柑橘光譜數(shù)據(jù)庫的建立及應(yīng)用研究.pdf

1、由于柑橘種類和品種繁多，親緣關(guān)系復(fù)雜，給遺傳分類、種質(zhì)識別和品種鑒定等帶來較大困難。傳統(tǒng)的柑橘分類鑒別方法費時費力、成本高以及操作復(fù)雜，而光譜技術(shù)具有靈敏度高、信息豐富、省時省力、準(zhǔn)確穩(wěn)定等優(yōu)點。因此，利用光譜技術(shù)實現(xiàn)對柑橘分類、親緣關(guān)系鑒定和品種識別具有重要的意義。另一方面，建立柑橘光譜數(shù)據(jù)庫，實現(xiàn)對柑橘不同品種光譜數(shù)據(jù)的收集、儲存、共享和管理是光譜技術(shù)應(yīng)用于柑橘品種分類識別等的基礎(chǔ)。
　　本試驗通過采集柑橘代表性種類和品種的花

2、、葉和果實等器官的光譜數(shù)據(jù)，將PHP開發(fā)與MySQL應(yīng)用相結(jié)合，建立了柑橘光譜數(shù)據(jù)庫。利用數(shù)據(jù)庫的光譜數(shù)據(jù)，結(jié)合最小二乘判別分析、神經(jīng)網(wǎng)絡(luò)、支持向量機(jī)等化學(xué)計量學(xué)方法，研究柑橘不同種類、品種的花、葉片和果實光譜特性，對基于光譜數(shù)據(jù)庫信息的柑橘種類、品種的分類和鑒別方法進(jìn)行了探索，結(jié)果如下:
　　1.建立了柑橘光譜數(shù)據(jù)庫
　　選擇138個具有代表性的柑橘品種，對其花、葉和果實等三種器官采樣，應(yīng)用四種光譜信息采集儀器，采集了可見

3、-中紅外光譜波段的光譜信息和近紅外高光譜圖像信息?；赑HP+MySQL開發(fā)環(huán)境，采用AJAX異步調(diào)用和數(shù)據(jù)適配技術(shù)，研究建立了我國第一個柑橘專業(yè)光譜數(shù)據(jù)庫。該數(shù)據(jù)庫界面友好，具有光譜數(shù)據(jù)的導(dǎo)入存儲、共享、分類管理和查詢顯示等功能。
　　2.柑橘光譜數(shù)據(jù)庫的應(yīng)用研究
　　(1)基于傅里葉變換紅外光譜信息的柑橘分類鑒定研究。從柑橘光譜數(shù)據(jù)庫收集柑橘屬18個品種花的傅里葉變換紅外光譜，通過對原始光譜(2000cm-1～500cm

4、-1)進(jìn)行基線校正、歸一化以及一階積分求導(dǎo)預(yù)處理，再采用單因素方差分析和Tukey's HSD多重比較提取特征波長，最后利用特征光譜進(jìn)行系統(tǒng)聚類分析。結(jié)果顯示:通過單因素方差分析和Tukey's HSD多重比較，提取得到2000～1831 cm-1、1763～1595 cm-1、1517～1090cm-1、1035～1024 cm-1、950～935 cm-1、861～784cm-1、744～721cm-1、653～608 cm-1等8

5、個特征波段，以此開展系統(tǒng)聚類分析，將18個柑橘品種劃分成了6個亞群，這一分類結(jié)果和反映的柑橘屬親緣關(guān)系與形態(tài)學(xué)、生物化學(xué)、細(xì)胞學(xué)以及分子生物學(xué)上的分類結(jié)果基本一致。表明，利用柑橘傅里葉變換紅外光譜的特征波段信息，可實現(xiàn)對柑橘屬植物的分類和親緣關(guān)系研究。
　　(2)基于可見/近紅外光譜信息的柑橘品種鑒別研究。利用柑橘光譜數(shù)據(jù)庫中4個柚類品種葉片的可見/近紅外光譜信息，采用軟獨立模式分類(SIMCA)、偏最小二乘判別分析(PLS-DA

6、)、反向傳播神經(jīng)網(wǎng)絡(luò)(BPNN)和最小二乘支持向量機(jī)(LS-SVM)等四種模式識別方法，對不同柚類品種的葉片進(jìn)行品種鑒別分析。結(jié)果顯示，BPNN和LS-SVM模型對柚類品種預(yù)測正確率都達(dá)到90％以上，且LS-SVM模型的預(yù)測效果更好，而SIMCA和PLS-DA模型的預(yù)測效果并不理想。說明，利用柑橘葉片的可見/近紅外光譜結(jié)合LS-SVM方法可實現(xiàn)對柑橘品種的快速鑒別。
　　(3)基于高光譜成像技術(shù)的柑橘品種鑒別研究。利用柑橘光譜數(shù)據(jù)

7、庫中4個具有代表性的柚類品種的高光譜圖像數(shù)據(jù)，對比研究了葉片上表面和下表面高光譜圖像的有效光譜信息，采用主成分分析(PCA)和連續(xù)投影算法(SPA)提取最佳主成分和有效波長，并將其作為最小二乘支持向量機(jī)(LS-SVM)的輸入變量進(jìn)行品種識別。結(jié)果顯示:基于葉片上表面光譜信息建立的PCA-LS-SVM和SPA-LS-SVM模型對預(yù)測集樣本的識別正確率均為95.83％，而基于葉片下表面光譜信息建立的PCA-LS-SVM和SPA-LS-SVM