基于吸收光谱无损检测水稻叶绿素的研究

采用相关性研究对光谱数据进行了特征光谱筛选,对特征光谱分段处理表征光谱信息,运用主成分分析和多元线性回归的方法构建叶绿素含量的预测模型。实验以水稻活体叶片为研究对象,筛选与叶绿素含量敏感的光谱数据,主要集中在450⁵50nm和600550nm和600⁷00nm两个波段范围,将处理后的特征光谱数据利用多元线性回归和分析的主成分法构建模型.发现485700nm两个波段范围,将处理后的特征光谱数据利用多元线性回归和分析的主成分法构建模型.发现485⁴94nm,505494nm,505⁵14nm,515514nm,515⁵24nm,650524nm,650⁶59nm,670659nm,670⁶79nm,690679nm,690⁶99nm这6个波段光谱吸收率平均值构建的模型具有较好的效果,定模系数0.921,判定系数0.849,预测相关系数0.883.结果表明此研究方法在处理数据较多的光谱数据构建预测模型方面,不仅简化了模型参数,而且提高了模型的可解释性.     

基于吸收光谱无损检测水稻叶绿素的研究

采用相关性研究对光谱数据进行了特征光谱筛选,对特征光谱分段处理表征光谱信息,运用主成分分析和多元线性回归的方法构建叶绿素含量的预测模型。实验以水稻活体叶片为研究对象,筛选与叶绿素含量敏感的光谱数据,主要集中在450~550nm和600~700nm两个波段范围,将处理后的特征光谱数据利用多元线性回归和分析的主成分法构建模型.发现485~494nm,505~514nm,515~524nm,650~659nm,670~679nm,690~699nm这6个波段光谱吸收率平均值构建的模型具有较好的效果,定模系数0.921,判定系数0.849,预测相关系数0.883.结果表明此研究方法在处理数据较多的光谱数据构建预测模型方面,不仅简化了模型参数,而且提高了模型的可解释性.