基于无人机和地面数字影像的水稻氮素营养诊断研究

选用扫描仪和无人机平台获取水稻叶片和冠层的数字图像,运用数字图像处理技术研究不同氮素营养水平水稻叶片和冠层的综合特征信息,从而应用于水稻的氮素营养诊断。结果表明:1)通过叶片叶绿素a含量和扫描叶片颜色参量之间的相关性分析,得到可用于诊断水稻氮素营养水平的叶片颜色特征参量B、b、b/(r+g)、b/r、b/g。通过叶片的颜色、形状综合特征信息与YIQ电视信号彩色坐标系统的参量建立氮素营养的识别模型,4个不同氮素水平的正确识别率分别为:N0(0 kg N.hm-2)74.9%,N1(60 kgN.hm-2)52%,N2(90 kg N.hm-2)84.7%,N3(120 kg N.hm-2)75%;2)无人机获取的田间冠层图像识别水稻氮素营养水平的综合特征参量是G、B、b、g、b/(r+g)、b/r、b/g、H、S、DGCI,选择相同的CB参量建立冠层氮素营养的识别模型,4个不同氮素水平的正确识别率为:N0(0 kg N.hm-2)91.6%,N1(60 kgN.hm-2)70.83%,N2(90 kg N.hm-2)86.7%,N3(120 kg N.hm-2)95%。初步研究表明基于综合特征的氮素诊断模型区分效果比较好,利用叶片扫描图像和无人机识别与诊断田间水稻氮素是可行的。     

水稻叶片氮素营养光谱诊断模型研究（摘要）

[目的]建立水稻叶片氮素营养光谱诊断模型。[方法]通过对不同水稻品种（湘优109和汕优98）、不同生长期、不同氮素水平的水稻叶片进行透射、吸收光谱及氮含量的测量,分析了叶片光谱与其含氮量之间的相关性,建立了水稻叶片含氮量的光谱指数预测模型。[结果]该模型检测精度在80%以上,可用于水稻氮素营养的诊断。[结论]为水稻氮素营养状况监测提供了理论依据。     

水稻叶片氮素营养光谱诊断模型研究

[目的]建立水稻叶片氮素营养光谱诊断模型。[方法]通过对不同水稻品种（湘优109和汕优98）、不同生长期、不同氮素水平的水稻叶片进行透射、吸收光谱及氮含量的测量,分析了叶片光谱与其含氮量之间的相关性,建立了水稻叶片含氮量的光谱指数预测模型。[结果]该模型检测精度在80%以上,可用于水稻氮素营养的诊断。[结论]为水稻氮素营养状况监测提供了理论依据。     

基于数字图像技术的烟草氮素营养诊断研究

研究烟草低氮胁迫下的叶片颜色信息变化,为田间快速诊断缺氮状况,做到按需施肥提供理论依据。以营养液培养方式,对74个烟草品种的苗期进行低氮(0.5 mmol/L)和正常氮(5.0 mmol/L)处理,通过采取烟草中上部叶片图像信息与烟草植株氮素营养性状进行分析,以探讨数字图像技术对烟草氮素营养诊断的可行性。结果表明:R、G、H、S、I、r、g颜色特征值的变异系数均小于15%,可以作为较稳定的性状指标;HSI颜色模型相对于其它颜色模型,对氮素的变化更加敏感。叶片颜色R、G、B、H、I、r、g均值在低氮和正常氮水平上均有显著性差异,S、b均值差异不显著;且低氮胁迫下叶片颜色R、G、B、I、r、b均值均大于正常氮水平,低氮胁迫下H、g均值均小于正常氮水平。R、G特征值比B特征值更能灵敏地预测作物氮素营养状况,并且与氮素营养指标之间的相关性较好,而S、b特征值与氮素营养指标之间的相关性较差。数字图像技术能够准确评价烟草的氮素营养状况,且在不同品种的烤烟间依然能适用。     

安徽中籼稻实地养分管理技术研究

以4个中晚熟水稻品种为材料,研究不同时期不同氮肥管理措施下植株氮素含量与氮肥用量及LCC值之间的变化关系.结果表明,植株氮素含量表现为分蘖期>拔节期>抽穗期,LCC值为抽穗期>拔节期>分蘖期.植株含氮量、叶片LCC值与氮肥用量呈密切正相关,氮素含量与LCC值含量显著正相关,分蘖期、抽穗期水稻植株LCC值变化量与氮肥用量变化量显著正相关.依据最高产量处理确定适宜的LCC值临界指标,并计算不同LCC值下水稻所需氮肥追施用量.     

水稻氮素及钾素叶位分布特点及诊断叶位研究

利用盆栽试验研究水稻拔节期、孕穗期不同叶位氮素及钾素时空分布特征,并进行了不同叶位含氮、钾量与总叶片含氮、钾量以及施氮、钾量的线性相关分析.结果表明,拔节期叶位间含氮量由上而下逐级增加,孕穗期叶位间含氮量由上而下逐级递减,两个时期内叶位间含钾量均表现为由上而下逐级递减.增施氮能减少叶位间氮素的差异,但增施钾叶位间含钾量的差异无显著变化.相关分析表明,拔节期水稻顶1叶适合作为氮营养的诊断叶片,孕穗期水稻顶3叶或顶4叶适合作为氮营养的诊断叶片,顶1叶适合作为拔节期、孕穗期钾营养的诊断叶片.     

水稻叶片高光谱响应特征及氮素估算

将高光谱遥感技术应用于高纬度高海拔宁夏回族自治区,探讨水稻氮素快速无损的监测方法,为科学合理地施肥提供依据。对3个不同施氮水平、5个生育期水稻叶片反射光谱的响应特征及叶片叶绿素相对含量(SPAD值)进行对比分析,将光谱及SPAD值与氮素含量进行相关分析,筛选诊断氮素含量的特征光谱并构建氮素估算模型。结果表明,随着生育期的推进,叶片光谱反射率在可见光范围内呈增加趋势,该变化特征与SPAD值变化规律基本一致,近红外区光谱反射率呈先增加后降低的规律;随氮素含量增加可见光反射率降低,近红外反射率增加,SPAD值与氮素含量呈正相关(r=0.766);各波段对氮素的光谱响应程度不同,可见光波段更敏感,原始光谱612 nm和一阶微分666 nm为特征波长;叶片氮素估算最优模型为y=9.155x1-0.111x2+0.050x3+2.102(x1、x2、x3分别为R612 nm、R666 nm、SPAD值)。     

应用图像数字化技术进行甘薯氮素营养诊断

为了研究利用数码图像参数预测甘薯氮素营养指标的可行性，明确氮素营养状况评价的最佳色彩参数和方程模型，以烟薯25号为试材，于2020—2021年分别设置盆栽试验(氮肥水平为0、45、90、135、180 kg/hm²)、大田试验(氮肥水平为0、50、100、150、300 kg/hm²),利用数码相机获取甘薯冠层图像参数，同时测定地上部氮素营养指标，分析不同生育时期甘薯冠层数码图像参数与氮素营养指标的相关性，并构建甘薯氮素营养指标诊断模型。甘薯各生育期冠层图像参数与地上部生物量、叶片氮浓度、叶绿素a含量、叶绿素b含量相关性差异较大，以绿光标准化值NGI与上述氮素营养指标的相关性最好；薯蔓并长期NGI与氮肥用量、地上部生物量、叶片氮浓度、叶绿素a含量的直线方程模型分别为y=17.82x-6.95、y=6 999.70x-2 697.90、y=613.67x-188.78、y=75.38x-26.96;2021年试验验证模型验证结果表明，叶片氮浓度、叶绿素含量的预测值与实测值之间R²分别达到0.835、0.810,均方根误差分...     

基于图像特征的水稻叶片全氮含量估测模型研究

探究水稻叶片生长外部颜色、几何形态特征与其全含氮量之间的定量描述关系,可以快速且准确地诊断水稻氮素营养状况。研究筛选了全氮含量估测敏感叶位,并比较了基于多元线性回归和机器学习方法的水稻敏感叶位全氮含量估测模型,为构建高性能的氮素营养定量诊断模型提供思路和方法。水稻田间试验于2017—2018年在江西省南昌市成新农场进行,供试水稻品种为两优培九,设置4个施氮水平(施氮水平从低到高为0、210、300和390 kg·hm^-2)。在水稻幼穗分化期和齐穗期,分别扫描获取水稻顶部第一完全展开叶叶片(顶1叶)、顶部第二完全展开叶叶片(顶2叶)以及顶部第三完全展开叶叶片(顶3叶)图像,共4 800张图像。通过图像处理技术获取25项水稻扫描叶颜色和几何形态特征,采用多元线性回归进行全氮含量估测,筛选出两个时期的敏感叶位,并应用机器学习方法建立水稻敏感叶位的全氮含量估测模型。与人工测量相比,通过图像处理方法获取的水稻叶片长宽平均相对误差分别为0.328%、3.404%;幼穗分化期顶3叶和齐穗期顶2叶较其他同期叶位更为敏感,且以幼穗分化期顶3叶最为敏感;应用机器学习建立的水稻敏感叶位全氮含量估测模型略优于多元线性回归模型,且采用BP神经网络建模最佳,幼穗分化期顶3叶模型验证集的RMSE_v=0.089、MRE_v=0.034、 $R^{2}_{v}$=0.887,齐穗期顶2叶模型验证集的RMSE_v=0.132、MRE_v=0.046、$R^{2}_{v}$=0.820。幼穗分化期顶3叶和齐穗期顶2叶的叶片图像特征最具有代表性,进行全氮含量估测更具可行性,可作为水稻氮素营养诊断的有效叶位。     

基于图像数字处理技术的元帅系苹果叶片营养水平诊断研究

利用图像数字化处理技术,建立元帅系苹果叶片氮磷钾营养元素估算模型。选择不同营养水平的元帅系苹果叶样,通过计算机提取采集叶样的图像特征红R、绿G、蓝B各参数值及其相对的系数r、g、b和简单算术组合。分析RGB、rgb和简单算术组合分量值与叶片氮、磷、钾之间的相关特征。结果表明,叶片颜色特征分量G/B与氮元素含量呈极显著相关性,g分量与磷元素含量呈显著相关性,G/R分量与钾元素含量呈极显著相关性。选择叶片颜色特征分量跟元帅系苹果叶片氮、磷、钾元素的最高显著相关特征参数,建立的元帅系苹果叶片氮、磷、钾营养水平估算模型为y=-6.780x+8.913、y=-1.813x+1.158、y=-25.196x+22.872,其中x分别为叶片颜色特征G/B、g、G/R的分量值。氮、磷、钾预测值与实测值相关系数分别达到极显著（0.721）、显著（0.522）、极显著（0.644）水平,能较为可靠的反映元帅系苹果叶片的营养水平。     

基于数字图像技术的黄瓜缺氮营养诊断

以节节瓜和日本小黄瓜2个品种为试验对象,设计田间不同氮肥处理试验研究数字图像技术对于黄瓜缺氮无损诊断的可行性。每隔3d利用数码相机和叶绿素仪获取固定叶位的叶片图像和叶绿素测量(SPAD)值,利用图像处理技术获取叶片的颜色特征参数,分析这些参数和SPAD值之间的相关性,并建立回归方程。结果表明,红光标准化值(NRI)、色调(H)、深绿色指数(DGCI)和SPAD值之间存在良好的线性关系,其决定系数分别为0.86、0.70和0.65。利用数码相机和数字图像技术进行黄瓜氮素营养状况诊断具有快速、无损、易于操作的特点,易于在生产实际应用中推广。     

基于RGB颜色空间的早稻氮素营养监测研究

针对双季稻区水稻过量施肥带来环境污染和成本提高问题,设计不同品种氮肥梯度大田试验,应用数码相机获取早稻冠层数字图像,研究不同色彩参数及早稻氮素营养指标的时空变化特征,以期确立双季早稻氮素营养预测模型。结果表明:不同品种同一氮肥处理下图像色彩参数差异不大;拔节期数字图像参数对氮素营养指标敏感;模型构建结果显示,图像参数INT与水稻氮素营养指标构建的模型决定系数(R2)最大,模型预测效果最佳,R2分别为0.895 7和0.924 7;进一步采用多元回归分析和BP神经网络分析法进行预测,预测效果均较好。对预测结果进行检验,发现品种对于模型的构建影响不大,以BP神经网络分析法构建的叶片氮浓度(LNC)模型和以INT为敏感色彩参数构建的叶片氮积累量(LNA)回归模型效果最优,而多元回归分析方法则效果不佳。早稻冠层RGB颜色空间敏感参数与氮素营养指标间相关性较好,可以实现氮素营养的无损监测诊断。     

SPAD值与棉花叶绿素和含氮量关系的研究

通过田间试验,利用叶绿素仪测定了不同氮素水平及不同生育时期棉花(新陆早13号及10号)功能叶片的SPAD值、叶绿素含量及植株全氮含量,在此基础上分析了棉花叶片SPAD值与叶绿素含量及全氮含量的关系.结果表明:棉花叶片的叶绿素含量与SPAD值呈线性相关;在不同生育期棉花的功能叶SPAD值与植株全氮有较好的线性相关;在相同时期不同品种间的SPAD值有显著性差异.应用SPAD值能够迅速准确地预测棉花的氮素营养状况,为确定棉花合理的施肥时期及施肥量提供理论依据,是一项前景很广的农业技术.     

基于数码图像的甜菜氮素近地遥感监测模型

为定量研究利用数码图像进行甜菜冠层叶片氮含量(Leaf nitrogen content,LNC)时空变化监测的适宜性及准确性,以2014年内蒙古赤峰市松山区太平地镇田间试验为基础,在甜菜各生长阶段采集甜菜冠层数码图像,利用数字图像处理技术对图像进行分割并提取红光值(R)、绿光值(G)和蓝光值(B)。分析R/B、G/B等9个颜色参数与不同生育期冠层LNC的相关性,并研究冠层LNC随施氮量的变化规律,探寻适宜于甜菜氮素营养监测的关键生育时期及最佳颜色参数。分别利用支持向量机(Support vector machine,SVM)和BP人工神经网络(BackPropagation artificial neural network,BP-ANN)建立甜菜冠层LNC预测模型。研究结果表明,BP-ANN预测模型具有较高且较稳定的预测精度,其验证集的决定系数R~2和均方根误差RMSE分别为0.74和2.35,与SVM模型相比,BP-ANN模型的决定系数R~2提高了12.12%,均方根误差RMSE降低了8.09%。     

氮、磷、钾、钙营养胁迫对加工番茄幼苗光合色素及光合特性的影响

[目的]研究氮、磷、钾、钙营养胁迫对加工番茄幼苗光合色素及光合特性的影响.探讨在营养胁迫条件下加工番茄幼苗生长状况、叶绿素含量和光合特征参数的变化.[方法]以加工番茄品种屯河8号为试材,通过室外Hoagland全营养液(CK)、Hoagland缺N(-N)、缺P(-P)、缺K(-K)和缺Ca(-Ca)营养液进行水培试验.[结果]与全素营养(CK)相比,缺素条件下加工番茄均出现了明显的发病症状,-N水培处理的加工番茄与叶绿素含量极显著降低,其次为-K、-p和-Ca.与此同时,与全素营养(CK)相比,-p处理净光合速率和水分利用效率最低,-K处理气孔导度最低,-N处理蒸腾速率最低.[结论]通过N、P、K、Ca缺素条件下加工番茄的生理差异性,可准确判断加工番茄营养状况,指出加工番茄生长期的缺素症.     

数字图像技术在草莓氮素营养诊断中的应用研究

为了探讨利用数字图像处理技术进行草莓氮素营养诊断的可行性,通过6个水平的氮肥田间试验,采用数码相机获取草莓冠层图像,分析了不同供氮水平下草莓冠层图像色彩参数与施氮量、土壤无机氮和植株氮素营养指标之间的关系.研究表明:数字图像技术应用于监测草莓的氮素供应状况是可行的.其中,不同氮素处理下G/B值与G/(R+G+B)值的决定系数较高,G/(R+G+B)值与土壤无机氮、叶片硝酸盐及植株全氮之间的决定系数最高,利用G/(R+G+B)值的范围得出草莓开花期与结果期的氮肥推荐用量,从而反馈草莓氮素营养状况,进行氮素营养诊断.     

基于机器视觉的玉米叶片透射图像特征识别研究

【目的】建立玉米品种的叶片透射图像特征数据库,研究特征随品种的变化规律,分析各类特征的识别效果,为进一步研究玉米生长期间的机器视觉品种识别提供依据。【方法】以生产中推广的21个常规玉米品种为供试材料,分别采集拔节期、小喇叭口期、大喇叭口期、抽雄开花期4个生育时期的玉米叶片。在灯箱内,采集每一叶片的高画质透射图像,共计420张。基于Matlab R2009a开发了“玉米叶片特征提取与识别软件”,包括图像预处理、特征提取、神经网络识别和阈值选取4个功能模块。依据开发的特征识别平台,对玉米叶片透射图像进行图像预处理和特征提取。提取形态类、颜色类和纹理类共计48个特征,特征数据量共计20 160条。分析48个特征品种间的变异系数,研究玉米叶片透射图像特征随品种的变化规律。建立BP神经网络模型进行综合识别,分析不同时期单特征的识别效果,寻找玉米叶片透射图像中品种区分能力较强的重要特征。进一步分析不同时期3大类特征及其组合的识别效果。【结果】在玉米的4个生育时期,叶片透射图像3类特征品种间的变异系数差异比较明显,颜色类特征变异系数最大,其次是纹理类特征变异系数,形态类特征变异系数最小,并且这种差异随着玉米的生长十分稳定。在玉米的4个生育时期,叶片透射图像48个特征的品种识别率差异比较明显,为9.52%-29.33%。R分量的标准差、短轴长、H分量的标准差、等面圆直径、H分量的平均值、V分量的标准差、B分量的标准差、不变矩6、椭圆度、S分量的平均值、外接凸多边形面积、B分量的平均值、平滑度、S分量的峰度、S分量的标准差的识别率较高,平均识别率在18%以上。单类特征中,颜色类特征识别率最高,平均86.76%;纹理类特征次之,平均为78.05%;形态类特征最低,平均为68.67%。颜色类特征和纹理类特征识别的稳定性较高,纹理类特征识别效果更稳定一些。组合特征中,形态+颜色特征组合识别率最高,平均识别率为92.29%;颜色+纹理类特征组合次之,平均为90.29%;形态+纹理类特征组合识别率最低,但平均识别率也达到了87.43%。在拔节期,3类特征组合的识别率无明显差异,且都在91%以上。在小喇叭口期,颜色+纹理特征组合识别率大幅上升,形态+颜色特征组合识别率小幅下降,形态+纹理特征组合识别率下降较大,但是仍然维持在82%以上。在其他3个时期,形态+纹理特征组合和颜色+纹理特征组合识别率差别不大,并且形态+颜色特征组合识别率相对较高。【结论】研究结果为玉米叶片透射图像特征的研究与应用提供了比较系统全面的数据,为生长期间玉米品种的识别提供了新的方法和量化依据,也必将在其他作物的识别方面发挥很好的借鉴作用。     

基于低空无人机影像光谱和纹理特征的棉花氮素营养诊断研究

【目的】基于无人机高空间分辨率影像,探讨剔除土壤背景信息及增加纹理信息对棉花植株氮浓度反演的影响,为棉花氮素营养精准探测提供新技术手段。【方法】开展棉花水、氮耦合试验,分别在棉花的不同生育期获取无人机多光谱影像和植株氮浓度信息。基于以上数据,首先探讨了土壤背景对棉花冠层光谱的影响;其次,分析了影像纹理特征与植株氮浓度间的相关性;最后,将获得的数据分为建模样本和检验样本,设置剔除土壤背景前、剔除土壤背景后、增加纹理特征等不同情景,采用光谱指数与主成分分析耦合建模的方法,来建立各种情景下植株氮浓度的反演模型,并对模型反演效果进行比较。【结果】土壤背景对棉花冠层光谱有影响,且不同生育期趋势不同;影像纹理特征参数与植株氮浓度间有显著相关关系;剔除土壤背景前植株氮浓度反演模型的建模决定系数为0.33,标准误差为0.21%,验证决定系数为0.19,标准误差为0.23%;剔除土壤背景后模型的建模决定系数为0.38,标准误差为0.20%,验证决定系数为0.30,标准误差为0.21%;增加纹理信息后模型的建模决定系数为0.57,标准误差为0.17%,验证决定系数为0.42,标准误差为0.19%。【结论】基于低空无人机高空间分辨率影像,剔除土壤背景和增加纹理特征均可提高棉花植株氮浓度的反演精度;影像纹理可以作为一种重要信息来支撑无人机遥感技术反演作物氮素营养状况。     

Cotton Nitrogen Nutrition Diagnosis Based on Spectrum and Texture Feature of Images from Low Altitude Unmanned Aerial Vehicle

【Objective】 Based on the high spatial resolution images of unmanned aerial vehicle (UAV), the effects of removing soil background information and increasing image texture information on the inversion of cotton plant nitrogen concentration were investigated, in order to provide new technology for accurate estimation of cotton nitrogen nutrition status. 【Method】 Cotton water and nitrogen coupling experiment was conducted, and UAV images and plant nitrogen concentration data were measured during different cotton growth stages. Based on the above data, the effect of soil background on cotton canopy spectrum was firstly investigated. Secondly, the correlations between image texture parameters and plant nitrogen concentration were analyzed. Finally, the obtained data was divided into calibration dataset and validation dataset. Different scenarios, including before and after removing the soil background, and adding texture features, were set. The inversion models of plant nitrogen concentration under various scenarios were designed by using the coupled method of spectral indexes and principal component regression, and the performances of the models were compared. 【Result】 The soil background had an effect on the cotton canopy spectrum, and the trends were not the same at different growth stages. There existed significant correlations between image texture parameters and plant nitrogen concentration. For the scenarios before removal soil background, the plant nitrogen concentration prediction model had determination coefficient (R ²) value of 0.33 and root mean square error (RMSE) value of 0.21% during model calibration, and R ² value of 0.19 and RMSE value of 0.23% during validation. For the scenarios after removing soil background, the plant nitrogen concentration prediction model had R ² value of 0.38 and RMSE value of 0.20% during model calibration, and R ² value of 0.30 and RMSE value of 0.21% during validation. For the scenarios adding image texture information, the plant nitrogen concentration prediction model had R ² value of 0.57 and RMSE value of 0.17% during model calibration, and R ² value of 0.42 and RMSE value of 0.19% during validation. 【Conclusion】 Based on high spatial resolution images of low-altitude UAVs, both removing soil background and adding image texture information could improve the inversion accuracy of cotton plant nitrogen concentration. Image texture could be considered as important information to support prediction of crop nitrogen nutrition status using UAV images.     

基于数码图像识别的棉花氮营养诊断研究

研究田间试验条件下不同施肥处理棉花不同叶位图像色彩参数（G、NRI、NGI、NBI、G/R和G/B）与硝态氮含量、叶绿素测量值(SPAD)、叶绿素含量等营养指标间的相关性,确立棉花氮素营养诊断的最佳色彩参数和曲线方程,以期为新型数码图像技术在棉花氮素营养诊断的应用研究提供理论基础。于2012—2013年在安徽省农业科学院棉花研究所安庆试验基地进行不同施肥处理的田间试验,供试品种为‘湘杂棉8号’F1。设置8个施肥处理。分别在棉花蕾期、花铃期用Nikon D80数码相机获取棉花不同叶位图像并取样分析,研究数码相机进行棉花氮素营养诊断的最佳色彩参数,确定棉花氮素营养诊断的曲线方程。结果表明：（1）倒3叶硝态氮含量与红光标准化值NRI的相关性最好,R2=0.8754。功能叶倒4叶次之,R2=0.8013。（2）除倒1叶外,各叶位的SPAD值与数字化指标之间均有着良好的相关性。倒2叶与绿光标准化值NGI的相关性最好,相关系数为0.9591。（3）对于叶绿素含量,倒1叶与蓝光值B值相关性最好,为曲线正相关,R2=0.9444。其次为倒3叶、倒4叶,相关系数分别为0.9294、0.931。因此,在进行棉花不同叶位氮素营养诊断时,应选择上部叶位倒1叶、倒2叶、倒3叶、倒4叶,并选择色彩参数B值、蓝光标准化值NBI、NRI进行相关性分析与诊断。