摘要
针对不同菌草物种形态相似、传统识别效率低的问题，该研究通过光谱特征分析与机器学习建模，实现对8种菌草的高效识别与分类。采集巨菌草、象草、莱牧1号象草、紫象草、狼尾草、杂交狼尾草、美洲狼尾草、巴新野生蔗8种菌草叶片在400~900 nm波段的光谱反射率数据，结合原始光谱、倒数取对数变换、一阶导数和二阶导数处理，分析光谱特征，并提取多类型植被指数。基于原始光谱、倒数取对数变换、一阶导数、二阶导数、三边参数、植被指数的6类特征集，构建20类梯度化特征组合，采用支持向量机（SVM）与随机森林（RF）算法构建分类模型并评价精度。结果表明：(1)8种菌草在可见光波段呈现典型植被光谱特征，红边区域(700~750 nm)反射率急剧上升。(2)不同光谱处理方法在特定波段(如570~650 nm的倒数取对数变换、730 nm附近的一阶导数、670~760 nm的二阶导数)显著放大了物种间的光谱差异；红边振幅、红边面积及简单比率（SR）植被指数对物种区分能力最优。(3)模型精度显示，SVM算法整体优于RF，“原始光谱+三边参数”组合精度最高，达70.56%，较RF同组合提升14.03%；RF最优为“原始光谱+倒数取对数变换”组合，但高维特征适配性不足。综上认为，可见光与近红外波段光谱特征结合光谱变换处理及植被指数的构建，辅以支持向量机算法，为菌草物种快速识别和精准分类提供了有效的理论依据和技术支持。
Abstract
Aiming to address the challenges of morphological similarity among different species of Juncao and the low efficiency of traditional identification methods, this study employed spectral feature analysis and machine learning modeling to achieve efficient identification and classification of eight Juncao species. Spectral reflectance data of leaf samples from eight species, including Cenchrus fungigraminus, Pennisetum purpureum, P. purpureum cv. Laimu-1, 𝑃. purpureum cv. Red, 𝑃. alopecuroides, 𝑃. glaucum × purpureum, 𝑃. americanum, and Saccharum officinarum cv. PNG, were collected within the 400 - 900 nm wavelength range. By processing the original spectra along with their reciprocal taking logarithm transformations, the first derivatives, and the second derivatives, spectral characteristics were analyzed, and multiple vegetation indices were extracted. Based on six types of feature sets — original spectrum, reciprocal taking logarithm transformation, the first derivative, the second derivative, three-edge parameters, and vegetation index — twenty graded feature combinations were constructed. Classification models were developed using support vector machine (SVM) and random forest (RF) algorithms, with model accuracy evaluated accordingly. The results were as follows: (1) The eight Juncao species exhibited typical vegetation spectral characteristics in the visible light region, with reflectance rising sharply in the red-edge region (700 - 750 nm). (2) Different spectral processing methods significantly amplified inter-species spectral differences in specific bands, such as reciprocal taking logarithm transformation within 570 - 650 nm, the first derivatives around 730 nm, and the second derivatives in the 670 - 760 nm range. The red-edge amplitude, red-edge area, and simple ratio (SR) vegetation index demonstrated the strongest discriminative power among species. (3) Model performance indicated that the SVM algorithm generally outperformed RF. The combination of “original spectra + three-edge parameters” achieved the highest accuracy of 70.56% under the SVM, which was 14.03% higher than the same combination under the RF. The optimal performance for RF was observed with the “original spectra + reciprocal taking logarithm transformation” combination, though it showed limited adaptability to high-dimensional features. In conclusion, integrating spectral features from visible and near-infrared bands with spectral transformation techniques and vegetation indices, coupled with the SVM algorithm, provides an effective theoretical foundation and technical support for the rapid identification and accurate classification of Juncao species.
菌草是一类具有重要经济与生态价值的多年生草本植物，20世纪80年代福建农林大学国家菌草工程技术研究中心首创“以草代木”栽培食药用菌的“菌草技术”，改变了传统菌业依赖木材的生产模式（林占熺等，2019）。其因生长迅速、抗逆性强、适应性广等优势，已广泛应用于饲料生产、生态修复及生物能源开发等领域，成为推动农业循环经济与生态治理的关键作物（郑金英等，2011）。随着菌草产业规模化发展，杂交狼尾草(Pennisetum glaucum×purpureum)、紫象草(P. purpureum cv. Red)、象草(P. purpureum)、巨菌草(Cenchrus fungigraminus)等主流物种的差异化应用需求日益凸显（陈钟佃等，2023；张丽丽等，2024；桂干北等，2024）。但是，物种精准识别仍是产业瓶颈，不同菌草物种在营养生长期形态高度相似，传统形态学识别依赖经验、效率低且在幼苗期或逆境生长状态下易误判，影响物种布局与应用效果。
光谱反射率技术作为植物生理生态研究的核心手段，凭借非破坏性、快速高效、信息丰富的优势，已成为解决植物物种识别难题的重要工具（Semyalo et al.，2024）。其核心原理在于植物叶片的光谱反射率特征由叶绿素、水分、氮素等内部生化组分与叶片结构共同决定，不同物种因生化与结构差异，在特定波段会呈现独特的反射规律（Spafford et al., 2021；Suprapto et al., 2025）。在植物品种识别领域，光谱技术凭借非破坏性与信息丰富性优势，已在多物种、多场景中实现成熟应用。刘俊泽等（2024）通过光谱成像技术检测发现不同品种燕麦种子表型与光谱参数存在显著性差异；刘依柔等（2024）证实提取冠层反射率并构建植被指数组合可显著提升花生品种识别精度；姜友谊等（2023）通过计算成熟度指数并构建基于RF算法的玉米估算模型，为品种特异性表征提供间接技术支撑。但是，菌草相关光谱研究仍存在明显局限，现有研究多聚焦于单一胁迫下的光谱响应（李慧琳等，2025）及叶绿素含量光谱反演（白妮妮等，2023）等生理生化指标监测，虽然为光谱技术在菌草研究中的应用奠定基础，但是尚未系统开展多物种光谱特性比较，更缺乏基于光谱特征的物种识别方法。
技术发展趋势方面，光谱数据深度挖掘与机器学习算法的融合已成为提升植物品种识别精度的核心路径。Wijayanto等（2023）证实基于无人机多光谱结合神经网络（neural network, NN）算法，可实现对水稻品种的快速、有效分类；沈思聪等（2023）使用鲸鱼优化算法（whale optimization algorithm, WOA）和灰狼优化算法（grey wolf optimizer, GWO）对支持向量机估算模型进行优化，明确算法与特征的适配性直接影响紫花苜蓿的分类效果；Wu等（2024）基于无人机多光谱影像实现冬小麦叶绿素含量遥感估算，凸显光谱技术规模化应用潜力。上述研究共同揭示，通过光谱变换增强差异特征、构建多维度特征组合、选择适配的机器学习算法，是实现植物品种精准识别的有效技术框架。
相较于同类研究，菌草光谱研究的局限性尤为突出：一是研究对象单一，多聚焦于单一物种的生理指标反演，缺乏多物种光谱特性的系统比较；二是特征提取维度不足，尚未形成“原始光谱+变换光谱+特征参数+植被指数”的多维度特征体系；三是算法适配性研究缺失，未明确不同机器学习算法在菌草光谱识别中的性能差异与适用场景。因此，系统开展菌草物种光谱特性比较，构建针对性的特征组合与算法模型，填补菌草光谱识别领域的研究空白，具有重要的理论与实践价值。
本研究以巨菌草、象草、莱牧1号象草（Pennisetum purpureum cv. Laimu-1）、紫象草、狼尾草（P. alopecuroides）、杂交狼尾草、美洲狼尾草（P. americanum）、巴新野生蔗（Saccharum officinarum cv. PNG）8种典型菌草物种为研究对象，采用便携式地物光谱仪采集叶片光谱数据，结合倒数取对数、一阶导数、二阶导数等光谱处理方法及植被指数提取技术，构建多维度特征组合，通过运用支持向量机(support vector machine, SVM)算法与随机森林(random forest, RF)算法构建分类模型，拟探讨以下问题：（1）亲缘关系相近的菌草物种，其叶片光谱的细微差异主要体现在哪些特征维度；（2）不同数学变换（倒数取对数、一阶导数、二阶导数）如何从原理上差异化增强菌草物种间的光谱特征差异；（3）何种机器学习模型（SVM或RF）最适合解译菌草光谱构建的复杂特征空间，实现物种高效精准识别。
1 材料与方法
1.1 试验地点和材料
研究区位于福建农林大学旗山校区菌草种质资源圃(119°17′04″E、26°05′59″N)，属亚热带海洋性季风气候，年平均日照时间1 500~1 700 h，年平均降水量1 400~1 700 mm，年平均气温19~20 ℃，雨量充沛，阳光充足（李新妹等，2022）。圃内供试菌草于2024年3月统一采用茎节扦插方式进行种植，为排除环境与管理差异对菌草生长及光谱特征的干扰，试验期间所有菌草物种均采用一致的田间管理措施，包括定期开展中耕除草，统一灌溉，并在菌草生长关键期施用等量复合肥，保障养分供给均衡。
本研究选取8种具有代表性的菌草物种作为供试材料，分别为巨菌草、象草、莱牧1号象草、紫象草、狼尾草、杂交狼尾草、美洲狼尾草、巴新野生蔗，各物种叶片特征如表1所示。
表
1
不同菌草物种叶片特征
Table
1
Leaf characteristics of different Juncao species
1.2 数据采集
研究采用HEP-512-A便携式地物光谱仪采集研究区菌草叶片光谱数据，该光谱仪光谱范围为390~995 nm，光谱分辨率为1 nm，光谱通道共512个，镜头视场包括3°、5°和8°。本研究使用3°镜头采集菌草叶片光谱反射率数据。
测量于2025年6月15日植物生长高峰期进行，选择天气晴朗无风、光线条件良好的11:00—14:00时间段采集。测量前，仪器镜头对准标准参考白板校正；测量时，探头始终垂直向下，距离叶片约30 cm。每种菌草在种质资源圃中呈均匀分布。为保证样本代表性，从同种菌草的不同个体(株)上，分别采集其自上而下第3至第5片完全展开的健康功能叶。每个物种随机选取10个不同个体，每个个体测量1个叶片，共获得10个独立的光谱数据，取其平均光谱作为该物种的代表光谱。反射率提取通过野外地物光谱辐射计数据处理软件V2.0完成。
野外光谱测量易受大气散射和仪器噪声影响，使390~399 nm(短波紫外-可见光过渡区)与901~995 nm(近红外长波区)波段信噪比显著降低，无法满足分析精度。本研究剔除上述低质量波段，以400~900 nm为有效研究范围。剔除无效数据后，采用Savitzky-Golay平滑算法(窗口宽度5 nm，多项式阶数2)（Gomez et al., 2024）预处理原始光谱，消除基线漂移与高频噪声，确保后续菌草叶片光谱特征分析的准确性与可靠性。
1.3 数据处理
本研究采用倒数取对数变换、一阶导数光谱处理、二阶导数光谱处理和植被指数计算等方法对不同菌草物种的叶片光谱数据进行分析。
1.3.1 倒数取对数变换
对光谱数据先进行倒数处理再进行对数变换(reciprocal taking logarithm transformations，RLR)，能够压缩光谱数据动态范围，增强光谱中弱信号的相对强度，扩大光谱曲线之间的差异性，提高对菌草光谱特性定量分析和物种识别的准确性与稳定性。公式如下：
（1）
式中：RLR𝑖为光谱倒数取对数值；𝑅𝑖为𝑖处反射率。
1.3.2 光谱微分计算
使用导数光谱技术（郑智康等，2023）对光谱数据进行一阶求导，即对可见光-近红外光谱进行一次微分，能够有效去除基线漂移，突出光谱细微变化。二阶导数相较于一阶导数而言，能够进一步增强光谱曲线曲率变化，更有效突出光谱极值点(峰值和谷值)，准确识别和定位光谱特征峰（赵阅书等，2019）。计算公式如式(2)、式(3)：
（2）
（3）
式中：𝜆𝑖表示波长位置；𝑅′(𝜆𝑖)对应波长𝜆i处的光谱一阶导数；R″(𝜆𝑖)对应波长𝜆i处的光谱二阶导数；R𝜆i+1、R𝜆i、R𝜆i-1分别表示波长𝜆i+1、𝜆i、𝜆i-1处的光谱反射率原始数据；Δ𝜆为波长间隔(本研究中Δ𝜆=1 nm)。
1.3.3 三边参数计算
为定量反映不同菌草物种的光谱特征差异，提取9个常用一阶导数光谱特征参数，包括蓝边振幅、蓝边位置、蓝边面积及相应的黄边和红边参数，参数特征如表2所示。
表
2
一阶导数光谱特征参数
Table
2
Spectral feature parameters of the first derivative
1.3.4 植被指数计算
为深入解析不同菌草物种间光谱特性差异，系统评估多种植被指数对菌草物种分类及其叶片理化性状的表征能力，选取若干典型植被指数进行差异性分析。采用植被指数及其计算公式详见表3。
表
3
植被指数及计算公式
Table
3
Vegetation indexes and calculation formulas
研究选用支持向量机与随机森林两种机器学习算法，结合菌草光谱特征属性设计适配参数。支持向量机(SVM)是由Vapnik和Chapelle（2000）提出的经典监督学习算法，基于结构风险最小化原则构建的线性分类器，核心目标是在特征空间中寻找能最大化不同类别样本间隔的最优分类超平面，从而实现全局最优的分类决策。本研究选用线性核函数，核函数参数设为默认值，该核函数在处理线性关系显著的数据时具有计算简洁、可解释性强的优势。随机森林(RF)作为一种基于分类与回归树的集成学习算法，由Breiman（2001）首次提出，其核心是通过构建多棵独立决策树并整合输出结果实现分类或回归分析。该算法具备处理高维数据的优势，同时可通过内置算法对输入特征的重要性进行量化排序，为解析变量贡献度提供有力支撑。
本研究聚焦8种菌草物种，共获取80个样本，经波段筛选与特征融合后特征维度处于中低水平，属于“小样本+中低维特征”场景。深度学习模型易因复杂度远超数据承载能力出现过拟合，而SVM通过核函数映射可实现低维空间到高维空间的非线性转换，RF依托集成学习机制降低单棵决策树的过拟合风险，二者在小样本光谱分类任务中已被广泛验证具有更强的泛化能力（王姣等，2023）。菌草叶片红边参数、植被指数等光谱特征蕴含明确的生理生态意义，与本研究“揭示光谱特性差异”的核心目标高度契合，RF可通过特征重要性排序量化不同特征的贡献度，SVM的线性核函数能清晰反映光谱特征与物种分类的关联，而深度学习模型的“黑箱特性”难以建立光谱特征与菌草生理属性的量化联系。在植物光谱识别领域，RF与SVM因训练高效、参数易调、对噪声鲁棒等特点已成为基准模型（Zhang et al.，2024；Gao et al.，2024），适配本研究的技术场景与实际应用需求。
本研究以400~900 nm波段不同菌草物种叶片光谱数据为分析基础，对原始数据进行预处理后，构建原始光谱、倒数取对数、一阶导数、二阶导数、三边参数和植被指数6类核心特征集，构建20组梯度化特征组合方案(表4)，全面挖掘光谱数据中的物种区分信息。
本研究采用7∶3比例划分训练集与测试集的验证方案，通过分层抽样确保训练集（56个样本）与测试集（24个样本）中8种菌草物种的样本比例一致，避免类别分布失衡对模型性能的干扰。为降低单次数据划分的偶然性，提升结果可靠性，对每种特征组合均进行50次独立的模型运算，以50次运算分类准确率均值作为该组合的最终精度，同时计算准确率的标准差，综合反映模型的整体分类性能与稳定性。所有特征筛选、模型训练、参数调优及精度统计分析均在MATLAB环境中完成。
表
4
梯度化特征组合方案
Table
4
Gradient-based feature combination scheme
2 结果与分析
2.1 不同菌草物种原始光谱特征分析
不同菌草物种的叶片光谱反射率具有较为一致的变化过程(图1)。在可见光波段(400~700nm)，所有物种曲线均呈现“两谷一峰”的典型植被特征，400~500 nm波段反射率随波长增加逐渐上升，在510 nm附近达到第一个波谷，随后在560 nm附近形成绿光反射峰，其中紫象草的绿光峰最高，反射率为0.107 0。550~680 nm波段曲线再次下降，在680 nm附近形成第二个波谷，此波谷处杂交狼尾草曲线最低，反射率为0.038 4。不同菌草物种之间的叶片反射率存在一些差异。在红边区域(700~750 nm)内所有曲线均呈陡峭上升趋势，“红边”特征明显，但上升起点与斜率存在区别：紫象草曲线在700 nm处已开始快速上升，至750 nm时反射率达0.380 8；而杂交狼尾草曲线红边起始位置滞后至704 nm且上升斜率较缓，750 nm处反射率仅为0.156 1。在某些特定光谱位置，菌草物种叶片反射率差异比较显著。在近红外波段(750~900 nm)，曲线整体维持高反射水平且物种分层最为清晰：紫象草曲线始终位于最上方，反射率为0.38~0.43，为第一层级；巨菌草、象草和狼尾草曲线相互贴近，反射率为0.25~0.30，形成第二层级；莱牧1号象草、巴新野生蔗和美洲狼尾草反射率略低于第二层级数值，为0.18~0.23，为第三层级；杂交狼尾草曲线位于最下方，反射率为0.15~0.19，与紫象草曲线差值达0.24。770~900 nm波段内各菌草物种光谱反射率曲线走势平稳、分层稳定，进一步验证该波段可作为紫象草与杂交狼尾草的核心分类敏感波段。
图
1
不同菌草叶片光谱反射率曲线
Fig.
1
Spectral reflectance curves of different Juncao species leaves
2.2 不同菌草物种光谱处理特征分析
2.2.1 倒数取对数变换特征分析
菌草叶片光谱反射率倒数取对数变换曲线在可见光波段(450~700 nm)具有比较统一的变化特征(图2)，所有菌草变换曲线均呈下降趋势，表现为“两峰一谷”规律：在510 nm和680 nm附近形成两个明显波峰，在560 nm附近形成波谷。该波段内物种间曲线数值差异显著，560 nm附近为差异最大区域，杂交狼尾草变换后数值达3.152 5，紫象草仅为2.234 5，两者差值达0.918 0，曲线分层清晰，较原始光谱在可见光波段的“细微差异”有明显放大。进入红边过渡区(680~750 nm波段)，曲线呈现快速下降趋势，与原始光谱在该区域“急剧上升”特征完全相反，不同物种间数值差异仍保持一定区分度。特定波段内倒数取对数变换曲线也存在差异，红边与近红外波段(700~900 nm)菌草变换曲线呈缓慢下降态势，但呈现明显层次性，表现为杂交狼尾草>莱牧1号象草>巴新野生蔗>美洲狼尾草>狼尾草>象草>巨菌草>紫象草。该波段内曲线特征与数值变化趋于一致且分层稳定，可作为物种区分的参考依据。
图
2
不同菌草物种叶片光谱反射率倒数取对数变换曲线
Fig.
2
Curves of reciprocal taking logarithm transformation of spectral reflectance of different Juncao species leaves
2.2.2 一阶导数光谱特征分析
菌草叶片光谱反射率一阶导数曲线(图3)清晰展现导数变换对光谱特征的强化效应。在可见光波段(400~700 nm)，所有菌草物种一阶导数曲线均呈现“三谷一峰”的统一变化特征，分别于490、570、660 nm附近形成3个特征波谷，在525 nm附近形成明显波峰。该波段内不同物种间的导数数值差异尤为显著，其中525 nm波峰处的差异最为突出，象草的一阶导数值达0.001 3，杂交狼尾草仅为0.000 6，两者差值为0.000 7，曲线分层清晰，较原始光谱的细微差异更易识别。特定波段内物种区分度进一步提升，红光与红边波段(660~730 nm)凸显物种特异性，所有物种一阶导数曲线均呈急剧上升趋势，但数值差异较大，从高到低总体排序为紫象草>象草>巨菌草>狼尾草>美洲狼尾草>巴新野生蔗>莱牧1号象草>杂交狼尾草。近红外波段内导数曲线特征呈现明显分异，730~760 nm范围内所有曲线均呈急剧下降趋势；而760~900 nm范围内曲线特征基本趋于一致，数值波动幅度极小，多维持在-0.000 1~0.000 5之间且曲线相互贴近，无明显分层现象。
图
3
不同菌草物种叶片光谱反射率一阶导数曲线
Fig.
3
The first derivative curves of spectral reflectance of different Juncao species leaves
2.2.3 二阶导数光谱特征分析
菌草叶片光谱反射率二阶导数曲线(图4)充分展现导数变换对光谱细节的放大效应，通过正负值交替反映原始光谱凹凸的转换特征。可见光波段(400~700 nm)内所有菌草物种二阶导数曲线变化趋势基本一致，在500~520 nm、570~590 nm和670~700 nm波段二阶导数数值>0，对应原始光谱的凸形特征，形成3个明显波峰；530~570 nm和630~650 nm波段数值<0，对应原始光谱的凹形特征，形成两个波谷。特定波段物种差异较大，该波段内以559 nm附近最为突出，象草的反射率二阶导数值低至-0.000 07，显著低于其他物种，曲线分层清晰。红边与近红外波段(660~750 nm)内物种间差异稳定且显著，可作为菌草物种分类的关键特征波段。该波段内曲线呈现“上升-下降-再上升”三段式变化，先快速上升至690 nm附近峰值，紫象草峰值最高，为0.000 20，杂交狼尾草最低，仅为0.000 07，差值达0.000 13；峰值后急速下降，于745 nm附近形成谷值，最大值（莱牧1号象草）与最小值（紫象草）差值达0.000 16，物种差异进一步拉大；谷值后再次急速上升，所有物种数值均在780 nm附近趋近于0，曲线交汇或高度贴近。在780~900 nm波段，8种菌草反射率二阶导数曲线均趋于平缓，数值围绕0小幅波动，波动范围小于±0.000 03，曲线相互重叠或间距极小，无明显物种区分度。
图
4
不同菌草物种叶片光谱反射率二阶导数曲线
Fig.
4
The second derivative curves of spectral reflectance of different Juncao species leaves
2.2.4 三边参数光谱特征分析
不同菌草物种三边参数曲线(图5)显示，8种菌草在蓝边(490~530 nm)、黄边(560~640 nm)、红边(680~760 nm)的振幅、面积及位置参数上存在明显物种差异。蓝边振幅曲线分层明显(图5：a)，巨菌草曲线峰值最高，达0.001 3，杂交狼尾草曲线最低，仅为0.000 6，两者在曲线纵轴上的间距达0.000 7。黄边振幅曲线则呈现“正负分化”特征，紫象草曲线峰值为0.000 1，象草曲线最低，为-0.000 1，曲线在横轴上下的分布差异。红边振幅曲线的物种差异最为显著，紫象草曲线峰值达0.005 8，杂交狼尾草仅为0.002 5，曲线纵轴差值0.003 3，是表征菌草物种差异的最佳参数之一。面积参数上(图5：b)，各边的物种间差异同样显著。蓝边面积巨菌草曲线最大，达0.031 3，杂交狼尾草最小，为0.013 6，曲线围成的区域面积差0.017 7；黄边面积曲线最大值为杂交狼尾草（-0.002 8），最小值为象草（-0.024 6），差值为0.021 8；红边面积紫象草曲线下方面积达0.297 1，杂交狼尾草仅为0.125 5，面积差为0.171 6。位置参数则展现波长分布“红移-蓝移”差异(图5：c)，蓝边位置曲线集中在522~525 nm，莱牧1号象草、巴新野生蔗、巨菌草对应的波长为522~523 nm，低于平均值524 nm呈“蓝移”；杂交狼尾草、美洲狼尾草为525 nm，高于平均值且呈“红移”。黄边位置曲线波长跨度最大，为624~630 nm，象草、紫象草等对应629~630 nm呈“红移”，杂交狼尾草、莱牧1号象草等为624 nm呈“蓝移”。红边位置曲线集中在726~727 nm，狼尾草、杂交狼尾草对应727 nm呈“红移”，其他物种多为726 nm且接近平均值。
图
5
不同菌草物种三边振幅(a)、三边面积(b)和三边位置(c)的曲线
Fig.
5
Curves of three-edge amplitude (a), area (b), and position (c) of different Juncao species
2.2.5 植被指数提取特征分析
不同植被指数在8种菌草物种间的差异特征明显(图6)，NDVI物种间数值跨度较大，象草的NDVI最高，为0.719 9，莱牧1号象草最低，为0.555 3，两者差值达0.164 6，能有效体现物种间的基础差异。简单比率（simple ratio，SR）植被指数对物种差异的放大效应最为突出，紫象草的SR数值高达6.121 4，显著高于其他物种，莱牧1号象草以3.497 4处于最低水平，差值达2.624 0，物种间的区分度远超NDVI。部分指数呈现一致物种排序规律，数值梯度保持稳定关联。EVI与DVI指数对菌草物种光谱特征响应高度协同，二者在菌草物种中的数值排序一致，依次为紫象草>象草>巨菌草>狼尾草>美洲狼尾草>巴新野生蔗>莱牧1号象草>杂交狼尾草。不同菌草物种对各植被指数的响应也存在显著异质性。美洲狼尾草在NDVI、SR、EVI、DVI等所有指数中均呈现“数值均衡”特征，其指数值既未出现紫象草般的极高值，也未呈现莱牧1号象草、杂交狼尾草的极低值，数值波动幅度显著小于其他物种，可作为其区别于同类菌草的关键形态学参考标志。
图
6
不同菌草物种植被指数计算结果
Fig.
6
Index calculation results of different Juncao species
2.3 亲缘关系相近菌草物种叶片光谱差异分析
8种供试菌草中，象草与莱牧1号象草、狼尾草与杂交狼尾草、巨菌草与紫象草等同属近缘类群，亲缘关系相近导致其形态与生理基础具有较高同源性，叶片光谱的细微差异集中体现在结构响应特征与量化参数差异两个核心维度且通过特定波段与特征参数形成可区分的光谱信号。
在结构响应维度上，差异主要源于叶片厚度、海绵组织孔隙度等结构参数的量化分化，集中体现在近红外波段（750~900 nm）与红边区域（700~750 nm）。近红外波段中，巨菌草反射率处于0.25~0.30区间，紫象草则达0.38~0.43，差值达0.13。狼尾草与杂交狼尾草近红外反射率差值为0.04。红边区域内，紫象草红边起始波长（700 nm）早于巨菌草（702 nm），上升斜率高于巨菌草。杂交狼尾草红边起始位置（704 nm）滞后于狼尾草（701 nm），上升斜率更缓。
量化参数维度上，通过光谱变换与特征提取，近缘物种的细微差异被进一步放大，形成具有明确区分意义的量化指标。导数变换参数表现如下：一阶导数光谱525 nm波峰处，象草导数值达0.001 3，莱牧1号象草为0.001 0，差值0.000 3；二阶导数光谱690 nm处，紫象草峰值为0.000 20，与杂交狼尾草峰值0.000 07差值达0.000 13，745 nm处莱牧1号象草与紫象草谷值差值0.000 16；三边参数中，红边面积是近缘物种区分的最优参数，狼尾草红边面积达0.157 6，杂交狼尾草为0.125 5，差值0.032 1，蓝边位置参数中莱牧1号象草为522 nm，较象草524 nm蓝移2 nm。植被指数表现如下：SR对差异响应最敏感，巨菌草SR值为4.21，紫象草达6.12，差值1.91；NDVI中象草数值为0.719 9，与莱牧1号象草（0.587 0）差值为0.132 9，这些指数的量化差异是近缘物种叶绿素含量、光合效率等生理特性的综合体现，为精准区分提供了关键量化依据。
2.4 模型精度对比分析
不同特征组合在SVM与RF算法下的分类精度计算结果(表5)显示，两类算法及20组特征组合的分类性能呈现明显差异。算法整体性能差异方面，SVM分类能力整体优于RF。SVM算法20组特征组合的平均精度范围为23.19%~70.56%，均值为48.95%；RF算法平均精度范围为25.00%~59.58%，均值为46.83%，SVM算法整体精度略高2.12%。从单组合最优表现来看，SVM算法的最高精度出现在原始光谱+三边参数（S1+S5）组合中，达70.56%；RF算法的精度峰值则位于原始光谱+倒数取对数（S1+S2）组合，为59.58%，两类算法的最优性能分别对应不同的特征维度搭配。
表
5
不同特征组合模型分类精度
Table
5
Classification accuracy of models based on different feature combinations
特征组合适配性方面，SVM算法在7类特征组合中，原始光谱+三边参数（S1+S5）、原始光谱+植被指数（S1+S6）等组合表现更优，其中在原始光谱+三边参数（S1+S5）组合中优势最为显著，较RF高出14.03%。RF在13类特征组合中，如原始光谱+一阶导数（S1+S3）、原始光谱+倒数取对数+一阶导数（S1+S2+S3）等组合精度略高于SVM，这一结果反映了SVM对低维融合特征的拟合与区分能力更强，而RF更适配含倒数取对数、一阶导数的变换特征组合。
随着特征维度的增加，两类算法精度均未呈现单调上升趋势：SVM算法在二维融合时，即原始光谱+三边参数（S1+S5）组合达到最优精度70.56%，加入更多特征后精度持续下降，如全特征组合（S1-S6）精度降至52.22%，显示其对高维度特征的适配性较弱；RF算法在仅原始光谱（S1）基础上加入倒数取对数（S2）后达到峰值59.58%，后续继续增加一阶导数（S3）、二阶导数（S4）等特征时精度略有回落，说明过度叠加特征可能未带来额外增益。
3 讨论
3.1 亲缘关系相近菌草物种叶片光谱细微差异机理阐释
亲缘关系相近菌草物种的光谱细微差异，本质上是叶片结构、生化组分与光合生理特性在相似遗传背景下的适应性分异表现。近红外波段反射率的差异主要源于叶片内部结构的不同。陈晨（2024）研究表明，紫象草较高的海绵组织孔隙度增强了光散射，使其反射率显著高于巨菌草；而杂交狼尾草较低的反射率则可能与其较厚的叶片和更致密的细胞排列有关，这与王美月等（2025）关于红边参数可表征叶片结构与光合特性协同关系的结论一致。红边区域的斜率与起始波长差异，则反映了叶绿素分布密度与叶片厚度的协同变化，暗示不同物种在光能捕获与利用策略上的分化，这也在张正龙等（2025）的研究中得到印证。
通过光谱变换与特征参数提取，这些结构差异被进一步转化为可量化、可区分的分类特征。一阶导数在525 nm处的细微差别揭示了叶绿素a吸收效率的差异，可能关联于光合系统Ⅱ的活性状态（Lin et al.，2013）；二阶导数在红边波段的曲率变化则敏感地反映了叶片细胞间隙与色素分布的微观结构特征（孙晶京等，2020）；三边参数中，红边面积对物种区分最为敏感，其与叶绿素含量、生物量的强相关性，体现了近缘物种在碳同化能力上的生理分异（郭宇龙等，2020）。
植被指数的差异则从系统层面综合表征了物种的生理状态。SR的显著变异不仅体现在叶绿素含量差异，更反映了光能利用效率与光合适应策略的不同；NDVI等指数的规律性排序，可能体现了对应物种在弱光适应或抗逆性能上的分化（Tucak et al.，2025）。这些光谱特征差异实质上构成了物种生态适应性的光学表征，为菌草物种的生理诊断与生态适宜性评价提供了重要依据。
未来研究可进一步整合叶片解剖、光合生理与分子数据，深入阐释光谱特征与菌草环境适应机制的内在联系，推动光谱技术从物种识别向生理生态功能解析的跨越发展。
3.2 光谱变换方法的差异化效应
光谱变换的核心价值在于通过数学映射重构光谱信号，针对性放大物种间固有差异，其作用机制与适配波段的分化特征，与菌草光谱物理本质、生理属性相关（张微等，2017；王宇等，2023）。不同变换方法通过特定数学运算挖掘差异化信息，受菌草叶片生化组分与结构特征的协同调控，形成明确的“方法-波段-目标”适配规律。
倒数取对数变换通过“倒数转换-对数压缩”双重作用逆转原始光谱吸收-反射关系，在可见光波段（450~700 nm）展现最优区分效果。该波段作为叶绿素与花青素的光谱竞争区，杂交狼尾草高叶绿素a含量与紫象草花青素积累导致的反射率差异，经变换后在560 nm处差值达0.920 1，这一非线性放大效应与代文东等（2021）关于光谱变换与植物色素含量相关性的研究结论一致。在近红外波段（700~900 nm），该变换仍能维持物种间稳定分层，排序结果与叶片结构高度吻合，与李旭等（2023）发现其可强化作物反射率与生理属性耦合关系的成果跨物种印证，凸显其兼顾多维度信息的优势。
一阶导数变换聚焦“光谱变化率”，有效剥离基线漂移干扰，在红边过渡区（660~730 nm）优势显著。该波段作为叶绿素吸收向叶片散射的临界转换带，紫象草与杂交狼尾草的变化率差值达0.003 1，源于两者叶绿素a/b比值与类胡萝卜素含量的分化（Nian et al.，2024；Shi et al.，2024）。但是，该变换在近红外波段（760~900 nm）区分能力弱化，因物种间结构差异缩小导致变化率趋同（曾德华等，2024），这与Wu等（2021）、高鑫等（2016）分别在马铃薯、玉米光谱研究中发现的波段适配特性相符。
二阶导数变换通过捕捉一阶导数曲率变化，在红边核心区（670~760 nm）深度挖掘物种差异（徐元江等，2019）。该区域曲率变化与叶绿素a含量、细胞间隙大小直接相关（Vítek et al.，2017），紫象草与杂交狼尾草在690 nm和745 nm处差值分别达0.000 14和0.000 16，成为分类敏感标识。但二阶导数对噪声敏感，近红外波段（780~900 nm）区分效果有限，需与其他变换方法组合使用，这与赵秀明等（2012）、张南等（2016）、曹晓明等（2021）关于二阶导数光谱特性的研究结论一致。
三边参数通过量化导数光谱的振幅、面积与位置，将光谱规律转化为可解释的生理指标（杨迈等，2024），其中红边参数区分能力最为突出（陈杏等，2024）。红边振幅与面积的物种间差值分别达0.003 3与0.171 6，本质是红边位置与叶绿素a含量、生物量的协同作用（万玲凤等，2007）；蓝边与黄边参数分别响应叶绿素b与类胡萝卜素分布差异，形成有效补充（张珊珊等，2014），与葛元梅等（2019）、赵春江等（2002）分别在棉花、冬小麦红边参数研究中的成果相印证，证实红边是物种生态位分化的核心光谱标识。
综上，光谱变换方法选择需遵循“波段-目标”匹配原则：倒数取对数变换适配可见光波段生化差异提取，一阶导数变换聚焦红边过渡区变化率特征，二阶导数变换深挖红边核心区细微形变，三边参数实现生理指标量化表征，多变换特征组合可覆盖不同维度差异，为模型提供全面信息支撑。
3.3 机器学习算法的特性适配
SVM与RF算法在菌草物种识别中的性能差异，本质是算法特性与光谱特征属性的适配性分化，其核心矛盾集中在对特征维度、数据分布及非线性关联的处理能力上，这一规律与植物光谱识别领域的相关研究结论具有一致性（Kubus，2018）。
SVM算法采用线性核函数，对低维线性特征拟合高效，在“原始光谱+三边参数”组合中达到最优精度70.56%，较RF同组合高出14.03%。该组合中原始光谱与三边参数均呈低维线性分布，与SVM线性核函数优化目标高度契合，但SVM对高维特征适配性不足，全特征组合精度仅52.22%，面临“维度灾难”，这与阳昌霞等（2020）在农作物分类中发现的SVM线性核适配性局限一致，也符合Vapnik和Chapelle（2000）关于SVM算法特性的理论阐释。
RF算法作为集成学习方法，通过多决策树投票机制降低过拟合风险，展现出更强的高维特征适配能力。其最优组合“原始光谱+倒数取对数”精度达59.58%，在高维组合中优势显著，如“原始光谱+倒数取对数+一阶导数”组合精度57.92%，较SVM同组合高出6.39%。RF的核心优势在于特征重要性排序与多决策树集成机制，可筛选核心敏感特征并挖掘非线性互补信息，但精度未随特征维度单调上升，过度叠加特征导致精度回落，印证高维冗余会稀释核心信号，这与Sun等（2023）、Haghdoost和Azamathulla（2024）的研究发现一致。
算法性能分化还与数据分布特性密切相关。本研究为小样本场景，RF通过Bootstrap重采样降低随机性干扰，对数据噪声抵抗能力更强，稳定性更优，这与宋少忠等（2024）得出的RF参数调整可提升模型鲁棒性结论一致，为菌草光谱识别模型的实际应用提供重要参数适配依据。
3.4 分类精度的影响因素分析
本研究分类精度整体集中在23.19%~70.56%，不同特征组合与算法的精度差异，本质是“特征质量-算法适配-数据特性”三者协同作用的结果，其规律可为植物光谱识别研究提供普适性参考，也与同类近缘植物光谱识别的研究成果形成呼应（陈星宇等，2025）。
特征组合合理性是决定精度的核心因素。单一特征识别能力有限，而“原始光谱+三边参数”、“原始光谱+植被指数”等低维融合组合表现最优，精度分别达70.56%与67.08%，体现基础反射率信息与生理指标的有效互补，这与Vishwakarma等（2025）、Coswosk等（2024）的相关研究结论一致。高维组合精度普遍下降，如“全特征组合”精度仅52.22%~55.28%，印证“特征维度与精度非正相关”规律，与Fei等（2024）的研究发现高度契合。
物种自身光谱相似性是精度提升的固有瓶颈。8种菌草同属禾本科，近缘物种关键波段光谱差异微弱，即使经多种变换处理仍难以完全区分，这与段丁丁等（2018）、罗善军等（2018）在马铃薯高光谱识别中的研究结论一致，证实光谱识别精度受物种亲缘关系、生化与结构差异程度的固有约束。
4 结论
本研究以巨菌草、象草、狼尾草等8种典型菌草物种为研究对象，通过采集400~900 nm波段叶片光谱反射率数据，结合多种光谱处理方法提取特征并构建植被指数，辅以机器学习算法建模分析，明确菌草物种光谱识别的关键特征与有效技术路径，主要结论如下：
（1）不同菌草物种在400~900 nm波段呈现既符合典型植被规律又具物种特异性的光谱特征。可见光波段(450~700 nm)均表现“两谷一峰”特征，红边波段(700~750 nm)均存在反射率急剧上升的“红边”现象，物种差异显著；近红外波段(750~900 nm)反射率维持高值且物种分层清晰，可作为物种区分的核心波段区域。
（2）多种光谱变换处理能针对性放大菌草物种间的光谱差异。RLR在570~650 nm波段显著增强差异；一阶导数在730 nm附近凸显斜率差异且红边振幅、红边面积为三边参数中区分能力最优的指标；二阶导数在670~760 nm波段放大曲率差异，可作为物种分类的敏感特征波段。
（3）提取多类型植被指数对菌草物种区分效果显著。其中，SR数值变异最大，紫象草与莱牧1号象草差值达2.624，对物种差异响应最敏感；NDVI、EVI等指数呈现规律性排序，能有效表征物种间叶绿素含量与生理活力差异，可作为物种快速识别的核心或辅助指标。
（4）SVM整体表现优于RF，20组特征组合平均精度为48.95%，最优组合为“原始光谱+三边参数（S1+S5）”，精度达70.56%，但高维特征适配性弱，全组合精度降至52.22%。RF最优组合为“原始光谱+倒数取对数（S1+S2）”，精度仅为59.58%，但更适配变换特征，精度不随维度单调上升。两类算法均印证特征维度与精度非正相关，低维针对性融合更利于菌草物种识别。
本研究创新点主要体现在3个方面：一是首次系统解析8种典型菌草物种在可见光-近红外波段的光谱特征差异，明确物种区分的核心敏感波段与关键参数；二是构建“原始光谱+变换光谱+三边参数+植被指数”的梯度化特征组合，突破单一特征维度的信息局限；三是通过对比SVM与RF算法的适配性，揭示高维光谱特征与机器学习算法的匹配规律，为菌草物种识别提供最优技术路径。
综上所述，基于可见光-近红外波段光谱特征分析，结合倒数取对数、导数变换等处理方法及植被指数提取，并采用SVM算法构建“原始光谱+三边参数”特征组合模型，是实现菌草物种快速、精准识别的有效途径。本研究结果为菌草物种光谱识别提供理论支撑与技术参考，也为后续大范围遥感监测、生理参数反演及产业精准布局奠定基础。