基于高光谱和参数优化支持向量机的水稻施氮水平分类研究

为探索水稻氮素营养的快速、无损诊断方法以及构建基于高光谱技术的水稻氮素营养状况分类识别模型。本研究以 4种不同施氮水平的“中嘉早 17”水稻分蘖期顶部第三完全展开叶叶片(简称顶三叶)为研究对象，测定各叶片的可见光到近红外波段(350～ 2500 nm)内的光谱数据，对所获取的光谱数据进行平滑处理和归一化处理，以消除噪声及量纲的影响，并采用主成分分析(PCA)的方法进行数据降维至 22维，同时分别选用基于网格搜索算法、粒子群算法和遗传算法优化参数的支持向量机进行水稻氮素营养状况分类识别模型的建立。研究结果表明:1)不同施氮水平下的水稻叶片光谱反射率曲线走势大致相同，但不同施氮水平下 780～ 1 300、1 400～ 1 850及 1 900～ 2500 nm波段光谱反射率存在一定的差别；2)优化参数后的 SVM模型与默认参数下的 SVM模型相比，其训练集与测试集分类识别效果都要优于默认参数下的 SVM模型。其中，以遗传算法优化参数的 SVM模型识别分类效果最佳，训练集和测试集识别准确率分别为 99.375%、98.750%，测试集的4种施氮水平(施氮量从低到高)识别准确率分别为 100%、95%、100%和 100%。结果表明利用高光谱技术能够很好地进行水稻氮素营养状况的定性诊断研究。为快速水稻氮素营养诊断提供了一种新途径，为精确施氮提供了技术支撑和理论依据。     

SVN版本控制在软件工程专业实训的应用

为了提高软件工程专业实训课的教学效果,提升学生团队协作开发的能力,在分析了版本控制技术特点的基础上,探讨了版本控制工具SVN在实训平台的具体应用。     

基于压缩感知的农作物病虫害图像重构

针对农业病虫害远程诊断系统中对农作物病虫害图像重构精度要求高的问题,提出基于压缩感知的病虫害图像重构方法。利用压缩感知方法,在传感器数据采集端使用测量矩阵对病虫害图像信号进行观测,测量值通过网络被传输至远程监控端后,再使用正交匹配追踪算法对图像进行重构。为了验证提出的重构方法的有效性,在不同的采样数量下,对病虫害图像的重构进行了仿真。结果表明,该方法能高质量地重构病虫害图像。     

SVN版本控制在软件工程专业实训的应用

为了提高软件工程专业实训课的教学效果,提升学生团队协作开发的能力,在分析了版本控制技术特点的基础上,探讨了版本控制工具SVN在实训平台的具体应用。     

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。     

基于微分L-系统的水稻根系三维生长模型研究

植物根系结构是其根系的空间构型,水稻根系结构表现出高度的多样性。为了探明水稻根系结构和分布规律,利用水培法开展试验,测定不同生长时期的根系三维空间坐标和形态参数,对水稻根系结构进行高精度的测量。统计分析所测试验数据,确定了根节点的初始位置、各级枝根的生长方向以及根系的生长函数。通过整合水稻根系的拓扑结构,量化其生物学特征,提出基于微分L-系统的水稻根系三维生长模型,以描述水稻根系生长规律,并检验该模型输出结果的精度。借助Visual C++和Open GL标准图形库实现了水稻根系三维生长可视化模拟系统,直观再现了水稻根系动态的生长过程。对比分析表明,系统对总根长、根表面积和根体积的平均模拟拟合度分别为96. 82%、95. 86%和93. 96%。     

水稻叶片SPAD值的高光谱估算模型

[目的]构建水稻叶片SPAD值的高光谱精确估算模型,为进一步提高高光谱对水稻SPAD值反演估算精度提供参考依据.[方法]利用SPAD-502型叶绿素测定仪测量水稻叶片SPAD值,以FieldSpec 4光谱仪采集水稻叶片光谱数据.通过分析光谱植被指数、位置参数与SPAD值的相关性,构建4个水稻叶片SPAD值高光谱估测模型,即逐步多元线性回归(SMLR)模型、支持向量机回归(SVR)模型、基于主成分分析的支持向量机回归(PCA+SVR)模型和以逐步多元线性回归确定最佳参数的支持向量机回归(SMLR+SVR)模型;并采用均方根误差(RMSE)、平方相关系数(R2)、相对分析误差(RPD)和平均相对误差(MRE)等指标对模型进行评价.[结果]在分析的15个光谱特征参数中,除黄边位置(λy)无显著相关外(P>0.01),水稻叶片SPAD值与叶片光谱位置参数及植被指数参数间存在显著相关性,选择相关系数大于0.800的5个植被指数参数(VOG1、VOG2、VOG3、CARI和PRI)和7个光谱位置参数[蓝边面积(SDb)、黄边振幅(Dy)、黄边面积(SDy)、绿峰反射率(Rg)、红谷净深度(Hr)、蓝边振幅(Db)和红边位置(λh)]作为输入变量构建水稻叶片SPAD值的估测模型.R2和RPD值越大,RMSE和MRE值越小,则表明模型的性能越好,估算精度高.比较4个模型训练与测试结果的R2、RMSE、MRE和RPD可知,在模型估算精度上,SMLR+SVR模型高于SMLR模型,PCA+SVR模型高于SVR模型.总体上,SMLR+SVR模型能更好地实现对水稻叶片SPAD值的预测,其模型各项评价指标R2、RMSE、MRE和RPD分别为0.856、2.076、3.984%和2.550.[建议]进一步挖掘分析光谱特征参数与水稻叶片SPAD值间的关系,提出新的光谱特征参数或优化特征参数选择组合方法,增加回归建模算法,提高高光谱对水稻叶片SPAD值的有效估算.采集水稻冠层高光谱图像,反演出高光谱图像中的水稻冠层SPAD值,研究冠层SPAD与水稻长势关系,为水稻科学管理提供技术支持.