下载文档原格式
小麦条锈病光谱遥感检测与分类算法研究引言小麦是世界上最重要的粮食作物之一，然而，小麦条锈病是一种常见的病害，能够严重影响小麦的产量和品质。
因此，准确、快速地检测和分类小麦条锈病对于农业生产具有重要意义。
近年来，光谱遥感技术的发展为小麦条锈病的检测和分类提供了新的机会。
本文将探讨小麦条锈病光谱遥感检测与分类算法的研究现状和发展趋势。
一、小麦条锈病光谱特征分析为了能够准确检测和分类小麦条锈病，我们需要先了解小麦条锈病在不同光谱波段下的特征。
光谱遥感技术可以获取不同波段下物体的反射率数据，进而分析其光谱特征。
研究表明，小麦条锈病在可见光和近红外光谱区域呈现出明显的特征差异。
例如，在可见光谱区域，感染小麦条锈病的叶片会出现红斑和黄斑，而在近红外光谱区域，感染小麦条锈病的叶片会呈现出较高的反射率。
因此，光谱遥感可以通过提取不同波段下的特征，实现小麦条锈病的检测和分类。
二、光谱遥感图像获取与预处理光谱遥感图像获取是小麦条锈病光谱遥感检测与分类算法的第一步。
通过卫星、无人机等遥感平台获取小麦农田的光谱遥感图像，能够全面地反映农田的生长状况和植被信息。
在获取到光谱遥感图像后，我们需要进行预处理，包括大气校正、辐射校正和几何校正等。
这些预处理步骤能够消除光谱图像中的噪声和光照变化，提高小麦条锈病检测与分类算法的准确性。
三、小麦条锈病光谱遥感检测算法研究小麦条锈病光谱遥感检测算法旨在利用光谱特征检测感染小麦条锈病的叶片。
常用的检测算法包括阈值法、比值法、比例法和指数法等。
阈值法基于阈值来确定感染程度，比值法基于不同波段之间的比值，比例法基于不同光谱波段的比例，而指数法基于光谱反射率的变换指数。
这些算法能够有效地提取小麦条锈病的光谱特征，并进行目标检测。
四、小麦条锈病光谱遥感分类算法研究小麦条锈病光谱遥感分类算法旨在将感染小麦条锈病的区域与正常区域进行分类。
常用的分类算法包括支持向量机（SVM）、随机森林（RF）、人工神经网络（ANN）和卷积神经网络（CNN）等。
基于近红外光谱技术的春小麦单粒种子活力鉴定时伟芳;谢宗铭;杨丽明;王建华;孙群【期刊名称】《麦类作物学报》【年(卷),期】2016(36)2【摘要】为研究利用近红外光谱技术鉴定春小麦单粒种子活力的效果,以2013年收获的甘肃春小麦品种宁春4号种子为材料,对300粒小麦种子进行近红外光谱单粒扫描,根据光谱图结合发芽实验结果建立春小麦种子活力预测模型。
结果表明,以腹面和背面平均光谱的建模效果要优于单面光谱。
最佳建模比例为建模集与检验集之比3∶1。
应用近红外光谱定性偏最小二乘分析方法建模,在7 000~8 000cm-1光谱范围内采用中心化预处理,在主成分为5时,模型的建模集和检验集的鉴别率分别为86.36%和91.30%,建模效果最佳;采用近红外光谱偏最小二乘法定量检测小麦种子活力时,建模效果较差。
因此,近红外光谱定性偏最小二乘分析方法适于进行春小麦单粒种子活力定性鉴定。
【总页数】6页(P200-205)【关键词】春小麦;种子活力;近红外光谱【作者】时伟芳;谢宗铭;杨丽明;王建华;孙群【作者单位】中国农业大学农学与生物技术学院/北京市遗传改良重点实验室;新疆农垦科学院分子农业技术育种中心;中国农业大学理学院【正文语种】中文【中图分类】S512.1;S311【相关文献】1.应用近红外光谱进行玉米单籽粒品种真实性鉴定的光谱测量方法研究 [J], 贾仕强;郭婷婷;唐兴田;司格;严衍禄;安冬2.基于可见近红外光谱玉米种子活力的无损检测方法 [J], 白京;彭彦昆;王文秀3.基于近红外光谱的单粒水稻种子活力快速无损检测 [J], 宋乐;王琦;王纯阳;林晏清;余鼎;徐琢频;吴跃进4.基于近红外高光谱成像技术的小麦不完善粒检测方法研究 [J], 刘欢;王雅倩;王晓明;安冬;位耀光;罗来鑫;陈星;严衍禄5.基于近红外超连续激光光谱的水稻种子活力无损分级检测研究 [J], 金文玲;阚瑞峰;曹乃亮;朱明东;陈伟;张佩光;赵庆磊;梁静秋;余应弘;吕金光因版权原因，仅展示原文概要，查看原文内容请购买。
近红外光谱技术的小麦条锈病严重度分级识别作者：王茜余海静来源：《农民致富之友》2017年第09期摘要：小麦是我国主要的粮食产物之一。
小麦的安全生产需要对一些重要病害进行有效地预防。
在常见的病害中，小麦条锈病是小麦最常出现的一种疾病。
这种病害对小麦的生产会造成十分严重的影响。
在相关研究中，为了能够更加准确高效地对小麦条锈病进行检测以及预防，可以采用近红外光谱技术对其严重程度进行分级与识别处理，这种技术是相关研究人员最新研究出来的，所以本文将对这一问题展开进一步的研究，希望可以对今后的工作带来一定的帮助。
关键词：近红外光谱；小麦条锈病；病害严重度；分级识别小麦条锈病是小麦生产过程中常见的一种疾病。
这种疾病具有较广的流行性，并且严重危害到小麦的生产。
在亚洲以及欧洲的小麦种植区域都有所出现。
我国小麦生产过程中这一病害也是影响小麦稳产的“元凶”，严重的情况下还会造成小麦绝产的现象。
如果可以事先对小麦条锈病进行有效的预防与检测，那么就能够将这一病害对小麦生产造成的损失降到最低，对于我国农业生产具有十分重要的意义。
我国农业生产在近几年中十分重视对这一疾病的监测工作，并且投入了大量的资源，研制出了近红外光谱技术。
希望通过本文的论述可以对今后的农业建设带来有效的建议。
1、实验部分为了探究近红外光谱技术对小麦条锈病的监测效果，某实验室专门选取了具有高感染度的小麦品种，在人工实验室中进行栽种，并且使用孢子悬浮液向这些小麦进行喷洒，这样做主要是对小麦的发病程度进行有效的控制。
在经过15天的接种以后，分别对小麦的发病程度按照不同的等级标准进行区分，并且和健康的小麦叶片进行对比，在所有的小麦叶片中，一共选择出严重程度不同的小麦叶片以及健康的叶片，通过近红外光谱技术绘制出光谱曲线，以便观察。
通过观察可以看出小麦的光谱曲线存在一定的差异，并且这之前具有一定的关联性，在此基础上建立起来的模型可以更加准确的对小麦叶片的受损程度进行定性，这样就能够得到小麦条锈病的严重度级别。
近红外光谱技术的小麦条锈病严重度分级识别近红外光谱技术是一种非常有效的分析技术，可在不破坏样品的情况下提取大量化学信息。
在植物病害诊断方面，近红外光谱技术已被广泛应用。
针对小麦条锈病的严重度分级识别，近红外光谱技术也是一种非常有前景的方法。
小麦条锈病是小麦的一种常见病害，它能够极大地降低小麦的产量和品质。
当前，小麦条锈病的检测主要依靠肉眼观察和显微镜检测，但这些方法需要经验丰富的专业技术人员来进行诊断，且需要较长的时间。
因此，我们需要一种更加快速、精确的检测方法，来识别小麦条锈病的严重度。
近红外光谱技术可以非常方便地应用于小麦条锈病的检测中。
这种技术利用光谱学原理，通过分析样品中分子振动能级的吸收情况，来确定样品的化学成分和结构信息。
近红外光谱技术的优点是：非常适合用于非常多的样品类型，且可针对特定问题进行定制分析。
在小麦条锈病的检测方面，近红外光谱技术可以非常准确地分析小麦叶片组织中的蛋白质、碳水化合物、氨基酸和其他微量元素的含量，从而评价小麦条锈病的严重程度。
具体来说，针对小麦条锈病严重度分级识别，我们可以利用近红外光谱仪获取小麦叶片的反射光谱数据，并将这些数据与已知病理程度的小麦叶片反射光谱数据进行比较。
利用模式识别算法，可以将小麦叶片的反射光谱数据与不同严重程度的小麦条锈病相对应。
这种算法将近红外光谱图像的每个波长作为一个特征，将光谱图像转换为特征空间中的数据点，并在这个数据点集上进行分类。
在分析过程中，我们可以参考小麦条锈病的严重程度分类标准，将小麦叶片反射光谱数据划分为不同级别。
比如，可以将小麦叶片的反射光谱数据分为完全正常、轻度受损、中度受损和重度受损等级别。
利用这些数据，在模型训练过程中，我们可以建立分类模型，并进一步优化模型的性能。
总的来说，近红外光谱技术是一种快速、精确、非侵入性的检测方法，可以被广泛应用于小麦条锈病的严重度分级识别中。
对于疫情传播迅速的机构，这种方法是非常值得推广的。
基于近红外光谱的小麦水分检测仪设计范丛山【摘要】针对小麦水分快速连续测量的要求,设计了一型基于近红外光谱原理的小麦水分检测仪.该仪器采用半导体激光器和高灵敏度光电接收管构建稳定的光路系统,采用相关检测、软件滤波等方法提取微弱小麦水分信号,并与标准水分含量小麦对比,得到了小麦水分的工作函数,实际测量误差最大为2.76％.试验表明:该仪器通过高稳定光路系统和高信噪比弱信号提取电路,提高了仪器稳定器和测量精度,测试误差满足设计要求.【期刊名称】《电子器件》【年(卷),期】2019(042)002【总页数】5页(P525-529)【关键词】近红外光谱;小麦水分检测;相关检测;半导体激光器;工作函数【作者】范丛山【作者单位】扬州工业职业技术学院,江苏扬州225127【正文语种】中文【中图分类】TH744我国是粮食生产大国,小麦更是我国半数以上人口的主粮,而小麦的水分含量是其重要的指标,对小麦的运输、储藏都有重要的意义。
目前对于小麦水分的测量,主要有卡尔费休法、电容法、电导法等,但都存在测试时间长、无法在线测试等弊端[1]。
本文根据近红外光谱吸收原理,设计了一型小麦水分检测仪[2],仪器通过搭建高稳定性、高灵敏度光路系统,并采用信号调制、相关检测、软件滤波等弱信号提取方法搭建电路系统,实现了小麦水分的快速实时测量,具有仪器工作稳定,测量误差小等优点,取得了良好的应用效果。
1 近红外小麦水分检测原理及总体方案1.1 近红外小麦水分检测原理根据近红外光谱吸收原理,本仪器采用漫反射光谱法测定小麦中水分的含量。
漫反射光谱测定法是农产品分析中最常用到的光谱分析技术,遵循库贝尔卡-蒙克方程:(1)式中:K为漫反射的吸光系数,S为散射系数为样品厚度无穷大时的绝对漫反射率,在相同光学条件下S不变,所以它与漫反射体的吸光系数K成正比。
因此可通过测量K值来确认[3]。
但实际工作中物质的绝对漫反射率很难测量,因此在实际工作中引入反射光强度A来表示物质吸收光的多少:(2)式中:R∞为样品厚度无穷大时的相对温反射率,且有式中:和分别是样品和白板的漫反射光强度;另在一定的K/S范围内,A与K/S呈近似线性关系[4],可用下式表示:(3)式中:K与小麦水分c在一定范围内也呈线性关系,因此根据式(2)、式(3),及本仪器测试对象可得:(4)式中:和可以通过仪器测量,m′和n′可以通过曲线拟合得到,从而计算出小麦水分c。
第３３卷，第１０期 光谱学与光谱分析Ｖｏｌ．３３，Ｎｏ．１０，ｐｐ２６６１－２６６５２ ０ １ ３年１ ０月 Ｓｐｅｃｔｒｏｓｃｏｐｙ ａｎｄ Ｓｐｅｃｔｒａｌ Ａｎａｌｙｓｉｓ Ｏｃｔｏｂｅｒ，２０１３ 基于近红外光谱技术的小麦条锈病和叶锈病的早期诊断李小龙１，马占鸿１，赵龙莲２，李军会２，王海光１＊１．中国农业大学农学与生物技术学院，北京 １００１９３２．中国农业大学信息与电气工程学院，北京 １０００８３摘 要 为实现小麦条锈病和叶锈病的早期诊断，利用近红外光谱技术结合定性偏最小二乘法（ＤＰＬＳ）建立了一种鉴别这两种病害的方法。
试验将１５０片小麦叶片（健康叶片、条锈病潜育叶片、条锈病发病叶片、叶锈病潜育叶片、叶锈病发病叶片各３０片）分为５类，扫描获得近红外光谱，建立小麦叶片ＤＰＬＳ近红外光谱鉴别模型。
原始光谱数据经二阶导数处理后，在４ ０００～８ ０００ｃｍ－１范围内，当利用不同建模比建模时，建模集的平均识别率为９６．５６％，检验集的平均识别率为９１．８５％，证明了模型的稳定性。
当建模比为２∶１、主成分数为１０时，模型识别效果较好，建模集的识别准确率为９７．００％，检验集的识别准确率为９６．００％。
表明应用近红外光谱技术建立的小麦条锈病和叶锈病早期诊断的定性鉴别方法是可行的。
关键词 近红外光谱；小麦条锈病；小麦叶锈病；早期诊断中图分类号：Ｏ６５７．３；Ｓ４３１．９ 文献标识码：Ａ ＤＯＩ：１０．３９６４／ｊ．ｉｓｓｎ．１０００－０５９３（２０１３）１０－２６６１－０５ 收稿日期：２０１３－０１－２９，修订日期：２０１３－０４－２２ 基金项目：国家科技支撑计划项目（２０１２ＢＡＤ１９Ｂ０４）资助 作者简介：李小龙，１９８８年生，中国农业大学农学与生物技术学院硕士研究生 ｅ－ｍａｉｌ：ｇｏｏｄ＿６０１７＠１２６．ｃｏｍ＊通讯联系人 ｅ－ｍａｉｌ：ｗａｎｇｈａｉｇｕａｎｇ＠ｃａｕ．ｅｄｕ．ｃｎ引 言 小麦条锈病（由Ｐｕｃｃｉｎｉａ ｓｔｒｉｉｆｏｒｍｉｓ ｆ．ｓｐ．ｔｒｉｔｉｃｉ引起）和小麦叶锈病（由Ｐ．ｒｅｃｏｎｄｉｔａｆ．ｓｐ．ｔｒｉｔｉｃｉ引起）是影响中国小麦安全生产的两种重要生物灾害［１］。
这两种病害在小麦苗期发生时，症状极其相似，难以区分，易出现误判，影响及时防治病害。
这两种病害的发生过程均可分为接触期、侵入期、潜育期和发病期四个阶段。
若能及时、准确地识别出这两种病害处于潜育期（未显症）和发病期（显症）的叶片，不仅可准确估计病情发展，亦可及时制定正确的防治方案，对症下药，抑制或减缓病害发展，具有重要的经济意义和社会意义。
人工调查、叶片培养、病原显微观察等植物病害检测的传统方法尚不能实现对受到小麦条锈病菌或叶锈病菌侵染但仍处于潜育期的小麦叶片做出准确、快速的识别。
近年来，随着高光谱遥感技术和分子生物学技术的发展，使得小麦条锈病的早期诊断成为可能。
蔡成静等［２］应用高光谱遥感技术对小麦条锈病进行了研究，发现健康、发病及处于潜育期的小麦植株在某些特定波段的光谱反射率存在显著差异。
李京等［３］应用高光谱遥感技术能够在症状出现之前１２天识别出健康和受到条锈病胁迫的小麦。
目前，虽然可用高光谱遥感技术对小麦条锈病进行早期诊断，但是一般只是对这一种病害进行分析，尚无对处于潜育期及发病期的条锈病和叶锈病两种病害同时做出早期诊断的研究。
并且，高光谱遥感所用仪器一般较贵，很难推广应用。
利用分子生物学技术可以实现小麦条锈病的早期诊断［４－６］，结果较为准确，但所用仪器便携性差，检测条件要求高，并且检测过程需要专业技术人员和专门的试剂，耗时、成本高。
因此，迫切需要一种可以实现小麦条锈病和叶锈病早期诊断的新方法。
近红外光谱技术作为一种快速、无损、低成本、无污染的分析技术，已被广泛应用于农业、食品、石油、化工、医药等行业［７－９］。
近年来，近红外光谱技术在植物病害检测研究中应用日益广泛［１０－１２］。
吴迪等［１１］应用可见／近红外光谱技术建立了茄子叶片灰霉病的早期检测模型，正确率达到８８％。
冯雷等［１２］应用可见－近红外光谱技术结合连续投影算法（ｓｕｃ－ｃｅｓｓｉｖｅ ｐｒｏｊｅｃｔｉｏｎｓ ａｌｇｏｒｉｔｈｍ，ＳＰＡ）和最小二乘支持向量机（ＬＳ－ＳＶＭ），实现了大豆豆荚炭疽病的早期快速无损检测。
目前尚无利用近红外光谱技术检测小麦病害的研究报道。
本研究以小麦条锈病和叶锈病潜育期及发病期叶片作为研究对象，利用近红外光谱技术采集叶片光谱信息，建立鉴别模型，实现叶片尚未出现症状时这两种病害的早期检测，为这两种病害的早期诊断提供一种新方法。
１ 实验部分１．１ 样品实验所用样品为２０１２年在中国农业大学植物病害流行学实验室的人工气候室内制备。
选用小麦高度感病品种铭贤１６９，种植５０小盆麦苗，每小盆２０株。
当第一片叶完全展开后，将在实验室繁育的小麦条锈病菌和叶锈病菌分别用０．０２％吐温－８０溶液配制成浓度为０．２ｍｇ·ｍＬ－１的孢子悬浮液，每种病菌喷雾接种２０小盆，剩余１０小盆不接种，作为健康对照。
将接种麦苗在１０℃条件下黑暗保湿２４ｈ后，放入人工气候室内培养。
接种后采集不同时期的叶片共计１５０片用于近红外光谱测定：从未接种麦苗中随机取叶片３０片；接种后第６天叶片均未出现病症，随机各取条锈病和叶锈病潜育期叶片３０片；接种后第１４天所有叶片均出现夏孢子堆，说明麦苗全部接种成功，随机各取条锈病和叶锈病发病期叶片３０片。
１．２ 光谱采集实验所用仪器为ＭＰＡ傅里叶近红外光谱仪（由德国Ｂｒｕｋｅｒ公司生产）。
光谱采集范围为４ ０００～１２ ５００ｃｍ－１，光谱分辨率为８ｃｍ－１，扫描次数为３２次。
按照叶片健康、处于潜育期和发病期以及病害种类，将１５０片小麦叶片分为５个类别。
采集光谱时，将叶片剪成块状，用镊子将其均匀地置于直径为２０ｍｍ的样品杯中，室温下采用积分球漫反射方法进行光谱采集，每个样本扫描２次，平均光谱作为样本光谱，对每条样本光谱进行编号，共获得１５０条光谱曲线，不同类别的小麦叶片近红外原始光谱图如图１所示。
将健康叶片、条锈病潜育叶片、条锈病发病叶片、叶锈病潜育叶片和叶锈病发病叶片的光谱样本参考值分别设置为１，２，３，４和５，每种类别样本为３０条光谱曲线。
１．３ 数据处理应用中国农业大学开发的ＣＡＵＮＩＲＳ近红外光谱分析软件，利用定性偏最小二乘法（ｄｉｓｔｉｎｇｕｉｓｈｅｄ ｐａｒｔｉａｌ ｌｅａｓｔｓｑｕａｒｅｓ，ＤＰＬＳ）建立小麦条锈病和叶锈病早期检测的定性鉴别模型。
将１５０个样本按３：１的比例分为建模集和检验集，对建模集采用内部交叉验证的方法，比较不同的光谱数据预处理方法、光谱范围、建模比以及主成分数对建模集和检验Ｆｉｇ．１ Ｏｒｉｇｉｎａｌ ｎｅａｒ ｉｎｆｒａｒｅｄ ｓｐｅｃｔｒａ ｏｆ ｄｉｆｆｅｒｅｎｔｃａｔｅｇｏｒｉｅｓ ｏｆ ｗｈｅａｔ ｌｅａｖｅｓ集识别准确率、错误率和混淆率的影响。
２ 结果与讨论２．１ 不同类别的小麦叶片近红外光谱特征仅从图１光谱曲线来看，光谱范围较大，信息复杂，吸收峰重叠严重，不同类别的小麦叶片的近红外光谱曲线相似，无法直接从光谱曲线上进行区分。
从频谱上看，１０ ０００ｃｍ－１以后的光谱噪声比较大。
为消除来自高频波段随机噪声等的影响，选取４ ０００～１０ ０００ｃｍ－１波段的光谱进行建模分析。
２．２ 光谱数据预处理方法的选择近红外光谱仪采集的光谱除包含样品自身的信息外，还包含来自于仪器、测定环境和操作等的噪声。
若直接对原始光谱进行定性分析，将会对所建模型的准确度和精度产生影响。
为减弱各种非目标因素对光谱的影响以及提高模型的准确度和稳定性，分别利用散射校正、一阶导数、二阶导数、中心化、极差归一和矢量校正方法对原始光谱进行预处理。
４ ０００～１０ ０００ｃｍ－１光谱范围内采用不同预处理方法得到的建模结果如表１所示。
不同预处理方法所建模型对建模集的识别效果影响相对较小，对检验集的识别效果影响相对较大。
原始光谱经过二阶导数处理后所建模型的识别效果最好，建模集的识别准确率为９９．１１％，错误率为０．８９％，混淆率为０．００％；检验集的识别准确率为９４．５９％，错误率为Ｔａｂｌｅ １ Ｉｎｆｌｕｅｎｃｅ ｏｆ ｄｉｆｆｅｒｅｎｔ ｐｒｅｐｒｏｃｅｓｓｉｎｇ ｍｅｔｈｏｄｓ ｏｎ ＮＩＲＳ ｐｒｅｄｉｃｔｉｏｎ ｒｅｓｕｌｔｓ预处理方法主成分数建模集准确率／％错误率／％混淆率／％检验集准确率／％错误率／％混淆率／％无预处理１０ ９７．３５ ２．６５ ０．００ ９４．５９ ０．００ ５．４１散射校正９ ９７．３５ ２．６５ ０．００ ８９．１９ ０．００ １０．８１一阶导数５ ９２．９２ ６．２０ ０．８８ ８１．０８ ０．００ １８．９２二阶导数１０ ９９．１１ ０．８９ ０．００ ９４．５９ ０．００ ５．４１中心化１０ ９６．４６ ３．５４ ０．００ ９１．８９ ０．００ ８．１１极差归一８ ９６．４６ ３．５４ ０．００ ８９．１９ ０．００ １０．８１矢量校正９ ９７．３５ ２．６５ ０．００ ９４．５９ ０．００ ５．４１平均９ ９６．７１ ３．１６ ０．１３ ９０．７３ ０．００ ９．２７２６６２光谱学与光谱分析 第３３卷０．００％，混淆率为５．４１％。
虽然未经过预处理的检验集的识别准确率和经过二阶导数预处理的识别准确率相同，但是经过二阶导数预处理的建模集的识别准确率达到了９９．１１％。
因此，优先选择二阶导数作为原始光谱的预处理方法。
２．３ 光谱范围的选择由图１可知，光谱曲线在４ ０００～１０ ０００ｃｍ－１光谱范围内，有多个吸收峰。
采用全谱建立近红外光谱多变量识别模型不仅计算量大，而且模型识别效果未必能达到最优。
在４ ０００～１０ ０００ｃｍ－１光谱范围内，选择２０个不同的谱区建模，以筛选出适合建模的光谱范围。
表２表示二阶导数预处理下不同的光谱范围对所建模型识别效果的影响。
光谱范围４ ０００～８ ０００，５ ０００～６ ０００，５ ０００～７ ０００，５ ０００～８ ０００ｃｍ－１内，建模集和检验集的识别准确率均在９０％以上。
其中在４ ０００～８ ０００ｃｍ－１内，所建模型识别效果最好，建模集的识别准确率为９７．３５％，错误率为２．６５％，混淆率为０．００％；检验集的识别准确率为９４．５９％，错误率为０．００％，混淆率为５．４１％。
虽然建模集的识别准确率在４ ０００～８ ０００ｃｍ－１内比在４ ０００～１０ ０００ｃｍ－１内低１．７６％，但是计算机运行速度快很多。
因此，优先选择４ ０００～８ ０００ｃｍ－１作为建模的光谱范围。
Ｔａｂｌｅ ２ Ｉｎｆｌｕｅｎｃｅ ｏｆ ｄｉｆｆｅｒｅｎｔ ｓｐｅｃｔｒａｌ ｒａｎｇｅｓ ｏｎ ＮＩＲＳ ｐｒｅｄｉｃｔｉｏｎ ｒｅｓｕｌｔｓ光谱范围／ｃｍ－１主成分数建模集准确率／％错误率／％混淆率／％检验集准确率／％错误率／％混淆率／％４ ０００～５ ０００ ５ ７７．８８ １６．８１ ５．３１ ６２．１６ ５．４１ ３２．４３４ ０００～６ ０００ １０ ９２．０４ ６．１９ １．７７ ８９．１９ ０．００ １０．８１４ ０００～７ ０００ ９ ９５．５８ ３．５４ ０．８８ ８９．１９ ０．００１ ０．８１４ ０００～８ ０００ １０ ９７．３５ ２．６５ ０．００ ９４．５９ ０．００ ５．４１４ ０００～９ ０００ １０ ９６．５６ ２．６５ ０．８８ ８９．１９ ０．００ １０．８１５ ０００～６ ０００ ８ ９３．８１ ４．４２ １．７７ ９１．８９ ０．００ ８．１１５ ０００～７ ０００ ８ ９５．５８ ３．５４ ０．８８ ９４．５９ ０．００ ５．４１５ ０００～８ ０００ ８ ９６．４６ ３．５４ ０．００ ９１．８９ ０．００ ８．１１５ ０００～９ ０００ １０ ９８．２３ １．７７ ０．００ ８９．１９ ０．００ １０．８１５ ０００～１０ ０００ ８ ９６．４６ １．７７ １．７７ ８９．１９ ０．００１ ０．８１６ ０００～７ ０００ ５ ７９．６５ １５．９３ ４．４２ ５４．０５ ２．７１ ４３．２４６ ０００～８ ０００ ８ ９０．２７ ７．９６ １．７７ ７５．６８ ０．００ ２４．３２６ ０００～９ ０００ ６ ９２．９２ ７．０８ ０．００ ７２．９７ ２．７１ ２４．３２６ ０００～１０ ０００ ８ ９３．８１ ４．４２ １．７７ ８６．４９ ２．７０ １０．８１７ ０００～８ ０００ ６ ８２．３０ １５．９３ １．７７ ５９．４６ ２．７０ ３７．８４７ ０００～９ ０００ ６ ８５．８４ １０．６２ ３．５４ ５９．４６ ５．４０ ３５．１４７ ０００～１０ ０００ ６ ８６．７３ １１．５０ １．７７ ６４．８６ ５．４１ ２９．７３８ ０００～９ ０００ ４ ７９．６５ １５．０４ ５．３１ ４８．６５ １３．５１ ３７．８４８ ０００～１０ ０００ ５ ８０．５３ １５．９３ ３．５４ ５９．４６ ５．４０ ３５．１４９ ０００～１０ ０００ ４ ６７．２７ ２７．４３ ５．３０ ３５．１４ １８．９１ ４５．９５平均７ ８８．９４ ８．９４ ２．１２ ７４．８７ ３．２４ ２１．８９Ｔａｂｌｅ ３ ＮＩＲＳ ｐｒｅｄｉｃｔｉｏｎ ｒｅｓｕｌｔｓ ｏｆ ｍｏｄｅｌ ｆｏｒ ｄｉｆｆｅｒｅｎｔ ｓａｍｐｌｅｓ不同比例建模建模集∶检验集主成分数建模集准确率／％错误率／％混淆率／％检验集准确率／％错误率／％混淆率／％１∶１ ９ ９３．３３ ６．６７ ０．００ ９０．６７ ０．００ ９．３３２∶１ １０ ９７．００ ３．００ ０．００ ９６．００ ０．００ ４．００３∶１ １０ ９７．３５ ２．６５ ０．００ ９４．５９ ０．００ ５．４１４∶１ ９ ９７．５０ ２．５０ ０．００ ９０．００ ０．００ １０．００５∶１ ８ ９７．６０ ２．４０ ０．００ ８８．００ ０．００ １２．００平均９ ９６．５６ ３．４４ ０．００ ９１．８５ ０．００ ８．１５２．４ 建模集和检验集比例的选择为了验证近红外光谱技术定性鉴别小麦条锈病和叶锈病分别处于潜育期及发病期叶片的稳定性和可靠性，对原始光谱进行二阶导数预处理后，在光谱范围４ ０００～８ ０００ｃｍ－１内，随机选取建模集和检验集不同的比例（１∶１，２∶１，３∶１，４∶１，５∶１）进行建模和验证。
