Page 116 - 《广西植物》2026年第6期

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 ３ １

表 ２ 一阶导数光谱特征参数
Ｔａｂｌｅ ２ Ｓｐｅｃｔｒａｌ ｆｅａｔｕｒｅ ｐａｒａｍｅｔｅｒｓ ｏｆ ｔｈｅ ｆｉｒｓｔ ｄｅｒｉｖａｔｉｖｅ
特征参数 解释说明
Ｃｈａｒａｃｔｅｒｉｓｔｉｃ ｐａｒａｍｅｔｅｒ Ｅｘｐｌａｎａｔｉｏｎ
蓝边振幅 ４９０ ~ ５３０ ｎｍ 内一阶导数最大值
Ａｍｐｌｉｔｕｄｅ ｏｆ ｔｈｅ ｂｌｕｅ ｅｄｇｅ Ｔｈｅ ｍａｘｉｍｕｍ ｖａｌｕｅ ｏｆ ｔｈｅ ｆｉｒｓｔ ｄｅｒｉｖａｔｉｖｅ ｗｉｔｈｉｎ ４９０－５３０ ｎｍ
蓝边位置 ４９０ ~ ５３０ ｎｍ 内一阶导数最大值对应波长
Ｐｏｓｉｔｉｏｎ ｏｆ ｔｈｅ ｂｌｕｅ ｅｄｇｅ Ｔｈｅ ｗａｖｅｌｅｎｇｔｈ ｃｏｒｒｅｓｐｏｎｄｉｎｇ ｔｏ ｔｈｅ ｍａｘｉｍｕｍ ｖａｌｕｅ ｏｆ ｔｈｅ ｆｉｒｓｔ ｄｅｒｉｖａｔｉｖｅ ｗｉｔｈｉｎ ４９０－５３０ ｎｍ
蓝边面积 ４９０ ~ ５３０ ｎｍ 内一阶导数值总和
Ａｒｅａ ｏｆ ｔｈｅ ｂｌｕｅ ｅｄｇｅ Ｓｕｍ ｏｆ ｔｈｅ ｆｉｒｓｔ ｄｅｒｉｖａｔｉｖｅｓ ｗｉｔｈｉｎ ４９０－５３０ ｎｍ
黄边振幅 ５６０ ~ ６４０ ｎｍ 内一阶导数最大值
Ａｍｐｌｉｔｕｄｅ ｏｆ ｔｈｅ ｙｅｌｌｏｗ ｅｄｇｅ Ｔｈｅ ｍａｘｉｍｕｍ ｖａｌｕｅ ｏｆ ｔｈｅ ｆｉｒｓｔ ｄｅｒｉｖａｔｉｖｅ ｗｉｔｈｉｎ ５６０－６４０ ｎｍ
黄边位置 ５６０ ~ ６４０ ｎｍ 内一阶导数最大值对应波长
Ｐｏｓｉｔｉｏｎ ｏｆ ｔｈｅ ｙｅｌｌｏｗ ｅｄｇｅ Ｔｈｅ ｗａｖｅｌｅｎｇｔｈ ｃｏｒｒｅｓｐｏｎｄｉｎｇ ｔｏ ｔｈｅ ｍａｘｉｍｕｍ ｖａｌｕｅ ｏｆ ｔｈｅ ｆｉｒｓｔ ｄｅｒｉｖａｔｉｖｅ ｗｉｔｈｉｎ ５６０－６４０ ｎｍ
黄边面积 ５６０ ~ ６４０ ｎｍ 内一阶导数值总和
Ａｒｅａ ｏｆ ｔｈｅ ｙｅｌｌｏｗ ｅｄｇｅ Ｓｕｍ ｏｆ ｔｈｅ ｆｉｒｓｔ ｄｅｒｉｖａｔｉｖｅｓ ｗｉｔｈｉｎ ５６０－６４０ ｎｍ
红边振幅 ６８０ ~ ７６０ ｎｍ 内一阶导数最大值
Ａｍｐｌｉｔｕｄｅ ｏｆ ｔｈｅ ｒｅｄ ｅｄｇｅ Ｔｈｅ ｍａｘｉｍｕｍ ｖａｌｕｅ ｏｆ ｔｈｅ ｆｉｒｓｔ ｄｅｒｉｖａｔｉｖｅ ｗｉｔｈｉｎ ６８０－７６０ ｎｍ
红边位置 ６８０ ~ ７６０ ｎｍ 内一阶导数最大值对应波长
Ｐｏｓｉｔｉｏｎ ｏｆ ｔｈｅ ｒｅｄ ｅｄｇｅ Ｔｈｅ ｗａｖｅｌｅｎｇｔｈ ｃｏｒｒｅｓｐｏｎｄｉｎｇ ｔｏ ｔｈｅ ｍａｘｉｍｕｍ ｖａｌｕｅ ｏｆ ｔｈｅ ｆｉｒｓｔ ｄｅｒｉｖａｔｉｖｅ ｗｉｔｈｉｎ ６８０－７６０ ｎｍ
红边面积 ６８０ ~ ７６０ ｎｍ 内一阶导数值总和
Ａｒｅａ ｏｆ ｔｈｅ ｒｅｄ ｅｄｇｅ Ｓｕｍ ｏｆ ｔｈｅ ｆｉｒｓｔ ｄｅｒｉｖａｔｉｖｅｓ ｗｉｔｈｉｎ ６８０－７６０ ｎｍ

表 ３ 植被指数及计算公式
Ｔａｂｌｅ ３ Ｖｅｇｅｔａｔｉｏｎ ｉｎｄｅｘｅｓ ａｎｄ ｃａｌｃｕｌａｔｉｏｎ ｆｏｒｍｕｌａｓ
植被指数 简称 计算公式 参考文献
Ｖｅｇｅｔａｔｉｏｎ ｉｎｄｅｘ Ａｂｂｒｅｖｉａｔｉｏｎ Ｃｏｍｐｕｔａｔｉｏｎａｌ ｆｏｒｍｕｌａ Ｒｅｆｅｒｅｎｃｅ
归一化植被指数 ＮＤＶＩ (Ｒ ８６０ －Ｒ ６６０ ) / (Ｒ ８６０ ＋Ｒ ６６０ ) Ａｎａｎｄ ｅｔ ａｌ.ꎬ ２０２５
Ｎｏｒｍａｌｉｚｅｄ ｄｉｆｆｅｒｅｎｃｅ ｖｅｇｅｔａｔｉｏｎ ｉｎｄｅｘ
简单比值植被指数 ＳＲ Ｒ ８６０ / Ｒ ６６０ Ｌｉｕ ｅｔ ａｌ.ꎬ ２０２４
Ｓｉｍｐｌｅ ｒａｔｉｏ ｖｅｇｅｔａｔｉｏｎ ｉｎｄｅｘ
增强型植被指数 ＥＶＩ ２.５×(Ｒ ８６０ －Ｒ ６６０ ) / (Ｒ ８６０ ６Ｒ ６６０ ７.５Ｒ ４６０ １) Ｈｕｅｔｅ ｅｔ ａｌ.ꎬ ２００２
－
＋
＋
Ｅｎｈａｎｃｅｄ ｖｅｇｅｔａｔｉｏｎ ｉｎｄｅｘ
差值植被指数 ＤＶＩ Ｒ ８６０ －Ｒ ６６０ Ｈｉｒｏｓｈｉ ｅｔ ａｌ.ꎬ ２０２３
Ｄｉｆｆｅｒｅｎｃｅ ｖｅｇｅｔａｔｉｏｎ ｉｎｄｅｘ
改进红边比值植被指数 ｍＳＲ７０５ (Ｒ ７５０ －Ｒ ４４５ ) / (Ｒ ７５０ ＋Ｒ ４４５ ) Ｌｉｎ ｅｔ ａｌ.ꎬ ２０２０
Ｉｍｐｒｏｖｅｄ ｒｅｄ ｅｄｇｅ ｒａｔｉｏ ｖｅｇｅｔａｔｉｏｎ ｉｎｄｅｘ
红边归一化植被指数 ＮＤＶＩ７０５ (Ｒ ７５０ －Ｒ ７０５ ) / (Ｒ ７５０ ＋Ｒ ７０５ ) Ｄｉｍｉｔｒｉ ｅｔ ａｌ.ꎬ ２０２２
Ｒｅｄ ｅｄｇｅ ｎｏｒｍａｌｉｚｅｄ ｖｅｇｅｔａｔｉｏｎ ｉｎｄｅｘ
绿色归一化植被指数 ＧＮＤＶＩ (Ｒ ８６０ －Ｒ ５６０ ) / (Ｒ ８６０ ＋Ｒ ５６０ ) Ｘｕ ｅｔ ａｌ.ꎬ ２０２４
Ｇｒｅｅｎ ｎｏｒｍａｌｉｚｅｄ ｖｅｇｅｔａｔｉｏｎ ｉｎｄｅｘ

习算法ꎬ结合菌草光谱特征属性设计适配参数ꎮ 用线性核函数ꎬ核函数参数设为默认值ꎬ该核函数
支持向量机(ＳＶＭ)是由 Ｖａｐｎｉｋ 和 Ｃｈａｐｅｌｌｅ(２０００) 在处理线性关系显著的数据时具有计算简洁、可
提出的经典监督学习算法ꎬ基于结构风险最小化 解释性强的优势ꎮ 随机森林( ＲＦ) 作为一种基于
原则构建的线性分类器ꎬ核心目标是在特征空间 分类与回归树的集成学习算法ꎬ由 Ｂｒｅｉｍａｎ(２００１)
中寻找能最大化不同类别样本间隔的最优分类超 首次提出ꎬ其核心是通过构建多棵独立决策树并
平面ꎬ从而实现全局最优的分类决策ꎮ 本研究选 整合输出结果实现分类或回归分析ꎮ 该算法具备