1、生物入侵是棘手的全球性環(huán)境問題。對中國而言，主要的外來入侵物種中入侵植物占多數。在眾多的外來入侵植物當中形態(tài)特征接近的植物種很多。準確地鑒別這些相似植物種是開展調查、預警、檢疫、防控、治理以及本土種保護等各項工作的基礎與前提。植物鑒別主要有形態(tài)學鑒別、化學鑒別、分子生物學鑒別等方法，這些方法各有優(yōu)點。然而，面對生物入侵的嚴峻形勢，以上方法對相關實驗條件以及鑒別人員的專業(yè)素質都有具體要求，有些方法還存在耗時、成本高昂等不利因素，因而具有一

2、定局限性，不易于向廣大非專業(yè)人員以及社會大眾推廣。因此，開發(fā)出一種便捷、高效、適于推廣的鑒別方法對于有效應對植物入侵問題非常有用。在這一背景下，本文應用近紅外光譜分析技術結合模式識別的方法對形態(tài)接近的入侵植物進行鑒別研究，主要內容如下：
　　 1.應用可見/近紅外光譜對菊科的四種形態(tài)接近的入侵植物小飛蓬、一年蓬、春飛蓬、野塘蒿進行了鑒別。每種植物采集60個樣本，隨機挑選40個作為建模集，其余20個作為預測集。對四種植物的光譜數據

3、采用十種預處理方法，并利用主成分分析法(PCA)對光譜數據進行降維處理。將主成分分析獲得的主成分變量作為BP人工神經網絡和SVM的輸入建立四種植物的鑒別模型。針對十種預處理方法一共建立20個模型(10個BP人工神經網絡模型和10個SVM模型)。結果表明：在建立的10個SVM模型中采用MSC、SNV、15點移動平滑、歸一化、SNV+Detrending這五種預處理方法的SVM模型鑒別效果最好，對四種植物的鑒別正確率均達到97.5％；而10

4、個BP人工神經網絡模型中，采用歸一化預處理的BP網絡模型鑒別正確率最高，為93.75％。所有SVM模型的正確率均高于采用相同輸入變量的BP神經網絡模型。進一步地，在主成分分析的基礎上，通過主成分荷載篩選出5組特征波長，用這5組特征波長建立了5個SVM模型和1個BP神經網絡模型。利用特征波長建立的SVM模型最高鑒別正確率達96.25％，BP神經網絡模型的正確率則為85％。以上結果顯示通過主成分荷載篩選出的特征波長能夠區(qū)分四種植物的樣本，對

5、于四種植物的鑒別是有效的。
　　 2.應用可見/近紅外光譜對莧科的三種形態(tài)接近的入侵植物反枝莧、莧、皺果莧進行了鑒別。每種植物采集50個樣本，隨機挑選出30個作為建模集，余下的20個為預測集。對三種植物的光譜數據采取十種預處理方法，針對每一種預處理方法采用主成分分析提取品種特征值，并將這些特征值作為BP神經網絡和支持向量機的輸入建立鑒別模型。一共建立10個BP神經網絡模型和10個SVM模型。結果顯示：在建立的10個BP神經網絡模

6、型中采用一階微分預處理的BP神經網絡模型鑒別效果最好，對預測集的鑒別率為90％；而10個SVM模型中同樣也是采用一階微分預處理的SVM模型性能最優(yōu)，鑒別正確率達98.33％。所有SVM模型的正確率均高于采用相同輸入變量的BP神經網絡模型。在主成分分析的基礎上，通過主成分荷載篩選出1組特征波長，分別建立1個SVM模型和1個BP神經網絡模型。利用特征波長建立的SVM模型鑒別正確率達100％，BP神經網絡模型則為93.33％，均高于兩種模型在