Page 114 - 《广西植物》2026年第6期
P. 114

6 期        李声繁等: 基于可见光-近红外光谱与机器学习的不同菌草物种叶片光谱特性比较分析                                        1 0 2 9

            结构差 异ꎬ 在 特 定 波 段 会 呈 现 独 特 的 反 射 规 律               草( P. alopecuroides)、 杂 交 狼 尾 草、 美 洲 狼 尾 草
            (Spafford et al.ꎬ 2021ꎻSuprapto et al.ꎬ 2025)ꎮ 在   ( P. americanum )、 巴 新 野 生 蔗 ( Saccharum
            植物品种识别领域ꎬ光谱技术凭借非破坏性与信                              officinarum cv. PNG) 8 种典型菌草物种为研究对
            息丰富性优势ꎬ已在多物种、多场景中实现成熟应                             象ꎬ采用便携式地物光谱仪采集叶片光谱数据ꎬ结
            用ꎮ 刘俊泽等(2024)通过光谱成像技术检测发现                          合倒数取对数、一阶导数、二阶导数等光谱处理方
            不同品种燕麦种子表型与光谱参数存在显著性差                              法及植被指数提取技术ꎬ构建多维度特征组合ꎬ通
            异ꎻ刘依柔等(2024) 证实提取冠层反射率并构建                          过运用支持向量机( support vector machineꎬ SVM)
            植被指数组合可显著提升花生品种识别精度ꎻ姜                              算法与随机森林( random forestꎬ RF) 算法构建分
            友谊等(2023) 通过计算成熟度指数并构建基于                           类模型ꎬ拟探讨以下问题:(1) 亲缘关系相近的菌
            RF 算法的玉米估算模型ꎬ为品种特异性表征提供                            草物种ꎬ其叶片光谱的细微差异主要体现在哪些
            间接技术支撑ꎮ 但是ꎬ菌草相关光谱研究仍存在                             特征维度ꎻ(2)不同数学变换(倒数取对数、一阶导
            明显局限ꎬ现有研究多聚焦于单一胁迫下的光谱                              数、二阶导数)如何从原理上差异化增强菌草物种
            响应(李慧琳等ꎬ2025)及叶绿素含量光谱反演( 白                         间的光谱特征差异ꎻ(3) 何种机器学习模型( SVM
            妮妮等ꎬ2023) 等生理生化指标监测ꎬ虽然为光谱                          或 RF)最适合解译菌草光谱构建的复杂特征空
            技术在菌草研究中的应用奠定基础ꎬ但是尚未系                              间ꎬ实现物种高效精准识别ꎮ
            统开展多物种光谱特性比较ꎬ更缺乏基于光谱特
            征的物种识别方法ꎮ                                          1  材料与方法
                 技术发展趋势方面ꎬ光谱数据深度挖掘与机器
            学习算法的融合已成为提升植物品种识别精度的                              1.1 试验地点和材料
            核心路径ꎮ Wijayanto 等(2023) 证实基于无人机多                       研究区位于福建农林大学旗山校区菌草种质
            光谱结合神经网络(neural networkꎬ NN)算法ꎬ可实                  资源圃(119°17′04″E、26°05′59″N)ꎬ属亚热带海
            现对水稻品种的快速、有效分类ꎻ沈思聪等(2023)                          洋性季风气候ꎬ年平均日照时间 1 500 ~ 1 700 hꎬ年
            使用 鲸 鱼 优 化 算 法 ( whale optimization algorithmꎬ     平均降水量 1 400 ~ 1 700 mmꎬ年平均气温 19 ~ 20
            WOA)和灰狼优化算法(grey wolf optimizerꎬ GWO)              ℃ ꎬ雨量充沛ꎬ阳光充足( 李新妹等ꎬ2022)ꎮ 圃内
            对支持向量机估算模型进行优化ꎬ明确算法与特征                             供试菌草于 2024 年 3 月统一采用茎节扦插方式进
            的适配性直接影响紫花苜蓿的分类效果ꎻ Wu 等                            行种植ꎬ为排除环境与管理差异对菌草生长及光
            (2024)基于无人机多光谱影像实现冬小麦叶绿素                           谱特征的干扰ꎬ试验期间所有菌草物种均采用一
            含量遥感估算ꎬ凸显光谱技术规模化应用潜力ꎮ 上                            致的田间管理措施ꎬ包括定期开展中耕除草ꎬ统一
            述研究共同揭示ꎬ通过光谱变换增强差异特征、构                             灌溉ꎬ并在菌草生长关键期施用等量复合肥ꎬ保障
            建多维度特征组合、选择适配的机器学习算法ꎬ是                             养分供给均衡ꎮ
            实现植物品种精准识别的有效技术框架ꎮ                                     本研究选取 8 种具有代表性的菌草物种作为
                 相较于同类研究ꎬ菌草光谱研究的局限性尤                           供试材料ꎬ分别为巨菌草、象草、莱牧 1 号象草、紫
            为突出:一是研究对象单一ꎬ多聚焦于单一物种的                             象草、狼尾草、杂交狼尾草、美洲狼尾草、巴新野生

            生理指标反演ꎬ缺乏多物种光谱特性的系统比较ꎻ                             蔗ꎬ各物种叶片特征如表 1 所示ꎮ
            二是特征提取维度不足ꎬ尚未形成“ 原始光谱+变                            1.2 数据采集

            换光谱+特征参数+植被指数”的多维度特征体系ꎻ                                研究采用 HEP ̄512 ̄A 便携式地物光谱仪采集
            三是算法适配性研究缺失ꎬ未明确不同机器学习                              研究区菌草叶片光谱数据ꎬ该光谱仪光谱范围为

            算法在菌草光谱识别中的性能差异与适用场景ꎮ                              390 ~ 995 nmꎬ光谱分辨率为 1 nmꎬ光谱通道共 512
            因此ꎬ系统开展菌草物种光谱特性比较ꎬ构建针对                             个ꎬ镜头视场包括 3°、5°和 8°ꎮ 本研究使用 3°镜
            性的特征组合与算法模型ꎬ填补菌草光谱识别领                              头采集菌草叶片光谱反射率数据ꎮ
            域的研究空白ꎬ具有重要的理论与实践价值ꎮ                                   测量于 2025 年 6 月 15 日植物生长高峰期进
                 本 研 究 以 巨 菌 草、 象 草、 莱 牧 1 号 象 草               行ꎬ选择天气晴朗无风、光线条件良好的11:00—
            (Pennisetum purpureum cv. Laimu ̄1)、紫象草、狼尾          14:00 时间段采集ꎮ 测量前ꎬ 仪器镜头对准标准参
   109   110   111   112   113   114   115   116   117   118   119