一致性, 说明CA和PCA两种多样统计方法均能反映牧草间的差异。 因此, 太赫兹时域光谱技术结合多元统计方法能够成为一种有效的快速检测识别不同苜蓿牧草品种的方法, 进而为将来建立牧草品种太赫兹光谱数据库奠定基础。

紫花苜蓿是我国北方重要的栽培牧草, 由于其种子硬实率高达20%～80%, 在播种时无法快速辨别硬实种子而影响其种用价值, 对实际生产造成了直接影响。 为研究出快速无损分选苜蓿硬实种子和非硬实种子的方法, 选取不同产地、 不同收获年份、 不同品种的紫花苜蓿种子样品121份, 同时经人工配比获得不同硬实比率的紫花苜蓿种子样品共31份, 利用近红外光谱技术, 采用偏最小二乘法, 对其硬实率进行了分析, 建立紫花苜蓿种子硬实率的近红外光谱分析模型, 为紫花苜蓿硬实种子的快速检测和识别技术进行探索性研究。 结果表明, 最终获得的光谱模型建模相关系数（R2cal）为0.981 6, 交叉检验标准误差（RMSECV）为5.32, 相对标准误差（RPD）为3.58, 模型的预测能力相对较好, 能够应用于紫花苜蓿种子硬实率的估测, 为种子硬实率的无损检测提供了一种新方法。 模型的建立为研究出快速无损确定种子硬实特性方法提供技术指导, 促进种子硬实特性的深入研究。

田间快速估测苜蓿品质对于适时刈割具有重要意义。 试验共采集来自不同地域、 不同品种、 不同生育期和不同茬次的新鲜紫花苜蓿样170份, 经便携式近红外光谱仪（1 100～1 800 nm）扫描得到近红外光谱, 利用偏最小二乘法（PLS）在国内首次建立基于紫花苜蓿新鲜样品的干物质（DM）、 粗蛋白（CP）、 中性洗涤纤维（NDF）、 酸性洗涤纤维（ADF）化学分析值的近红外校正模型, 探讨利用近红外漫反射光谱技术（NIRS）在田间快速估测紫花苜蓿品质的可行性, 摸索设备选择和制样方法。 四项指标所建模型的交互验证决定系数（R2CV）分别为0.831 4, 0.597 9, 0.803 6和0.786 1; 交互验证均方根误差（RMSECV）为1.241 1, 0.261 4, 0.990 3和0.830 6; 外部验证决定系数(R2V)为0.815 0, 0.401 1, 0.784 9和0.752 1, 外部预测均方根误差（RMSEP）分别为1.06, 0.31, 0.95和0.80。 对于苜蓿鲜样来说, DM, NDF和ADF的近红外模型可以进行粗略的定量分析, CP的建模效果较差, 但因苜蓿中的粗蛋白含量一般都能满足家畜需求, DM, NDF和ADF是在适时刈割中最关键的估测指标, DM, NDF和ADF模型可以满足田间快速估测苜蓿品质的要求。

以呼图壁县草地生态站不同灌溉量下现蕾期紫花苜蓿冠层光谱反射率为研究对象, 研究确定紫花苜蓿叶片含水率的光谱诊断模型。 结果表明: （1）在近红外波段随着紫花苜蓿叶片含水率的增加冠层光谱反射率逐渐减小; （2）利用归一化反射光谱建立的苜蓿叶片含水率光谱反演模型优于原始反射光谱, 并且在1 344～1 660 nm波段内所建立的苜蓿叶片含水率预测模型平均相对误差最低（7.8%）。 （3）筛选建立的叶片含水率光谱诊断模型为: Ｙ＝0.962-7.560X1 451+5.295X1 473。 所建立的紫花苜蓿叶片含水率光谱预测模型可为苜蓿科学灌溉提供决策依据。

提出了一种基于近红外光谱分析技术快速无损测定苜蓿秋眠类型的新方法。 应用近红外光谱漫反射技术测定苜蓿样本的光谱并对其进行主成分分析(PCA), 根据主成分的累积贡献率选取前10个主成分建立支持向量机(SVM)分类模型, 并对其参数及核函数类型进行了详细的分析和讨论。 试验结果表明, 当c=0.339 2, g=32时, 测试集的预测准确率可达98.182%, 可以作为初步测定苜蓿秋眠类型的手段之一。 同时, 与主成分回归分析、 偏最小二乘法、 BP神经网络、 LVQ神经网络等方法相比较的结果表明, PCA-SVM模型可以有效地解决小样本问题, 且可以避免陷入局部极小。

苜蓿的秋眠性是苜蓿引种, 栽培的依据。采用RAPD技术对32份不同秋眠性苜蓿进行遗传多样性和系统发育研究。结果表明, 13条引物共扩增出217个标记, 有214个多态位点, 多态频率达到98.6 %, 说明这些苜蓿品种具有很高的遗传多样性。聚类分析表明, 安徽野生南苜蓿和其它栽培品种苜蓿有大的遗传差异, 单独聚为一类。其余31个品种在相似系数为0.815的地方聚为4类, 并且, 相对秋眠性强的苜蓿品种的遗传基础更为丰富, 而秋眠级数低的苜蓿品种相对遗传基础较狭窄。本研究同时表明, 安徽野生苜蓿将能够为南方苜蓿育种丰富遗传基础, 应加大保护和研究。

为了了解卫星搭载对紫花苜蓿种子化学特性的影响, 揭示空间诱变机理, 文章利用傅里叶变换拉曼光谱法对卫星搭载当代的紫花苜蓿种子进行了研究。 结果表明, 与地面对照相比, 飞行组在358和553 cm-1处的峰强增加, 814, 1 122, 1 531, 1 743 cm-1处的峰强降低, 通过谱带归属发现, 增强的358和553 cm-1分别与DNA和Ca2+有关, 降低的4个峰与糖类、 脂类有关。 这说明经过卫星搭载后, 苜蓿种子的DNA和Ca2+的量出现增加趋势, 糖类与脂类的量出现降低趋势。 其可能原因是(1)种子主动修复诱变产生的DNA损伤时, 消耗部分贮存能量所致; (2)空间飞行过程中的超重导致种子细胞内的Ca2+ 浓度升高; (3)飞行因子导致种子提前萌发, DNA大量合成与复制, 种子储藏的能量提前降解消耗。 这一结果将对苜蓿空间诱变机理研究有重要参考价值。

用近红外漫反射光谱技术,结合偏最小二乘法(PLS),以152个来源不同的紫花苜蓿样品建立了粗蛋白和粗纤维含量的近红外定量分析校正模型。在近红外光谱范围内(950～1650nm)对紫花苜蓿样品采集光谱数据时,分别设置了粗磨样、细磨样两种样品的状态和1,2,5nm 三种光谱扫描间隔,对建立的模型进行准确性和重复性的验证,比较其优劣。结果显示:光谱扫描时样品为细磨样,光谱扫描间隔为2nm 时所建立的粗蛋白和粗纤维含量的校正模型最佳,其相关系数(R)分别是0.97和0.94,最佳因素数时的定标标准差(SECV)分别是0.42和0.78。所建近红外定量分析模型对独立检验集样品粗蛋白和粗纤维含量的预测值与化学值的相关系数(R)分别为0.96和0.92,预测标准差(SEP)分别为0.43和0.79。该研究结果表明:利用近红外漫反射光谱法测定紫花苜蓿内在主要品质性状是可行的,为紫花苜蓿粗蛋白和粗纤维含量的检验提供了新的方法模式。