Page 113 - 《广西植物》2026年第6期
P. 113
１ ０ ２ ８ 广 西 植 物 ４６ 卷
１ ２ １ ２ １ ２
ＬＩ Ｓｈｅｎｇｆａｎ ꎬ ＬÜ Ｓｈｉ ꎬ ＺＨＥＮＧ Ｒｅｎｈａｏ ꎬ ＬＩＮ Ｈｕｉ ꎬ ＤＵ Ｈｏｎｇｗｅｉ ꎬ ＹＡＮ Ｈｕｉｈｕｉ ꎬ
１ １ ２ ２ ２∗
ＺＨＯＵ Ｒａｎ ꎬ ＷＡＮＧ Ｚｉｙｉ ꎬ ＬＩＮ Ｄｏｎｇｍｅｉ ꎬ ＬＩＮ Ｚｈａｎｘｉ ꎬ ＬＩＵ Ｆｅｎｇｓｈａｎ
( １. Ｆｏｒｅｓｔｒｙ Ｃｏｌｌｅｇｅ ( Ｃａｒｂｏｎ Ｎｅｕｔｒａｌｉｔｙ Ｃｏｌｌｅｇｅ )ꎬ Ｆｕｊｉａｎ Ａｇｒｉｃｕｌｔｕｒｅ ａｎｄ Ｆｏｒｅｓｔｒｙ Ｕｎｉｖｅｒｓｉｔｙꎬ Ｆｕｚｈｏｕ ３５０００２ꎬ Ｃｈｉｎａꎻ ２. Ｉｎｔｅｒｎａｔｉｏｎａｌ
Ｃｏｌｌｅｇｅ ｏｆ Ｊｕｎｃａｏ Ｓｃｉｅｎｃｅ/ Ｎａｔｉｏｎａｌ Ｅｎｇｉｎｅｅｒｉｎｇ Ｒｅｓｅａｒｃｈ Ｃｅｎｔｅｒ ｏｆ Ｊｕｎｃａｏ Ｔｅｃｈｎｏｌｏｇｙꎬ Ｆｕｊｉａｎ
Ａｇｒｉｃｕｌｔｕｒｅ ａｎｄ Ｆｏｒｅｓｔｒｙ Ｕｎｉｖｅｒｓｉｔｙꎬ Ｆｕｚｈｏｕ ３５０００２ꎬ Ｃｈｉｎａ )
Ａｂｓｔｒａｃｔ: Ａｉｍｉｎｇ ｔｏ ａｄｄｒｅｓｓ ｔｈｅ ｃｈａｌｌｅｎｇｅｓ ｏｆ ｍｏｒｐｈｏｌｏｇｉｃａｌ ｓｉｍｉｌａｒｉｔｙ ａｍｏｎｇ ｄｉｆｆｅｒｅｎｔ ｓｐｅｃｉｅｓ ｏｆ Ｊｕｎｃａｏ ａｎｄ ｔｈｅ ｌｏｗ
ｅｆｆｉｃｉｅｎｃｙ ｏｆ ｔｒａｄｉｔｉｏｎａｌ ｉｄｅｎｔｉｆｉｃａｔｉｏｎ ｍｅｔｈｏｄｓꎬ ｔｈｉｓ ｓｔｕｄｙ ｅｍｐｌｏｙｅｄ ｓｐｅｃｔｒａｌ ｆｅａｔｕｒｅ ａｎａｌｙｓｉｓ ａｎｄ ｍａｃｈｉｎｅ ｌｅａｒｎｉｎｇ
ｍｏｄｅｌｉｎｇ ｔｏ ａｃｈｉｅｖｅ ｅｆｆｉｃｉｅｎｔ ｉｄｅｎｔｉｆｉｃａｔｉｏｎ ａｎｄ ｃｌａｓｓｉｆｉｃａｔｉｏｎ ｏｆ ｅｉｇｈｔ Ｊｕｎｃａｏ ｓｐｅｃｉｅｓ. Ｓｐｅｃｔｒａｌ ｒｅｆｌｅｃｔａｎｃｅ ｄａｔａ ｏｆ ｌｅａｆ
ｓａｍｐｌｅｓ ｆｒｏｍ ｅｉｇｈｔ ｓｐｅｃｉｅｓꎬ ｉｎｃｌｕｄｉｎｇ Ｃｅｎｃｈｒｕｓ ｆｕｎｇｉｇｒａｍｉｎｕｓꎬ Ｐｅｎｎｉｓｅｔｕｍ ｐｕｒｐｕｒｅｕｍꎬ Ｐ. ｐｕｒｐｕｒｅｕｍ ｃｖ. Ｌａｉｍｕ￣１ꎬ
Ｐ. ｐｕｒｐｕｒｅｕｍ ｃｖ. Ｒｅｄꎬ Ｐ. ａｌｏｐｅｃｕｒｏｉｄｅｓꎬ Ｐ. ｇｌａｕｃｕｍ × ｐｕｒｐｕｒｅｕｍꎬ Ｐ. ａｍｅｒｉｃａｎｕｍꎬ ａｎｄ Ｓａｃｃｈａｒｕｍ ｏｆｆｉｃｉｎａｒｕｍ
ｃｖ. ＰＮＧꎬ ｗｅｒｅ ｃｏｌｌｅｃｔｅｄ ｗｉｔｈｉｎ ｔｈｅ ４００ － ９００ ｎｍ ｗａｖｅｌｅｎｇｔｈ ｒａｎｇｅ. Ｂｙ ｐｒｏｃｅｓｓｉｎｇ ｔｈｅ ｏｒｉｇｉｎａｌ ｓｐｅｃｔｒａ ａｌｏｎｇ ｗｉｔｈ ｔｈｅｉｒ
ｒｅｃｉｐｒｏｃａｌ ｔａｋｉｎｇ ｌｏｇａｒｉｔｈｍ ｔｒａｎｓｆｏｒｍａｔｉｏｎｓꎬ ｔｈｅ ｆｉｒｓｔ ｄｅｒｉｖａｔｉｖｅｓꎬ ａｎｄ ｔｈｅ ｓｅｃｏｎｄ ｄｅｒｉｖａｔｉｖｅｓꎬ ｓｐｅｃｔｒａｌ ｃｈａｒａｃｔｅｒｉｓｔｉｃｓ
ｗｅｒｅ ａｎａｌｙｚｅｄꎬ ａｎｄ ｍｕｌｔｉｐｌｅ ｖｅｇｅｔａｔｉｏｎ ｉｎｄｉｃｅｓ ｗｅｒｅ ｅｘｔｒａｃｔｅｄ. Ｂａｓｅｄ ｏｎ ｓｉｘ ｔｙｐｅｓ ｏｆ ｆｅａｔｕｒｅ ｓｅｔｓ — ｏｒｉｇｉｎａｌ ｓｐｅｃｔｒｕｍꎬ
ｒｅｃｉｐｒｏｃａｌ ｔａｋｉｎｇ ｌｏｇａｒｉｔｈｍ ｔｒａｎｓｆｏｒｍａｔｉｏｎꎬ ｔｈｅ ｆｉｒｓｔ ｄｅｒｉｖａｔｉｖｅꎬ ｔｈｅ ｓｅｃｏｎｄ ｄｅｒｉｖａｔｉｖｅꎬ ｔｈｒｅｅ￣ｅｄｇｅ ｐａｒａｍｅｔｅｒｓꎬ ａｎｄ
ｖｅｇｅｔａｔｉｏｎ ｉｎｄｅｘ — ｔｗｅｎｔｙ ｇｒａｄｅｄ ｆｅａｔｕｒｅ ｃｏｍｂｉｎａｔｉｏｎｓ ｗｅｒｅ ｃｏｎｓｔｒｕｃｔｅｄ. Ｃｌａｓｓｉｆｉｃａｔｉｏｎ ｍｏｄｅｌｓ ｗｅｒｅ ｄｅｖｅｌｏｐｅｄ ｕｓｉｎｇ
ｓｕｐｐｏｒｔ ｖｅｃｔｏｒ ｍａｃｈｉｎｅ (ＳＶＭ) ａｎｄ ｒａｎｄｏｍ ｆｏｒｅｓｔ (ＲＦ) ａｌｇｏｒｉｔｈｍｓꎬ ｗｉｔｈ ｍｏｄｅｌ ａｃｃｕｒａｃｙ ｅｖａｌｕａｔｅｄ ａｃｃｏｒｄｉｎｇｌｙ. Ｔｈｅ
ｒｅｓｕｌｔｓ ｗｅｒｅ ａｓ ｆｏｌｌｏｗｓ: (１) Ｔｈｅ ｅｉｇｈｔ Ｊｕｎｃａｏ ｓｐｅｃｉｅｓ ｅｘｈｉｂｉｔｅｄ ｔｙｐｉｃａｌ ｖｅｇｅｔａｔｉｏｎ ｓｐｅｃｔｒａｌ ｃｈａｒａｃｔｅｒｉｓｔｉｃｓ ｉｎ ｔｈｅ ｖｉｓｉｂｌｅ
ｌｉｇｈｔ ｒｅｇｉｏｎꎬ ｗｉｔｈ ｒｅｆｌｅｃｔａｎｃｅ ｒｉｓｉｎｇ ｓｈａｒｐｌｙ ｉｎ ｔｈｅ ｒｅｄ￣ｅｄｇｅ ｒｅｇｉｏｎ (７００ － ７５０ ｎｍ). (２) Ｄｉｆｆｅｒｅｎｔ ｓｐｅｃｔｒａｌ ｐｒｏｃｅｓｓｉｎｇ
ｍｅｔｈｏｄｓ ｓｉｇｎｉｆｉｃａｎｔｌｙ ａｍｐｌｉｆｉｅｄ ｉｎｔｅｒ￣ｓｐｅｃｉｅｓ ｓｐｅｃｔｒａｌ ｄｉｆｆｅｒｅｎｃｅｓ ｉｎ ｓｐｅｃｉｆｉｃ ｂａｎｄｓꎬ ｓｕｃｈ ａｓ ｒｅｃｉｐｒｏｃａｌ ｔａｋｉｎｇ ｌｏｇａｒｉｔｈｍ
ｔｒａｎｓｆｏｒｍａｔｉｏｎ ｗｉｔｈｉｎ ５７０ － ６５０ ｎｍꎬ ｔｈｅ ｆｉｒｓｔ ｄｅｒｉｖａｔｉｖｅｓ ａｒｏｕｎｄ ７３０ ｎｍꎬ ａｎｄ ｔｈｅ ｓｅｃｏｎｄ ｄｅｒｉｖａｔｉｖｅｓ ｉｎ ｔｈｅ ６７０ － ７６０
ｎｍ ｒａｎｇｅ. Ｔｈｅ ｒｅｄ￣ｅｄｇｅ ａｍｐｌｉｔｕｄｅꎬ ｒｅｄ￣ｅｄｇｅ ａｒｅａꎬ ａｎｄ ｓｉｍｐｌｅ ｒａｔｉｏ (ＳＲ) ｖｅｇｅｔａｔｉｏｎ ｉｎｄｅｘ ｄｅｍｏｎｓｔｒａｔｅｄ ｔｈｅ ｓｔｒｏｎｇｅｓｔ
ｄｉｓｃｒｉｍｉｎａｔｉｖｅ ｐｏｗｅｒ ａｍｏｎｇ ｓｐｅｃｉｅｓ. (３) Ｍｏｄｅｌ ｐｅｒｆｏｒｍａｎｃｅ ｉｎｄｉｃａｔｅｄ ｔｈａｔ ｔｈｅ ＳＶＭ ａｌｇｏｒｉｔｈｍ ｇｅｎｅｒａｌｌｙ ｏｕｔｐｅｒｆｏｒｍｅｄ
ＲＦ. Ｔｈｅ ｃｏｍｂｉｎａｔｉｏｎ ｏｆ “ｏｒｉｇｉｎａｌ ｓｐｅｃｔｒａ ＋ ｔｈｒｅｅ￣ｅｄｇｅ ｐａｒａｍｅｔｅｒｓ” ａｃｈｉｅｖｅｄ ｔｈｅ ｈｉｇｈｅｓｔ ａｃｃｕｒａｃｙ ｏｆ ７０.５６％ ｕｎｄｅｒ ｔｈｅ
ＳＶＭꎬ ｗｈｉｃｈ ｗａｓ １４.０３％ ｈｉｇｈｅｒ ｔｈａｎ ｔｈｅ ｓａｍｅ ｃｏｍｂｉｎａｔｉｏｎ ｕｎｄｅｒ ｔｈｅ ＲＦ. Ｔｈｅ ｏｐｔｉｍａｌ ｐｅｒｆｏｒｍａｎｃｅ ｆｏｒ ＲＦ ｗａｓ ｏｂｓｅｒｖｅｄ
ｗｉｔｈ ｔｈｅ “ ｏｒｉｇｉｎａｌ ｓｐｅｃｔｒａ ＋ ｒｅｃｉｐｒｏｃａｌ ｔａｋｉｎｇ ｌｏｇａｒｉｔｈｍ ｔｒａｎｓｆｏｒｍａｔｉｏｎ ” ｃｏｍｂｉｎａｔｉｏｎꎬ ｔｈｏｕｇｈ ｉｔ ｓｈｏｗｅｄ ｌｉｍｉｔｅｄ
ａｄａｐｔａｂｉｌｉｔｙ ｔｏ ｈｉｇｈ￣ｄｉｍｅｎｓｉｏｎａｌ ｆｅａｔｕｒｅｓ. Ｉｎ ｃｏｎｃｌｕｓｉｏｎꎬ ｉｎｔｅｇｒａｔｉｎｇ ｓｐｅｃｔｒａｌ ｆｅａｔｕｒｅｓ ｆｒｏｍ ｖｉｓｉｂｌｅ ａｎｄ ｎｅａｒ￣ｉｎｆｒａｒｅｄ ｂａｎｄｓ
ｗｉｔｈ ｓｐｅｃｔｒａｌ ｔｒａｎｓｆｏｒｍａｔｉｏｎ ｔｅｃｈｎｉｑｕｅｓ ａｎｄ ｖｅｇｅｔａｔｉｏｎ ｉｎｄｉｃｅｓꎬ ｃｏｕｐｌｅｄ ｗｉｔｈ ｔｈｅ ＳＶＭ ａｌｇｏｒｉｔｈｍꎬ ｐｒｏｖｉｄｅｓ ａｎ ｅｆｆｅｃｔｉｖｅ
ｔｈｅｏｒｅｔｉｃａｌ ｆｏｕｎｄａｔｉｏｎ ａｎｄ ｔｅｃｈｎｉｃａｌ ｓｕｐｐｏｒｔ ｆｏｒ ｔｈｅ ｒａｐｉｄ ｉｄｅｎｔｉｆｉｃａｔｉｏｎ ａｎｄ ａｃｃｕｒａｔｅ ｃｌａｓｓｉｆｉｃａｔｉｏｎ ｏｆ Ｊｕｎｃａｏ ｓｐｅｃｉｅｓ.
Ｋｅｙ ｗｏｒｄｓ: ｓｐｅｃｉｅｓ ｉｄｅｎｔｉｆｉｃａｔｉｏｎꎬ ｓｐｅｃｔｒａｌ ｒｅｆｌｅｃｔａｎｃｅꎬ ｆｅａｔｕｒｅ ｅｘｔｒａｃｔｉｏｎꎬ ｓｕｐｐｏｒｔ ｖｅｃｔｏｒ ｍａｃｈｉｎｅꎬ ｒａｎｄｏｍ ｆｏｒｅｓｔ
菌草是一类具有重要经济与生态价值的多年 用需 求 日 益 凸 显 ( 陈 钟 佃 等ꎬ ２０２３ꎻ 张 丽 丽 等ꎬ
生草本植物ꎬ２０ 世纪 ８０ 年代福建农林大学国家菌 ２０２４ꎻ桂干北等ꎬ２０２４)ꎮ 但是ꎬ物种精准识别仍是
草工程技术研究中心首创“以草代木” 栽培食药用 产业瓶颈ꎬ不同菌草物种在营养生长期形态高度
菌的“菌草技术”ꎬ改变了传统菌业依赖木材的生 相似ꎬ传统形态学识别依赖经验、效率低且在幼苗
产模式(林占熺等ꎬ２０１９)ꎮ 其因生长迅速、抗逆性 期或逆境生长状态下易误判ꎬ影响物种布局与应
强、适应性广等优势ꎬ已广泛应用于饲料生产、生 用效果ꎮ
态修复及生物能源开发等领域ꎬ成为推动农业循 光谱反射率技术作为植物生理生态研究的核
环经济与生态治理的关键作物( 郑金英等ꎬ２０１１)ꎮ 心手段ꎬ凭借非破坏性、快速高效、信息丰富的优
随 着 菌 草 产 业 规 模 化 发 展ꎬ 杂 交 狼 尾 草 势ꎬ已成 为 解 决 植 物 物 种 识 别 难 题 的 重 要 工 具
( Ｐｅｎｎｉｓｅｔｕｍ ｇｌａｕｃｕｍ × ｐｕｒｐｕｒｅｕｍ )、 紫 象 草 ( Ｐ. (Ｓｅｍｙａｌｏ ｅｔ ａｌ.ꎬ２０２４)ꎮ 其核心原理在于植物叶片
ｐｕｒｐｕｒｅｕｍ ｃｖ. Ｒｅｄ)、象草( Ｐ. ｐｕｒｐｕｒｅｕｍ)、巨菌草 的光谱反射率特征由叶绿素、水分、氮素等内部生
(Ｃｅｎｃｈｒｕｓ ｆｕｎｇｉｇｒａｍｉｎｕｓ) 等主流物种的差异化应 化组分与叶片结构共同决定ꎬ不同物种因生化与
