番茄果实营养丰富备受人们喜爱。 番茄生长周期长, 需水量大, 水分含量是影响番茄植株生长发育的主要因素; 快速发现番茄植株水分亏缺状态, 对于科学有效地进行番茄的灌溉管理, 保障和提高番茄的产量和品质具有重要意义。 利用高光谱成像技术, 实时识别番茄叶片干旱胁迫程度, 提出了一种基于高光谱成像技术的番茄叶片干旱胁迫的识别方法。 首先, 选取红樱桃番茄为实验品种, 在室内培养12盆番茄幼苗。 在保证其他管理措施相同的基础上, 通过控制施水量来控制番茄的胁迫状态, 干旱胁迫程度设计3个处理(适宜水分、 中度和重度胁迫)。 分批次采集不同干旱程度番茄幼苗嫩叶在400~1 000 nm范围的高光谱图像, 并提取了每个样本的光谱和纹理特征。 使用标准化(Norm)、 多元散射校正(MSC)、 一阶导数(1st)和标准正态变量变换(SNV)四种预处理方法对光谱数据进行预处理去除光谱中的噪声。 使用连续投影算法(SPA)、 竞争性自适应重加权算法(CARS)以及竞争性自适应重加权算法结合连续投影算法(CARS-SPA)选取光谱重要特征波段, 用灰度梯度共生矩阵(GLGCM)提取番茄叶片的纹理特征, 用SPA选择纹理特征的重要变量。 融合重要光谱特征与重要纹理特征结合支持向量机(SVM)构建识别番茄干旱胁迫模型, 同时选用自适应增强算法(AdaBoost)与K-近邻(KNN)与SVM模型对比。 结果表明, 融合重要光谱特征与重要纹理特征后, 基于CARS-SPA波长选择的SNV-SVM模型具有最好的分类效果, 训练集的分类准确度(ACCT)为94.5%, 预测集的分类准确度(ACCP)为95%, AdaBoost模型分类效果次之ACCT为86.5%, ACCP为87%, KNN模型分类效果最差ACCT为81.5%, ACCP为79%。 因此, 该方法对番茄叶片干旱胁迫程度实时识别有较好的效果, 可为构建智能化的干旱胁迫分析技术提供参考。