1 中国农业大学现代精细农业系统集成研究教育部重点实验室, 北京 100083
2 Center for Precision & Automated Agricultural System, Washington State University, Pullman WA 99350, USA
为了探究马铃薯作物叶绿素吸收特征, 充分解析光谱特征波长变量, 建立高精度叶绿素含量检测模型。 在马铃薯发棵期(M1)、 块茎形成期(M2)、 块茎膨大期(M3)和淀粉积累期(M4)4 个关键生长期, 利用ASD便携式光谱仪采集80个样本区的314组作物冠层反射率数据, 并同步采集叶片测定叶绿素含量。 在光谱数据预处理之后, 分析了马铃薯不同生长期的光谱反射率变化特征。 利用基于模型集群思想的蒙特卡洛无信息变量消除(MC-UVE)、 随机蛙跳(RF)、 竞争自适应重加权采样(CARS)三种算法筛选叶绿素特征波长, 建立叶绿素含量检测PLS模型。 对4个生长期的314个样本, 采用SPXY算法分别按照3∶1的比例划分, 得到建模集240个样本、 验证集74个样本。 利用MC-UVE, RF, CARS三种算法筛选叶绿素特征波长, 讨论迭代次数(N)和特征变量个数(LV)对MC-UVE和RF算法、 迭代次数(N)对CARS算法筛选特征波长结果的影响, 对迭代次数设置6个梯度, 分别为N=50, 100, 500, 1 000, 5 000和10 000； 对特征变量数设置4个梯度, 分别为LV=15, 20, 25和30。 以PLSR模型的验证集结果为评价指标, 分析迭代次数(N)和特征变量数(LV)的最优参数组合。 最后基于MC-UVE, RF和CARS算法筛选得到的最佳特征波长建立叶绿素检测PLSR模型, 分别记为MC-UVE-PLSR, RF-PLSR, CARS-PLSR。 结果表明, CARS, RF和MC-UVE三种算法的迭代次数(N)、 特征变量数(LV)参数最佳组合分别为: (1)MC-UVE: 迭代次数N=50 特征变量数LV=30； (2)RF: 迭代次数N=500、 特征变量数LV=30； (3)CARS: 迭代次数N=100。 对比在最佳特征波长建立的MC-UVE-PLSR, RF-PLSR, CARS-PLSR叶绿素含量检测, 发现RF-PLSRRR模型的性能最优, R2v为0.786, RMSEV为3.415 mg·L-1； MC-UVE-PLS模型性能次之, R2v为0.696, RMSEV为4.072 mg·L-1； CARS-PLS模型的性能最差, R2v为0.689, RMSEV为4.183 mg·L-1。 以上结果说明: 在筛选马铃薯叶绿素特征波长方面RF算法优于MC-UVE和CARS, 得到的特征波长能够较全面地反映与马铃薯叶绿素相关的物质信息。
马铃薯 叶绿素检测 模型集群 光谱变量筛选 偏最小二乘(PLS) Potato Chlorophyll detection Model population analysis Band selection Partial least square(PLS) 光谱学与光谱分析
2020, 40(7): 2259
云南省农业科学院药用植物研究所, 云南 昆明 650200
食药植物玛咖富含多种营养成分, 极具药用价值。 采用近红外漫反射光谱, 对采自秘鲁及云南共139份玛咖样品进行产地鉴别。 采用多元信号校正结合二阶导数和Norris平滑预处理光谱, 利用光谱标准偏差初步选择光谱波段（7 500～4 061 cm-1）, 结合主成分-马氏距离（principal component analysis-mahalanobis distance, PCA-MD）筛选出适宜的主成分数为5。 基于所筛选的光谱波段及主成分数, 利用“模群迭代奇异样本诊断”方法剔除2个异常样品后, 分别采用竞争自适应重加权法（competitive adaptive reweighted sampling, CARS）、 蒙特卡洛-无信息变量消除法（monte carlo-uninformative variable elimination, MC-UVE）、 遗传算法（genetic algorithm, GA）和子窗口重排（subwindow permutation analysis, SPA）四种方法筛选光谱变量信息, 利用模型集群分析（model population analysis, MPA）思想对所筛选的光谱变量信息进行评价。 结果显示, RMSECV（SPA）>RMSECV（CARS）>RMSECV（MC-UVE）>RMSECV（GA）, 分别为2.14, 2.05, 2.02, 1.98, 光谱变量数分别为250, 240, 250和70。 采用偏最小二乘判别分析法（partial least squares discriminant analysis, PLS-DA）对四种方法筛选的光谱变量建立判别模型, 随机选择97份样品作为建模集, 其余40份样品作为验证集。 通过R2, RMSEC和RMSEP分析可知, R2: GA>MC-UVE>CARS>SPA, RMSEC和RMSEP: GA
玛咖 近红外光谱 鉴别 光谱信息筛选 模型集群分析 Lepidium meyenii Walp. NIR spectroscopy Identification Spectral information screening Model population analysis
