Page 126 - 《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 ４ １

高维组合精度普遍下降ꎬ如“ 全特征组合” 精度仅 但更适配变换特征ꎬ精度不随维度单调上升ꎮ 两
５２.２２％ ~ ５５.２８％ꎬ印证“ 特征维度与精度非正相 类算法均印证特征维度与精度非正相关ꎬ低维针
关”规律ꎬ与 Ｆｅｉ 等(２０２４)的研究发现高度契合ꎮ 对性融合更利于菌草物种识别ꎮ
物种自身光谱相似性是 精 度 提 升 的 固 有 瓶 本研究创新点主要体现在 ３ 个方面:一是首次
颈ꎮ ８ 种菌草同属禾本科ꎬ近缘物种关键波段光谱 系统解析 ８ 种典型菌草物种在可见光－近红外波

差异微弱ꎬ即使经多种变换处理仍难以完全区分ꎬ 段的光谱特征差异ꎬ明确物种区分的核心敏感波
这与段丁丁等(２０１８)、罗善军等(２０１８) 在马铃薯 段与关键参数ꎻ二是构建“原始光谱＋变换光谱＋三
高光谱识别中的研究结论一致ꎬ证实光谱识别精 边参数＋植被指数” 的梯度化特征组合ꎬ突破单一
度受物种亲缘关系、生化与结构差异程度的固有 特征维度的信息局限ꎻ三是通过对比 ＳＶＭ 与 ＲＦ

约束ꎮ 算法的适配性ꎬ揭示高维光谱特征与机器学习算
法的匹 配 规 律ꎬ 为 菌 草 物 种 识 别 提 供 最 优 技 术
４ 结论 路径ꎮ
综上所述ꎬ基于可见光－近红外波段光谱特征
本研究以巨菌草、象草、狼尾草等 ８ 种典型菌 分析ꎬ结合倒数取对数、导数变换等处理方法及植
草物种为研究对象ꎬ通过采集 ４００ ~ ９００ ｎｍ 波段叶 被指数提取ꎬ并采用 ＳＶＭ 算法构建“ 原始光谱＋三
片光谱反射率数据ꎬ结合多种光谱处理方法提取 边参数”特征组合模型ꎬ是实现菌草物种快速、精
特征并构建植被指数ꎬ辅以机器学习算法建模分 准识别的有效途径ꎮ 本研究结果为菌草物种光谱
析ꎬ明确菌草物种光谱识别的关键特征与有效技 识别提供理论支撑与技术参考ꎬ也为后续大范围
术路径ꎬ主要结论如下: 遥感监 测、 生 理 参 数 反 演 及 产 业 精 准 布 局 奠 定
(１)不同菌草物种在 ４００ ~ ９００ ｎｍ 波段呈现 基础ꎮ
既符合典型植被规律又具物种特异性的光谱特
征ꎮ 可见光波段(４５０ ~ ７００ ｎｍ) 均表现“ 两谷一
峰”特征ꎬ红边波段(７００ ~ ７５０ ｎｍ) 均存在反射率 参考文献:
急剧上升的“红边”现象ꎬ物种差异显著ꎻ近红外波
ＡＮＡＮＤ Ｖꎬ ＫＡＵＲ Ｓꎬ ＲＡＪＰＵＴ Ｖ Ｄꎬ ｅｔ ａｌ.ꎬ ２０２５. Ａｎａｌｙｚｉｎｇ
段(７５０ ~ ９００ ｎｍ) 反射率维持高值且物种分层清
ｔｈｅ ｓｐａｔｉａｌ ｒｅｌａｔｉｏｎｓｈｉｐ ｂｅｔｗｅｅｎ ｌａｎｄ ｓｕｒｆａｃｅ ｔｅｍｐｅｒａｔｕｒｅ ａｎｄ
晰ꎬ可作为物种区分的核心波段区域ꎮ
ｎｏｒｍａｌｉｚｅｄ ｄｉｆｆｅｒｅｎｃｅ ｖｅｇｅｔａｔｉｏｎ ｉｎｄｅｘ ｕｓｉｎｇ ｒｅｍｏｔｅ ｓｅｎｓｉｎｇ
(２)多种光谱变换处理能针对性放大菌草物
ａｎｄ ＧＩＳ [Ｊ]. Ｄｉｓｃｏｖｅｒ Ｇｅｏｓｃｉｅｎｃｅꎬ ３(１): ６５.
种间的光谱差异ꎮ ＲＬＲ 在 ５７０ ~ ６５０ ｎｍ 波段显著
ＢＡＩ Ｎ Ｎꎬ ＬＩＵ Ｆ Ｓꎬ ＺＨＡＮＧ Ｈ Ｘꎬ ｅｔ ａｌ.ꎬ ２０２３. Ｂｕｉｌｄｉｎｇ ｏｆ
增强差异ꎻ一阶导数在 ７３０ ｎｍ 附近凸显斜率差异 ＪＵＮＣＡＯ ｌｅａｆ ｃｈｌｏｒｏｐｈｙｌｌ ｓｐｅｃｔｒｕｍ ｍｏｄｅｌ [ Ｊ ]. Ｆｕｊｉａｎ
且红边振幅、红边面积为三边参数中区分能力最 Ｊｏｕｒｎａｌ ｏｆ Ａｇｒｉｃｕｌｔｕｒａｌ Ｓｃｉｅｎｃｅｓꎬ ３８(２): ２１０－２１９. [白妮
优的指标ꎻ二阶导数在 ６７０ ~ ７６０ ｎｍ 波段放大曲率 妮ꎬ 刘凤山ꎬ 张厚喜ꎬ 等ꎬ ２０２３. 不同菌草品种叶片叶绿
差异ꎬ可作为物种分类的敏感特征波段ꎮ 素含量的光谱特征参数模型研究 [Ｊ]. 福建农业学报ꎬ
(３)提取多类型植被指数对菌草物种区分效 ３８(２): ２１０－２１９.]
ＢＲＥＩＭＡＮ Ｌꎬ ２００１. Ｒａｎｄｏｍ ｆｏｒｅｓｔｓ [ Ｊ]. Ｍａｃｈｉｎｅ Ｌｅａｒｎｉｎｇꎬ
果显著ꎮ 其中ꎬＳＲ 数值变异最大ꎬ紫象草与莱牧 １
４５(１): ５－３２.
号象草 差 值 达 ２. ６２４ꎬ 对 物 种 差 异 响 应 最 敏 感ꎻ
ＣＡＯ Ｘ Ｍꎬ ＳＨＩ Ｊ Ｋꎬ ＦＥＮＧ Ｙ Ｍꎬ ｅｔ ａｌ.ꎬ ２０２１. Ｃｏｍｐａｒａｔｉｖｅ
ＮＤＶＩ、ＥＶＩ 等指数呈现规律性排序ꎬ能有效表征物
ｓｔｕｄｙ ｏｎ ｃａｎｏｐｙ ｓｐｅｃｔｒａｌ ｃｈａｒａｃｔｅｒｉｓｔｉｃｓ ｏｆ ｓｅｖｅｒａｌ ｔｙｐｉｃａｌ
种间叶绿素含量与生理活力差异ꎬ可作为物种快
ｄｅｓｅｒｔ ｐｌａｎｔｓ [Ｊ]. Ｊｏｕｒｎａｌ ｏｆ Ｎｏｒｔｈｗｅｓｔ Ｆｏｒｅｓｔｒｙ Ｕｎｉｖｅｒｓｉｔｙꎬ
速识别的核心或辅助指标ꎮ
３６(１): ４５－５３. [曹晓明ꎬ 史建康ꎬ 冯益明ꎬ 等ꎬ ２０２１. 几
(４)ＳＶＭ 整体表现优于 ＲＦꎬ２０ 组特征组合平
种典型荒漠植物冠层光谱特征比较研究 [Ｊ]. 西北林学
均精度为 ４８.９５％ꎬ最优组合为“原始光谱＋三边参
院学报ꎬ ３６(１): ４５－５３.]
数(Ｓ１＋Ｓ５)”ꎬ精度达 ７０.５６％ꎬ但高维特征适配性
ＣＨＥＮ Ｃꎬ ２０２４. Ｅｖａｌｕａｔｉｏｎ ｏｆ ｃｏｌｄ ｔｏｌｅｒａｎｃｅ ａｎｄ ｓｔｒｅｓｓ
弱ꎬ全组合精度降至 ５２.２２％ꎮ ＲＦ 最优组合为“ 原 ｄｅｔｅｃｔｉｏｎ ｍｅｔｈｏｄｓ ｏｆ ＪＵＮＣＡＯ ｕｓｉｎｇ ｓｐｅｃｔｒａｌ ｔｅｃｈｎｏｌｏｇｙ
始光谱＋倒数取对数(Ｓ１＋Ｓ２)”ꎬ精度仅为５９.５８％ꎬ [Ｄ]. Ｆｕｚｈｏｕ: Ｆｕｊｉａｎ Ａｇｒｉｃｕｌｔｕｒｅ ａｎｄ Ｆｏｒｅｓｔｒｙ Ｕｎｉｖｅｒｓｉｔｙ: