日本水稻氮素营养诊断简介

日本SPAD—501型叶绿素计系日本农林水产省农蚕园艺局农产科土壤、作物分析仪器开发事业机构(简称SPAD)协同美能达照象机公司开发而得的新产品。据黑龙江省农业科学院水稻研究所引用结果,该叶绿素计体积小(70×212.3×37毫米)、重量轻(350克)、携带方便,测定方法简单,所得数据精确,适于各种作物及林木氮素营养诊断,尤其适于水稻,是看苗施肥实行科学种田的得力助手。可供科研、生产单位广泛应用。     

基于卷积神经网络的水稻氮素营养诊断

为了快速、准确诊断和识别水稻氮素胁迫程度,对水稻进行大田栽培试验。以超级水稻‘两优培九’为试验对象,设置0、210、300和390 kg·hm^-2共4个施氮水平处理,通过扫描采集幼穗分化期和齐穗期水稻顶1、顶2、顶3叶图像,在卷积神经网络(convolutional neural network,CNN)ResNet34的每个残差块中加入SE block(squeeze-and-excitation block)模块,并将在图像数据集ImageNet(ImageNet large scale visual recognition challenge)上训练得到的权重参数迁移到水稻氮素营养诊断的识别模型中,ResNet34的特征提取层保持原结构,模型结尾的池化层替换为全局平均池化层,利用改进后的网络对水稻图像进行特征提取,训练得到最优的权重参数。结果表明,改进后的网络对水稻幼穗分化期的模型测试准确率达到98.13%,齐穗期的准确率达到99.46%,且模型的收敛速度更快,相比于改进前的网络准确率均提升了7%以上。以上结果表明,通过在ResNet34残差块中加入SE b...     

水稻叶色分布特点与氮素营养诊断

 选用叶色不同的粳稻和籼稻品种 ,测定了植株不同含氮水平下主茎各叶的叶色和氮含量。发现顶 4叶在稻株氮素营养丰缺演变过程中表现较活跃 ,植株含氮量较低时 ,顶 4叶的叶色和氮含量明显低于上部各叶 ;随植株含氮量提高 ,顶 4叶的叶色和氮含量迅速提高 ,与其上位各叶的差距缩小。顶 4叶是反映水稻氮素营养状况的理想指示叶。同时还发现顶 4叶与顶 3叶的叶色差与稻株含氮量关系密切 ,且不受品种和生育进程影响 ,因此 ,用顶 4叶与顶 3叶的叶色差诊断水稻氮素营养状况具有普适性。研究提出在有效分蘖临界叶龄期、倒 2叶出生期和抽穗期顶 4叶与顶 3叶叶色相近为高产水稻的标志 ,粳稻植株含氮量 2 7g·kg-1DW和籼稻植株含氮量 2 5g·kg-1DW可作为水稻氮素丰缺的临界指标。     

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。     

基于自适应特征融合的水稻氮素营养诊断

为了快速准确地对水稻进行氮素营养诊断,提出一种基于自适应特征融合的水稻氮素营养诊断方法。该方法通过对杂交稻两优培九进行田间试验,设置4组不同的氮肥梯度(施氮量分别为0、210、300、390 kg/hm²),扫描获取水稻叶片图像并进行数据预处理,构建基于自适应特征融合的水稻氮素营养诊断模型ResNet34-AFF-SE。使用构建的ResNet34-AFF-SE模型对水稻叶片进行氮素营养诊断,结果表明,在水稻生长的幼穗分化期、齐穗期,ResNet34-AFF-SE的识别准确率为97.5%、97.2%,模型大小为87.9 MB。ResNet34-AFF-SE模型在准确率和训练时间上优于AlexNet、VGG16、MobilNet v3-small等网络模型。基于自适应特征融合的水稻氮素营养诊断方法所建立的ResNet34-AFF-SE模型具有较高的识别准确率,可以精准地识别水稻叶片的氮素营养状况,为水稻作物的氮素营养诊断提供了新的思路。     

叶绿素计SPAD-502在水稻氮素营养诊断中的应用

基于水稻氮素营养及氮肥诊断的意义 ,在比较了几种氮素营养诊断方法的利弊之后 ,重点阐述叶绿素计的工作原理和作为氮素营养诊断工具的优缺点以及研究进展。并对叶绿素计诊断水稻氮素营养可能的发展前景进行了阐述。     

基于无人机遥感可见光参数的水稻氮素营养诊断

氮素是决定水稻产量的重要因素之一,传统水稻氮素的诊断耗时费力且对作物的损害较大,确定无人机遥感水稻氮素营养诊断的最佳可见光参数,对水稻氮素的快速诊断具有良好的实用价值.该研究在安徽省怀远县试验基地,设置5个施氮水平,先后2次进行无人机采样,计算出10个可见光参数,并分析可见光参数与水稻含氮量之间的关系,结合相关系数与变异系数的大小筛选出诊断水稻氮素的最佳可见光参数.结果表明,参数B、G/(R+G+B)、G/B、RGBV1与作物含氮量的相关性较强,其中参数G/(R+G+B)可作为无人机为遥感水稻氮素诊断的最佳可见光参数.通过回归分析得到y(含氮量)与x(绿光化标准值)之间的回归方程y=0.0017x2-0.0074x+0.7201,R2=0.9825.     

基于遗传算法优化的BP神经网络进行水稻氮素营养诊断

应用遗传算法优化BP神经网络进行水稻氮素营养诊断,为水稻的合理施氮提供理论指导。水稻田间试验供试品种为‘两优培九’,设置4个施氮水平（0、210、300、390 kg·hm-2）。在水稻幼穗分化期,扫描获取水稻顶部第三完全展开叶图像,并通过图像处理技术获取19维水稻图像中的颜色和几何形态特征,采用归一化处理、离散小波变换及主成分分析对原始数据进行预处理,并应用遗传算法优化的BP神经网络进行水稻氮素营养诊断。该方法建立的水稻氮素营养诊断模型较单一BP神经网络模型和传统遗传算法优化BP神经网络模型好,模型测试所得4个施氮水平的平均识别率分别为100.000%、99.000%、97.000%、100.000%,测试集样本平均总识别率达到99.000%。基于遗传算法优化的BP神经网络所建立的水稻氮素营养诊断模型具有较强的学习能力和泛化能力,能够很好地识别出水稻氮素营养的缺失,表明运用该方法能够很好地进行水稻氮素营养诊断识别。     

水稻氮素营养诊断方法研究进展

分析比较3种水稻氮素营养诊断方法:形态诊断法、化学诊断法和无损氮素营养诊断法,并提出了它们今后的发展方向。     

水稻叶片反射光谱诊断氮素营养敏感波段的研究

田间小区试验叶色差异明显而生育期相似的两品种第一和第三完全展开叶片光谱反射率与氮素营养相关性分析表明,不同品种同一叶位之间这种相关性变化规律一致,然而在不同叶位之间相关性变化不尽一致.进一步对比分析大田区域试验和小区试验叶片光谱反射率与氮素营养相关性发现两区域样本相同叶位之间相关性变化规律相同.分析第一、三完全展开叶叶片光谱反射率处理之间差异显著性表明,存在差异显著的波段范围主要集中在绿光(525～605 nm)、黄光(605～655 nm)和短波近红外光(750～1100nm)范围内.和叶片氮素含量之间相关性最大的波段主要为绿光(525～605 nm)和黄光(605～655 nm)范围,而短波近红外光范围与叶片氮素含量之间相关性最小.因此和IKONOS2、IKONOS4、MSS4、MSS6、MSS7、SPOT1、SPOT3、TM2、TM4、AVHRRCH1、AVHRRCH2相对应的绿光(525～605 nm)、黄光(605～655 nm)和短波近红外光(750～1100nm)是叶片反射光谱诊断氮素营养的敏感波段范围.     

基于改进VGG卷积神经网络的棉花病害识别模型

为实现自然条件下棉花病害图像准确分类,提出基于改进VGG-16卷积神经网络的病害识别模型。该模型在VGG-16网络模型基础上,优化全连接层层数,并用6标签SoftMax分类器替换原有VGG-16网络中的SoftMax分类器,优化了模型结构和参数,通过微型迁移学习共享预训练模型中卷积层与池化层的权值参数。从构建的棉花病害图像库中随机抽取病害图像样本作为训练集和测试集,用以测试该方法的性能。试验结果表明:该模型能有效提取出棉花病害叶片图像的多层特征图像,并通过Relu激活函数的处理更能凸显棉花病害的边缘信息与纹理信息,分辨率为512像素×512像素图像在样本训练与验证试验效果最好。在平均识别准确率方面,本研究模型较BP神经网络、支持向量机、AlexNET、GoogleNET、VGG-16NET效果最好,达到89.51%,实现对棉花的褐斑病、炭疽病、黄萎病、枯萎病、轮纹病、正常叶片的准确区分。该模型在棉花病害识别领域具备良好的分类性能,可实现自然条件下棉花病害的准确识别。     

基于深度学习VGG网络模型的海洋单细胞藻类识别算法

为更好地对海洋中单细胞藻类进行有效识别,本研究提出了基于改进式VGG16网络模型的单细胞藻类识别算法—AlgaeNet,在传统VGG网络模型基础上,通过减少卷积核数量,并添加BatchNormalization层进行神经网络模型加速。结果表明:在相同试验条件下,本研究中提出的AlgaeNet算法在训练过程中的损失值收敛速度及对测试集样本(卵形小球藻Chlorella ovalis与小等刺硅鞭藻Dictyocha fibula Ehrenberg)的预测准确率上升速度较传统VGG、AlexNet网络模型优势明显,识别准确率可达99.317%。研究表明,基于改进式VGG16网络模型的单细胞藻类识别算法AlgaeNet在单细胞藻类识别领域具有较好的分类识别性能,可实现海洋中藻类的准确识别。     

基于高光谱的水稻叶片氮素营养诊断研究

为快速、准确地实现水稻氮素营养诊断,以中嘉早17水稻为试验对象,设置4种施氮水平的水稻栽培试验,利用便携式地物波谱仪获取240组水稻分蘖期顶三叶在350~2 500 nm的光谱数据。随机将样本划分为训练集(160个样本)和测试集(80个样本)。首先,通过多元散射校正(MSC)、变量标准化校正(SNV)、平滑算法(SG)3种方法分别对原始光谱进行预处理;然后,采用主成分分析(PCA)和连续投影算法(SPA)对预处理后的光谱进行特征降维,选取累积贡献率超过99.98%的前24个主成分作为模型的输入变量,对于经过MSC、SNV和SG处理后的光谱数据,还分别筛选出12、15、19个特征波长;最后,应用支持向量机(SVM)基于上述处理分别建立水稻氮素营养诊断模型。结果表明,采用MSC-PCA-SVM模型进行水稻氮素营养诊断的识别准确率最高,其在训练集和预测集上的准确率分别达99.38%和97.50%。     

模拟水分胁迫条件下水稻的氮素营养特征

在正常及PEG模拟水分胁迫条件下研究水稻对不同质量比例(100／0，75／25，50／50，25／75和0／100)铵态氮/硝态氮处理的响应特征。结果表明，两种培养条件下，水稻均在NH4^ -N和NO3^--N混合营养时生长更好，氮素养分吸收更多；正常培养的水稻幼苗在NH4% -N／NO3^--N为75／25时生长最好，而模拟水分胁迫培养则以25／75处理生长最好；模拟水分胁迫处理显著促进水稻对NO3^--N的吸收并抑制NH4^ -N的吸收；正常培养条件下，NH4^ -N／NO3^-N为75／25时水稻幼苗可获得最高的水分生产效率，而模拟水分胁迫培养的幼苗水分生产效率随NO3^-N施用比例增加而提高。     

基于迁移学习和卷积神经网络的生菜鲜重估测

为提高设施生产中对各生长阶段生菜鲜重的无损估测精度进而更好地指导生产,提出一种利用生菜冠层图像为输入,基于迁移学习技术和卷积神经网络估测鲜重的方法,对比分析AlexNet、VGG-16、GoogLeNet和ResNet-18模型迁移学习后在生菜鲜重估测任务上的效果;同时,对比不同迁移学习方法对模型性能的影响,通过冻结卷积层和减少全连接层改善模型的参数量和训练速度。结果表明:1)AlexNet和VGG-16两种模型能较好的实现生菜鲜重的估测,AlexNet模型的决定系数R²为0.928 0,标准均方根误差NRMSE为19.08%,VGG-16模型的R²为0.938 0,NRMSE为17.71%,但VGG-16模型存在参数量大训练慢的问题,综合考虑选取AlexNet模型迁移学习后作为生菜鲜重估测模型;2)与全新学习方法相比,在预训练模型基础上对生菜鲜重数据集进行迁移学习,可以明显提升生菜鲜重估测模型的训练速度和准确度;3)冻结卷积层能显著加快模型的训练速度,训练时间可减少18%,减少全连接层在保持精度的前提下能大幅度减少模型的参数量。基于迁移学习的卷积神经网络模型可用于生菜鲜重的快速估测,该方法也可以拓展应用到其他叶类蔬菜的鲜重估测中。     

基于GreenSeeker的水稻氮素估测

为研究水稻植株氮素指标与GreenSeeker植被指数的定量关系,通过设置不同年份、不同氮肥水平的田间试验,于移栽后定期使用GreenSeeker获取冠层归一化差值植被指数(NDVI)和比值植被指数(RVI),并同步破坏性取样获取植株生物量和氮含量,分析不同品种和不同氮营养条件下氮素和植被指数(NDVI和RVI)变化规律,建立基于NDVI和RVI的氮素监测模型。结果表明,植株氮含量可以基于NDVI和RVI分时期进行估算,植株氮积累量可以被分阶段反演。利用GreenSeeker可以实现水稻氮素快速无损监测,为水稻氮肥精确管理提供技术支持。     

Nitrogen nutrition diagnosis for cotton under mulched drip irrigation using unmanned aerial vehicle multispectral images

Remote sensing has been increasingly used for precision nitrogen management to assess the plant nitrogen status in a spatial and real-time manner. The nitrogen nutrition index (NNI) can quantitatively describe the nitrogen status of crops. Nevertheless, the NNI diagnosis for cotton with unmanned aerial vehicle (UAV) multispectral images has not been evaluated yet. This study aimed to evaluate the performance of three machine learning models, i.e., support vector machine (SVM), back propagation neural network (BPNN), and extreme gradient boosting (XGB) for predicting canopy nitrogen weight and NNI of cotton over the whole growing season from UAV images. The results indicated that the models performed better when the top 15 vegetation indices were used as input variables based on their correlation ranking with nitrogen weight and NNI. The XGB model performed the best among the three models in predicting nitrogen weight. The prediction accuracy of nitrogen weight at the upper half-leaf level (R²=0.89, RMSE=0.68 g m^–2, RE=14.62% for calibration and R²=0.83, RMSE=1.08 g m^–2, RE=19.71% for validation) was much better than that at the all-leaf level (R²=0.73, RMSE=2.20 g m^–2, RE=26.70% for calibration and R²=0.70, RMSE=2.48 g m^–2, RE=31.49% for validation) and at the plant level (R²=0.66, RMSE=4.46 g m^–2, RE=30.96% for calibration and R²=0.63, RMSE=3.69 g m^–2, RE=24.81% for validation). Similarly, the XGB model (R²=0.65, RMSE=0.09, RE=8.59% for calibration and R²=0.63, RMSE=0.09, RE=8.87% for validation) also outperformed the SVM model (R²=0.62, RMSE=0.10, RE=7.92% for calibration and R²=0.60, RMSE=0.09, RE=8.03% for validation) and BPNN model (R²=0.64, RMSE=0.09, RE=9.24% for calibration and R²=0.62, RMSE=0.09, RE=8.38% for validation) in predicting NNI. The NNI predictive map generated from the optimal XGB model can intuitively diagnose the spatial distribution and dynamics of nitrogen nutrition in cotton fields, which can help farmers implement precise cotton nitrogen management in a timely and accurate manner.     

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。