Page 124 - 《广西植物》2026年第6期
P. 124

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 9

            59.58%ꎬ均值为 46. 83%ꎬSVM 算法整体精度略高                    化ꎬ这也在张正龙等(2025)的研究中得到印证ꎮ
            2.12%ꎮ 从单组合最优表现来看ꎬSVM 算法的最高                            通过光谱变换与特征参数提取ꎬ这些结构差
            精度出现在原始光谱+三边参数(S1+S5)组合中ꎬ达                         异被进一步转化为可量化、可区分的分类特征ꎮ
            70.56%ꎻRF 算法的精度峰值则位于原始光谱+倒数                        一阶导数在 525 nm 处的细微差别揭示了叶绿素 a
            取对数(S1+S2)组合ꎬ为59.58%ꎬ两类算法的最优性                      吸收效率的差异ꎬ可能关联于光合系统Ⅱ的活性

            能分别对应不同的特征维度搭配ꎮ                                    状态(Lin et al.ꎬ2013)ꎻ二阶导数在红边波段的曲
                 特征组合适配性方面ꎬSVM 算法在 7 类特征                       率变化则敏感地反映了叶片细胞间隙与色素分布

            组合中ꎬ原始光谱+三边参数( S1+S5)、原始光谱+                        的微观结构特征( 孙晶京等ꎬ2020)ꎻ三边参数中ꎬ
            植被指数(S1+S6)等组合表现更优ꎬ其中在原始光                          红边面积对物种区分最为敏感ꎬ其与叶绿素含量、

            谱+三边参数(S1+S5)组合中优势最为显著ꎬ较 RF                        生物量的强相关性ꎬ体现了近缘物种在碳同化能
            高出 14.03%ꎮ RF 在 13 类特征组合中ꎬ如原始光                     力上的生理分异(郭宇龙等ꎬ2020)ꎮ
            谱+一阶导数(S1+S3)、原始光谱+倒数取对数+一                             植被指数的差异则从系统层面综合表征了物
            阶导数(S1+S2+S3)等组合精度略高于 SVMꎬ这一                       种的生理状态ꎮ SR 的显著变异不仅体现在叶绿
            结果反映了 SVM 对低维融合特征的拟合与区分能                           素含量差异ꎬ更反映了光能利用效率与光合适应
            力更强ꎬ而 RF 更适配含倒数取对数、一阶导数的                           策略的不同ꎻNDVI 等指数的规律性排序ꎬ可能体
            变换特征组合ꎮ                                            现了对应物种在弱光适应或抗逆性能上的分化
                 随着特征维度的增加ꎬ两类算法精度均未呈                           (Tucak et al.ꎬ2025)ꎮ 这些光谱特征差异实质上
            现单调上升趋势:SVM 算法在二维融合时ꎬ即原始                           构成了物种生态适应性的光学表征ꎬ为菌草物种
            光谱 + 三 边 参 数 ( S1 + S5) 组 合 达 到 最 优 精 度            的生理诊断与生态适宜性评价提供了重要依据ꎮ
            70.56%ꎬ加入更多特征后精度持续下降ꎬ如全特征                              未来研究可进一步整合叶片解剖、光合生理
            组合(S1-S6) 精度降至 52.22%ꎬ显示其对高维度                      与分子数据ꎬ深入阐释光谱特征与菌草环境适应
            特征的适配性较弱ꎻRF 算法在仅原始光谱( S1) 基                        机制的内在联系ꎬ推动光谱技术从物种识别向生
            础上加入倒数取对数(S2) 后达到峰值 59.58%ꎬ后                       理生态功能解析的跨越发展ꎮ
            续继续增加一阶导数( S3)、二阶导数( S4) 等特征                       3.2 光谱变换方法的差异化效应
            时精度略有回落ꎬ说明过度叠加特征可能未带来                                  光谱变换的核心价值在于通过数学映射重构
            额外增益ꎮ                                              光谱信号ꎬ针对性放大物种间固有差异ꎬ其作用机
                                                               制与适配波段的分化特征ꎬ与菌草光谱物理本质、
            3  讨论                                              生理属性相关( 张微等ꎬ2017ꎻ王宇等ꎬ2023)ꎮ 不

                                                               同变换方法通过特定数学运算挖掘差异化信息ꎬ
            3.1 亲缘关系相近菌草物种叶片光谱细微差异机                            受菌草叶片生化组分与结构特征的协同调控ꎬ形
            理阐释                                                成明确的“方法-波段-目标”适配规律ꎮ
                 亲缘关系相近菌草物种的光谱细微差异ꎬ本                               倒数取对数变换通过“ 倒数转换-对数压缩”
            质上是叶片结构、生化组分与光合生理特性在相                              双重作用逆转原始光谱吸收-反射关系ꎬ在可见光
            似遗传背景下的适应性分异表现ꎮ 近红外波段反                             波段(450 ~ 700 nm) 展现最优区分效果ꎮ 该波段
            射率的差异主要源于叶片内部结构的不同ꎮ 陈晨                             作为叶绿素与花青素的光谱竞争区ꎬ杂交狼尾草
            (2024)研究表明ꎬ紫象草较高的海绵组织孔隙度                           高叶绿素 a 含量与紫象草花青素积累导致的反射
            增强了光散射ꎬ使其反射率显著高于巨菌草ꎻ而杂                             率差异ꎬ经变换后在 560 nm 处差值达 0.920 1ꎬ这
            交狼尾草较低的反射率则可能与其较厚的叶片和                              一非线性放大效应与代文东等(2021) 关于光谱变
            更致密的细胞排列有关ꎬ这与王美月等(2025) 关                          换与植物色素含量相关性的研究结论一致ꎮ 在近
            于红边参数可表征叶片结构与光合特性协同关系                              红外波段(700 ~ 900 nm)ꎬ该变换仍能维持物种间
            的结论一致ꎮ 红边区域的斜率与起始波长差异ꎬ                             稳定分层ꎬ排序结果与叶片结构高度吻合ꎬ与李旭
            则反映了叶绿素分布密度与叶片厚度的协同变                               等(2023)发现其可强化作物反射率与生理属性耦
            化ꎬ暗示不同物种在光能捕获与利用策略上的分                              合关系的成果跨物种印证ꎬ凸显其兼顾多维度信
   119   120   121   122   123   124   125   126   127   128   129