馬鈴薯晚疫病葉片SPAD值的高光譜研究

李　梅，徐明珠，何　勇，胡耀華

(1.西北農林科技大學 機械與電子工程學院，陜西 楊凌　712100；2.浙江大學 生物系統工程與食品科學學院，杭州　310058)

?

馬鈴薯晚疫病葉片SPAD值的高光譜研究

李梅1，徐明珠1，何勇2，胡耀華1

(1.西北農林科技大學 機械與電子工程學院，陜西 楊凌712100；2.浙江大學 生物系統工程與食品科學學院，杭州310058)

摘要：對晚疫病害脅迫下馬鈴薯葉片中葉綠素含量(SPAD)及植被指數與高光譜特性進行了關聯研究。首先，對接種晚疫病菌的馬鈴薯葉片進行連續觀測7天，獲取375～1 018nm波段范圍內葉片的高光譜信息和SPAD信息；然后，應用ENVI軟件提取高光譜數據中感興趣區域的平均光譜信息，選擇預處理效果最好的方法建立不同的預測模型，包括基于全光譜和連續投影算法(Successive Projection Algorithm, SPA)選擇特征波長的偏最小二乘回歸(Partial Least Squares Regression ,PLSR)模型與最小二乘支持向量機(Least Squares Support Vector Machines ,LS-SVM)模型，以及4種植被指數RENDVI、VOG1、VOG2、VOG3建立的簡單經驗估測模型。建模結果表示：全光譜的PLSR模型預測效果最好，而基于特征波長的LS-SVM模型和植被指數的二次多項式模型預測效果稍差，但大大簡化了模型，為后續開發便攜式儀器提供理論依據。研究表明：應用高光譜技術檢測遭受晚疫病害的馬鈴薯葉片的SPAD及植被指數是可行的，為病害脅迫下作物的其他化學指標實時監測提供了新的路徑。

關鍵詞：馬鈴薯；晚疫??；SPAD ；高光譜技術；植被指數

0引言

葉綠素含量是植物營養脅迫、光合能力和衰老進程等各階段的良好指示劑[1-2]。當作物遭到病害侵染后，其葉片的葉綠素含量會發生變化，因此可以通過葉片的葉綠素含量來監測植物的生長發育狀況和病害脅迫等情況，及時采取措施，按需施肥噴藥，減小作物減產風險。另外，植被指數是反映地表植被覆被情況的數學指標[3]，可以定量地反演植物的物理和化學參量，如葉綠素和氮素等，及時掌握植物生長狀況。

傳統測量植物葉綠素含量的方法主要有分光光度計法和活體葉綠素儀法兩種[4]。分光光度計法可以得到較為準確的葉綠素值，但其步驟繁瑣、時效性差，且對葉片破壞性較大?；铙w葉綠素儀法常用的儀器是SPAD-502葉綠素儀。SPAD值也稱綠色度，是一個相對葉綠素含量讀數，目前已經在農業生產中廣泛應用[5]?；铙w葉綠素儀法可以直接對處于生長狀態的作物葉片進行較為快速且非破壞性的測定，但需要對葉片進行逐點檢測，存在工作量大、人為因素影響大等缺陷，無法實現實時在線監測。

高光譜成像技術具有圖譜合一的優點，能直接對植物葉片進行微弱光譜差異的定量分析[6-7]。因此，利用高光譜的反射光譜數據來估測葉綠素含量及植被指數已經成為作物長勢檢測的一種重要手段，并取得了初步進展。王偉等[8]利用高光譜成像技術以線掃描方式獲取冬小麥的反射光譜信息，通過相關分析和逐步回歸分析得到最佳優化波長并基于此建立多元線性模型預測SPAD值，校正集和預測集模型的決定系數分別達到0.843 4和0.709 3。謝傳奇等[9]研究了番茄葉片在灰霉病脅迫下的葉綠素含量(SPAD)及高光譜圖像信息，建立了4種預測模型，以最小二乘-支持向量機模型的預測效果最好，回歸系數達到了0.901 8。鄒小波等[10]在黃瓜葉片的高光譜數據中選取了8個具有代表性的植被指數，建立最優植被指數與葉綠素含量之間的關系模型，校正集和預測集相關系數分別為0.841 0和0.828 6。目前，對于流行病害脅迫下作物中化學指標的檢測還少有報道，尤其是利用高光譜技術檢測流行病害脅迫下作物中SPAD值及植被指數的研究更是少見。

本研究以馬鈴薯葉片為研究對象、晚疫病為脅迫條件，采集不同感病階段馬鈴薯葉片的高光譜圖像信息并提取光譜信息，同時測量葉片的SPAD值；然后，結合化學計量學方法研究晚疫病脅迫下馬鈴薯葉片的SPAD值及植被指數與高光譜信息的響應特性。

1實驗項目

1.1　儀器設備與分析軟件

實驗所用儀器高光譜成像系統包括Zolix Hypersis農產品高光譜儀(北京卓立漢光儀器有限公司)、 V10E-QE型可見/近紅外波段光譜成像儀、暗箱、400～2 000nm波段用光源、高精度電控平移臺裝置(行程300nm)、標準反射板(Gilden PhotonicsLtd，UN)及計算機等，所用波長范圍為375～1 018nm。為了減小環境光的影響，整個系統放置在暗箱當中。SPAD值的測量用SPAD-502葉綠色儀完成。數據分析軟件包括ENVI4.8(光譜數據提取)、Unscrambler9.7(光譜數據預處理與模型建立)及MatLab R2014a(LS-SVM模型建立)等。

1.2　樣品準備

實驗所用馬鈴薯品種為中薯18號，采取盆栽方式進行培育，4盆，每盆3株，共12株， 2015年6月種植于西北農林科技大學科研用玻璃溫室內，對其進行日常管理。3個月后，開始實驗，從12株馬鈴薯植株上每株采集2或3個葉片，采集葉片共計30個，并對30個葉片進行馬鈴薯晚疫病菌接種測試。馬鈴薯晚疫病菌由西北農林科技大學植物保護學院提供，接種部位在葉片背面二級葉脈之間，劑量為100 μL/葉。接菌完成后，樣品放入人工氣候箱進行連續培養，培養溫度為18 ℃，相對濕度100%，并保持每天16 h光照和8 h黑暗培養的條件，連續培養7天。

2實驗過程

2.1　高光譜數據采集與校正

高光譜數據采集前，先對高光譜成像系統預熱30min，防止因系統基線漂移帶來的誤差。高光譜數據采集前還進行黑白校正[6, 11]以消除噪聲影響。具體做法是：與樣本采集的條件相同，采集標準反射板得到全白的標定圖像W，采集蓋上鏡頭蓋后得到的全黑的標定圖像B，采集馬鈴薯葉片得到的原始圖像為I，則經過校正后的圖像R為

R=(I-B)/(W-B)

(1)

馬鈴薯葉片平放在黑色底板上進行高光譜數據采集。馬鈴薯晚疫病菌接種前5h，對30個馬鈴薯葉片進行第1次高光譜數據采集；接菌后19h，對30個葉片進行第2次高光譜數據采集；之后的5天每隔24h對葉片進行1次數據采集，得到樣本的高光譜數據210組。

2.2　SPAD值的測定

實驗采用SPAD-502葉綠素儀進行馬鈴薯葉片的SPAD值測量。每個葉片的高光譜圖像采集完畢后，使用SPAD-502葉綠素儀測量病斑部位5個不同測量點的SPAD值(病斑未出現前則測量接種部位的葉綠素含量)，求取平均值作為被測樣本的葉綠素含量值[12]。實驗共得到SPAD數據207組，與高光譜數據一一對應(由于SPAD-502葉綠素儀夾持損傷而導致最后一天缺失3組SPAD數據)。

2.3　數據處理與分析

2.3.1原始數據的獲取

利用軟件ENVI4.8選取經校正后的高光譜圖像病斑部位作為感興趣區域(Region of Interest, ROI)，葉片未發病時選取其相應位置作為感興趣區域。計算感興趣區域像素點光譜反射率的平均值，作為之后計算分析的光譜數據。

對207組SPAD數據和與其對應的光譜數據進行分析，發現前3天由于葉片未發病，數據幾乎沒有改變。所以，前3天的數據每天只取一半，即前3天90組數據中只取45組；后面幾天得到的數據中刪除由于光線干擾、葉片腐爛無法測量等原因引起的9組不合格數據后，總共得到樣本數據153組。按照3:1的比例選取建模集(Calibration Set)和預測集(Prediction Set)數據，最終得到建模集樣本數據115組，預測集樣本數據38組。SPAD值統計信息如表1所示。

表1　馬鈴薯葉片SPAD統計信息表

2.3.2光譜數據預處理及建模方法選取

試驗數據采集過程中，雖然進行了黑白校正，但仍然難免出現基線漂移和高頻噪聲等擾動，進而影響建模精度。本研究運用了移動平均平滑(Smoothing Moving Average，SMA)、光譜變換(Spectroscopic Transformation，ST)、多元散射校正(Multiplicative Scatter Correction， MSC)、標準化(Normalize)、二階導數(Second Derivatives，2nd-D)等多種預處理方法及其組合對光譜數據進行預處理，并以經過預處理后的光譜數據作為自變量X，以SPAD值作為應變量Y，建立關于自變量X和應變量Y的偏最小二乘回歸(Partial Least Squares Regression，PLSR)模型。通過比較，選出最優模型，并以其數據作為輸入，建立了最小二乘支持向量機(Least Squares-Support Vector Machine，LS-SVM)模型。

PLSR提供了一種自變量與應變量多對多的線性回歸建模的方法，在建模過程中集中了主成分分析、典型相關分析和線性回歸分析等方法的特點，其結果不僅有一個較為合理的回歸模型，還提供了一些主成分等更為豐富的信息[13]。PLSR模型的抗干擾能力較強，目前已經得到了廣泛應用[14-17]。

LS-SVM 是Suykens等[18]最初向量機耗費太多資源的問題提出的改進措施，能夠較好地解決線性和非線性問題。與SVM方法相比，LS-SVM求解速度更快，收斂精度更高，也能夠避免出現在人工神經網絡建模時出現的網絡結構難以確定和“過擬合”問題，得到了國內外研究者的廣泛認可[19-20]。

3結果分析與評價

3.1　SPAD值分析

圖1為某樣本的SPAD值隨接菌時間變化的折線圖。其中，橫坐標為樣本接菌后所經歷的時間，縱坐標為SPAD值。由圖1可知：晚疫病菌接種前3天和未接種相比，SPAD值變化較小，這可能是因為葉片染病初期，植物的自我保護作用使得葉綠素含量變化不明顯[21]；接菌后第3天到第4天，SPAD值急劇下降，原因是該時間段內樣本的晚疫病斑從接菌中心迅速蔓延，葉片組織細胞遭到嚴重破壞[22]；第4天到第5天，樣本的SPAD值繼續減小，原因是該時間段樣本的晚疫病進一步惡化；之后，樣本的晚疫病已極為嚴重，葉片組織完全被破壞，其SPAD值又呈現較小的數值變化。

圖1　某樣本的SPAD值曲線

3.2　高光譜反射曲線分析

圖2為健康樣本和受晚疫病侵染后的樣本在全波段下的光譜反射率曲線。其中，橫坐標為波長，縱坐標為光譜反射率值。由圖2可以看出：健康樣本和染病樣本的光譜曲線輪廓相似，并無顯著差異，均在550 nm附近出現一個反射峰，在680 nm附近出現一個吸收谷；在680～750nm光譜范圍內光譜反射率急速增強，并在750～900nm之間增強緩慢。無論在可見光還是近紅外光區域，健康樣本的反射率均高于染病樣本，只在吸收谷附近差別不明顯。

圖2　健康和染病樣本的光譜反射率曲線

由于原始光譜在收尾波段處存在較大噪聲，為了方便研究，試驗建模在500～960nm波段范圍內進行。

3.3　光譜預處理與全光譜預測模型

將153組樣本的光譜數據經過預處理后，建立光譜反射率值X和Y變量SPAD值之間的PLSR模型。通過不同預處理方法建立的PLSR模型各自的預測效果有明顯不同，如表2所示。其中，以經由ST的預處理方法建立的PLSR模型建模集相關系數(R-C)最大，均方根誤差(RMSEC)最小，分別是0.954和1.974；而從預測集的結果來看，經過Normalize預處理的效果最好，其相關系數(R-P)最大且均方根誤差(RMSEP)最小，分別為0.922和2.651；從穩定性上來看，經2nd-D預處理的數據建模集和預測集的效果相差較小，經Normalize預處理的數據次之。經比較，以ST和Normalize預處理后的數據作為再建模時的輸入。

表2不同預處理方法所建PLSR模型的預測效果

Table 2Prediction results of PLSR models after different pretreatment methods

預處理方法建模集R-CRMSEC預測集R-PRMSEP未處理0.9342.3560.9032.941移動平均平滑0.9122.6940.8992.994光譜變換0.9541.9740.9032.939

續表2

以經ST和Normalize預處理方法后的數據作為自變量X與應變量Y作為輸入，建立LS-SVM模型。其中，基于前者的建模集和預測集的相關系數分別為0.954和0.906，基于后者的建模集和預測集的相關系數分別為0.955和0.904，如表3所示。

表3　LS-SVM模型預測效果

與PLSR方法相比，LS-SVM方法提高了ST預處理數據的預測集相關系數，也提高了Normalize方法的建模集相關系數，卻降低了Normalize方法的預測集相關系數。綜合考慮，仍以經Normalize預處理數據的PLSR模型為最好，其建模集和預測集的散點圖如圖4所示。因此，后續的分析都是基于此預處理后的光譜數據進行的。

3.4　特征波長建模預測

在進行全光譜建模時，有些波段數據之間存在一定的相關性且有效信息很少，不僅增大了計算量，還會影響到模型的預測精度和穩定性[12, 23]。因此，采用連續投影算法(Successive Projections Algorithm, SPA)提取特征波長，降低冗余信息，提高建模效率。

圖3　Normalize預處理PLSR模型的散點圖

采用SPA算法，得到550.43、629.89、700.21、733.11、944.31、957.39nm共6個波長作為建模時的特征波長組合，分別使用PLSR算法和LS-SVM算法建模，得到的預測結果如表4所示。

表4　SPA-PLSR和SPA- LS-SVM模型預測效果

與全光譜建模相比，采用SPA選擇特征波長建立的預測模型在預測精度稍有降低，但大大減少了計算量，節省了建模時間，提高了建模效率；另外，基于特征波長的PLSR方法不如LS-SVM方法的建模效果好。SPA- LS-SVM建模集和預測集的散點圖如圖4所示。

圖4　SPA-LS-SVM模型的散點圖

3.5　基于植被指數建模預測

植被指數是反映植被狀況的無量綱的特征量，主要體現植被在可見光、近紅外波段反射與背景之間差異的指標，各個植被指數在一定條件下能用來衡量植被的生長狀況[24-25]。

通過SPA算法提取的特征波長有可見光波段R550、R630、R700、R733和近紅外波段R944、R957，選擇可見光/近紅外的波長組合計算歸一化差值植被指數NDVI，得到8種植被指數；再加上已被證明與葉綠素含量具有顯著相關性的4種植被指數，包括紅邊歸一化指數(RENDVI)、紅邊指數1(VOG1)、紅邊指數2(VOG2)、紅邊指數3(VOG3)[26]等，共12種不同植被指數用來建立馬鈴薯葉片SPAD預測模型。具體的計算公式如表5所示。

表5　植被指數模型

對建模集樣本的SPAD值與上述12種植被指數做相關分析，得到的結果如表6所示。結果顯示：由不同特征波長組合的植被指數NDVI3(R630/R944)、NDVI4(R630/R957)、DVI5(R700/R944)、NDVI6(R700/R957)、DVI7(R733/R944)、NDVI8(R733/R957)都與SPAD值之間達到0.01顯著相關水平，可以用來反演葉片的SPAD值；但相關系數相對于其他幾種植被指數來說較小，適用于精度要求不高的場合。而RENDVI、VOG1、VOG2、VOG3這4種植被指數與SPAD值顯著相關并且相關系數較高，可以實現SPAD值更加精確的預測。

表6葉片SPAD值與植被指數之間的相關系數

Table 6Correlation coefficients between leafSPAD value and vegetation index

植被指數相關系數NDVI1(R550/R944)0.165NDVI2(R550/R957)0.158NDVI3(R630/R944)0.441**NDVI4(R630/R957)0.432**NDVI5(R700/R944)0.598**NDVI6(R700/R957)0.586**NDVI7(R733/R944)-0.435**NDVI8(R733/R957)-0.422**RENDVI0.803**VOG10.805**VOG2-0.759**VOG3-0.728**

**表示達到0.01顯著水平。

因此，選用NDVI5、NDVI6、RENDVI、VOG1、VOG2、VOG3這6種相關性較好的植被指數反演SPAD值，分別建立簡單線性模型y=ax+b、二次多項式模型y=b0+b1x+b2x2以及指數函數模型y=b0eax來預測SPAD值，得到的結果如表7所示。結果顯示，基于不同植被指數的預測模型中，二次多項式模型的效果是最好的，相關系數最高可達0.820。

表7　基于植被指數的馬鈴薯葉片SPAD值的反演模型

續表7

進一步，通過預測集的38個SPAD樣本檢驗上述二次多項式模型的準確性和穩定性，結果如表8所示?；赩OG1的二次多項式預測結果最為精確，其建模集和預測集相關系數分別為0.820和0.824，校正均方模型根誤差和預測均方根誤差分別為3.825和4.827。

表8基于植被指數SPAD反演模型的預測結果

Table 8Prediction results for SPAD value estimation model based on vegetation indexes

植被指數建模集R-CRMSEC預測集R-PRMSEPNDVI50.6045.3230.5795.811NDVI60.5925.3840.5665.880RENDVI0.8043.9740.7974.306VOG10.8203.8250.8244.827VOG20.7814.5530.7614.634VOG30.7474.4440.7704.574

因此，有效地利用不同波長組合建立基于植被指數的二次多項式模型，在一定程度上大大簡化了預測模型，減少了計算量，為后期便攜式裝置的開發提供了理論依據，但在預測精度上還需要進一步的提高和改善。

4結論

主要研究了晚疫病脅迫下馬鈴薯葉片的高光譜特性與SPAD值及植被指數的關聯關系。研究通過提取樣本感興趣區域的平均光譜信息，選擇預處理效果最好的Normalize方法，通過SPA算法提取對SPAD值敏感的特征波長，并建立了基于全光譜、特征波長和植被指數的SPAD預測模型。結果表示：全光譜PLSR模型的預測精度最高；而SPA-LS-SVM和植被指數二次多項式模型預測結果稍遜于全光譜，但二者均大大減少了計算量，一定程度上簡化了模型，提高建模速度，為研制便攜式設備提供了一定的理論依據，具有現實意義。

本研究提出的基于高光譜技術檢測晚疫病脅迫下馬鈴薯葉片SPAD值及植被指數的方法，為實現馬鈴薯植株生長狀況的實時監測提供了新的路徑，同時也為流行病害脅迫下作物中其它化學指標的實時監測提供了新的思路。

參考文獻：

[1]Gitelson A A, Merzlyak M N, Chivkunova B O. Optical properties and nondestructive estimation of anthocyanin content in plant leaves [J]. Photochemistry and Photobiology, 2001,74(1):38-45.

[2]邢雪霞,劉國順,賈方方,等.烤煙葉片色素含量的高光譜預測模型研究 [J].中國煙草學報, 2014(1): 54-60.

[3]吳海龍,余新曉,張振明,等.基于多種植被指數的土壤含水量估算方法[J].光譜學與光譜分析,2014(6):1615-1618.

[4]蘇正淑,姜晶,張憲政,等.乙酰水楊酸對無灌溉條件下小麥灌漿期活性氧代謝與產量的影響(簡報)[J]. 植物生理學通訊,2000, 36(3):216-218.

[5]張秀君,孫錢錢,喬雙,等.菠菜葉綠素提取方法的比較研究 [J].作物雜志,2011(3):57-59.

[6]譚昌偉,黃文江,金秀良,等.利用高光譜植被指數監測緊湊型玉米葉綠素熒光參數[J].光譜學與光譜分析, 2012, 32(5):1287-1291.

[7]田有文,程怡,吳瓊,等.農產品病蟲害高光譜成像無損檢測的研究進展[J].激光與紅外, 2013, 43(12):1329-1335.

[8]王偉,彭彥昆,馬偉,等.冬小麥葉綠素含量高光譜檢測技術[J].農業機械學報,2010,41(5):172-177.

[9]謝傳奇,何勇,李曉麗,等.基于高光譜技術的灰霉病脅迫下番茄葉片SPAD值檢測方法研究[J].光譜學與光譜分析,2012,32(12):3324-3328.

[10]鄒小波, 陳正偉, 石吉勇, 等. 基于近紅外高光譜圖像的黃瓜葉片色素含量快速檢測[J].農業機械學報, 2012, 43(5): 152-156.

[11]馬本學,肖文東,祁想想,等.基于漫反射高光譜成像技術的哈密瓜糖度無損檢測研究[J].光譜學與光譜分析,2012,32(11):3093-3097.

[12]丁希斌,劉飛,張初,等.基于高光譜成像技術的油菜葉片SPAD值檢測[J].光譜學與光譜分析, 2015(2):486-491.

[13]高惠璇.兩個多重相關變量組的統計分析(3)[J].數理統計與管理,2002,21(3):58-64.

[14]叢智博,孫蘭香,辛勇,等.基于激光誘導擊穿光譜的合金鋼組分偏最小二乘法定量分析[J].光譜學與光譜分析,2014(2):542-547.

[15]郭衛華,周永章.基于PLSR的中山市水資源壓力演變特征與趨勢[J].水資源保護,2014,30(1): 23-27.

[16]王昶,黃馳超,余光輝,等. 近紅外光譜結合偏最小二乘法快速評估土壤質量[J].土壤學報, 2013, 50(5):881-890.

[17]趙明富,張政委,馮小平,等.基于SPA-PLSR的回收油鑒別研究 [J].激光雜志,2013,34(3):45-47.

[18]Suykens J A K,Vandewalle J. Least Squares Support Vector Machines Classifiers[J].Neural Network Letters, 1999, 19(3):293-300.

[19]Rumpf T, Mahlein A K, Steiner U, et al. Early detection and classification of plant diseases with Support Vector Machines based on hyperspectral reflectance[J].Computers and Electronics in Agriculture, 2010,74(1):91-99.

[20]陳浩林. 基于最小二乘支持向量機測定重油中金屬含量[J].廣州化工,2014(6):110-113.

[21]Kim MinHo, Shin JinChul, Lee ByunWo. Applicability of vegetation index and SPAD reading to nondestructive diagnosis of rice growth and nitrogen nutrition status [J]. Korean Journal of Crop Science, 2005, 50(6): 369-377.

[22]D. Moshou,C. Bravo,S. Wahlen et al.Simultaneous identification of plant stresses and diseases in arable crops based on a proximal sensing system and Self-Organising Neural Networks[C]//The 4th European Conference on Precision Agriculture. Berlin:[s.n.] , 2003.

[23]C. K. Reddy,E. Z. Nyakatawa.Remote Sensing of Cotton Leaf N Status Using the GER1500 Hyper-Spectro Radiometer and SPAD 502 Chlorophyll Meter in North Alabama[C]//30th International Symposium on Remote Sensing of Environment:Information for Risk Management and Sustainable Development . Honolulu HI:[s.n.],2003.

[24]葛昊,盧珊,趙云升.葉片茸毛對葉片反射光譜及高光譜植被指數的影響研究[J].光譜學與光譜分析, 2012,32(2):439-444.

[25]華開,張學霞,樊登星,等.基于高光譜數據的高羊茅SPAD快速估測研究[J].草地學報, 2012(4): 699-704.

[26]鄧書斌. ENVI 遙感圖像處理方法[M].北京：科學出版社,2010：378-381.

SPAD Measurement of Potato Leaves Infected Late Blight Based on Hyper-spectral

Li Mei1, Xu Mingzhu1, He Yong2, Hu Yaohua1

(1.College of Mechanical and Electronic Engineering, Northwest A&F University, Yangling 712100, China; 2.College of Biosystems Engineering and Food Science, Zhejiang University, Hangzhou 310058, China)

Abstract：The relation between the content of chlorophyll (SPAD) on the vegetation indexes and hyper-spectral feature in potato leaves under the stress of late blight was studied in this paper. Potato leaves that were inoculated with pathogen of potato late blight were observed for 7 continuous days, and the hyper-spectral data from 375 to 1018nm and the SPAD value were acquired every day. The average spectral data was extracted by analyzing the region of interest (ROI) of the samples’ hyper-spectral data using the ENVI software，choose the best pretreatment method to build different estimation models, including: a SPAD value estimation model based on partial least squares regression (PLSR) and least squares support vector machines (LS-SVM), a SPAD value estimation model based on successive projections algorithm combined with PLS and LS-SVM(SPA-PLSR、SPA-LS-SVM)，4 kind of simple experience SPAD value estimation models. The results indicate that the optimal prediction performance is achieved by PLSR model in the whole wavelength region, LS-SVM model based on Characteristic wavelength and the quadratic polynomial model based on vegetation index have a slight poor prediction effect, but greatly simplify models, and provide theoretical basis for subsequent development of portable instrument.The research shows that it is feasible to detect SPAD of potato leaf suffered late blight and vegetation indexes using hyper-spectral, at the same time it provides a new path to implement real-time monitoring of other chemical indexes under crop disease stress.

Key words：potato; late blight; SPAD; hyper-spectral; vegetation index

中圖分類號：S379; TS207.3

文獻標識碼：A

文章編號：1003-188X(2016)12-0136-07

作者簡介：李梅(1991-)，女，陜西楊凌人，碩士研究生，(E-mail)limei513855225@sina.com。通訊作者：胡耀華(1973-), 女，江西奉新人，教授，(E-mail)huyaohua@nwsuaf.edu.cn。

基金項目：中央高?；究蒲许椖?2452015191)；國家高技術研究發展計劃(863計劃)項目(2011AA100705)

收稿日期：2015-11-12