基于支持向量机的土壤主要盐分离子高光谱反演模型

快速、无损、定量地获取土壤盐分离子组成及含量是盐渍化土壤治理、改良和利用的重要依据。以新疆盐渍化土壤为研究对象,应用高光谱分析技术获取不同区域土壤盐分离子的特征光谱,在对光谱数据去噪、数据变换基础上分析了鲜样(T1)、风干(T2)和干燥(T3)3类土壤,过2、1、0.15 mm筛处理对离子含量光谱拟合模型精度的影响,建立了基于支持向量机的土壤主要盐分离子光谱反演模型,并对模型的精度和普适性进行了检验。结果表明:土壤原始特征光谱与盐分离子含量均不存在显著相关性,最大相关系数为Na+的0.41;通过光谱数据变换能够明显增强特征波段与离子含量的相关性,K+、Na+、Mg2+、Ca2+、SO_4~(2-)、Cl-和HCO-3的最优变换形式分别为(lgR)'、(lgR)'、R'、(lgR)'、CR、R'和CR,T1处理构建的拟合模型均不能很好地反演离子含量,T3处理的模型估测精度优于T2,土壤粒径越细对土壤离子含量的光谱反演效果越好。分析各处理模型的决定系数和标准误差表明,经T3处理、过0.15 mm筛所构建的离子拟合模型预测精度最高,其中K~+、Na~+、Ca2+和SO_4~(2-)的RPD分别为2.153、2.674 5、2.051和2.786 4,以未参与建模和检验的石河子垦区土样对4种离子模型的普适性检验,其R2分别为0.621 4、0.689 7、0.614 4和0.650 7,说明构建的模型适于估算该区域土壤K+、Na+、Ca2+和SO_4~(2-)的含量。     

基于深度卷积神经网络的小麦赤霉病高光谱病症点分类方法

为快速、高效地利用高光谱成像技术诊断小麦赤霉病病症,分析了卷积层结构与光谱病症特征的关联性,并重点研究了高光谱的像元分类建模方法。首先,基于深度卷积神经网络的2种典型结构,构建了不同深度的卷积神经网络,比较了小麦赤霉病高光谱数据点集的训练和测试结果。结果显示:Visual Geometry Group(VGG)结构随着网络深度的增加,模型损失值不断下降;残差神经网络(ResNet)结构随着深度增加,损失值没有明显降低,说明ResNet网络的深度与模型性能无关。从测试集评测模型泛化性可知,具有4个基础单元模块的22层VGG网络在所有深度卷积模型中最优,其建模和验证准确率远高于传统的支持向量机(SVM),分别为0.846和0.843,测试集准确率为0.742。以VGG为基础单元构建的深度神经网络,能有效提取小麦赤霉病病症的高光谱特征。研究结果可为大尺度小麦赤霉病的智能成像诊断提供理论基础。     

基于高光谱成像技术识别水稻纹枯病

【目的】利用高光谱成像技术对水稻纹枯病进行早期的快速无损识别,结合判别分析方法建立相应的鉴别模型。【方法】以健康和感染纹枯病的水稻幼苗为研究对象,采集叶片和冠层各180个样本的380~1 030 nm波段的360条高光谱图像,剔除明显噪声部分后,以440~943 nm波段作为水稻样本的光谱范围,分别用不同的方法预处理获得水稻叶片的光谱曲线。采用偏最小二乘–判别分析(PLS-DA)对不同预处理的光谱建模。采用MNF算法对冠层的原始光谱数据进行特征信息提取,并基于特征信息建立线性判别分析(LDA)模型和误差反向传播神经网络(BPNN)判别模型。【结果】标准正态变量变换(SNV)预处理后建立的PLS-DA模型的预测集判别正确率最高,为92.1%。基于特征信息的LAD和BPNN模型的判别结果优于基于全波段的PLS-DA判别模型。基于最小噪声分离变换特征信息提取的BPNN模型取得了最优效果,建模集和预测集正确率分别达99.1%和98.4%。【结论】采用高光谱成像技术对水稻纹枯病生理特征进行无损鉴别是可行的,本研究为水稻纹枯病的识别提供了一种新方法。     

甜菜种子活力的测定——基于近红外高光谱技术

为保证田间甜菜种子的出苗率和生产潜力,需要在种植前对种子进行活力检测,挑选出活力高的甜菜种子进行推广种植。利用高温处理法对甜菜种子进行老化处理,再基于标准正态变换(SNV)、去趋势校正(DET)、Savitzky-Golay平滑处理(SG)、一阶差分(1D)和二阶差分(2D)5种近红外高光谱预处理方法,构建种子活力智能检测模型得出预测的种子发芽率,再利用老化处理后的甜菜种子进行发芽实验得出实际的发芽率。研究发现,甜菜种子经过一阶差分预处理建立的智能检测模型预测性能最好,其预测准确率达到91.92%。将未处理的甜菜种子的实际发芽率与一阶差分预处理法建立的智能模型预测结果进行对比,发现模型的预测准确率为88.2%。近红外高光谱技术是一种快速、无损的作物种子活力测定的新方法。     

基于无人机高光谱遥感的柑橘患病植株分类与特征波段提取

目的 结合传统与现代农业病虫害监测的优缺点，探索通过无人机高光谱遥感技术检测出患病的柑橘植株、通过人工田间调查方式判断其患病种类及患病程度的病虫害监测方法。方法 使用无人机获取原始高光谱图像，经过光谱预处理和特征工程后，采用连续投影算法提取对柑橘患病植株分类贡献值最大的特征波长组合，基于全波段使用BP神经网络和XgBoost算法、基于特征波段使用逻辑回归和支持向量机算法，建立分类模型。结果 基于全波段的BP神经网络和XgBoost算法的ROC曲线下面积(Area under curve，AUC)分别为0.883 0和0.912 0，分类准确率均超过95%；提取出698和762 nm的特征波长组合，基于特征波长使用逻辑回归和支持向量机算法建立的分类模型召回率分别达到了93.00%和96.00%。结论 基于特征波长建模在患病样本分类中表现出很高的准确率，证明了特征波长组合的有效性。本研究结果可为柑橘种植园的病虫害监测提供一定的数据和理论支撑。     

基于粒子群算法优化光谱指数的甜菜叶片氮含量估测研究

为对甜菜叶片氮含量进行快速估测,利用高光谱成像仪获取甜菜冠层叶片高光谱图像数据,通过凯氏定氮法测定叶片氮含量。基于精细采样法在全波段范围内构建归一化光谱指数(Normalized difference spectral index,NDSI)和土壤调节光谱指数(Soil-adjusted spectral index,SASI),并提出了基于粒子群算法的植被冠层调节参数L优化方法,探寻任意波段组合下SASI的最佳L值及其变化规律。在筛选出特征光谱指数基础上,开展甜菜叶片氮含量的定量估测和可视化研究。结果表明,各生育期SASI对甜菜冠层叶片氮含量(Canopy leaf nitrogen content,CLNC)的敏感度高于NDSI,尤其在NDSI易发生饱和现象的近红外区域。相比常规光谱指数,叶丛快速生长期基于SASI1(R430. 20,R896. 76)和SASI2(R433. 03,R896. 01)建立的CLNC估测模型预测效果最优,2015年验证集R~2为0. 78,RMSE为2. 48 g/kg,RE为4. 18%;糖分增长期以SASI3(R952. 09,R946. 11)和SASI4(R760. 37,R803. 48)的建模效果最佳,2015年验证集R~2为0. 67,RMSE为2. 71 g/kg,RE为4. 72%;糖分积累期的最优建模参数为SASI5(R883. 30,R887. 79),2015年模型R~2为0. 72,RMSE为2. 54 g/kg,RE为4. 49%。为直观显示甜菜CLNC在时间和空间尺度上的变化规律,基于上述估测模型计算并生成甜菜CLNC的预测分布图,实现了甜菜CLNC的可视化。研究结果表明,提出的甜菜CLNC估测方法具有可行性,可为及时了解作物长势及营养估测提供技术支持。     

基于机器学习算法的土壤有机质 质量比估算

为快速高效地估测干旱、半干旱地区土壤有机质(soil organic matter, SOM)质量比,提出了一种结合竞争适应重加权法(CARS)和随机森林(RF)的估测模型.以内陆干旱区艾比湖流域为研究区,测定土壤高光谱反射率和SOM质量比,经预处理后,利用CARS对原始光谱(R)、一阶导数(R′)、吸光度(log(1/R))及吸光度一阶导数［log(1/R)］′4种光谱变量的可见-近红外光谱进行筛选,并结合RF算法,建立全谱段RF模型与CARS-RF模型.结果表明,基于CARS方法对光谱进行变量筛选后,得出4种光谱变量的优选变量集个数分别为35,26,34和121;在4种光谱变量中,R′和［log(1/R)］′的SOM估测模型精度较高,以［log(1/R)］′为基础数据获得的模型精度最高;CARS-RF模型精度优于全谱段RF模型,模型验证集决定系数(R²)、均方根误差(RMSE)、相对分析误差(RPD)分别为0.881,6.438 g/kg和2.177.该研究在预处理的基础上通过变量优选,应用较少的变量个数获得较高的估测精度,为干旱、半干旱区SOM高光谱估测提供了适宜高效的方法.     

Relationships of Spectral Reflectance with Plant Tissue Mineral Elements of Common Bean (Phaseolus Vulgaris L.) Under Drought and Salinity Stresses

ABSTRACT

Salinity and drought stresses are critical for Phaseolus vulgaris L. growth and development. They affect plants in various ways, including tissue mineral element content. Micro- and macro-elements in leaves of Phaseolus vulgaris L. (cv. ‘Blue lake’ and cv. ‘Terli’) subjected to deficit irrigation and salinity treatments were investigated, both analytically and with regards to their effect on the leaves’ spectral reflectance. B (boron), K (potassium), Mn (manganese), Na (sodium), Si (silicon) and Zn (zinc) appeared to be influenced by stress factors, mainly responding to salinity increase. The leaf spectral reflectance of the plants appeared to be significantly correlated with most of the elements under investigation. Multivariate regression identified a relationship of the reflectance at particular regions of the spectrum with phosphorus and NDVI (normalized difference vegetation index) and indicated a significant correlation with B, Fe (iron), K, Mn, P (phosphorus) and Zn. Moreover, customized spectral indices, exhibiting significantly high correlation with B, Fe, K, Mg (magnesium), Mn, Na, P, Zn and N (nitrogen), were developed.     

基于角度指数的油菜叶片等效水厚度估算研究

叶片等效水厚度(EWT)是评估油菜生长状态的一个重要参数。为快速准确估算油菜叶片EWT,选择9个常用的植被水分指数(WI、PRI、NDVI、NDII、NDWI、MSI、PWI、GVMI、NDMI),在6个已有角度指数(β_SWIR1、SANI、SASI、ANIR、NANI、NASI)基础上,提出2种角度比值指数(SARI、NARI),并根据油菜叶片水吸收谷峰高光谱特征,提出基于水吸收谷1 450 nm和1 930 nm的8种改进型角度指数,利用以上25种角度指数估算不同施氮水平下苗期、蕾薹期以及不区分苗期、蕾薹期情况下的油菜叶片EWT。结果表明,苗期ANI₁₄₅₀、ASI₁₄₅₀、MSI、GVMI、NDII估算效果较好,R²均达到0.81以上;蕾薹期ANI₁₉₃₀、ASI₁₉₃₀、NASI、SANI、GVMI、SARI效果最好,R²均达到0.71以上;在不区分苗期、蕾薹期的情况下,改进型角度指数ANI₁₄₅₀、ASI₁₄₅₀效果最好,R²均达到0.832,可以在不区分苗期、蕾薹期情况下对油菜叶片EWT进行估算,适用性更广。本研究提出的改进型角度指数不仅丰富了已有角度指数,且提高了其反演油菜叶片EWT的精度,为快速精确估计油菜叶片EWT提供了新的研究思路。     

高光谱成像快速检测壳聚糖涂膜草莓可溶性固形物

为了对壳聚糖涂膜草莓可溶性固形物含量(soluble solids content, SSC)进行快速检测,该文采用高光谱成像仪(400～1 000 nm)对0,0.5%,1%浓度的壳聚糖(chitosan, CTS)涂膜草莓分别储藏1,2,4 d后进行成像,并测量样本SSC。通过分析SSC发现,0.5%和1%壳聚糖涂膜草莓,其SSC随着储藏天数的增加均高于0浓度壳聚糖涂膜草莓,说明了0.5%和1%壳聚糖涂层抑制了草莓中SSC的降低,能够延长草莓的新鲜口味。随后采用蒙特卡罗-偏最小二乘法(monte carlo-partial least squares, MCPLS)对异常样本进行剔除。对剔除异常样本后的光谱数据进行不同预处理,以确定最优的预处理方法。为提高运行速度和降低数据维数,采用竞争性自适应权重取样法(competitive adaptive reweighted sampling, CARS)和连续投影算法(successive projections algorithm, SPA)进行特征波段选择。最后,采用偏最小二乘回归(partial least square regression, PLSR)和支持向量回归(support vector regression, SVR)法建立回归模型。最终结果表明:SPA-SVR模型效果最佳,0浓度的壳聚糖涂膜的草莓,建模集精度Rc2为0.865,预测集精度Rv2为0.835;0.5%浓度的壳聚糖涂膜的草莓,建模集精度Rc2为0.808,预测集精度Rv2为0.799;1%浓度的壳聚糖涂膜的草莓,建模集精度Rc2为0.834,预测集精度Rv2为0.875。对储藏第4天的部分样本图像进行主成分分析(principal component analysis, PCA),结果显示除第二主成分图像(PC2)中有部分噪声影响外,PC1和PC3均能完整反映草莓信息,且PC3图像明显呈现出不同浓度壳聚糖涂膜草莓的褐变程度,说明不同浓度的壳聚糖涂膜也会对草莓货架期产生不同影响。综上说明利用高光谱成像技术可以实现壳聚糖涂膜草莓SSC快速检测,有效指导草莓保鲜处理。