Page 117 - 《广西植物》2026年第6期

１ ０ ３ ２ 广 西 植 物 ４６ 卷
处理高维数据的优势ꎬ同时可通过内置算法对输 表 ４ 梯度化特征组合方案
入特征的重要性进行量化排序ꎬ为解析变量贡献 Ｔａｂｌｅ ４ Ｇｒａｄｉｅｎｔ￣ｂａｓｅｄ ｆｅａｔｕｒｅ ｃｏｍｂｉｎａｔｉｏｎ ｓｃｈｅｍｅ
度提供有力支撑ꎮ 特征组合代号 特征组合名称
Ｆｅａｔｕｒｅ ｃｏｍｂｉｎａｔｉｏｎ
本研究聚焦 ８ 种菌草物种ꎬ共获取 ８０ 个样本ꎬ Ｆｅａｔｕｒｅ ｃｏｍｂｉｎａｔｉｏｎ ｎａｍｅ
ｃｏｄｅ
经波段筛选与特征融合后特征维度处于中低水 Ｓ１ 原始光谱
平ꎬ属于“小样本＋中低维特征”场景ꎮ 深度学习模 Ｏｒｉｇｉｎａｌ ｓｐｅｃｔｒｕｍ
型易因复杂度远超数据承载能力出现过拟合ꎬ而 Ｓ２ 倒数取对数
Ｒｅｃｉｐｒｏｃａｌ ｔａｋｉｎｇ ｌｏｇａｒｉｔｈｍ
ＳＶＭ 通过核函数映射可实现低维空间到高维空间
Ｓ３ 一阶导数
的非线性转换ꎬＲＦ 依托集成学习机制降低单棵决 Ｔｈｅ ｆｉｒｓｔ ｄｅｒｉｖａｔｉｖｅ
策树的过拟合风险ꎬ二者在小样本光谱分类任务 Ｓ４ 二阶导数
Ｔｈｅ ｓｅｃｏｎｄ ｄｅｒｉｖａｔｉｖｅ
中已被广泛验证具有更强的泛化能力( 王姣等ꎬ
Ｓ５ 三边参数
２０２３)ꎮ 菌草叶片红边参数、植被指数等光谱特征 Ｔｈｒｅｅ￣ｅｄｇｅ ｐａｒａｍｅｔｅｒｓ
蕴含明确的生理生态意义ꎬ与本研究“ 揭示光谱特 Ｓ６ 植被指数
Ｖｅｇｅｔａｔｉｏｎ ｉｎｄｅｘ
性差异” 的核心目标高度契合ꎬＲＦ 可通过特征重
Ｓ１＋Ｓ２ 原始光谱＋倒数取对数
要性排序量化不同特征的贡献度ꎬＳＶＭ 的线性核 Ｏｒｉｇｉｎａｌ ｓｐｅｃｔｒｕｍ ＋ ｒｅｃｉｐｒｏｃａｌ ｔａｋｉｎｇ ｌｏｇａｒｉｔｈｍ
函数能清晰反映光谱特征与物种分类的关联ꎬ而 Ｓ１＋Ｓ３ 原始光谱＋一阶导数
Ｏｒｉｇｉｎａｌ ｓｐｅｃｔｒｕｍ ＋ ｔｈｅ ｆｉｒｓｔ ｄｅｒｉｖａｔｉｖｅ
深度学习模型的“黑箱特性” 难以建立光谱特征与
Ｓ１＋Ｓ４ 原始光谱＋二阶导数
菌草生理属性的量化联系ꎮ 在植物光谱识别领域ꎬ Ｏｒｉｇｉｎａｌ ｓｐｅｃｔｒｕｍ ＋ ｔｈｅ ｓｅｃｏｎｄ ｄｅｒｉｖａｔｉｖｅ
ＲＦ 与 ＳＶＭ 因训练高效、参数易调、对噪声鲁棒等特 Ｓ１＋Ｓ５ 原始光谱＋三边参数
Ｏｒｉｇｉｎａｌ ｓｐｅｃｔｒｕｍ ＋ ｔｈｒｅｅ￣ｅｄｇｅ ｐａｒａｍｅｔｅｒｓ
点已成为基准模型( Ｚｈａｎｇ ｅｔ ａｌ.ꎬ２０２４ꎻＧａｏ ｅｔ ａｌ.ꎬ
Ｓ１＋Ｓ６ 原始光谱＋植被指数
２０２４)ꎬ适配本研究的技术场景与实际应用需求ꎮ Ｏｒｉｇｉｎａｌ ｓｐｅｃｔｒｕｍ ＋ ｖｅｇｅｔａｔｉｏｎ ｉｎｄｅｘ
本研究以 ４００ ~ ９００ ｎｍ 波段不同菌草物种叶 Ｓ２＋Ｓ３ 倒数取对数＋一阶导数
Ｒｅｃｉｐｒｏｃａｌ ｔａｋｉｎｇ ｌｏｇａｒｉｔｈｍ ＋ ｔｈｅ ｆｉｒｓｔ ｄｅｒｉｖａｔｉｖｅ
片光谱数据为分析基础ꎬ对原始数据进行预处理
Ｓ２＋Ｓ４ 倒数取对数＋二阶导数
后ꎬ构建原始光谱、倒数取对数、一阶导数、二阶导 Ｒｅｃｉｐｒｏｃａｌ ｔａｋｉｎｇ ｌｏｇａｒｉｔｈｍ ＋ ｔｈｅ ｓｅｃｏｎｄ ｄｅｒｉｖａｔｉｖｅ
数、三边参数和植被指数 ６ 类核心特征集ꎬ构建 ２０ Ｓ３＋Ｓ４ 一阶导数＋二阶导数
Ｔｈｅ ｆｉｒｓｔ ｄｅｒｉｖａｔｉｖｅ ＋ ｔｈｅ ｓｅｃｏｎｄ ｄｅｒｉｖａｔｉｖｅ
组梯度化特征组合方案( 表 ４)ꎬ全面挖掘光谱数
Ｓ１＋Ｓ２＋Ｓ３ 原始光谱＋倒数取对数＋一阶导数
据中的物种区分信息ꎮ Ｏｒｉｇｉｎａｌ ｓｐｅｃｔｒｕｍ ＋ ｒｅｃｉｐｒｏｃａｌ ｔａｋｉｎｇ ｌｏｇａｒｉｔｈｍ ＋
ｔｈｅ ｆｉｒｓｔ ｄｅｒｉｖａｔｉｖｅ
本研究采用 ７ ∶ ３ 比例划分训练集与测试集的
Ｓ１＋Ｓ５＋Ｓ６ 原始光谱＋三边参数＋植被指数
验证方案ꎬ通过分层抽样确保训练集(５６ 个样本)与 Ｏｒｉｇｉｎａｌ ｓｐｅｃｔｒｕｍ ＋ ｔｈｒｅｅ￣ｅｄｇｅ ｐａｒａｍｅｔｅｒｓ ＋
测试集(２４ 个样本)中 ８ 种菌草物种的样本比例一 ｖｅｇｅｔａｔｉｏｎ ｉｎｄｅｘ
Ｓ１＋Ｓ２＋Ｓ３＋Ｓ４ 原始光谱＋倒数取对数＋一阶导数＋二阶导数
致ꎬ避免类别分布失衡对模型性能的干扰ꎮ 为降低 Ｏｒｉｇｉｎａｌ ｓｐｅｃｔｒｕｍ ＋ ｒｅｃｉｐｒｏｃａｌ ｔａｋｉｎｇ ｌｏｇａｒｉｔｈｍ ＋
单次数据划分的偶然性ꎬ提升结果可靠性ꎬ对每种 ｔｈｅ ｆｉｒｓｔ ｄｅｒｉｖａｔｉｖｅ ＋ ｔｈｅ ｓｅｃｏｎｄ ｄｅｒｉｖａｔｉｖｅ
特征组合均进行 ５０ 次独立的模型运算ꎬ以 ５０ 次运 Ｓ１＋Ｓ２＋Ｓ５＋Ｓ６ 原始光谱＋倒数取对数＋三边参数＋植被指数
Ｏｒｉｇｉｎａｌ ｓｐｅｃｔｒｕｍ ＋ ｒｅｃｉｐｒｏｃａｌ ｔａｋｉｎｇ ｌｏｇａｒｉｔｈｍ ＋
算分类准确率均值作为该组合的最终精度ꎬ同时计 ｔｈｒｅｅ￣ｅｄｇｅ ｐａｒａｍｅｔｅｒｓ ＋ ｖｅｇｅｔａｔｉｏｎ ｉｎｄｅｘ
算准确率的标准差ꎬ综合反映模型的整体分类性能 Ｓ１＋Ｓ３＋Ｓ５＋Ｓ６ 原始光谱＋一阶导数＋三边参数＋植被指数
Ｏｒｉｇｉｎａｌ ｓｐｅｃｔｒｕｍ ＋ ｔｈｅ ｆｉｒｓｔ ｄｅｒｉｖａｔｉｖｅ ＋
与稳定性ꎮ 所有特征筛选、模型训练、参数调优及 ｔｈｒｅｅ￣ｅｄｇｅ ｐａｒａｍｅｔｅｒｓ ＋ ｖｅｇｅｔａｔｉｏｎ ｉｎｄｅｘ

精度统计分析均在 ＭＡＴＬＡＢ 环境中完成ꎮ Ｓ１－Ｓ６ 全特征组合
Ｆｕｌｌ ｆｅａｔｕｒｅ ｃｏｍｂｉｎａｔｉｏｎ
２ 结果与分析
ｎｍ)ꎬ所有物种曲线均呈现“ 两谷一峰” 的典型植
２.１ 不同菌草物种原始光谱特征分析 被特征ꎬ４００ ~ ５００ ｎｍ 波段反射率随波长增加逐渐
不同菌草物种的叶片光谱反射率具有较为一 上升ꎬ在 ５１０ ｎｍ 附近达到第一个波谷ꎬ随后在 ５６０
致的变化过程 (图 １)ꎮ 在可见光波段 (４００ ~ ７００ ｎｍ 附近形成绿光反射峰ꎬ其中紫象草的绿光峰最