基于交互作用的番茄葉片氮磷鉀含量的多元信息檢測(cè)方法.pdf

1、設(shè)施栽培作物很容易出現(xiàn)氮、磷、鉀等元素虧缺或過(guò)量的狀況，將嚴(yán)重影響作物的產(chǎn)量和經(jīng)濟(jì)效益。目前，作物葉片或冠層的氮、磷、鉀含量的無(wú)損檢測(cè)大多利用檢測(cè)到的光譜或圖像信息來(lái)反演作物氮、磷、鉀含量，檢測(cè)和反演時(shí)都假設(shè)已知作物受氮、磷、鉀某一營(yíng)養(yǎng)脅迫，且不考慮各營(yíng)養(yǎng)之間的交互作用影響，直接根據(jù)葉片氮、磷、鉀來(lái)指導(dǎo)營(yíng)養(yǎng)補(bǔ)充方案，將出現(xiàn)錯(cuò)誤的結(jié)果。無(wú)損檢測(cè)技術(shù)對(duì)作物氮、磷、鉀含量檢測(cè)采用單一技術(shù)手段，無(wú)法全面獲取作物營(yíng)養(yǎng)信息。因此，在考慮交互作用的情

2、況下，融合多種技術(shù)對(duì)作物養(yǎng)分進(jìn)行精確的監(jiān)測(cè)和診斷，并將葉片檢測(cè)出來(lái)的營(yíng)養(yǎng)信息反演出作物的施肥狀況，實(shí)現(xiàn)養(yǎng)分的精確管理有重要意義。本論文在“基于強(qiáng)度-偏振-光譜分布多維圖像的番茄營(yíng)養(yǎng)水平快速診斷研究”等課題資助下，利用高光譜和偏振光譜技術(shù)提取番茄葉片的光譜特征、圖像紋理特征、偏振光譜特征，融合多元信息建立模型，并利用其交互影響修正模型，檢測(cè)番茄葉片的氮、磷、鉀含量。根據(jù)多元信息融合預(yù)測(cè)的葉片營(yíng)養(yǎng)含量，采用模糊聚類識(shí)別模型，來(lái)反演對(duì)應(yīng)的氮、

3、磷、鉀組合的施肥脅迫水平，提供施肥所需的信息。
　　本論文的主要研究工作如下：
　?。?）培育氮、磷、鉀單一脅迫番茄植株樣本、交互樣本和交互驗(yàn)證樣本，利用高光譜和偏振光譜儀器采集葉片的光譜和圖像數(shù)據(jù)，采用凱氏定氮法、鉬銻抗吸光光度法、火焰光度法檢測(cè)葉片氮、磷、鉀的含量。
　　（2）光譜反射率進(jìn)行一階微分變換后，通過(guò)UVE-SPA算法篩選特征波長(zhǎng)，選擇N、P、K都敏感的2個(gè)波長(zhǎng)，為566.29和693.71nm；特有敏感

4、波長(zhǎng)分別為724.66 nm，474.85 nm，762.24 nm。高光譜圖像通過(guò)預(yù)處理，采用PCA方法提取敏感波長(zhǎng)，在灰度共生矩陣基礎(chǔ)上，統(tǒng)計(jì)敏感波長(zhǎng)組合下第一主成分圖像的紋理信息，通過(guò)相關(guān)性分析選擇氮、磷、鉀的4個(gè)紋理特征分別為MEAN、HOM、ENT、COR，HOM、CON、DIS、COR，HOM、ENT、DIS、ASM。分析多種營(yíng)養(yǎng)脅迫下偏振度和偏振相角的變化規(guī)律，采用GA-PLS算法提取偏振度氮、磷、鉀的1個(gè)共有特征波長(zhǎng)54

5、9.01 nm，2個(gè)特有的敏感波長(zhǎng)為398.43、699.20 nm，740.54、857.91 nm，400.27、695.66 nm。偏振相角提取氮、磷、鉀的1個(gè)共有敏感波長(zhǎng)745.35 nm；2個(gè)特有敏感波長(zhǎng)為724.49、856.61 nm，567.01、838.91 nm，367.58、863.51 nm。
　?。?）利用GA-BPANN和LS-SVM方法建立番茄葉片氮、磷、鉀含量的多元信息融合模型，LS-SVM模型的性

6、能較優(yōu)，氮、磷、鉀的分別為0.9196、0.8396、0.8892；RMSEP分別為0.1525％、0.2491mg/g、0.1962mg/g。采用多因子二次多項(xiàng)式回歸方法修正 LS-SVM模型，修正后模型氮、磷、鉀的分別為0.9230、0.8468、0.8954，SEE分別為0.2161、0.3617、0.5180。
　?。?）通過(guò)灰度關(guān)聯(lián)和相關(guān)性分析得出交互作用，P N、K N、K P、N K為協(xié)同作用，KP、PK為拮抗作用。

7、通過(guò)模糊聚類分析每個(gè)營(yíng)養(yǎng)水平的樣本氮、磷、鉀含量的關(guān)系。
　?。?）采用模糊模式識(shí)別探究葉片氮、磷、鉀含量與施肥狀態(tài)的關(guān)系，反演作物真實(shí)的施肥水平。利用交互樣本建立模糊模式識(shí)別模型并進(jìn)行驗(yàn)證。LS-SVM和二次多項(xiàng)式回歸修正模型預(yù)測(cè)驗(yàn)證交互樣本葉片的氮、磷、鉀含量，并通過(guò)模糊模式識(shí)別對(duì)驗(yàn)證交互樣本進(jìn)行歸類，開花期、結(jié)果初期、結(jié)果中期、采收期預(yù)測(cè)集的識(shí)別率為92.11%、97.37%、89.47%、92.11%。
　　結(jié)果表明