Page 125 - 《广西植物》2026年第6期

１ ０ ４ ０ 广 西 植 物 ４６ 卷
息的优势ꎮ 线性关联的处理能力上ꎬ这一规律与植物光谱识
一阶导数变换聚焦“ 光谱变化率”ꎬ有效剥离 别 领 域 的 相 关 研 究 结 论 具 有 一 致 性 ( Ｋｕｂｕｓꎬ
基线漂移干扰ꎬ在红边过渡区(６６０ ~ ７３０ ｎｍ) 优势 ２０１８)ꎮ
显著ꎮ 该波段作为叶绿素吸收向叶片散射的临界 ＳＶＭ 算法采用线性核函数ꎬ对低维线性特征
转换带ꎬ 紫 象 草 与 杂 交 狼 尾 草 的 变 化 率 差 值 达 拟合高效ꎬ在“原始光谱＋三边参数”组合中达到最
０.００３ １ꎬ源于两者叶绿素 ａ / ｂ 比值与类胡萝卜素 优精度 ７０.５６％ꎬ较 ＲＦ 同组合高出 １４.０３％ꎮ 该组

含量的分化( Ｎｉａｎ ｅｔ ａｌ.ꎬ２０２４ꎻＳｈｉ ｅｔ ａｌ.ꎬ２０２４)ꎮ 合中原始光谱与三边参数均呈低维线性分布ꎬ与
但是ꎬ该变换在近红外波段(７６０ ~ ９００ ｎｍ) 区分能 ＳＶＭ 线性核函数优化目标高度契合ꎬ但 ＳＶＭ 对高
力弱化ꎬ因物种间结构差异缩小导致变化率趋同 维特征适配性不足ꎬ全特征组合精度仅 ５２.２２％ꎬ
(曾德 华 等ꎬ２０２４)ꎬ 这 与 Ｗｕ 等 ( ２０２１)、 高 鑫 等 面临“维度灾难”ꎬ这与阳昌霞等(２０２０) 在农作物
(２０１６)分别在马铃薯、玉米光谱研究中发现的波 分类中发现的 ＳＶＭ 线性核适配性局限一致ꎬ也符

段适配特性相符ꎮ 合 Ｖａｐｎｉｋ 和 Ｃｈａｐｅｌｌｅ( ２０００) 关于 ＳＶＭ 算法特性
二阶导数变换通过捕捉一阶导数曲率变化ꎬ 的理论阐释ꎮ
在红边核心区(６７０ ~ ７６０ ｎｍ) 深度挖掘物种差异 ＲＦ 算法作为集成学习方法ꎬ通过多决策树投
(徐元江等ꎬ２０１９)ꎮ 该区域曲率变化与叶绿素 ａ 票机制降低过拟合风险ꎬ展现出更强的高维特征
含量、细胞间隙大小直接相关( Ｖíｔｅｋ ｅｔ ａｌ.ꎬ２０１７)ꎬ 适配能力ꎮ 其最优组合“ 原始光谱＋倒数取对数”
紫象草与杂交狼尾草在 ６９０ ｎｍ 和 ７４５ ｎｍ 处差值 精度达 ５９.５８％ꎬ在高维组合中优势显著ꎬ如“原始光
分别达 ０.０００ １４ 和 ０.０００ １６ꎬ成为分类敏感标识ꎮ 谱＋倒数取对数＋一阶导数” 组合精度 ５７.９２％ꎬ较
但二阶导 数 对 噪 声 敏 感ꎬ近 红 外 波 段 ( ７８０ ~ ９００ ＳＶＭ 同组合高出 ６.３９％ꎮ ＲＦ 的核心优势在于特
ｎｍ)区分效果有限ꎬ需与其他变换方法组合使用ꎬ 征重要性排序与多决策树集成机制ꎬ可筛选核心
这与赵秀明等(２０１２)、张南等(２０１６)、曹晓明等 敏感特征并挖掘非线性互补信息ꎬ但精度未随特
(２０２１)关于二阶导数光谱特性的研究结论一致ꎮ 征维度单调上升ꎬ过度叠加特征导致精度回落ꎬ印
三边参数通过量化导数光谱的振幅、面积与 证高维冗余会稀释核心信号ꎬ这与 Ｓｕｎ 等(２０２３)、
位置ꎬ将光谱规律转化为可解释的生理指标( 杨迈 Ｈａｇｈｄｏｏｓｔ 和 Ａｚａｍａｔｈｕｌｌａ(２０２４)的研究发现一致ꎮ
等ꎬ２０２４)ꎬ其中红边参数区分能力最为突出( 陈杏 算法性能分化还与数据分布特性密切相关ꎮ
等ꎬ２０２４)ꎮ 红边振幅与面积的物种间差值分别达 本研究为小样本场景ꎬＲＦ 通过 Ｂｏｏｔｓｔｒａｐ 重采样降
０.００３ ３ 与 ０.１７１ ６ꎬ本质是红边位置与叶绿素 ａ 含 低随机性干扰ꎬ对数据噪声抵抗能力更强ꎬ稳定性
量、生物量的协同作用( 万玲凤等ꎬ２００７)ꎻ蓝边与 更优ꎬ这与宋少忠等(２０２４)得出的 ＲＦ 参数调整可
黄边参数分别响应叶绿素 ｂ 与类胡萝卜素分布差 提升模型鲁棒性结论一致ꎬ为菌草光谱识别模型
异ꎬ形成有效补充( 张珊珊等ꎬ２０１４)ꎬ与葛元梅等 的实际应用提供重要参数适配依据ꎮ
(２０１９)、赵春江等(２００２) 分别在棉花、冬小麦红 ３.４ 分类精度的影响因素分析
边参数研究中的成果相印证ꎬ证实红边是物种生 本 研 究 分 类 精 度 整 体 集 中 在 ２３. １９％ ~

态位分化的核心光谱标识ꎮ ７０.５６％ꎬ不同特征组合与算法的精度差异ꎬ本质是
综上ꎬ光谱变换方法选择需遵循“ 波段－目标” “特征质量－算法适配－数据特性” 三者协同作用
匹配原则:倒数取对数变换适配可见光波段生化 的结果ꎬ其规律可为植物光谱识别研究提供普适
差异提取ꎬ一阶导数变换聚焦红边过渡区变化率 性参考ꎬ也与同类近缘植物光谱识别的研究成果
特征ꎬ二阶导数变换深挖红边核心区细微形变ꎬ三 形成呼应(陈星宇等ꎬ２０２５)ꎮ
边参数实现生理指标量化表征ꎬ多变换特征组合 特征组合合理性是决定精度的核心因素ꎮ 单

可覆盖不同维度差异ꎬ为模型提供全面信息支撑ꎮ 一特征识别能力有限ꎬ而“ 原始光谱＋三边参数”、
３.３ 机器学习算法的特性适配 “原始光谱＋植被指数”等低维融合组合表现最优ꎬ
ＳＶＭ 与 ＲＦ 算法在菌草物种识别中的性能差 精度分别达 ７０.５６％与 ６７.０８％ꎬ体现基础反射率信
异ꎬ本质是算法特性与光谱特征属性的适配性分 息与生理指标的有效 互 补ꎬ这 与 Ｖｉｓｈｗａｋａｒｍａ 等
化ꎬ其核心矛盾集中在对特征维度、数据分布及非 (２０２５)、Ｃｏｓｗｏｓｋ 等(２０２４) 的相关研究结论一致ꎮ