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。

针对量子点荧光猝灭法检测Cu2+大多通过实验室化学分析或大型仪器检测而难以满足现场检测需求的问题, 设计了一种可用于现场检测的痕量Cu2+光化学传感器, 主要包括光学感知模块与信号处理模块, 光学感知模块完成激光光源的输出与荧光的激发, 信号处理模块完成微弱荧光信号的光电转换、 信号放大、 数据处理与显示。 利用自行研制的光电采集、 转换与信号处理系统完成痕量Cu2+的快速检测, 实现了检测仪器的小型化与低成本。 实验结果表明, 在Cu2+浓度30～1 000 nmol·L-1范围内传感器检测结果具有较好的线性关系, 拟合后的直线方程为y=0.109 77x+11.872 32, 线性度为0.994 82, 标准方差3.994 24, 检测下限达到30 nmol·L-1, 传感器响应时间为40 s, 实验测定了其他共存离子对Cu2+检测结果的干扰, 实验结果表明该传感器可以满足痕量Cu2+现场检测的需求。