论文部分内容阅读
生理信息的准确获取及预测可为种植的精细化管理提供依据.传统的大豆生理信息反演方法具有检测效率低、操作过程繁琐且多为有损检测.为此,利用高光谱技术建立大豆生理信息的快速无损反演方法.以大豆开花结荚期叶片为研究对象,在2个日期(D1和D2)获取高光谱、叶绿素含量、净光合速率和光合有效辐射数据.首先分别采用多元散射校正(MSC)、标准正态变量变换(SNV)、一阶导数(FD)、二阶导数(SD)、Savitzky-Golay平滑(SG)、MSC-SG-FD、MSC-SG-SD、SNV-SG-FD和SNV-SG-SD共9种方法对原始光谱数据进行预处理,随后结合偏最小二乘法(PLS)建立全波段模型,比较分析,选出最优预处理方法.再分别利用竞争性自适应权重取样法(CARS)、连续投影法(SPA)和相关系数法(CC)对特征波长进行筛选提取.最后将优选出的预处理方法与特征波长变量进行PLS建模并对比分析,以校正集和预测集相关系数Rc和Rp为模型评价指标,最终优选出与大豆生理信息相关性最高的反演模型.结果表明:采用M S C-SG-FD预处理后建立的叶绿素含量全波段PLS模型的Rc和Rp最高,分别为0.909和0.882(D1),0.909和0.880(D2),采用SNV-SG-FD预处理后建立的光能利用率全波段PLS模型的Rc和Rp最高,分别为0.913和0.894,0.902和0.869,与原始及其他预处理后建立的模型相比表现出最高的模型性能特征.进一步对比3种特征波长提取方法的建模中,发现SPA法筛选出的变量能将叶绿素含量反演模型的建模变量数由512个压缩至20个(D1)和23个(D2),变量压缩率高达96.09％ 和95.51％,同时能将光能利用率反演模型的建模变量数压缩至27个和37个,变量压缩率高达94.73％ 和92.77％.最终得出反演叶绿素含量的最优建模方法为MSC-SG-FD-SPA-PLS,Rc值为0.944(D1)和0.941(D2),Rp值为0.911和0.903,反演光能利用率的最优建模方法为SNV-SG-FD-SPA-PLS,Rc值为0.929(D1)和0.925(D2),Rp值为0.912和0.907,所建模型精度较高,可为大面积检测其生理信息提供技术支持.