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。

采用功率密度为825 mW/cm2的CO2激光对茄子干种子进行10 s,13 s,15 s的辐照处理,采收期逐次统计小区产量,并通过多项式回归对不同处理小区产量累加值进行了数学模拟,掌握了茄子不同采收期产量变化与激光辐照时间的关系.从t值变化可以看出,在低剂量范围内,随着辐照时间的延长,小区产量累加值增长期也在延长,若期望前期、中期增产显著,则选13 s处理,若期望后期增产应选15 s.

采用功率密度为825mW/cm2的CO2激光,对茄子干种子进行不同时间的辐照处理,在催芽过程中,每天观察发芽的种子数,计算发芽势、发芽率,通过多项式模拟,建立各处理的发芽模型,比较不同处理对茄子种子发芽的影响,进行辐照时间与发芽势、发芽率的数学模拟,筛选出了激光辐照的刺激剂量范围,最佳刺激剂量及半致死剂量,得到了较理想的结果.

采用功率密度为825mw/cm2的CO2激光对茄子干种子进行10s、13s、15s的辐照处理,0s为对照组,然后播种于基质为土的苗盘中,每个处理 200粒种子,三次重复,随机排列,出苗10天开始测定不同处理的子叶干重、子叶面积的变化,然后应用多项式回归进行数学模拟,探讨了激光处理对子叶生长的影响及子叶生长规律.