水稻生長生理特征信息快速無損獲取技術(shù)的研究.pdf

1、精細農(nóng)業(yè)是21世紀全球農(nóng)業(yè)發(fā)展的必然趨勢，是實現(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)三個部分。其中如何快速實時地獲取土壤和作物的狀態(tài)信息，是開展精細農(nóng)業(yè)最為基本和關(guān)鍵的問題，也是精細農(nóng)業(yè)研究的一個熱點和難點。
　　 基于國內(nèi)外在農(nóng)作物方面的研究成果，本論文以水稻為對象進行了詳細深入的研究。通過光譜技術(shù)與多光譜成像技術(shù)的有機結(jié)合實現(xiàn)了對水稻生長、生理信息的采集，并運用化學計

2、量學方法和數(shù)據(jù)挖掘技術(shù)對采集數(shù)據(jù)進行分析，實現(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和診斷，為水稻等田間作物的生長、生理信息無損檢測儀器的開發(fā)奠定了較為扎實的理論基礎。
　　 本論文通過二次正交回歸設計和設置不同氮肥梯度的方法進行了水稻不同施肥狀態(tài)的田間試驗，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)學模型；通過分析稻瘟病病變?nèi)~片的光譜特征信息，進行了水稻稻瘟病等級判別等的研究；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；通過大量試驗分析證實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，對水稻品質(zhì)的無損檢測提供了依據(jù)。
　　 本論文的主要研究成

4、果和結(jié)論如下：
　　 1)首次采用化學計量學方法結(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。對于水稻冠層SPAD值的預測模型，非線性的偏最小二乘支持向量機(PLS-LS-SVM)模型具有較高的預測精度。對水稻葉片SPAD值的預測模型，基于全波段的預測效果最好。文章將預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測模型，并提取敏感波段反演葉綠素含量信息。其中直

5、接信號校正算法(DOSC)結(jié)合連續(xù)投影算法(SPA)的最優(yōu)波長選擇方法要優(yōu)于多元散射校正(MSC)結(jié)合SPA的波長選擇方法。
　　 2)將基于獨立組分分析的特征波段提取方法應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，并通過試驗證實了基于全波段的水稻冠層氮素預測模型的效果最好?；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所建的模型。試驗還通過對病變?nèi)~片建立ICA-LS-SVM模型，達到了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、多波段和多波長的水稻葉片微量元素鐵和鋅的預測模型。對于微量元素

7、鐵，基于全波段的模型預測精度要高于采用多波段的模型，高于采用多波長的模型。對于微量元素鋅，基于多波長的模型預測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測模型，結(jié)果顯示，采用獨立組分分析(ICA)結(jié)合非線性LS-SVM回歸模型的預測精度高于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價土壤養(yǎng)分信息，包括氮、磷、鉀信息的可行性?；赑

8、LS的模型對土壤養(yǎng)分(氮、磷、鉀)的預測精度拔節(jié)期高于分蘗期，其中氮含量的預測精度高于磷含量，鉀的預測效果相對較差。非線性PLS-LS-SVM模型建立的分蘗期及拔節(jié)期土壤氮、磷、鉀的預測結(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)。其中對葉片SPAD值的預測，模型的相關(guān)系數(shù)為0.8756；植株拔節(jié)期SPAD值的預測結(jié)果好于分蘗期；植株分蘗期氮素含量的預測結(jié)果好于拔節(jié)期的預測精度。
　　 6)利用光譜技術(shù)建立稻谷年份的判別模型，并對經(jīng)輻照處理后谷物的輻照劑量進行預測，同時建立輻照谷物內(nèi)部成分(直鏈淀粉和蛋白質(zhì))的預測模型。基于獨立組分分析(ICA)結(jié)合BP神經(jīng)網(wǎng)絡模型(ICA-BPNN)對不