基于高光譜成像技術(shù)的油菜除草劑脅迫診斷及生理信息檢測(cè)研究.pdf

1、精細(xì)農(nóng)業(yè)是一種既能提高農(nóng)業(yè)產(chǎn)量與品質(zhì)，又能優(yōu)化資源利用率、保護(hù)生態(tài)環(huán)境等多目標(biāo)優(yōu)化的新型農(nóng)業(yè)，是我國(guó)發(fā)展現(xiàn)代農(nóng)業(yè)、緩解資源環(huán)境壓力、促進(jìn)農(nóng)民增收農(nóng)業(yè)增效、推進(jìn)智能農(nóng)業(yè)裝備技術(shù)、實(shí)現(xiàn)可持續(xù)發(fā)展的必由之路。農(nóng)田作物生理信息的獲取是精細(xì)農(nóng)業(yè)信息獲取的關(guān)鍵和核心問(wèn)題之一，傳統(tǒng)方法對(duì)作物生理信息的獲取敏銳性不足、耗時(shí)費(fèi)力，不能實(shí)現(xiàn)實(shí)時(shí)動(dòng)態(tài)監(jiān)測(cè)。作物生理信息快速無(wú)損檢測(cè)技術(shù)能夠?qū)r(nóng)情狀態(tài)進(jìn)行快速、實(shí)時(shí)的監(jiān)測(cè)和診斷，且不破壞作物，為農(nóng)業(yè)生產(chǎn)管理提供基

2、礎(chǔ)信息，提高了農(nóng)業(yè)管理決策的科學(xué)性和預(yù)見性，促進(jìn)傳統(tǒng)的經(jīng)驗(yàn)型農(nóng)業(yè)向數(shù)字化、精細(xì)化、智能化的現(xiàn)代農(nóng)業(yè)轉(zhuǎn)變。本研究以在我國(guó)種植廣泛、具有較好的經(jīng)濟(jì)價(jià)值的甘藍(lán)型油菜為研究對(duì)象，應(yīng)用光譜、成像和圖譜融合技術(shù)實(shí)現(xiàn)了3種油菜常用化學(xué)除草劑的脅迫診斷和油菜生理指標(biāo)的快速測(cè)定，對(duì)油菜生產(chǎn)過(guò)程的數(shù)字化、精細(xì)化和科學(xué)化管理決策提供了技術(shù)支持，對(duì)發(fā)展綠色農(nóng)業(yè)，實(shí)施農(nóng)藥減施技術(shù)，提高油菜籽的產(chǎn)量和品質(zhì)具有重要意義。主要研究結(jié)論如下:
　　(1)提出了3種

3、油菜除草劑（草除靈、丙酯草醚及胺苯磺隆）脅迫診斷的特征波長(zhǎng)選取方法，建立了油菜不同生長(zhǎng)期不同除草劑隨施藥時(shí)間的脅迫程度診斷模型，結(jié)合植被指數(shù)顯著性分析實(shí)現(xiàn)了大田和盆栽油菜除草劑藥害的快速診斷。針對(duì)油菜3種常用除草劑施藥后的脅迫效應(yīng)（大田試驗(yàn)為施藥后7、14和21天;盆栽試驗(yàn)為施藥后12、24、36、48和72小時(shí)），提出了特征波長(zhǎng)提取的二階導(dǎo)數(shù)法，分別提取除草劑脅迫程度和種類診斷的特征波長(zhǎng)，建立了支持向量機(jī)判別模型，結(jié)果表明:①針對(duì)油菜

4、施藥后的脅迫程度的最佳診斷時(shí)間，苗期草除靈為施藥后21天（大田）和36小時(shí)（盆栽），與植被指數(shù)RVSI與PRI顯著相關(guān);苗期丙酯草醚為施藥后7天（大田）和12小時(shí)（盆栽），與植被指數(shù)DVI、PRI和VSR顯著相關(guān);苗期胺苯磺隆為施藥后48小時(shí)（盆栽），與植被指數(shù)DVI、GNDVI、RVSI和SIPI顯著相關(guān);抽薹期草除靈脅迫程度與植被指數(shù)GNDVI、SIPI和VSR顯著相關(guān)，胺苯磺隆與植被指數(shù)PRI顯著相關(guān)。②針對(duì)除草劑種類的脅迫診斷，

5、苗期大田試驗(yàn)中丙酯草醚與草除靈的支持向量機(jī)模型區(qū)分識(shí)別率為96.3％（施藥21天），盆栽試驗(yàn)中胺苯磺隆與丙酯草醚和草除靈的區(qū)分識(shí)別率為80.00％左右;抽薹期大田試驗(yàn)中草除靈與胺苯磺隆的區(qū)分識(shí)別率為100％（施藥14天）。
　　(2)研究了基于空間灰度共生矩陣不同方向角（0°、45°、90°、135°和平均角度）的紋理信息提取方法，建立了油菜不同生長(zhǎng)期3種除草劑脅迫程度的紋理信息診斷模型和特征光譜-紋理信息融合診斷模型，實(shí)現(xiàn)了除草

6、劑脅迫程度的多源信息融合診斷。研究提取了特征波長(zhǎng)圖像上基于空間灰度共生矩陣不同方向角(0°、45°、90°、135°和平均角度)的8個(gè)紋理信息（均值、方差、逆差矩、對(duì)比度、非相似度、熵、角二階矩和相關(guān)性），建立了除草劑脅迫程度診斷的支持向量機(jī)模型，結(jié)果表明:①紋理信息診斷模型的最佳輸入變量為135°方向上的紋理信息;②草除靈、丙酯草醚、胺苯磺隆的脅迫程度診斷最優(yōu)模型分別為融合診斷模型（施藥7天，識(shí)別率為86.67％）、紋理信息模型（施藥

7、14天，識(shí)別率為93.3％）、融合診斷模型(施藥7天，識(shí)別率為85.0％)。
　　(3)提出了光譜數(shù)據(jù)組合預(yù)處理方法和特征波長(zhǎng)提取方法，建立了油菜苗期和抽薹期葉片生理信息的全譜和特征波長(zhǎng)快速無(wú)損檢測(cè)模型。針對(duì)除草劑脅迫下油菜葉片生理信息（丙二醛含量MDA、過(guò)氧化物酶活性POD、超氧化物歧化酶活性SOD和可溶性蛋白含量），建立了不同組合預(yù)處理下的偏最小二乘法PLS、最小二乘-支持向量機(jī)LS-SVM和極限學(xué)習(xí)機(jī)ELM預(yù)測(cè)模型，結(jié)果表明

8、:①對(duì)MDA的預(yù)測(cè)，苗期和抽薹期的最優(yōu)模型分別為基于特征波長(zhǎng)的ELM模型（RP=0.929）和全譜PLS模型（RP=0.923）;②對(duì)POD的預(yù)測(cè)，苗期和抽薹期的最優(yōu)模型分別為基于特征波長(zhǎng)的PLS模型（RP=0.877）和基于特征波長(zhǎng)的ELM模型（RP=0.920）;③對(duì)SOD的預(yù)測(cè)，苗期和抽薹期的最優(yōu)模型分別為基于特征波長(zhǎng)的PLS模型（RP=0.936）和基于特征波長(zhǎng)的ELM模型(RP=0.798);④對(duì)可溶性蛋白含量的預(yù)測(cè)，苗期和抽

9、薹期的最優(yōu)模型分別為全譜PLS模型（RP=0.931）和基于特征波長(zhǎng)的ELM模型（RP=0.934）;⑤針對(duì)4個(gè)生理指標(biāo)，分別選取不同年度（2011和2012年度）相同的特征波長(zhǎng)所建最優(yōu)模型的預(yù)測(cè)相關(guān)系數(shù)均大于0.825。
　　(4)應(yīng)用高光譜成像技術(shù)“圖譜合一”的特性，建立了油菜葉片MDA、POD、SOD和可溶性蛋白含量的PLS預(yù)測(cè)模型，構(gòu)建了油菜葉片4種生理指標(biāo)預(yù)測(cè)分布圖，首次實(shí)現(xiàn)了非生物脅迫下油菜葉片生理信息的分布可視化，為