《表1 基于光谱技术的水稻品种鉴别常用方法》

  提示：宽带有限、当前游客访问压缩模式

本系列图表出处文件名：随高清版一同展现

《光谱技术在水稻品种鉴别中的应用》

1. 获取 高清版本忘记账户？点击这里登录

1. 下载图表忘记账户？点击这里登录

梁亮等[10]采用ASD Field Spec3地物光谱仪收集了5种稻米的反射光谱数据，通过S-G平滑和标准归一化（SNV）法对原始光谱数据进行预处理后，比较分析了利用主成分分析法（PCA）对全波段与特征波段数据降维后建立的3层BP-ANN鉴别模型精度，得出两种方法建立的模型预测精度高达100%，但基于特征波段建立的模型较全波段模型预测精度更高，其预测决定系数（R2=0.999 4）高于全波段预测决定系数（R2=0.998 8），预测标准误（SEP=0.039 0）和预测均方根误差（RMSEP=0.038 3）均低于全波段模型（SEP=0.051 9；RMSEP=0.055 0）。梁剑等[11]使用傅里叶变换（MPA）近红外光谱仪采集了杂交F1代与其父本带颖壳单粒种子的漫反射光谱数据，比较不同光谱预处理方法建立的聚类分析模型的鉴别效果，结果显示“二阶导数（25点平滑）+矢量归一化”预处理法建立的聚类分析模型效果最好，识别正确率达100%，能有效解决杂交稻种子混杂问题。李晓丽等[12]采用ASD Handheld Field Spec地物光谱仪采集了5种不同基因来源的水稻种子光谱，运用小波变换对原始光谱进行降噪处理，主成分分析（PCA）提取光谱特征信息，再将得到的光谱特征作为神经网络的输入变量，建立了3层BP神经网络的稻谷品种鉴别模型，其预测正确率为96%。林萍等[13]提出了一种遗传算法（GA）进行光谱特征波段提取，偏最小二乘算法（PLS）进行主成分分析，再结合BP神经网络法以实现大米品种快速无损鉴别的新方法。朱文超等[14]针对转基因作物育种过程中存在的杂交和回交后代样本量大的问题，研究了一种基于可见/近红外光谱技术进行转基因水稻叶片快速鉴别的方法。使用NEXUS智能型FT-NIR光谱仪采集了离体转基因水稻叶片及其亲本叶片光谱数据，经过多元散射校正（MSC）降噪处理后，建立了基于全波长的偏最小二乘-支持向量机（LS-SVM）鉴别模型和经过连续投影法（SPA）进行有效波长提取后的SPA-LS-SVM识别模型，对比分析发现LS-SVM模型预测正确率达89.09%，SPA-LS-SVM模型对未知样本的识别精度为87.27%，但前者建模数据量较后者少了99.7%，因此，SPA-LS-SVM算法为大田活体鉴别水稻品种提供了新方法。Long Z等[15]将近红外光谱技术与最小二乘回归判别分析（PLS-DA）相结合，实现了转基因和野生型水稻品种及品系的准确鉴别。曲歌等[16]利用近红外光谱仪采集了4个水稻品种米粉的反射光谱数据，用多元散射校正（MSC）和标准正态变换（SNV）对原始光谱数据进行预处理，以消除样本颗粒分布不均匀及颗粒大小不同等对数据质量造成的影响，结合簇类独立模糊识别法（SIMCA）和偏最小二乘判别分析法（PLS-DA）两种分类算法鉴别水稻品种，得出近红外光谱技术结合SIMCA和PLS-DA两种分类算法均可实现对验证集水稻品种高达100%的正确识别率。光谱数据不仅量大，而且存在数据冗余、噪音及共线信息等问题[17]。因此，利用光谱技术鉴别水稻品种，关键在于光谱数据的处理与建模方法的选择。在不同观测对象下利用光谱技术进行水稻品种鉴别的常用方法见表1。