基于无人机高光谱的长林系列油茶品种的识别

油茶是中国重要的木本油料树种之一,快速、准确地识别不同油茶品种,对油茶的合理种植、产量提升具有重要意义。本研究以长林系列油茶的5个品种(27号、40号、4号、53号、166号)作为研究对象,首先利用无人机搭载高光谱传感器获取试验样株的光谱图像;其次,采用标准正态变量变换(SNV)、标准正态变量变换结合去趋势(SNVDT)、标准正态变量变换结合一阶导数(SNVFD)、Savitzky-Golay卷积平滑(SG)、Savitzky-Golay卷积平滑结合一阶导数(SGFD)5种方式进行光谱预处理,进一步采取全波段、结合3种特征处理方式[递归特征消除(RFE)、偏最小二乘法(PLS)、连续投影算法(SPA)]筛选的特征波段;最后,构建线性判别模型(LDA)、人工神经网络模型(ANN)、支持向量机模型(SVM)3种分类模型的品种最优识别模型。结果表明,以全波段为变量构建分类模型的最佳组合是SGFD-ANN,分类准确率和Kappa系数分别达到92.22%、0.90。联合特征处理的最佳组合是SNVDT-RFE-SVM,准确率和Kappa系数提升至94.44%、0.93。5个品种中,对长林166号和长林4号油茶的识别结果最优。本研究结果可为油茶林精准识别与种植经营提供理论依据,也为其他经济林树种的精细分类提供参考。     

基于高光谱图像技术的大豆品种无损鉴别

为解决传统大豆品种检测方法存在的效率低和精度差等问题,应用高光谱图像分析技术展开大豆品种甄别研究。采集10个品种(每品种100粒,共1 000粒)大豆样本400.92~999.53 nm的高光谱反射图像,分别进行中值平滑、多元散射校正和数据标准归一化预处理去噪,提取样本图像中心30×30 pixels感兴趣区域的平均光谱曲线和标准差曲线。分别以样本平均光谱值主成分得分、标准差光谱值主成分得分及两者结合作为模型输入,基于T-S模糊神经网络和随机森林思想组合分类器构建鉴别模型。经中值平滑的光谱平均值和标准差作输入,结合随机森林思想的组合分类模型鉴别效果最佳,训练集、测试集的平均鉴别率分别达99.6%和97.6%。结果表明,采用高光谱图像技术可实现大豆品种高精度无损鉴别。     

基于高光谱技术与主成分分析的稻种品种识别研究

为快速精准识别水稻种质资源,开发一种基于高光谱的高效识别方法。以9种稻种为试验样品,利用光谱仪测定2 700颗种子的高光谱反射率,利用主成分分析法（principal component analysis,PCA）对高光谱数据进行降维处理。为探讨PCA最佳的主成分个数,比较了不同主成分个数与判别分析法（线性判别、二次判别和马氏距离判别）组合在基于种子高光谱数据建立水稻品种识别模型中的效果。对全波段数据样本进行主成分分析,以2～20个主成分个数作为特征变量,以预测集正确率为评价指标,建立3个品种判别模型,并比较其预测效果。结果表明,以累积贡献率≥85%为评价标准,选择2个主成分,3种模型预测集正确率分别为32.14%、38.69%和33.73%;以特征值≥1为标准,选择11个主成分,预测集正确率为68.21%、87.33%和83.18%;若考虑模型的正确率,选择20个主成分,预测集正确率分别为84.99%、95.71%和95.32%。利用主成分分析+判别分析方法的稻种高光谱品种识别模型可行,但主成分个数不同,判别分析法的评价标准不同,识别效果差异大。当主成分个数相同时,3种判别标准中二次判别分析方法的识别效果最佳,最佳组合为20个主成分个数+二次判别分析法,预测集正确率为95.71%。研究结果表明基于高光谱技术与主成分分析的识别方法可快速识别不同稻种,具有较高的应用价值。     

基于高光谱图像技术的油菜籽品种鉴别方法研究

提出了一种采用高光谱图像技术结合人工神经网络对油菜籽品种进行鉴别的方法.采集多个品种油菜籽400～1 000 nm范围的高光谱图像数据,通过主成分分析法(PCA)获得主成分图像,确定特征波长;采用基于灰度直方图和灰度共生矩阵联合的统计方法从特征图像中提取纹理特征参数,应用人工神经网络建立油菜籽品种鉴别模型.结果表明,模型训练时品种判别率为93.75%,预测的判别率为91.67%.说明高光谱图像技术对油菜籽品种具有较好的分类和鉴别作用.     

如何选择高油大豆品种

一般农作物增产良种的贡献率占30％～40％，而在高油大豆生产中，从商品含油率看，高油品种的贡献率可达80％以上。近年来，我国东北大豆产区相继育成了一批高油大豆新品种。但由于产区生态条件的不同，不同高油大豆品种熟期类型差别较大，导致在不同地区和年份间产量变化明显。因此，合理选用与当地生态条件相适应的高油品种，采用配套实用的高产栽培技术措施来增加产量十分重要。高油大豆的品种选用应遵循以下几项原则。     

大豆叶面积的高光谱模型

以ASD FieldSpec-Vnir光谱仪实测不同生长季大豆的冠层反射率,同期采集对应大豆LAI,然后逐波段分析冠层光谱反射率、导数光谱与大豆LAI的相关关系;并采用单变量线性回归逐波段分析了冠层光谱反射率、导数光谱与大豆LAI确定性系数随波长的变化趋势,建立了以近红外与可见光波段冠层光谱反射率的比值植被指数RVI与大豆LAI的高光谱遥感估算模型。结果表明,冠层光谱反射率在350￣680nm、760￣1050nm波谱区与大豆LAI相关性较大,而在红边区680￣760nm的相关性变化较大;导数光谱在红边区与大豆LAI相关程度高。通RVI方式建立的遥感估算模型能较为准确估算大豆LAI,通过对红外与蓝波段建立的RVI指数与大豆LAI的回归模型,表明其预测大豆LAI的能力较好,有进一步研究的必要;通过对比发现,神经网络模型可以大大提升高光谱反演大豆LAI的水平,模型的确定系数R2为0.9661,而总均方根误差RMSE仅为0.446m2.m-2。     

基于人工神经网络的大豆叶面积高光谱反演研究

【目的】探索不同高光谱模型监测大豆叶面积指数LAI的精度。【方法】实测不同水肥耦合作用下,大豆冠层的高光谱反射率与叶面积指数（Leaf Area Index）数据,对二者进行相关分析;采用敏感波段(801nm,670nm)构建RVI, NDVI, SAVI, OSAVI 和MTVI2植被指数,建立大豆LAI估算模型;最后采用相关系数较大的波段作为神经网络模型的输入变量进行大豆LAI的估算。【结果】大豆LAI与光谱反射率在可见光波段呈负相关、近红外波段呈正相关、红边处相关系数由负变正;微分光谱在三边处与大豆LAI关系密切,在红边处取得最大回归确定性系数（R2 = 0.86）。植被指数可以较为精确反演大豆LAI,确定性系数R2>0.84。人工神经网络模型可以大大提高大豆LAI的估算水平,当隐藏层节点数为2时,R2为0.92,随着隐藏层节点数的增加,R2可高达0.96;在没有黄熟期数据干扰的情况下,神经网络可以进一步提高大豆LAI的反演精度,R2可高达0.99。【结论】与基于植被指数建立的模型相比,神经网络模型可以有效避免因LAI过高而出现的过饱和现象,大大提高了LAI的反演精度。     

栽培措施与大豆含油量的关系及高油大豆品种试验

宝泉岭农场地处黑龙江省东北部,气候条件及土壤均适合种植大豆,种植面积达到耕地面积的60%以上,在四大作物中占主导地位.但受传统栽培习惯的影响,种植品种区域化程度低,大豆在外观和内在品质上都很低,不能适应加工专业化和综合利用的需要.为此,宝泉岭农场于2000～2001年进行了高油大豆品种(系)栽培试验,旨在为宝泉岭地区种植高油大豆提供理论依据,以增强市场竞争力.     

基于高光谱成像的大豆叶片叶绿素分布可视化

[目的]利用高光谱成像技术估测大豆叶片叶绿素含量并实现其分布可视化,为直观监测大豆元素营养水平和生长发育状况提供技术支持.[方法]利用高光谱成像技术采集80片生长发育程度不同的大豆叶片高光谱图像,提取并计算叶片平均光谱后测定其对应的叶绿素含量,分析大豆叶片反射光谱特征差异,比较叶绿素与叶片反射光谱特征的关系,通过不同的...     

早熟高油大豆品种合丰42区域适应性研究

对早熟高油大豆品种合丰42的区域适应性进行研究,结果表明在不同积温区内该品种的脂肪、蛋白质及产量有明显的变化趋势.在适宜积温区内具有较高的产量,在本积温区内具有较高的脂肪含量;变异系数分析表明,在本积温区内高油品种合丰42的脂肪含量及产量最稳定,其次为适宜积温区,而不同积温区内稳定性最差.通过稳定性分析表明,蛋白质的稳定性最好,其次为脂肪,产量的稳定性最差.     

高油大豆品种对比试验初探

为了推进粮食创高产活动的开展,加快实现黑龙江省大豆产业规划,提高大豆质量和产量,增强市场竞争力,推动大豆生产的发展。我站特选出10个高油大豆品种。做品种对比试验,筛选出适合牡丹江市大面积示范和推广的品种。现将试验结果报告如下。     

基于无人机图像处理的大豆叶片病害识别准确率研究

为了平衡无人机识别覆盖度与识别准确率之间的矛盾,实现大面积大豆病害的精确识别,利用简单线性迭代聚类(Simple linear literative clustering,SLIC)超像素方法处理无人机在高度为1、2、4、8、16 m获取的大豆叶片图像,提取叶片的颜色、梯度、纹理、形状特征后,基于这些属性的特征向量利用...     

基于高光谱成像技术鉴别大米品种

大米品质与品种密切相关,因此品种鉴别对实施“优质粮食工程”具有重要意义。采集外观相似的6个品种共600粒大米的高光谱反射率数据,经过多元散射校正（MSC）、二阶导数（2ND）和标准正态变换（SNV）对光谱数据进行预处理。利用连续投影算法（SPA）和主成分分析（PCA）对光谱数据降维。以灰度共生矩阵（GLCM）提取特征波长对应灰度图像的纹理特征。应用全波段、特征波段、纹理特征以及光谱-纹理特征融合数据分别建立基于支持向量机算法（SVM）的品种鉴别模型。结果表明,光谱-纹理融合特征的分类准确率最高,达到94.12%。利用乌鸦搜索算法（CSA）对模型参数进行优化后,准确率达96.57%。因此,光谱-纹理特征组合下的支持向量机结合乌鸦搜索算法能充分利用高光谱图像的光谱和纹理信息,实现对大米品种的快速无损鉴别。     

高油大豆品种比较试验

1 试验目的 为了筛选出适于当地栽培的高产、高油大豆新品种,我们开展了高油大豆品种对比试验,试验结果报告如下:2 供试品种及设计     

基于高光谱成像的猕猴桃表面疤痕无损识别

为实现猕猴桃表面疤痕的快速无损识别,以贵长猕猴桃为研究对象,采用高光谱图像采集系统(400~1 000 nm)采集完好无损猕猴桃和表面有疤痕猕猴桃的高光谱图像。对采集到的高光谱图像进行了最小噪声分离变换,结合阈值分割及数学形态学处理方法提出了猕猴桃表面疤痕的识别方法。结果表明:采用最小噪声分离变换可有效地消除高光谱图像中的噪声;完好无损和表面有疤痕的猕猴桃样本在700~810 nm以及810~1 000 nm的光谱反射率值具有明显的差异,选取785.98 nm处的光谱反射率值为0.30~0.56以及982.59 nm处的光谱反射率值为0.54~0.73作为区分猕猴桃正常区域和表面疤痕区域的阈值条件,进一步利用阈值分割方法对60个完好无损的和60个表面有疤痕的猕猴桃进行识别,正确识别率分别为98.3%和95.0%,说明高光谱成像技术可用于猕猴桃表面疤痕的快速无损识别。     

高油大豆如何选种

一般生产上良种的贡献率约占30-40％，而在高油大豆生产中，从商品含油率看，高油品种的贡献率可以达到80％以上。近年来，在农业部实施大豆振兴计划的带动下，我国特别是东北大豆产区已相继育成了一批高油大豆新品种。但由于产区生态条件的不同，不同高油大豆品种熟期类型差别较大，导致在不同地区和年份间产量变化也非常明显。     

无公害高油专用大豆品种高产栽培技术

种植无公害高油专用大豆的地块,周边5公里内不应有严重污染源,大豆生长的环境条件要达到无公害高油大豆的质量标准。     

基于高光谱的大豆含杂率反演模型

针对大豆联合收割机械作业含杂率在线检测手段缺乏的问题,以亚丰4YZL-5S联合收获机机械化收获的大豆样本为研究对象,在室内测定大豆样本的含杂率;利用ASD FieldSpec 4 Wide-Res型地物光谱仪测量大豆样本的光谱数据,经数据预处理和数学变换后获得2种光谱指标,即原始光谱数据(REF)和原始光谱经倒数之对数预处理后的数据(LR),应用波段间自相关分析筛选出不同指标的大豆样本光谱的特征波长,并采用支持向量机回归分析构建基于不同指标的大豆样本含杂率的反演模型,在此基础上对反演结果进行精度验证和比较。试验结果表明:各预处理条件下的大豆含杂率敏感波段不同,其中REF的特征波段为512,738,851,1 104,2 003,2 179 nm;LR的特征波段为519,637,820,924,1 121,1 933,2 050,2 138 nm。本研究建立的含杂率反演模型的建模决定系数0.86,验证决定系数0.79,均方根误差0.32,相对分析误差1.7,表明模型具有较强的拟合效果和预测能力。相比较而言,利用REF建立的反演模型的反演效果略优于LR。本研究建立的大豆样本含杂率光谱反演模型能够实现含杂率的在线预测,为大豆机械化作业中含杂率的在线快速监测提供了新途径。