基于流形学习算法的柑橘叶片氮含量光谱估测模型

提出了一种基于流形学习算法的柑橘叶片氮含量光谱快速检测方法。分别在萌芽期、稳果期、壮果促梢期和采果期,使用ASD Field Spec 3光谱仪采集了柑橘叶片的反射光谱,并同步采用凯式定氮法测定叶片的氮含量。首先采用正交试验确定各个生长期小波去噪的最佳参数组合,然后分别采用主成分分析、多维尺度变换、局部线性嵌入、等距映射和拉普拉斯特征映射5种流形学习算法对原始光谱和经小波去噪后的光谱数据进行特征提取,将特征数据导入支持向量机回归建立柑橘叶片氮含量预测模型,4个生长期的最佳验证集模型决定系数依次为0.901 4、0.934 4、0.895 4和0.877 9。试验结果表明,这5种流形学习算法都能有效地用于柑橘叶片氮含量预测,为柑橘叶片氮含量快速无损检测、生长态势监测和变量施肥提供了理论依据。     

基于可见光-近红外光谱特征参数的苹果叶片氮含量预测

苹果叶片氮素是反映苹果品质高低的营养元素之一。为了准确地估算苹果叶片全氮含量(LNC),从可见光-近红外区域的高光谱反射曲线中提取光谱特征参数,应用经验回归分析,实现了对苹果LNC的高光谱监测。研究表明,除了光谱特征曲线面积变量S_(△EFG)显著相关以及面积归一化植被指数(S_(△CDE)-S_(△FGH))/(S_(△CDE)+S_(△FGH))不相关外,其余光谱特征参数与苹果LNC都极显著相关,其中光谱特征曲线斜率K_(ge)、K_(gprv),光谱特征曲线面积S_(△ABC)、S_(△BCD),面积比值植被指数S_(△CDE)/S_(△ABC)、S_(△CDE)/S_(△BCD)、S_(△DEF)/S_(△ABC),面积归一化植被指数(S_(△CDE)-S_(△ABC))/(S_(△CDE)+S_(△ABC))、(S_(△CDE)-S_(△BCD))/(S_(△CDE)+S_(△BCD))和(S_(△DEF)-S_(△ABC))/(S_(△DEF)+S_(△ABC))可以较好地描述LNC的动态变化,这些特征参数对苹果LNC进行估算是可行的。通过检验,最终确定基于S_(△CDE)/S_(△ABC)、(S_(△CDE)-S_(△ABC))/(S_(△CDE)+S_(△ABC))和(S_(△DEF)-S_(△ABC))/(S_(△DEF)+S_(△ABC))所构建的模型为预测苹果LNC的理想模型。     

基于高光谱遥感的苹果树冠层叶片全氮量估测

【目的】快速准确获取大面积果园冠层叶片全氮含量（LNC ,Leaf Nitrogen Content）是实现现代精准农业的基本要求。【方法】本试验通过无人机高光谱成像仪（391.9nm ~ 1006.2nm）采集了甘肃省静宁县两个典型果园的果树冠层光谱图像,包括人工灌溉的苹果示范园与自然降雨的苹果园,综合比较两区共160份冠层叶片样本的原始光谱反射率（OD）、倒数光谱（RT）、对数光谱（LF)、一阶微分光谱（FD）,构建任意两个光谱波段集组合的差值植被指数（Difference spectral index,DSI ）、土壤调节植被指数（Soil Adjusted Vegetation Index ,SAVI）、归一化光谱指数（Normalized Different Spectral Index, NDSI）,分析三种光谱指数与叶片氮含量的相关性,利用一元线性回归模型与光谱指数构建两区最佳苹果冠层LNC估测模型。【结果】研究表明：人工灌溉区的FD-SAVI(825,536）、自然降雨区的LF-SAVI(854,392)与LNC的相关性最强,并基于FD-SAVI、LF-SAVI构建一元线性回归模型。人工灌溉区构建的FD-SAVI-ULRM估测模型精度最高,验证集R2和RMSE为0.6601和0.0678;自然降雨区构建的LF-SAVI-ULRM估测模型精度最高,验证集R2和RMSE为0.6746和0.0665。本试验采用LNC模型绘制出两个试验区的苹果树冠层叶片LNC估测图,实现对果园叶片全氮含量的精准掌握及精细化管理。     

竹叶片氮含量高光谱估测方法对比研究

为实现快速无损检测竹叶片氮含量,采用波长范围为350~2500nm的地物光谱仪获取竹叶片光谱数据,以金镶玉竹叶片为样本,对其进行高光谱分析。将高光谱原始反射率及其一阶微分、对数一阶微分和二阶微分值,与化学法测量的竹叶片氮含量值进行了相关性分析,分别获得了不同微分变化下的特征波段;基于微分变换后的高光谱反射率数据,分别采用二元线性回归、多元逐步回归、偏最小二乘回归和基于主成分分析的BP神经网络方法,建立了4种金镶玉竹叶片的氮含量高光谱估测模型。对比4种估测模型的校验结果表明,在光谱反射率的对数一阶微分变换下,采用拓扑结构为6-10-1的基于主成分分析的BP神经网络估测模型,校验环节决定系数为0.838,均方根误差RMSE为0.0452,具备较好的竹叶片氮含量估测效果。     

基于连续统去除法的冬小麦叶片全氮含量估算

以陕西省关中地区冬小麦小区试验为基础,获取不同生育期冬小麦的冠层高光谱数据,提取其连续统去除光谱和7类吸收特征参数,对比原始冠层光谱和连续统去除光谱对叶片氮含量的响应,分析连续统去除光谱吸收特征参数对叶片氮含量的估算能力。结果表明:连续统去除光谱在721~727 nm波段与叶片氮含量呈极显著负相关,相关系数为-0.851;吸收特征参数增强了对叶片氮含量的估算能力,400~550 nm波段吸收特征参数与叶片氮含量的相关性弱于550~770 nm波段;叶片氮含量与550~770 nm和400~770 nm的吸收峰总面积、吸收峰左面积以及吸收峰右面积呈显著正相关,与面积归一化最大吸收深度呈显著负相关,且相关系数绝对值均在0.8以上;550~770 nm波段的吸收峰总面积建立的叶片氮含量指数估算模型精度最高,R2达到0.82,模型检验结果稳定,可用来定量估算冬小麦叶片氮素含量水平。     

基于优化光谱指数的土壤有机质含量估算

基于高光谱数据快速监测土壤有机质含量对于评价土壤肥沃程度具有重要意义。本文试图寻求估算土壤有机质含量的最佳光谱参数,实现土壤养分无损监测。使用ASD Field-Spec3高光谱仪对野外采集的土壤样品进行室内光谱测定,并通过重铬酸钾氧化容量法测定土壤样品有机质质量比;利用两波段优化算法对构建的新算法(SOM_(CI/ND))进行波段优化,筛选基于不同光谱数据(原始光谱反射率及其对应的4种数学变换)运算下的最敏感波段组合,从而建立土壤有机质质量比高光谱估算模型。结果表明:通过归一化光谱指数(I_(ND))和概念指数(I_(CI))比值构建的新算法(SOM_(CI/ND))优化后与土壤有机质质量比之间的相关性显著提高,在光谱原始数据及其平方根、倒数变换形式下,相关系数绝对值达到0.82,且敏感的组合波段集中在2220 nm～2240 nm和2160 nm～2195 nm。基于平方根波段优化的估算模型效果最佳,估算精度为R_p~2为0.84,RMSE_P为2.24 g/kg,RPD为2.89。因此,对光谱数据的适当数学变换有利于优化光谱指数更好地估算土壤有机质质量比,进一步实现土壤有机质质量比高精度动态监测。     

基于光谱红边位置提取算法的番茄叶片叶绿素含量估测

为了快速、准确估测番茄叶片叶绿素含量,分析了不同营养水平下的番茄叶片光谱红边参数变化规律,发现红边位置最能表征番茄叶绿素状况,统计分析了6种算法提取的光谱红边位置的差异性,并为每种算法分别建立了5种估测模型,验证结果表明每种红边位置提取算法所对应的最佳模型为线性四点内插法的指数曲线模型和其他红边位置算法的对数曲线模型。其中线性外推法模型精度最高,校正集决定系数R2c为0.618 6,验证集决定系数R2v达到0.771 1,验证集均方根误差RMSEv为8.359 6,可以有效诊断番茄叶绿素含量。线性四点内插法根据670、700、740、780 nm 4个波段的叶片反射率计算红边位置,运算简单,模型精度较高,R2c为0.621 7,R2v达到0.766 6,RMSEv为8.568 2,可以作为开发番茄叶绿素含量监测仪器的依据。     

模拟多光谱卫星宽波段反射率的冬小麦叶片氮含量估算

基于多年大田和小区试验下的实测小麦冠层高光谱信息,利用传感器光谱响应函数模拟Landsat 8、SPOT 6、HJ-1A、HJ-1B、GF-1和ZY-3卫星可见光-近红外波段的冠层光谱反射率,构建基于光谱指数的全生育期叶片氮含量(Leaf nitrogen concentration,LNC)估算模型。结果表明,基于不同传感器模拟的宽波段光谱反射率、光谱指数之间存在差异,但差异不显著;所有筛选的光谱指数和叶片氮含量都在P0.01水平显著相关,基于各光谱指数所构建的全生育期叶片氮含量估算通用模型均通过显著性检验;基于综合指数(TCARI/OSAVI)、转化叶绿素吸收反射指数(TCARI)、比值植被指数(RVI)的叶片氮含量估算模型具有较高的敏感性,噪声等效误差(NE)均小于1.6,其中以TCARI/OSAVI建立的叶片氮含量估算通用模型具有最好的拟合、检验精度和适用性,模型决定系数为0.62,NE为1.26。     

基于无人机高光谱影像的水稻叶片磷素含量估算

为快速获取水稻叶片磷素含量信息,采用无人机搭载高光谱成像仪获取水稻冠层高光谱影像,并采样检测叶片磷素含量(质量分数)(Leaf phosphorus content, LPC).分析了水稻LPC在无人机高光谱影像上的光谱特征,使用连续投影算法提取对磷素敏感的特征波长,通过任意波段组合构建并筛选与磷素高度相关的光谱指数,...     

基于冠层光谱特征和株高的马铃薯植株氮含量估算

为及时准确地掌握作物的植株氮含量(PNC)信息,监测作物生长状况,实现农田氮素施肥的科学管理,以马铃薯为研究对象,首先获取了现蕾期、块茎形成期、块茎增长期、淀粉积累期和成熟期的数码影像,并实测了各生育期的PNC、株高(H)和地面控制点(GCP)的三维坐标。其次利用各生育期的无人机数码影像与GCP结合生成试验区域的数字正射影像(DOM)和数字表面模型(DSM),并从中提取冠层光谱特征和株高(Hdsm)。然后将各生育期提取的Hdsm和数码影像变量与地面实测的PNC进行相关性分析,从中筛选出相关性较好的影像变量和Hdsm作为马铃薯PNC估算模型的输入参数。最后分别基于影像变量和影像变量结合Hdsm利用多元线性回归(MLR)、误差反向传播(BP)神经网络和Lasso回归3种方法构建马铃薯PNC估算模型。结果表明：基于DSM提取的Hdsm与实测H具有较高的拟合度(R2为0.860,RMSE为2.663cm,NRMSE为10.234%);各生育期加入Hdsm,均能提高马铃薯PNC的估算精度和稳定性;各生育期利用MLR方法构建的PNC估算模型优于BP神经网络和Lasso回归。该研究可为马铃薯PNC状况的高效、无损监测提供技术支撑。     

基于高光谱的甜菜冠层氮素遥感估算研究

利用野外便携式ASD Qualityspec光谱仪,实测了田间甜菜冠层光谱数据,采用植被指数对氮含量进行预测,发现估算精度较低,分析NDVI与VLOPT与氮含量的相关性,得出氮含量在很小的时候就达到饱和水平。根据4种预处理下的甜菜冠层光谱,分别采用偏最小二乘回归(PLSR)和主成分回归(PCR)建立甜菜氮含量估算模型,比较不同预处理和不同回归方法对估算精度的影响。结果表明:对PLSR来说,一阶导数处理的光谱数据建立的模型精度最好(RMSE=2.34g/kg,RE=19.6%),平滑、MSC和SNV建立的估算模型次之;对PCR来说,平滑处理的光谱数据建立的模型精度最好(RMSE=2.34g/kg,RE=19.4%)。总的看来,不同预处理对估算模型精度有一定的差异,但PLSR和PCR两种回归方法对甜菜氮含量估算模型影响不大。     

基于改进粒子群算法的路径规划

传统粒子群算法存在收敛精度低、搜索停滞等缺点,导致机器人路径规划精度低。为了提高路径规划的精度,对传统的粒子群算法进行改进。首先在算法运行的各阶段对惯性权重因子和加速因子同时使用三角函数的变化方式自适应调整,使算法中的参数在算法运行各阶段的配合达到最佳,提高了算法的搜索能力;其次在算法中引入鸡群算法中的母鸡更新方程和小鸡更新方程对搜索停滞的粒子进行扰动,并在引进的方程中使用全局最优解使扰动后的粒子向全局最优解靠近;最后通过函数优化和路径规划两组对比实验,验证了改进算法在问题优化时具有寻优精度高、鲁棒性好的优点。     

基于粒子群优化算法的拖拉机动力匹配优化

带悬挂系统的拖拉机在工作时,要充分考虑拖拉机牵引力能否满足液压悬挂加载装置、牵引装置等作用下产生的耕作阻力要求.本文建立了驱动牵引力数学模型,参考耕作阻力模型,主要考察了驱动轮滑转率、耕作速度、耕作深度等主要因素的影响,利用约束优化问题粒子群优化算法,得出了满足特定使用条件的驱动牵引力,同时确定了耕深、速度、滑转率等参数的对应值,为带悬挂系统拖拉机的动力匹配提供了重要的方法依据.     

不同粒径处理的土壤全氮含量高光谱特征拟合模型

采集新疆北疆棉田385个自然土壤样本,将筛选出的土壤样品分别过2、1、0. 5、0. 15 mm筛并测定其原始光谱反射率,利用支持向量机(Support vector machine,SVM)、偏最小二乘回归(Partial least squares regression,PLSR)和多元逐步线性回归(Stepwise multiple linear regression,SMLR)方法对土壤原始光谱及其12种光谱变换数据分别构建土壤全氮含量的估测模型,并对模型精度进行检验。结果表明,土壤原始光谱特征在各个波段与全氮含量相关性都较差,不同形式的数据变换均能够提高光谱反射率与全氮含量的相关性,同一种数据变换形式在不同粒径处理中最大相关系数所对应的波段位置差异不大。从不同粒径处理的拟合精度来看,过筛粒径越小对全氮含量的估测精度越高,3种方法的最优拟合模型都是过0. 15 mm筛的处理,其中SVM方法采用(lgR)'变换后,构建模型R2c为0. 898 7,RMSEc为0. 018 1,RPD为2. 704 9,PLSR和SMLR方法均采用R'变换,构建模型的R2c分别为0. 852 0和0. 819 6,RMSEc分别为0. 041 3和0. 043 6,RPD分别为2. 554 9和2. 437 4,3种方法在该过筛处理下均能够很好地估测土壤全氮含量。用未参与建模的样本对3种最优模型进行验证,SVM、PLSR和SMLR模型的检验R2分别为0. 822 9、0. 771 5和0. 705 4,SVM方法优于PLSR和SMLR,模型具有较好的精度和稳定性,从模型的预测误差来看,土壤全氮含量越低其预测误差也越大,在氮素含量较低的情况下无法直接通过光谱反射特征准确反演。