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。

名优大米含有更多的营养价值与更高的经济价值, 不法商家为赚取更多利益, 对优质大米掺假甚至以次充好, 损害了消费者利益和大米贸易, 打击了生产者的生产积极性。 希望发展一种基于高光谱成像的图谱特征与深度学习网络的名优大米无损鉴别方法。 首先, 采集了全国具有代表性的七种名优大米400～1 000 nm范围高光谱图像, 并提取了每种大米的光谱、 纹理与形态特征。 使用多元散射校正算法做光谱预处理消除光谱散射。 连续投影算法（SPA）、 竞争自适应重加权算法（CARS）以及两者级联方法（CARS-SPA）被用来选取光谱特征的重要波长; 用 SPA选择形态、 纹理特征的重要变量。 最后, 使用深度学习网络-卷积神经网络（CNN）融合各类特征构建大米种类识别模型, 而K-近邻（KNN）、 随机森林（RF）用于与CNN模型相对比。 实验结果显示, 根据全光谱构建的模型的分类准确度达到80%以上; 其中, KNN建模效果最差; RF的效果较好; CNN网络的模型性能最优, 训练集的分类准确度（ACCT）为92.96%, 预测集的分类准确度（ACCP）为89.71%。 而重要波长光谱与全光谱相比, 分类准确度相差较多。 为进一步提升大米种类鉴别的准确度, 选用纹理、 形态两种图像特征与光谱特征进行融合, 最优结果来自光谱与形态特征重要变量所构建的模型。 其中, KNN的ACCT和ACCP分别为69%和67%; RF模型的ACCT=99.98%和ACCP=89.10%; CNN模型的效果最佳, ACCT和ACCP为97.19%和94.55%。 此外, 光谱与纹理融合的分类效果差于光谱, 说明纹理特征弱化了分类结果。 对于分类模型来说, CNN的性能明显优于两种机器学习方法, 可以提供更好的分类效果。 总而言之, CNN融合光谱与形态特征重要变量可实现对名优大米种类的准确鉴别, 这种方法有望拓展到其他农产品的分级, 种类区分和产地鉴别。

本文以英罗港为研究区, 利用SPOT5假彩色合成影像, 结合现场踏勘, 提取了研究区内分布较广且面积较大的4种红树林种类(白骨壤、桐花、秋茄和红海榄)的图谱特征, 并建立了相应的遥感解译标志。利用SVM方法开展了研究区内红树林的分类制图, 采用样点验证方法评价提取精度, 结果显示, 对4种红树林的总体分类精度为86.67%, Kappa系数为0.82。