近红外光谱技术的小麦条锈病严重度分级识别

• 作者: 李军会 李小龙 王海光 秦丰 赵龙莲 马占鸿
• 来源期刊: 光谱学与光谱分析
• 学科: 农学
• 关键词: 近红外光谱 小麦条锈病 病害严重度 分级识别
• 年，卷（期）: 2015,（2）
• 页码范围: 367-371
• 页数: 5页
• 分类号: O657.3|S431.9
• 字数: 4805字
• 语种: 中文
• DOI: 10.3964/j.issn.1000-0593(2015)02-0367-05

摘要

小麦条锈病是世界上影响小麦安全生产的一种重要病害。实现小麦条锈病不同严重度叶片快速、准确的分级识别，对于条锈病监测、预测预报和防治措施的制定具有重要意义。通过人工接种获得条锈病不同发病程度小麦叶片，选取8个不同严重度级别（1％，5％，10％，20％，40％，60％，80％和100％）叶片各30片和健康小麦叶片30片，利用近红外光谱技术分别获取光谱信息，共获得270条近红外光谱曲线，依据小麦叶片条锈病发病程度的不同，将其分为9个类别。从每个类别中随机选择7～8条光谱曲线作为测试集，共计67条，将剩余的203条光谱曲线作为训练集。利用定性偏最小二乘法建立小麦条锈病不同严重度叶片的定性识别模型。研究分析了不同光谱预处理方法、建模比（训练集：测试集）和建模谱区对所建模型识别效果的影响。结果表明，在4000～9000 cm－1谱区范围内，原始近红外光谱数据经中心化预处理后，建模比为3∶1时，采用内部交叉验证法建模，训练集和测试集的总体识别准确率分别为95．57％和97．01％，所建模型识别效果较好。表明基于近红外光谱技术进行小麦条锈病叶片严重度分级识别是可行的，为小麦条锈病的监测和评估提供了一种新方法。

作者信息

序号	姓名	单位	发文数	被引次数	H指数	G指数
1	马占鸿	中国农业大学农学与生物技术学院	94	1066	17.0	28.0
2	王海光	中国农业大学农学与生物技术学院	51	652	16.0	23.0
3	李军会	中国农业大学信息与电气工程学院	50	1068	16.0	31.0
4	赵龙莲	中国农业大学信息与电气工程学院	38	913	15.0	29.0
5	秦丰	中国农业大学农学与生物技术学院	6	71	4.0	6.0
6	李小龙	中国农业大学农学与生物技术学院	6	90	6.0	6.0