高光谱结合主成分分析的苎麻品种识别

苎麻（Boehmeiria nivea L）是我国的特产,作为一种传统的纤维作物,一直有着较高的经济地位。开发一种基于高光谱的、新型高效的苎麻品种识别方法,有利于苎麻栽种、种质资源开发利用,为实现苎麻高产优质及麻田精准管理提供关键技术支撑,对提高苎麻产量和品质有重要意义。为了将高光谱技术应用于苎麻品种识别,采集了9个不同基因型苎麻品种,利用地物光谱仪测定苎麻叶片高光谱反射率,共1 458个叶片高光谱数据,利用主成分分析(PCA)对高光谱数据进行降维,探讨PCA最佳主因子个数的确定方法,比较不同主因子个数与不同判别分析(DA)方法--即线性判别分析(LDA)、二次判别分析(QDA)和马氏距离判别分析(MD-DA)组合,在建立基于叶片高光谱的苎麻品种识别模型中效果。对全波段的数据样本进行主成分分析之后,以2～20个主成分作为特征变量,分别建立LDA,QDA和MD-DA三种品种判别模型进行预测,以预测集正确率为评价标准,比较各种组合的效果。结果表明,若以累积贡献率≥85%为标准,选择2个主成分时,LDA,QDA和MD-DA三种判别模型预测集正确率分别为32.92%,38.48%和33.54%;以特征值≥1为标准,选择11个主成分时,三种判别模型预测集正确率分别为68.72%,87.04%和83.54%;若以预测集正确率为优先考虑标准,将主成分个数增加至20个时,三种判别模型正确率有较大提高,分别为84.98%,95.68%和95.27%。由此,得到如下结论：①利用PCA组合DA方法建立基于苎麻叶片高光谱的品种识别模型是可行的,但因子数不同、DA判别标准不同、组合方法不同效果差异非常大;②主因子个数对识别结果的影响较为明显,适当增加主成分个数可以显著提高模型判别正确率,因此不应局限于PCA特征值和方差累积贡献率的选择方法;③主因子个数相同时,三种判别标准中,QDA效果最好,LDA效果最差;④最佳组合是20个主成分+QDA方法,其数据维度大大降低（由全波段的2 031维降低20维）,而预测集正确率为95.68%。     

高光谱参数和逐步判别的苎麻品种识别

为了探讨基于高光谱的苎麻品种识别和分类的方法，在大田栽培条件下，采集了4个不同基因型苎麻品种共927个叶片高光谱数据。根据苎麻叶片高光谱反射曲线，选择了2组特征参数： 基于高光谱波形峰谷反射率和位置参数(V1组)、基于偏度和峰度参数(V2组)。运用逐步判别的方法，通过设置不同F值筛选不同个数的变量，分别建立基于2组特征参数的多个Fisher线性判别函数，并从计算量、正确率和稳定性三方面对所建立的判别函数进行分析比较。结论： (1)所有组合的判别函数总体平均正确率为91.1%，标准差总体均值为1.2%；(2)综合权衡，在所有组合中，V2组且14≥变量个数n≥8判别效果最好--计算量中等，正确率和稳定性均高于平均值，其中，13个变量的Fisher判定函数平均正确率最高有94.2%，标准差最低为0%；(3)若优先考虑正确率，V1组且22≥变量个数≥15正确率最高，平均正确率最大有95.5%，但计算量比较大，稳定性中等，标准差最低为0.9%。研究表明，利用高光谱参数结合逐步判别方法识别苎麻品种是可行的。