基于颜色特征的叶片含水率与比叶重估算模型初探

通过不同氮素营养水平的水培试验,采用线性拟合和逐步回归分析,建立了黄瓜叶片干基含水率与比叶重的颜色特征估算模型。结果表明:颜色特征与叶片干基含水率、比叶重的线性拟合分析中,S、G/(R G B)、B/(R G B)、G/R、G/B、G-R和H/S构成的颜色特征变量的相关系数与叶片干基含水率相关密切;S、G/(R G B)、B/(R G B)、G/R、G/B、G-R、H/S和H/I构成的颜色特征变量的相关系数与叶片比叶重相关密切。运用逐步回归分析技术找出了G/(R G B)和G-R可以作为叶片干基含水量估算的主要颜色特征参数;G/(R G B)和H/I是叶片比叶重估算的主要颜色特征参数。     

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。     

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.     

应用数字图像技术对葡萄进行氮素营养诊断的研究

本试验通过设定纯氮0、100、200、300、400、500 kg/hm26个不同氮素水平浓度,并利用数码相机分别获取葡萄开花期、坐果期和果实着色期的植株冠层图像,研究了冠层图像的色彩参数指标与施氮量、叶片硝酸盐含量、植株全氮含量及土壤无机氮含量之间的关系。结果表明,数字图像技术可以应用在葡萄氮素营养诊断中,在各色彩参数指标中G/B、G/(R+G+B)均与施氮量、叶片硝酸盐含量、植株全氮含量及土壤无机氮含量呈显著相关的关系,并且坐果期G/B的相关性最高,可作为利用数字图像技术对葡萄进行氮素营养诊断的指标,坐果期作为氮素营养诊断主要时期。     

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。     

数字图像技术在黄瓜氮素营养诊断上的应用研究

试验设计了6种氮素水平处理温室黄瓜,利用数码相机获取黄瓜冠层图像,分析了不同供氮水平下黄瓜冠层图像参数与施氮量、土壤无机氮(Nmin)和植株氮素营养指标之间的关系.结果表明:黄瓜冠层图像G/(R G B)为诊断黄瓜结果期氮素营养状况的适宜数字化参数.建立了评价黄瓜结果期氮素营养丰缺的冠层图像数字化指标G/(R G B)的量值标准和氮肥推荐标准.     

基于数字图像技术的冬油菜氮素营养诊断

【目的】利用田间氮肥梯度试验探讨数字图像技术对冬油菜氮素营养无损评估预测的可行性,明确该技术的最佳数码参数和方程模型,为数字图像技术进行冬油菜氮素无损诊断提供依据。【方法】2013-2014年在湖北省武穴市开展不同施氮处理田间试验,以冬油菜为试验材料,设置不同氮素水平（0、90、180、270和360 kg·hm^-2）,分别于六叶期、十叶期、蕾薹期和开花期,利用数码相机获取冠层数字图像数据,同时采集植株样品分析其生长特征值,研究其相关性并建立氮素营养参数的方程模型。利用2014-2015年独立氮肥水平试验,对上述方程模型拟合精度进行验证并绘制1﹕1线性关系图。【结果】数字图像红光值（R）、红光标准化值（NRI）和绿光与蓝光比值（G/B）与冬油菜氮营养状况常规诊断指标地上部生物量、叶片氮浓度和叶绿素浓度等呈负相关关系,而绿光值（G）、蓝光值（B）、绿光与红光比值（G/R）、蓝光与红光比值（B/R）、绿光标准化值（NGI）和蓝光标准化值（NBI）则与上述指标呈正相关关系,红光标准化值（NRI）与其他数码参数相比能更好地表征冬油菜的氮素营养状况,蕾薹期红光标准化值NRI与氮肥用量、地上部生物量、叶片氮浓度、叶绿素浓度、氮素吸收量和氮营养指数之间的关系可分别用线性方程y(t·hm^-2)=-8.003x+2.706、y(t·hm^-2)=-106.072x+38.200、y(g·kg^-1)=-692.99x+ 261.84、y(mg·g^-1)=-12.750x+5.665、y(kg·hm^-2)=-4087.416x+1414.274和y=-27.198x+9.812来表达,其相关性达到极显著水平。2014-2015年独立试验模型检验结果表明,叶片氮浓度、叶绿素浓度和氮营养指数实测值与预测值的决定系数R²分别为0.917^**、0.746^**和0.953^**;均方根误差RMSE分别为0.821、0.330和0.228;相对误差RE %分别为26.32%、28.57%和28.39%,模型预测精度较好。【结论】数字图像技术可以用于冬油菜氮素营养的评估预测,评估时期为蕾薹期（包括）之前均可,最佳预测参数为红光标准化值NRI,参数的最佳方程模型为直线方程函数。     

应用数字图像分析技术进行冬小麦 拔节期氮营养诊断

传统的作物营养诊断如植株全氮、生物量和植株硝酸盐浓度测试等需要进行大量的田间取样和实验室分析,时效性不足,难以适应作物生长期间追肥诊断的需要。通过田间试验,应用数字图像技术对拔节期作物的氮营养状况进行了研究,发现冠层数字图像色彩参数可以用来表征冬小麦拔节期的氮营养状况。数字图像标准化红光值R/（R＋G＋B）与冬小麦常规营养诊断指标如叶绿素仪读数、茎基部硝酸盐浓度、植株全氮含量和地上部生物量之间的相关系数达到了0.809～0.946,是较好的表征作物氮营养状况的诊断指标。     

拔节期氮营养诊断

 传统的作物营养诊断如植株全氮、生物量和植株硝酸盐浓度测试等需要进行大量的田间取样和实验室分析，时效性不足，难以适应作物生长期间追肥诊断的需要。通过田间试验，应用数字图像技术对拔节期作物的氮营养状况进行了研究，发现冠层数字图像色彩参数可以用来表征冬小麦拔节期的氮营养状况。数字图像标准化红光值R/(R+G+B)与冬小麦常规营养诊断指标如叶绿素仪读数、茎基部硝酸盐浓度、植株全氮含量和地上部生物量之间的相关系数达到了0.809~0.946，是较好的表征作物氮营养状况的诊断指标。     

数码图像技术在杂交榛氮素营养诊断中的初步研究

为了研究利用数码图像技术进行杂交榛氮素营养诊断的可行性,采用数字扫描仪获取杂交榛叶片图像,分析不同时期杂交榛叶片含氮量与叶片色彩参数及SPAD值之间的相关性。结果表明,展叶后期和子房膨大期的SPAD值与叶片N含量间呈极显著正相关;展叶后期,H、B、NBI与叶片N含量呈极显著正相关,NGI、G/B、R/B与叶片N含量呈极显著负相关;子房膨大期,H、B、NBI与叶片N含量呈极显著正相关,NGI、G/R、G/B、R/B与叶片N含量呈极显著负相关;幼果迅速发育期,I、R、B与叶片N含量呈极显著正相关。可见,应用数字图像技术进行杂交榛氮素营养诊断是可行的。     

基于颜色特征的加工番茄叶片氮素评价初步研究

利用数码相机获取加工番茄地上部分彩色图像,通过图像处理软件提取RGB及其组合的颜色特征值,同时与氮素指标叶片叶绿素含量、SPAD值、叶片含氮量及单株吸氮量作回归分析,根据统计性检验,有相当数量的颜色特征与4个氮素指标呈较高的相关性,相关系数达到r=0.7以上.综合筛选出的颜色特征指标,结合地面覆盖度与氮素营养指标建立以叶片含氮量为应变量的估算模型.经模型校验,其预测值与实测值在n=15,P＜0.01水平上达r=0.8以上的极显著相关.因此,可依据颜色特征参数通过建立相应的统计模型进行加工番茄叶片氮素含量的评价,进而为加工番茄氮素营养诊断提供依据.     

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。     

CO2浓度升高与氮素胁迫对谷子光合特性和产量因素的影响

为阐明氮肥和CO_2浓度升高互作对谷子光合生理特性与产量构成因素的影响,客观评估气候变化背景下谷子的生产潜力,采用开顶式人工气候室和盆栽方法,在不同供氮水平(低氮为0 g/kg;高氮为0.2 g/kg)与不同CO_2浓度(大气CO_2浓度为400μmol/mol;高CO_2浓度为600μmol/mol)下测定谷子拔节期与抽穗期的光合特性、叶片性状以及收获后籽粒产量构成因素参数。结果表明,2种CO_2浓度下,氮素胁迫均显著降低了谷子叶片比叶质量与叶氮含量,但在高CO_2浓度下,谷子叶片净光合速率(Pn)、叶绿素a含量、叶绿素b含量、叶绿素(a+b)含量、叶片单位横截面积的光能吸收(ABS/CSM)、QA还原(TRO/CSM)、单位面积电子传递的量子产额(ETO/CSM)以及PSII单位面积内反应中心的数量(RC/CSM)均较正常CO_2浓度对氮素胁迫更加敏感;氮素胁迫显著抑制了正常CO_2浓度下谷子植株的穗质量与穗粒质量,但对大气CO_2浓度升高下的植株无显著抑制。总之,高浓度CO_2下,谷子叶片光合性能较正常CO_2浓度对氮素胁迫的响应更加敏感,但构成籽粒产量参数并未显著下降。     

基于Android的水稻叶片特征参数测量系统

[目的]提供基于Android的水稻叶片特征参数测量系统,为农学研究提供精准数据.[方法]系统设计主要分为图像获取、图像预处理和特征参数计算3部分:采用智能手机相机获取水稻叶片图像;通过灰度化、二值化和轮廓提取等操作对图像进行预处理;根据算法计算得到水稻叶片特征参数.[结果]精确度测试中,建立系统获取颜色分量(R、G、B)均值与各分量实际值的线性拟合模型,其决定系数分别为0.9803、0.9774和0.9805,均方根误差分别为1.086、1.413和0.8383;叶片几何参数中,系统获取水稻叶片长、宽、面积及周长与水稻叶片实际值的均方根误差分别为0.6469 cm、0.05022 cm、0.5329 cm2和2.412 cm.耗时测试中,采用多部不同配置手机对同一叶片进行测试,图像预处理及参数计算总时间均在2 s以内.可见,基于Android的水稻叶片特征参数测量系统能快速、准确、便捷地获取水稻叶片长、宽、面积、周长及颜色等特征数据,在一定程度上实现户外实地测量,满足农学研究的需要.[建议]对系统进行进一步优化,降低对外部辅助物的依赖,真正实现操作简便;增加氮素营养水平诊断算法实现氮素营养水平分类,以快速精准判断水稻生长营养状况,实现精确施氮.     

不同基因型高粱的氮效率及对低氮胁迫的生理响应

【目的】探讨不同基因型高粱氮素吸收效率和利用效率及其差异机制,研究低氮胁迫对不同基因型高粱叶片无机氮含量和氮同化酶活性的影响,为耐低氮型高粱品种的选育提供理论依据。【方法】采用盆栽试验,选取2个低氮敏感型高粱(冀蚜2号和TX7000B)和2个耐低氮型高粱(SX44B和TX378)为试验材料,设置高氮(0.24g·kg-1风干土)和低氮(0.04 g·kg-1风干土)2个处理,分别在挑旗期和灌浆期测定高粱叶片NO3--N、NO2--N及NH4+-N含量和硝酸还原酶(NR)、亚硝酸还原酶(Ni R)、谷氨酰胺合成酶(GS)和谷氨酸合成酶(GOGAT)活性,分析不同基因型高粱在2个氮处理下的氮效率相关指标及其差异。【结果】(1)不同基因型高粱籽粒产量对低氮的响应不同,低氮处理显著降低了冀蚜2号和TX7000B的籽粒产量,与高氮处理比较分别降低13.87%和19.25%,但没有降低SX44B和TX378的籽粒产量。(2)与高氮处理比较,低氮处理的相对籽粒氮累积量、相对植株氮累积量和相对氮收获指数不能表征各基因型高粱是否具有耐低氮特性;但相对低氮敏感型高粱,耐低氮型高粱在低氮处理下有着较高的相对氮肥偏生产力和相对氮素利用效率。低氮处理下SX44B和TX378的氮肥偏生产力是高氮处理的6.19和7.49倍,而冀蚜2号和TX7000B则分别为5.17和4.85倍;低氮处理下SX44B和TX378的氮素利用效率是高氮处理的1.84和1.85倍,而冀蚜2号和TX7000B则分别为1.67和1.35倍。(3)通径分析表明,高氮处理下,植株氮累积量和氮素利用效率对籽粒产量贡献相同;而在低氮处理下,氮素利用效率对籽粒产量关联作用更大。(4)高粱的叶片无机氮含量不能表征高粱是否具有耐低氮特性,灌浆期叶片无机氮含量较挑旗期显著降低。(5)与高氮处理比较,低氮处理时冀蚜2号和TX7000B叶片中NR、GS和GOGAT活性显著降低,SX44B酶活性变化不显著,而TX378叶片中GS活性增加。【结论】耐低氮型高粱在低氮胁迫时有着较高的相对籽粒产量和相对氮素利用效率。低氮胁迫时叶片较高的氮同化酶活性是高粱耐低氮的生理基础。发掘和利用低氮条件下具有较高的叶片氮同化酶活性和氮素利用效率的高粱种质资源,有助于提高耐低氮高粱品种的培育效率。     

应用数字图像技术进行马铃薯氮素营养诊断的研究

应用数码相机获取马铃薯冠层图像,分析不同供氮水平下马铃薯冠层图像数字化指标与土壤无机氮(Nmin)、植株氮素营养指标(叶柄硝酸盐浓度、叶绿素仪读数、植株全氮含量、叶片全氮含量)的关系。结果表明,马铃薯冠层图像绿光与蓝光比值G/B是最适宜作为马铃薯氮素营养诊断的数字化指标;建立了评价马铃薯氮素营养丰缺的冠层图像数字化指标G/B的量化标准和氮肥推荐量。     

不同氮素处理棉花冠层图像颜色特征分析

为了探明颜色特征值参数与棉花生长发育的关系,选用北疆2个棉花主栽品种新陆早43号(XLZ 43)和新陆早48号(XLZ 48)为试验材料,于2013—2014年开展5个N素水平的小区试验,应用高清数码相机获取棉花群体冠层图像,通过数字图像识别系统提取各处理棉花群体冠层图像的颜色特征参数值,分析各颜色特征指数在棉花生育进程内的动态变化。结果表明,基于RGB模型的红光值(R)、绿光值(G)和基于HIS模型的亮度值(I)能充分反映棉花群体生长发育规律,且相关性好,其动态模拟曲线的函数通式为:y=a-b×ln(x+c);基于HIS模型的色度值(H),随不同施N量的增加,拟合参数呈现规律性变化,且相关性显著,其动态曲线满足通式:y=a+bx+cx2;而模型中蓝光值(B)的动态变化虽然满足二次函数关系,但不同N素水平间拟合参数值波动性大,规律不明显;饱和度值(S)动态模拟结果不理想,无规律可循,这说明S值受氮水平影响较小。因此颜色特征指数R、G和I能作为棉花群体监测的量化指标。     

基于图像分析技术的烤烟叶片含氮量诊断模型

为了给叶片颜色特征参数与全氮的预测模型研究提供理论依据,利用图像处理技术提取生长关键期烟叶的颜色特征参数RGB,同时测定叶片全氮,采用线性拟合和多元回归分析方法,建立了烤烟旺长期叶片全氮含量估算模型,并对其精度进行了评价和验证。结果表明：RGB颜色系统的G、B可以作为叶片全氮含量估算的主要颜色特征参数,全氮含量的预测值与实测值的决定系数为R2=0.649（P〈0.01）;直线斜率为1.022 9,接近1,模型精度高,预测可靠。进而为烟株氮素快速诊断提供理论基础。     

结实期氮素营养和土壤水分对水稻光合特性、产量及品质的影响

研究了土壤水分胁迫和氮素营养对两个水稻品种(组合)的光合特性、产量和品质的影响。结果表明：随着土壤水分胁迫的加重，叶片的光合速率、叶绿素含量及叶片的水势均有不同程度的降低，丙二醛的含量增加；而氮素营养则能提高剑叶光合速率，延缓叶片衰老。水分胁迫促进茎鞘物质向外运转，而氮素营养影响则相反。水肥对产量有显著的互作效应。在高氮水平下，轻度土壤水分胁迫可增加产量。稻米品质因施氮水平和土壤水分胁迫程度不同而有较大差异。     

基于图像处理的玉米叶色分级及其与光合性状的相关性分析

以67份辽宁省玉米骨干自交系为材料,利用图像处理技术提取叶片颜色特征值,构建叶色分级系统,并对颜色特征值与玉米叶片叶绿素含量及光合速率进行相关性分析,建立回归模型.结果表明:综合全部颜色特征值,可将67份玉米自交系叶色划分为6个等级;GB组合可以使其与叶绿素含量间的相关性提高;G/B、G-B、2G-R-B、(G-B)/(G+B)、b、b*与叶绿素含量呈显著相关,G-B模型预测的误差值最小,为13.48％.颜色特征值G-B可作为基于图像处理测定玉米叶绿素含量的最佳预测指标,其所预测的叶绿素a、b、a+b含量模型分别为:y=-0.201x+9.549,y=-0.062x+3.143,y=-0.263x+12.692.