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OA

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。