作者单位
摘要
1 沈阳农业大学信息与电气工程学院, 辽宁 沈阳 110866
2 辽宁省农业信息化工程技术研究中心, 辽宁 沈阳 110866
在水稻抗倒伏育种中, 水稻茎秆纤维素含量作为重要的作物性状表现型数据, 用传统方法获取时受人力成本和时间成本的约束, 采集群体大小有限。 利用高光谱技术能够实现对作物性状信息的快速、 无损检测。 为探究水稻茎秆纤维素含量近红外光谱反演模型, 以田间小区试验的方式, 采集水稻灌浆期至成熟期茎秆基部倒2、 3节作为实验样本, 并在实验室内使用NIRQuest512型号高光谱仪测得茎秆近红外反射光谱数据; 采用标准变量正态变换(SNV)、 连续小波变换(CWT)及两种方法结合(SNV-CWT)对原始近红外光谱进行预处理, 经对比分析, 原始光谱经SNV处理后再通过CWT对应6尺度分解最优, 然后采用联合区间偏最小二乘法(SiPLS)、 迭代保留信息变量法(IRIV)对最优预处理(SNV-CWT)的光谱特征曲线进行光谱特征变量筛选, 分别提取了64个和16个特征变量; 为优化模型并提高其模型精度, 采用IRIV算法对SiPLS所选的特征变量进行二次筛选, 得到6个特征变量, 特征波长为1 200, 1 207, 1 325, 1 470, 1 482和1 492 nm, 最后基于优选出的特征变量分别建立水稻茎秆纤维素含量的支持向量机回归(εSVR)和核极限学习机(KELM)预测模型, 模型参数(惩罚系数C, 核函数系数γ和不敏感参数ε)分别采用灰狼算法(GWO)、 差分进化灰狼算法(DEGWO)和自适应差分进化灰狼算法(SaDEGWO)进行优化选择。 结果表明, 采用SNV-CWT方法光谱预处理后, 经SiPLS-IRIV方法筛选的特征变量构建的SaDEGWO优化的SVR模型精度最高, 模型参数C, γ, ε分别为302.838 2, 0.087 7, 0.070 8, 测试集的决定性系数(R2p)为0.880, 均方根误差(RMSEP)为15.22 mg·g-1, 剩余预测残差(RPD)为2.91, 表明模型具有较好的预测能力, 可为水稻茎秆纤维素含量预测提供参考。
水稻茎秆 纤维素 近红外光谱 光谱预处理 光谱特征变量 反演模型 Rice stem Cellulose Near-infrared spectroscopy Spectral pretreatment Spectral characteristic variables Inversion model 
光谱学与光谱分析
2021, 41(6): 1775
作者单位
摘要
1 国家农业信息化工程技术研究中心,北京 100097
2 北京师范大学遥感科学国家重点实验室,北京 100875
3 石河子大学农学院,新疆 石河子 832003
对棉花单叶黄萎病病情严重度与原始及一阶微分光谱反射率、高光谱特征参数进行相关分析,构建病情严重度反演模型。结果表明:可见光和短波红外波段光谱反射率随病情严重度增加而增大,且可见光波段光谱反射率差异比短波红外波段更为显著。以红边面积为自变量的线性模型(r=0.6696)及以波长694 nm 处原始光谱反射率为自变量的对数模型(r=0.6794)均能较好反演病情严重度。通过模型精度检验发现,以714 nm 处一阶微分光谱反射率为自变量的线性模型为病情严重度诊断的最佳模型,即y=-282.3x+3.8112,该模型具有最大相关系数(拟合r=0.6992,预测r=0.9410),最小均方根误差(0.2571)和相对误差(12.74%)。文章结果对深入研究棉花黄萎病遥感监测机理提供了理论依据,对利用高光谱遥感数据获取病害信息具有重要应用价值。
棉花 黄萎病 病情严重度 光谱特征变量 反演模型 Cotton Vertic Illium wilt Severity level Hyperspectral characteristic variables Retrieval model 
光谱学与光谱分析
2009, 29(12): 3348

关于本站 Cookie 的使用提示

中国光学期刊网使用基于 cookie 的技术来更好地为您提供各项服务,点击此处了解我们的隐私策略。 如您需继续使用本网站,请您授权我们使用本地 cookie 来保存部分信息。
全站搜索
您最值得信赖的光电行业旗舰网络服务平台!