论文部分内容阅读
生物入侵是棘手的全球性环境问题。对中国而言,主要的外来入侵物种中入侵植物占多数。在众多的外来入侵植物当中形态特征接近的植物种很多。准确地鉴别这些相似植物种是开展调查、预警、检疫、防控、治理以及本土种保护等各项工作的基础与前提。植物鉴别主要有形态学鉴别、化学鉴别、分子生物学鉴别等方法,这些方法各有优点。然而,面对生物入侵的严峻形势,以上方法对相关实验条件以及鉴别人员的专业素质都有具体要求,有些方法还存在耗时、成本高昂等不利因素,因而具有一定局限性,不易于向广大非专业人员以及社会大众推广。因此,开发出一种便捷、高效、适于推广的鉴别方法对于有效应对植物入侵问题非常有用。在这一背景下,本文应用近红外光谱分析技术结合模式识别的方法对形态接近的入侵植物进行鉴别研究,主要内容如下：1.应用可见／近红外光谱对菊科的四种形态接近的入侵植物小飞蓬、一年蓬、春飞蓬、野塘蒿进行了鉴别。每种植物采集60个样本,随机挑选40个作为建模集,其余20个作为预测集。对四种植物的光谱数据采用十种预处理方法,并利用主成分分析法(PCA)对光谱数据进行降维处理。将主成分分析获得的主成分变量作为BP人工神经网络和SVM的输入建立四种植物的鉴别模型。针对十种预处理方法一共建立20个模型(10个BP人工神经网络模型和10个SVM模型)。结果表明：在建立的10个SVM模型中采用MSC、SNV、15点移动平滑、归一化、SNV+Detrending这五种预处理方法的SVM模型鉴别效果最好,对四种植物的鉴别正确率均达到97.5%；而10个BP人工神经网络模型中,采用归一化预处理的BP网络模型鉴别正确率最高,为93.75%。所有SVM模型的正确率均高于采用相同输入变量的BP神经网络模型。进一步地,在主成分分析的基础上,通过主成分荷载筛选出5组特征波长,用这5组特征波长建立了5个SVM模型和1个BP神经网络模型。利用特征波长建立的SVM模型最高鉴别正确率达96.25%,BP神经网络模型的正确率则为85%。以上结果显示通过主成分荷载筛选出的特征波长能够区分四种植物的样本,对于四种植物的鉴别是有效的。2.应用可见／近红外光谱对苋科的三种形态接近的入侵植物反枝苋、苋、皱果苋进行了鉴别。每种植物采集50个样本,随机挑选出30个作为建模集,余下的20个为预测集。对三种植物的光谱数据采取十种预处理方法,针对每一种预处理方法采用主成分分析提取品种特征值,并将这些特征值作为BP神经网络和支持向量机的输入建立鉴别模型。一共建立10个BP神经网络模型和10个SVM模型。结果显示：在建立的10个BP神经网络模型中采用一阶微分预处理的BP神经网络模型鉴别效果最好,对预测集的鉴别率为90%；而10个SVM模型中同样也是采用一阶微分预处理的SVM模型性能最优,鉴别正确率达98.33%。所有SVM模型的正确率均高于采用相同输入变量的BP神经网络模型。在主成分分析的基础上,通过主成分荷载筛选出1组特征波长,分别建立1个SVM模型和1个BP神经网络模型。利用特征波长建立的SVM模型鉴别正确率达100%,BP神经网络模型则为93.33%,均高于两种模型在全波段建模条件下所取得的最高正确率。以上结果显示,通过主成分荷载筛选出的特征波长能够体现3种植物的种间差异,可以有效区分3种植物样本,提高了鉴别正确率。