水稻生長(zhǎng)生理特征信息快速無(wú)損獲取技術(shù)的研究.pdf

1、精細(xì)農(nóng)業(yè)是21世紀(jì)全球農(nóng)業(yè)發(fā)展的必然趨勢(shì)，是實(shí)現(xiàn)農(nóng)業(yè)低耗、高效、優(yōu)質(zhì)與安全的重要途徑。它的技術(shù)核心是農(nóng)田信息的獲取、信息的管理與決策及變量作業(yè)三個(gè)部分。其中如何快速實(shí)時(shí)地獲取土壤和作物的狀態(tài)信息，是開展精細(xì)農(nóng)業(yè)最為基本和關(guān)鍵的問題，也是精細(xì)農(nóng)業(yè)研究的一個(gè)熱點(diǎn)和難點(diǎn)。
　　 基于國(guó)內(nèi)外在農(nóng)作物方面的研究成果，本論文以水稻為對(duì)象進(jìn)行了詳細(xì)深入的研究。通過(guò)光譜技術(shù)與多光譜成像技術(shù)的有機(jī)結(jié)合實(shí)現(xiàn)了對(duì)水稻生長(zhǎng)、生理信息的采集，并運(yùn)用化學(xué)計(jì)

2、量學(xué)方法和數(shù)據(jù)挖掘技術(shù)對(duì)采集數(shù)據(jù)進(jìn)行分析，實(shí)現(xiàn)了水稻品質(zhì)信息、養(yǎng)分需求信息、病蟲害信息的全方位檢測(cè)和診斷，為水稻等田間作物的生長(zhǎng)、生理信息無(wú)損檢測(cè)儀器的開發(fā)奠定了較為扎實(shí)的理論基礎(chǔ)。
　　 本論文通過(guò)二次正交回歸設(shè)計(jì)和設(shè)置不同氮肥梯度的方法進(jìn)行了水稻不同施肥狀態(tài)的田間試驗(yàn)，采用可見-近紅外光譜技術(shù)研究了水稻冠層及葉片SPAD值和氮素含量與水稻冠層和葉片光譜反射特性間的關(guān)系；應(yīng)用光譜技術(shù)和數(shù)據(jù)挖掘技術(shù)建立了水稻葉片葉綠素含量及微量

3、元素含量(鐵、鋅)的數(shù)學(xué)模型；通過(guò)分析稻瘟病病變?nèi)~片的光譜特征信息，進(jìn)行了水稻稻瘟病等級(jí)判別等的研究；研究了水稻植株及葉片多光譜圖像與SPAD值和氮素含量間的關(guān)系；通過(guò)大量試驗(yàn)分析證實(shí)了采用水稻冠層光譜信息反演土壤養(yǎng)分(氮、磷、鉀)信息的可行性。此外，還探討了輻照處理對(duì)稻谷的光譜反射特性的影響，并結(jié)合中紅外光譜技術(shù)對(duì)輻照谷物的內(nèi)部成分含量(直鏈淀粉和蛋白質(zhì))作了深入研究，對(duì)水稻品質(zhì)的無(wú)損檢測(cè)提供了依據(jù)。
　　 本論文的主要研究成

4、果和結(jié)論如下：
　　 1)首次采用化學(xué)計(jì)量學(xué)方法結(jié)合特征波段選取方法，提取能夠反演水稻冠層及葉片SPAD值的敏感波段，為儀器的開發(fā)奠定基礎(chǔ)。對(duì)于水稻冠層SPAD值的預(yù)測(cè)模型，非線性的偏最小二乘支持向量機(jī)(PLS-LS-SVM)模型具有較高的預(yù)測(cè)精度。對(duì)水稻葉片SPAD值的預(yù)測(cè)模型，基于全波段的預(yù)測(cè)效果最好。文章將預(yù)處理方法與特征波段提取及數(shù)據(jù)壓縮技術(shù)結(jié)合，建立水稻葉片葉綠素含量的預(yù)測(cè)模型，并提取敏感波段反演葉綠素含量信息。其中直

5、接信號(hào)校正算法(DOSC)結(jié)合連續(xù)投影算法(SPA)的最優(yōu)波長(zhǎng)選擇方法要優(yōu)于多元散射校正(MSC)結(jié)合SPA的波長(zhǎng)選擇方法。
　　 2)將基于獨(dú)立組分分析的特征波段提取方法應(yīng)用于水稻冠層及葉片氮素含量與光譜反射特性關(guān)系的研究中，建立了不同波段水稻冠層氮素含量的偏最小二乘(PLS)模型，并通過(guò)試驗(yàn)證實(shí)了基于全波段的水稻冠層氮素預(yù)測(cè)模型的效果最好?；贗CA-LS-SVM模型的水稻葉片氮含量研究，獲取了葉片氮含量的敏感波段，為儀器開

6、發(fā)提供了理論依據(jù)。采用PLS建立了全波段、多波段和多波長(zhǎng)的水稻稻瘟病病變?nèi)~片的鑒別模型，結(jié)果顯示：采用全波段建模，模型的鑒別率最高，高于采用特征波段和特征波長(zhǎng)所建的模型。試驗(yàn)還通過(guò)對(duì)病變?nèi)~片建立ICA-LS-SVM模型，達(dá)到了86.7％的鑒別率。
　　 3)首次將光譜技術(shù)結(jié)合數(shù)據(jù)挖掘技術(shù)應(yīng)用于水稻葉片微量元素含量(鐵、鋅)的研究。采用偏最小二乘(PLS)建立了全波段、多波段和多波長(zhǎng)的水稻葉片微量元素鐵和鋅的預(yù)測(cè)模型。對(duì)于微量元素

7、鐵，基于全波段的模型預(yù)測(cè)精度要高于采用多波段的模型，高于采用多波長(zhǎng)的模型。對(duì)于微量元素鋅，基于多波長(zhǎng)的模型預(yù)測(cè)精度高于全波段的模型，高于采用多波段的模型。建立了基于ICA-LS-SVM模型的水稻微量元素鐵和鋅的預(yù)測(cè)模型，結(jié)果顯示，采用獨(dú)立組分分析(ICA)結(jié)合非線性LS-SVM回歸模型的預(yù)測(cè)精度高于PLS-LS-SVM模型，高于線性PLS模型。
　　 4)研究了利用冠層光譜特性評(píng)價(jià)土壤養(yǎng)分信息，包括氮、磷、鉀信息的可行性?；赑

8、LS的模型對(duì)土壤養(yǎng)分(氮、磷、鉀)的預(yù)測(cè)精度拔節(jié)期高于分蘗期，其中氮含量的預(yù)測(cè)精度高于磷含量，鉀的預(yù)測(cè)效果相對(duì)較差。非線性PLS-LS-SVM模型建立的分蘗期及拔節(jié)期土壤氮、磷、鉀的預(yù)測(cè)結(jié)果要優(yōu)于ICA-LS-SVM、PLS-BPNN及PLS的模型結(jié)果?；谥脖恢笖?shù)對(duì)土壤氮素含量的研究，得到模型的反演效果好于ICA-LS-SVM模型。
　　 5)采用多光譜成像技術(shù)建立植被指數(shù)與水稻植株及葉片SPAD值和氮素含量間的關(guān)系模型。采用

9、的植被指數(shù)，包括有歸一化植被指數(shù)、綠波歸一化植被指數(shù)和比值植被指數(shù)。其中對(duì)葉片SPAD值的預(yù)測(cè)，模型的相關(guān)系數(shù)為0.8756；植株拔節(jié)期SPAD值的預(yù)測(cè)結(jié)果好于分蘗期；植株分蘗期氮素含量的預(yù)測(cè)結(jié)果好于拔節(jié)期的預(yù)測(cè)精度。
　　 6)利用光譜技術(shù)建立稻谷年份的判別模型，并對(duì)經(jīng)輻照處理后谷物的輻照劑量進(jìn)行預(yù)測(cè)，同時(shí)建立輻照谷物內(nèi)部成分(直鏈淀粉和蛋白質(zhì))的預(yù)測(cè)模型?；讵?dú)立組分分析(ICA)結(jié)合BP神經(jīng)網(wǎng)絡(luò)模型(ICA-BPNN)對(duì)不