張小敏 張延寧 姜海益 王怡田 林洋洋 饒秀勤

(1.浙江大學(xué)生物系統(tǒng)工程與食品科學(xué)學(xué)院， 杭州 310058； 2.農(nóng)業(yè)農(nóng)村部農(nóng)產(chǎn)品產(chǎn)地處理裝備重點實驗室， 杭州 310058；3.浙江大學(xué)數(shù)學(xué)科學(xué)學(xué)院， 杭州 310058)

0 引言

油菜是我國大宗油料作物之一，長江中下游地區(qū)為我國重要的冬油菜生產(chǎn)基地，常年種植面積和產(chǎn)量均占80%以上的份額[1]。在10月中下旬適宜移栽期內(nèi)，氣溫下降，容易出現(xiàn)持續(xù)寡照天氣，低溫脅迫會造成油菜種子發(fā)芽時間延長，容易對幼苗造成不可逆的破壞，這是油菜苗不健壯的主要原因之一[2-4]。因此，研究溫度脅迫對油菜苗期生長的影響以及脅迫檢測方法非常必要。

溫度脅迫會誘發(fā)油菜苗外部形態(tài)、生化組分含量、酶活性[5-7]等發(fā)生相應(yīng)變化。在眾多脅迫檢測方法中，實驗室生化檢測是目前最為客觀準(zhǔn)確的方法，但存在采樣復(fù)雜、時效性差、專業(yè)性強(qiáng)、成本過高等問題，不利于規(guī)模化、標(biāo)準(zhǔn)化作業(yè)[8]。機(jī)器視覺技術(shù)能夠快速、穩(wěn)定地采集高精度的作物圖像信息，可節(jié)省人力和降低人為判斷的主觀性[9]。但由于傳統(tǒng)圖像數(shù)據(jù)大多只能反映作物外觀特征，故構(gòu)建的脅迫檢測模型也存在局限性[10-12]。高光譜成像技術(shù)能夠提供待測作物更為詳細(xì)和全面的信息，基于光譜信息既可以獲取待測作物的外形，還可以反映作物生化組分含量和內(nèi)部結(jié)構(gòu)的變化[13-16]。

文獻(xiàn)[17]采集了小麥感染鐮刀菌400～1 000 nm波長范圍的高光譜圖像，基于主成分分析提取光譜子范圍特征，基于光譜角度匹配提取全譜特征，各染病時間平均檢測準(zhǔn)確率為67%，不同感染程度的檢測準(zhǔn)確率差異較大。文獻(xiàn)[18]采集了菠菜葉片冷藏過程中400～1 000 nm波長范圍的高光譜圖像，研究了冷藏條件下光譜特性的演化規(guī)律。文獻(xiàn)[19]采用400～900 nm波長范圍的高光譜來監(jiān)測冷藏室和室溫下不同時長的玉米葉片光譜反射率，研究發(fā)現(xiàn)，1 h以后冷藏箱內(nèi)的葉片反射率比正常室溫下的葉片反射率大。文獻(xiàn)[20]采集了番茄葉片早疫病、晚疫病380～1 023 nm波長范圍的高光譜圖像，基于連續(xù)投影算法(Successive projections algorithm, SPA)提取特征波長，建立了極限學(xué)習(xí)機(jī)分類器，對病害類別的多重分類準(zhǔn)確率達(dá)97.1%。文獻(xiàn)[21]采集了玉米葉片干旱脅迫過程中400～1 000 nm波長范圍的高光譜圖像，提出一種基于聚類、監(jiān)督波長選擇以及光譜相似性度量的檢測方法，研究表明，與傳統(tǒng)圖像相比，高光譜圖像能滿足更廣泛的作物生物脅迫和非生物脅迫的檢測需求[22-23]，通過觀察作物生長期內(nèi)光譜的演化規(guī)律，有助于判斷脅迫類別、揭示脅迫過程、提高脅迫檢測效果，從而分析得出作物不健壯的原因[24-26]。

綜上，高光譜成像技術(shù)為脅迫檢測提供了一種快速、準(zhǔn)確的檢測手段。本文以油菜為研究對象，以高光譜成像為技術(shù)手段，進(jìn)行油菜苗溫度脅迫實驗。采用SPA和連續(xù)小波變換-逐步判別分析法(Continuous wavelet transform-stepwise discriminant analysis, CWT-SDA)在溫度脅迫敏感波段處提取特征波長，并通過持續(xù)觀測油菜苗期光譜特征的演化規(guī)律，研究分析溫度脅迫對油菜葉片光譜特征的影響，并建立脅迫判別模型，以期實現(xiàn)正常幼苗與脅迫幼苗的準(zhǔn)確區(qū)分。

1 材料和方法

1.1 實驗材料與實驗設(shè)計

實驗時間為2019年12月12日至2020年1月20日，實驗地點為浙江大學(xué)紫金港校區(qū)生物系統(tǒng)工程與食品科學(xué)學(xué)院實驗室。以油菜品種浙油50作為實驗材料，播種前曬種4 h。配置基質(zhì)含水率70%，將基質(zhì)裝盤后，用壓穴模板在每個穴孔上壓出深1.0～1.5 cm的圓形播種穴，把顆粒飽滿、顏色一致、大小均勻油菜種子播種于穴盤中，1穴播種1粒種子，采用72穴的穴盤共播種18盤。播種完畢后均等置入智能人工氣候箱中培養(yǎng)40 d。

培養(yǎng)條件：晝溫(25±1)℃，夜溫(15±1)℃，相對濕度(70±5)%，光周期白天16 h、黑夜8 h，光密度350 μmol/(m2·s)。

待幼苗長至兩葉一心后，進(jìn)入溫度脅迫實驗階段。將幼苗的育苗溫度分別設(shè)為20℃(T1)、25℃(T2)和30℃(T3)，其中T2組為對照組。分別在第1天(d1)至第21天(d21)，每天從每組幼苗中摘取20株油菜苗葉片，分別采用Q285型高光譜成像系統(tǒng)(德國Cubert公司)和SOC710 SWIR型高光譜成像系統(tǒng)(美國SOC公司)采集450～998 nm和917～1 717 nm的高光譜圖像。以每株油菜苗所有冠層葉片的平均光譜作為冠層光譜，構(gòu)建冠層光譜樣本集，樣本總數(shù)均為1 260個。其中，T1、T2、T3組各420個。

1.2 高光譜數(shù)據(jù)采集

由于在可見光波段到近紅外波段范圍內(nèi)，葉片光譜的反射特性與葉片生化組分的含量以及內(nèi)部結(jié)構(gòu)特性有關(guān)，不同波段能反映獨特的理化性質(zhì)。為了全面地獲取油菜葉片光譜信息，本實驗采用Q285型和SOC710 SWIR型兩臺高光譜成像系統(tǒng)分別采集油菜葉片450～998 nm和917～1 717 nm的高光譜圖像。采集示意圖如圖1所示，葉片放置于黑色背景的載物臺上，采集時關(guān)閉暗箱門，單個樣本的總采集時間在1 min內(nèi)。

其中，Q285型高光譜成像系統(tǒng)的光譜范圍為450～998 nm，光譜分辨率為4 nm，鏡頭焦距23 mm，像素分辨率為1 000像素×1 000像素；SOC710 SWIR型高光譜成像系統(tǒng)的光譜范圍為917～1 717 nm，光譜分辨率為2.75 nm，鏡頭焦距35 mm，像素分辨率為640像素×568像素。

1.3 光譜預(yù)處理

1.3.1感興趣區(qū)域提取

由于高光譜圖像采集系統(tǒng)采集的是整個視場范圍內(nèi)的圖像，而感興趣區(qū)域是葉片區(qū)域，因此需要對葉片和背景進(jìn)行分割。從樣本集中隨機(jī)抽取10個樣本，考慮到采集時背景均勻且不變，分別選取高光譜圖像中背景區(qū)域和葉片區(qū)域100像素×100像素，并分別求樣本的背景區(qū)域和葉片區(qū)域的平均光譜，如圖2所示?？梢钥闯?0個樣本在同一波段內(nèi)的光譜曲線相似，圖2a中在550 nm和750 nm附近波段背景和葉片光譜曲線反射率差異較大，而圖2b中1 100 nm附近波段背景和葉片光譜曲線反射率差異較大，故上述波長圖像均可用于背景分割。

由于背景光譜反射率較小時，與葉邊緣區(qū)分度較好，最終選擇了546 nm和1 121 nm波長圖像分別對450～998 nm波段和917～1 717 nm波段高光譜圖像進(jìn)行分割，對隨機(jī)抽取樣本中1號樣本的分割結(jié)果如圖3所示。由于不同葉片在同一波段內(nèi)的光譜特性是相似的，故其余樣本都選用上述波長圖像進(jìn)行圖像二值化操作，提取波段范圍下的感興趣區(qū)域。

1.3.2異常樣本剔除

提取冠層葉片的平均光譜后，去除兩端噪聲波段，選擇498～950 nm共114個波長和939～1 681 nm 共267個波長進(jìn)行分析，并依次進(jìn)行Savitzky-Golay平滑、標(biāo)準(zhǔn)化和歸一化處理。

為避免植株個體生長差異、儀器誤差、測量環(huán)境變化、操作失誤等原因產(chǎn)生的異常樣本影響光譜分析結(jié)果，需要檢測異常樣本并根據(jù)實際情況予以保留或剔除。采用主成分-馬氏距離法，根據(jù)Dixon準(zhǔn)則或Chauvenet準(zhǔn)則剔除異常樣本。計算T1、T2、T3各組平均光譜與每個樣本光譜的馬氏距離，按馬氏距離從小到大順序排列；指定檢出水平α=0.05，剔除水平α=0.01。首先分析各組光譜數(shù)據(jù)是否有明顯異常，根據(jù)Chauvenet準(zhǔn)則檢出與平均光譜偏差在95%置信區(qū)間外的光譜。T1組馬氏距離分布情況如圖4所示。檢出異常樣本為長至兩葉一心后第17天的樣本(圖4中虛線所示)，可能是這天的數(shù)據(jù)錄入存在問題。

隨后分析各天光譜數(shù)據(jù)，根據(jù)Dixon準(zhǔn)則檢出與平均光譜偏差在95%置信區(qū)間外的光譜。長至兩葉一心后第1天各組馬氏距離分布情況如圖5所示，未檢出異常樣本。類似地，依次檢測其余19 d樣本，均未檢出異常樣本。因此，最終有20 d樣本用于特征提取和健壯苗識別研究，每天60個樣本，T1、T2、T3組各20個。

1.4 溫度脅迫敏感波段提取

對光譜響應(yīng)進(jìn)行初步分析發(fā)現(xiàn)，在觀測初期，葉片生長對冠層光譜的影響較大，故需要區(qū)分生長和溫度脅迫的主要響應(yīng)波段。按照觀測時間將冠層光譜樣本集劃分為d1～d21族，每族分為T1、T2、T3組。

1.4.1基于光譜反射率的顯著性分析

首先基于光譜反射率分析溫度脅迫敏感波長，指定顯著性水平α=0.05，依次對di族λj波長反射率r(di,λj)進(jìn)行正態(tài)檢驗和方差齊性檢驗；若3組均滿足正態(tài)或輕微偏態(tài)分布和方差齊性要求，采用單因素方差分析，否則采用Mann-Whitney-Wilcoxon(MWW)檢驗，檢驗r(di,λj)在3組之間是否存在顯著差異；若單因素方差分析結(jié)果存在顯著差異，采用Student-Newman-Keuls(SNK)法進(jìn)行多重比較，檢驗3組之間是否兩兩存在顯著差異；若兩兩存在顯著差異，則將λj作為di族溫度脅迫敏感波長，并統(tǒng)計d1～d21族λj出現(xiàn)的頻數(shù)。

保留頻數(shù)占總族數(shù)百分比不低于75%，即頻數(shù)不低于16的波長作為溫度脅迫敏感波長，溫度脅迫敏感波長分布情況如圖6所示。因此，基于光譜反射率共提取2個溫度脅迫敏感波段：554～714 nm、1 559～1 567 nm。

1.4.2連續(xù)小波變換分析

連續(xù)小波變換(CWT)是一種自適應(yīng)的時頻分析方法，可以進(jìn)行多分辨率分析，適合相似性檢測和奇異性分析。其中，一維連續(xù)小波分析通過用縮放和平移操作的一系列小波函數(shù)與原始光譜信號卷積，對于小波函數(shù)ψ(t)，連續(xù)小波變換公式為

(1)

(2)

式中ψa,b(λ)——連續(xù)小波基函數(shù)

λ——時刻

a——尺度因子

b——平移因子

w(a,b)——小波變換系數(shù)

x(λ)——連續(xù)平方可積函數(shù)

a和b可連續(xù)取值，a一般取整數(shù)，有別于二進(jìn)制小波變換的取2整數(shù)冪。

采用CWT算法將冠層光譜在不同尺度下轉(zhuǎn)換成一系列的小波系數(shù)，圖7展示了分解尺度為1、5、10、15、20的小波系數(shù)圖。低尺度的小波系數(shù)反映光譜圖上局部峰谷變化，高尺度的小波系數(shù)極值發(fā)生偏移，反映光譜曲線變化趨勢和相對變化程度。

本文選擇Marr小波母函數(shù)，采用1～50連續(xù)的小波分解尺度，基于小波系數(shù)分析溫度脅迫敏感波段。以d1族為例：

(1) 計算d1族光譜樣本1～50分解尺度下的小波系數(shù)w(si,λj)，其中si表示分解尺度，得到小波系數(shù)矩陣。采用單因素方差分析，檢驗w(si,λj)在d1族3組之間是否存在顯著差異，得到P值矩陣，如圖8所示，P值越大，灰度越高，差異越不顯著。

(2)若存在顯著差異，采用SNK法進(jìn)行多重比較，檢驗d1族3組之間是否兩兩存在顯著差異；若兩兩存在顯著差異，則將λj作為d1族溫度脅迫敏感波長，將w(si,λj)作為d1族敏感小波系數(shù)。如圖9所示，淺藍(lán)色、橙色、黃色區(qū)域分別代表3次比較中有1、2、3次在0.05水平上顯著。尤其是可見光波段各分解尺度下的小波系數(shù)兩兩比較幾乎都存在顯著差異，說明短期內(nèi)溫度脅迫主要影響可見光波段。

(3)類似地，依次對其余20族進(jìn)行分析，統(tǒng)計λj出現(xiàn)的頻數(shù)。保留頻數(shù)不低于16的波長，作為溫度脅迫敏感波長?；谶B續(xù)小波變換提取的溫度敏感波長分布情況如圖10所示，此方法提取到的溫度脅迫敏感波長僅在近紅外波段。

基于CWT算法共提取2個溫度脅迫敏感波段：939～967 nm、1 210～1 213 nm。

因此，兩種算法共提取4個溫度脅迫敏感波段：554～714 nm、939～967 nm、1 210～1 213 nm和1 559～1 567 nm。將以上4個溫度脅迫敏感波段，用于光譜特征提取算法研究。

1.5 光譜特征提取

1.5.1樣本集劃分

油菜苗每隔一定時間生長出一片新葉，觀測期間，油菜生長經(jīng)歷了從二葉期至五葉期的不同生長期，不同生長期具體的溫度敏感特征可能不同。根據(jù)生長期將冠層光譜樣本集劃分為C1、C2、C3、C4族，分別對應(yīng)二葉期至五葉期。樣本集具體劃分情況如表1所示。

表1 冠層光譜樣本集劃分

1.5.2基于SPA算法的特征波長提取

SPA算法是在光譜中應(yīng)用廣泛的特征選擇算法，通過迭代選取共線性低的波長組合來降低特征維度。首先將樣本分為用于算法迭代過程和確定最優(yōu)變量的兩個子集；計算初始波長在其余波長上的投影，加入投影向量最大的波長，重復(fù)以上步驟直到迭代結(jié)束，建立基于波長組合的預(yù)測模型，采用均方根誤差判斷模型優(yōu)劣。

采用SPA進(jìn)行特征波長提取，以C1族為實例，指定特征波長數(shù)為1～20，根據(jù)均方根誤差篩選最優(yōu)特征波長。優(yōu)選過程中，均方根誤差隨特征波長數(shù)變化趨勢如圖11所示，當(dāng)波長數(shù)大于7時，均方根誤差隨波長數(shù)的增加變化較小且穩(wěn)定在較低值。SPA優(yōu)選特征波長如圖12所示，篩選出622、642、942、953、959、962、1 567 nm共7個特征波長。SPA一定程度上消除了各波長變量之間的共線性影響，提取的特征代表性較強(qiáng)。

類似地，提取C2～C4族特征波長，具體結(jié)果如表2所示。

表2 C1～C4特征波長

1.5.3基于CWT-SDA算法的小波特征提取

以C1族為例，進(jìn)行CWT處理，算法見1.4.2節(jié)。考慮到低尺度的小波系數(shù)容易受到噪聲的影響，最終選擇尺度不低于5、波長分布在溫度敏感波段內(nèi)的小波系數(shù)。同時為避免特征個數(shù)較多和特征間相關(guān)性較強(qiáng)，導(dǎo)致矩陣求逆的精度下降，所建判別函數(shù)不穩(wěn)定的問題，本文采用SDA算法篩選小波特征，尋找合適的特征子集。

SDA算法是一種迭代篩選變量的方法，通過逐個加入變量，達(dá)到篩選有效變量的目的，同時得到判別系數(shù)和常數(shù)。逐步判別分析對判別變量附加信息的檢驗采用Λ統(tǒng)計量，公式為

(3)

式中W——組內(nèi)離差矩陣

T——總離差矩陣

(4)

(5)

式中nα——各組樣本總數(shù)

類似地，提取C2～C4族的小波特征，具體結(jié)果如表3所示。

表3 C1～C4小波特征

1.6 建模分析方法

1.6.1Fisher線性判別

本文采用Fisher判別器作為分類模型進(jìn)行三分類，即分為T1、T2、T3組。Fisher分類器是一種結(jié)構(gòu)簡單的線性有監(jiān)督分類模型，以類內(nèi)散度最小而類間散度最大作為準(zhǔn)則進(jìn)行投影降維，其對噪聲有著良好的魯棒性。對于本文所用到的Fisher線性判別，樣本類內(nèi)散度矩陣、樣本類間散度矩陣和最大化目標(biāo)分別定義為

(6)

(7)

(8)

式中Ci、μi——第i類的樣本集合、均值

mi——第i類的樣本個數(shù)

μ——這3個類全部樣本的均值

ω——需要求解的投影超平面

可以通過特征值分解，取前d個對應(yīng)的特征向量求解，從而將N維樣本映射到d維進(jìn)行分類。

1.6.2模型評價

本文采用各樣本集(C1、C2、C3、C4族)總體分類準(zhǔn)確率對識別模型進(jìn)行評價，以C1族為例，將樣本劃分成5個相等的子集(每個子集72個樣本)，每次取4個子集作為訓(xùn)練集，余下的子集作為測試集，采用無放回隨機(jī)抽樣的5折交叉驗證法進(jìn)行模型訓(xùn)練和測試，5次分類準(zhǔn)確率的平均值作為模型總體分類準(zhǔn)確率。其中，在識別健壯苗時，T2組(25℃)作為正常幼苗樣本，T1組(20℃)和T3組(30℃)分別作為輕度低溫脅迫和輕度高溫脅迫幼苗樣本。

2 結(jié)果與分析

2.1 分類基線模型

分別對基于SPA算法提取的特征波長和CWT-SDA算法提取的小波特征，使用Fisher判別模型，構(gòu)建基線模型，初步評價特征波長區(qū)分輕度低溫、輕度高溫和正常溫度下生長的油菜苗的能力。

兩種模型的分類準(zhǔn)確率如表4、5所示。

表4 SPA算法優(yōu)選波長在Fisher判別模型下的溫度脅迫檢測結(jié)果

表5 CWT-SDA優(yōu)選小波特征在Fisher判別模型下的溫度脅迫檢測結(jié)果

分析兩個模型的分類準(zhǔn)確率表明：SPA-Fisher模型和CWT-SDA-Fisher模型的各生長期平均總體分類準(zhǔn)確率分別為85.31%和86.64%，后者的模型準(zhǔn)確率和穩(wěn)定性略優(yōu)；T1組和T3組分類準(zhǔn)確率隨脅迫時間增長提高，說明溫度脅迫造成的累積光譜響應(yīng)差異逐漸明顯；T1組分類準(zhǔn)確率高于T3組，說明低溫脅迫響應(yīng)更易被區(qū)分，尤其是C1族T1組的分類準(zhǔn)確率顯著高于T3組，葉片生長初期對低溫更加敏感。

2.2 分類模型優(yōu)化

2.2.1波段特征提取方法

由于SPA和CWT-SDA算法提取的光譜特征在4個溫度敏感波段均有分布(圖6和圖10)，其中554～714 nm存在多個波長相鄰分布情況。相鄰波長往往具有較強(qiáng)的相關(guān)性，易導(dǎo)致特征冗余。本文通過進(jìn)一步提取波段特征，減少特征冗余，進(jìn)而提升模型穩(wěn)定性。

如圖13所示，長至兩葉一心后以不同溫度處理2 d后的554～714 nm平均光譜曲線為例，不同溫度處理組的冠層光譜554～714 nm光譜曲線形狀相似，表現(xiàn)出綠色作物特有的綠峰-紅谷-紅邊特征，但不同溫度處理下綠峰、紅邊藍(lán)移、紅移速度不同，綠峰峰值下降的程度也不同，導(dǎo)致了680 nm附近紅谷曲率不同。因此，對554～680 nm分段提取波段MA曲線面積和波段CN正切特征值tanθ兩種特征，以更好地描述各組光譜曲線的差異。

(1)提取554～714 nm波段范圍內(nèi)小波系數(shù)曲線的過零點。如圖14b局部圖所示，分別設(shè)置：A，582 nm；B，630 nm；C，646 nm。并設(shè)置：M，554 nm；N，714 nm。進(jìn)一步提取MA和CN波段特征。

(2)采用3階多項式擬合CN。如圖15所示，為避免邊界點噪聲，各向內(nèi)取一個點，計算C′、N′處切線，C′、N′與切線交點O構(gòu)成的夾角∠C′ON′為CN的特征角，∠C′ON′角度的正切值為CN的波段特征tanθ。

(3)采用3階多項式擬合MA，計算MA曲線面積，作為MA的波段特征。

2.2.2光譜特征演化規(guī)律

以3 d為間隔，將觀測日期劃分為D1～D7，則D1～D5為育苗期，D6、D7為移栽期。對每一個特征進(jìn)行測試，衡量該特征和分類值之間的關(guān)系，綜合考慮顯著性分析結(jié)果與單特征分類結(jié)果，篩選出以下特征，進(jìn)一步分析特征均值演化規(guī)律。

(1)554～714 nm波段特征

MA曲線面積變化趨勢如圖16a所示。從圖中可以看出，隨觀測期推移，曲線面積先下降后穩(wěn)定，穩(wěn)定后從大到小依次為T3、T1、T2。tanθ變化趨勢如圖16b所示。從圖中可以看出，隨觀測期推移，tanθ先上升后穩(wěn)定，穩(wěn)定后從大到小依次為T1、T2、T3，與紅谷附近曲率有關(guān)，反映了綠峰、紅邊藍(lán)移、紅移速度和綠峰峰值下降程度的差異。

(2)特征波長

1 213 nm光譜反射率變化趨勢如圖17a所示。從圖中可以看出：隨觀測期推移，1 213 nm反射率先下降后穩(wěn)定，穩(wěn)定后從大到小依次為T2、T3、T1。1 567 nm光譜反射率變化趨勢如圖17b所示。從圖中可以看出：隨觀測期推移，1 567 nm反射率呈現(xiàn)先下降后穩(wěn)定，穩(wěn)定后從大到小依次為T3、T2、T1。

(3)小波特征

w(9, 967)變化趨勢如圖18a所示，不同觀測期內(nèi)，w(9, 967)分布區(qū)間在3組間不重疊，移栽期時從大到小依次為T2、T1、T3。w(13, 1 213)變化趨勢如圖18b所示，隨觀測期推移，w(13, 1 213)先下降后上升，移栽期時從大到小依次為T2、T3、T1。w(7, 1 567)變化趨勢如圖18c所示，隨觀測期推移，w(7, 1 567)先下降后穩(wěn)定，移栽期時T1組明顯小于T2、T3組。

2.3 受溫度脅迫的健壯苗識別模型

基于以上7個特征，即554～714 nm波段MA曲線面積、tanθ，1 213 nm和1 567 nm處反射率，以及小波特征w(9, 967)、w(13, 1 213)和w(7, 1 567)，建立多特征融合的Fisher判別模型，采用無放回隨機(jī)抽樣的5折交叉驗證方法進(jìn)行模型建立和驗證，5次分類準(zhǔn)確率的平均值作為模型總體分類準(zhǔn)確率，如表6所示。

表6 多特征融合在Fisher判別模型下的溫度脅迫檢測結(jié)果

結(jié)果表明：多特征融合的Fisher判別模型平均分類準(zhǔn)確率為88.68%，優(yōu)于SPA-Fisher和CWT-SDA-Fisher模型，在生長期C2(即三葉期)時達(dá)到最佳檢測準(zhǔn)確率，為95.56%；多特征融合的Fisher判別模型顯著提高了各生長期的T1組分類準(zhǔn)確率，各生長期均達(dá)到90%以上。同時發(fā)現(xiàn)554～714 nm波段特征和特征波長在育苗期的演化曲線呈現(xiàn)一定的規(guī)律性，曲線特征對于脅迫檢測的效果有一定提升。

3 結(jié)束語

利用高光譜成像技術(shù)對油菜幼苗進(jìn)行溫度脅迫檢測，篩選出554～714 nm波段MA曲線面積、正切特征值tanθ、1 213 nm和1 567 nm處反射率以及小波特征w(9,967)、w(13,1 213)、w(7,1 567)共7個特征，建立了多特征融合的溫度脅迫Fisher判別模型。結(jié)果表明，該模型平均分類準(zhǔn)確率為88.68%，優(yōu)于SPA-Fisher和CWT-SDA-Fisherm模型的分類效果，多特征融合的Fisher判別模型顯著提高了各生長期的T1組分類準(zhǔn)確率。同時發(fā)現(xiàn)，554～714 nm波段特征和特征波長在育苗期的演化曲線呈現(xiàn)一定的規(guī)律性，且低溫脅迫檢測效果較好、脅迫響應(yīng)更易被區(qū)分。綜合考慮各模型不同生長期的檢測效果，發(fā)現(xiàn)三葉期是較適合進(jìn)行溫度脅迫檢測的時期。