文献类型：期刊文章

作　　者：张天亮[1] 张东兴[1] 崔涛[1] 杨丽[1] 解春季[1] 杜兆辉[1] 钟翔君[1]

ZHANG Tian-liang;ZHANG Dong-xing;CUI Tao;YANG Li;XIE Chun-ji;DU Zhao-hui;ZHONG Xiang-jun(Key Laboratory of Soil-Machine-Plant System Technology of Ministry of Agriculture,College of Engineering,China Agricultural University,Beijing 100083,China)

机构地区：[1]中国农业大学工学院农业部土壤-机器-植物系统技术重点实验室,北京100083

出　　处：《光谱学与光谱分析》

基　　金：国家现代玉米产业技术体系建设项目(CARS-02);国家重点研发计划项目(2016YFD0300302)资助。

年　　份：2022

卷　　号：42

期　　号：4

起止页码：1229-1234

语　　种：中文

收录情况：AJ、BDHX、BDHX2020、CAS、CSCD、CSCD2021_2022、EI、IC、JST、PUBMED、RCCSE、SCIE、SCOPUS、WOS、ZGKJHX、核心刊

摘　　要：针对传统玉米品种抗倒性鉴别方法费时费力、时效滞后的问题,采用高光谱成像数据结合机器学习方法对9叶期的玉米品种抗倒性进行鉴别,并给出适于进行玉米品种抗倒性鉴别的种植密度和建模方法。试验设置了5 000,7 000和9 000株·亩^(-1)3个种植密度和6个典型的抗倒/不抗倒玉米品种,采集9叶期玉米顶叶的高光谱图像,使用目标区域分割的方式自动进行光谱图像反射率校正和目标光谱曲线提取。对采集的样本数据使用Kennard Stone算法划分样本训练集和测试集,用主成分分析法(PCA)和连续投影算法(SPA)提取光谱特征,建立了基于高斯核函数的支持向量机(SVM)模型并进行参数训练和优化。通过对不同种植密度下各特征提取方法的效果和各模型训练效果及其预测结果的对比,找到进行玉米抗倒性鉴别的最佳种植密度和建模方法。试验结果表明:在各种植密度下PCA方法对光谱特征的降维效果最为显著,而SPA算法选择的特征波长分布比较均匀、抗倒性分类特征比较明显;种植密度的增加对于玉米品种抗倒性的鉴别是有益的,在种植密度为7 000株·亩^(-1)时,使用SPA-SVM方法建立的模型训练效果和预测结果最佳,此时模型对训练集数据的10折交叉验证正确率为97.40%,对测试集数据的预测正确率为98.33%。

关 键 词：玉米抗倒  高光谱成像 主成分分析 连续投影  支持向量机

分 类 号：S126]