基于高光譜成像技術(shù)的油菜養(yǎng)分及產(chǎn)量信息快速獲取技術(shù)和方法研究.pdf

1、農(nóng)業(yè)物聯(lián)網(wǎng)技術(shù)作為當(dāng)代農(nóng)業(yè)信息化發(fā)展的新方向，是提高資源利用率和生產(chǎn)力水平，加快我國(guó)農(nóng)業(yè)由傳統(tǒng)農(nóng)業(yè)向現(xiàn)代農(nóng)業(yè)轉(zhuǎn)型的關(guān)鍵和核心技術(shù)。農(nóng)業(yè)物聯(lián)網(wǎng)的應(yīng)用主要體現(xiàn)在建立對(duì)農(nóng)作物田間及溫室環(huán)境控制和信息反饋的農(nóng)業(yè)精準(zhǔn)控制系統(tǒng)。這種精細(xì)化管理要求對(duì)作物生長(zhǎng)狀況的快速準(zhǔn)確獲取，以實(shí)現(xiàn)田間信息的實(shí)時(shí)動(dòng)態(tài)監(jiān)測(cè)。然而傳統(tǒng)的實(shí)驗(yàn)室化學(xué)測(cè)量分析和農(nóng)田信息監(jiān)測(cè)方法耗時(shí)費(fèi)力，不適合農(nóng)業(yè)物聯(lián)網(wǎng)技術(shù)的發(fā)展需要。本論文針對(duì)農(nóng)作物生長(zhǎng)信息快速無(wú)損檢測(cè)技術(shù)的需要，應(yīng)用高光譜

2、成像技術(shù)，結(jié)合多種光譜和圖像處理技術(shù)及化學(xué)計(jì)量學(xué)方法，以油菜為研究對(duì)象，研究油菜生長(zhǎng)過(guò)程中養(yǎng)分信息的快速獲取方法、養(yǎng)分分布可視化以及在較早生長(zhǎng)階段對(duì)油菜籽產(chǎn)量的快速預(yù)測(cè)方法。為制定油菜大田變量作業(yè)處方提供主要數(shù)據(jù)源和參數(shù)，為油菜生長(zhǎng)的實(shí)時(shí)監(jiān)測(cè)系統(tǒng)提供技術(shù)支撐。本研究主要內(nèi)容和結(jié)論如下:
　　(1)探討了基于高光譜成像技術(shù)對(duì)油菜苗期、花期、角果期和苗-花-角果生命期葉片氮含量的快速檢測(cè)和氮素在葉片中分布的可視化方法。對(duì)每個(gè)時(shí)期葉片高

3、光譜數(shù)據(jù)提取可見(jiàn)/近紅外波段(380-1030nm)光譜信息，在經(jīng)過(guò)最優(yōu)預(yù)處理后，通過(guò)分析比較利用RC和SPA算法提取的特征波長(zhǎng)所建立的PLS和LS-SVM模型，得到在油菜苗期、花期、角果期和苗-花-角果生命期對(duì)葉片氮含量的預(yù)測(cè)結(jié)果相關(guān)系數(shù)Rp分別為0.793、0.891、0.772和0.852;基于特征波長(zhǎng)圖像，利用二階概率統(tǒng)計(jì)濾波方法提取圖像紋理特征和特征光譜信息一并作為模型自變量，苗期、花期和角果期的葉片氮含量分別作為模型因變量，

4、建立預(yù)測(cè)模型，在各時(shí)期得到0.752、0.863和0.747的Rp;利用苗-花-角果生命期葉片光譜信息提取的12個(gè)特征波長(zhǎng)和建立的SPA-PLS模型，對(duì)油菜三個(gè)不同生長(zhǎng)期的葉片氮含量情況進(jìn)行可視化表達(dá)，得到直觀具體的氮素營(yíng)養(yǎng)信息分布圖。
　　(2)研究建立了油菜葉片磷含量快速檢測(cè)模型和實(shí)現(xiàn)磷在葉片中的可視化表達(dá)。可見(jiàn)/近紅外波段光譜經(jīng)過(guò)SNV預(yù)處理后，基于5個(gè)特征波長(zhǎng)的SPA-BPNN模型獲得了最優(yōu)預(yù)測(cè)效果（Rp為0.762，RM

5、SEP為0.030）;利用二階概率統(tǒng)計(jì)濾波算法分別提取特征波長(zhǎng)圖像和主成分圖像的紋理特征，并與特征波長(zhǎng)信息結(jié)合，建立PLS、LS-SVM和BPNN模型，基于特征波長(zhǎng)圖像的最優(yōu)模型BPNN預(yù)測(cè)結(jié)果Rp=0.740，RMSEP=0.032，基于主成分圖像的最優(yōu)模型BPNN預(yù)測(cè)結(jié)果Rp=0.757，RMSEP=0.032;利用SPA提出的5個(gè)特征波長(zhǎng)和SPA-PLS模型回歸系數(shù)，對(duì)葉片高光譜圖像中的每個(gè)像素點(diǎn)進(jìn)行磷含量預(yù)測(cè)，將采自不同施肥梯度

6、的葉片樣本磷素含量差異進(jìn)行了可視化表達(dá)。
　　(3)研究建立了油菜葉片鉀含量快速檢測(cè)模型和實(shí)現(xiàn)鉀在葉片中的可視化表達(dá)。在可見(jiàn)/近紅外波段，利用GA、RC和SPA三種方法對(duì)原始光譜數(shù)據(jù)進(jìn)行特征波長(zhǎng)提取，通過(guò)PLS、LS-SVM和BPNN三種預(yù)測(cè)模型的比較得出RC-BPNN模型預(yù)測(cè)性能最優(yōu)，對(duì)預(yù)測(cè)集樣本預(yù)測(cè)的Rp為0.759，RMSEP為0.158;分別使用概率統(tǒng)計(jì)濾波和二階概率統(tǒng)計(jì)濾波方法對(duì)特征波長(zhǎng)圖像提取紋理特征值，將紋理特征融合

7、光譜特征建模分析比較，得到基于概率統(tǒng)計(jì)濾波紋理特征提取方法建立的最優(yōu)BPNN模型，其中Rp=0.730，RMSEP=0.171;基于主成分灰度圖像提取紋理特征，結(jié)合光譜特征信息后建立不同模型，其中最優(yōu)模型BPNN模型的Rp為0.726，RMSEP為0.179;基于RC提取的5個(gè)特征波長(zhǎng)和對(duì)應(yīng)RC-PLS模型，對(duì)高光譜圖像中葉片區(qū)域內(nèi)每個(gè)像素點(diǎn)進(jìn)行鉀含量的預(yù)測(cè)，從而獲得葉片鉀含量的可視化分布圖，實(shí)現(xiàn)同一樣本內(nèi)或不同樣本間鉀素水平差異的可視

8、化。
　　(4)應(yīng)用高光譜成像技術(shù)，實(shí)現(xiàn)了油菜籽產(chǎn)量的早期快速預(yù)測(cè)。在油菜較早生長(zhǎng)階段（苗期、抽薹期、花期和角果期）獲取葉片高光譜圖像數(shù)據(jù)，通過(guò)比較基于各時(shí)期光譜數(shù)據(jù)建立的PLS模型預(yù)測(cè)效果，確定在初花期（3月份）獲得的光譜數(shù)據(jù)最適宜準(zhǔn)確預(yù)測(cè)油菜籽產(chǎn)量;利用基于載荷系數(shù)法提取的6個(gè)產(chǎn)量預(yù)測(cè)敏感波段分別建立線性模型（PLS和MLR）與非線性模型（LS-SVM和BPNN），結(jié)果表明LS-SVM模型（Rp=0.887，RMSEP=22.