基于高光谱成像的寒地水稻叶瘟病与缺氮识别

为进行水稻叶瘟病与养分缺失的区分、实现叶瘟病及时、准确的诊断,以大田试验为基础,利用高光谱成像仪获取2个品种的健康、缺氮、轻度感病和重度感病共4类水稻叶片的反射率光谱,对其光谱特性进行分析,并采用多种预处理方法、分别结合偏最小二乘判别分析(partial least squares-discriminate analysis,PLS-DA)和主成分加支持向量机(principle component analysis-support vector machine,PCA-SVM)方法构建水稻叶瘟病识别模型。试验结果显示6个判别模型都获得了较高的识别准确率,经标准正态变量(standard normal variate,SNV)变换预处理的PLS-DA模型获得了最佳的识别结果,预测准确率达100%,经多元散射校正(multiplicative scatter correction,MSC)预处理的PCA-SVM模型的预测准确率也达到97.5%。本研究为水稻叶瘟病的判别和分级提供了新方法,也为稻瘟病大范围遥感监测提供了基础。     

水稻镉污染胁迫遥感诊断方法与试验

农田重金属污染是当今世界面临的重大生态环境问题,是普遍关注的重要课题之一。该文通过研究受镉污染胁迫水稻生理生态参数变化的高光谱响应特征来揭示作物污染胁迫遥感信息机理,从而选择水稻镉污染胁迫诊断光谱指数。采用水稻生长季节多个时相的ASD实测高光谱数据和同步获取的作物参数与农田土壤镉含量数据,分析镉污染胁迫水稻生理生态参数如叶片色素含量、水分含量、细胞结构和叶面积指数等与潜在敏感光谱遥感指数的响应关系,确定MCARI、NDWI、RVSI 和RVI为相应的诊断光谱指数。在此基础上建立多级诊断光谱指数空间,用于表达和判别水稻镉胁迫程度。试验结果表明,该方法能有效地诊断水稻镉污染胁迫,但定量估算精度还有待提高。     

基于成像光谱技术的寒地玉米苗期冠层氮含量预测模型

为了探索寒地玉米冠层氮素含量,以不同氮素水平下玉米大田试验为基础,利用高光谱成像技术探讨苗期玉米冠层光谱,通过相关矩阵法选择植被指数的变量,并依据叶片氮素含量与植被指数的相关性,建立玉米冠层氮素含量预测模型。结果表明:根据玉米冠层高光谱图像,选择与各波段相关性较强的525、566、700、715、895 nm作为植被指数的变量,构建与氮素含量相关性强的植被指数归一化植被指数NDVI(normalized difference vegetation index)、归一化光谱植被指数NDSI(normalized difference spectral index)、比值光谱指数RSI(ratio spectral index)、差值光谱指数DSI(difference spectral index)。以与叶片氮素含量相关性较高的植被指数为自变量,建立单变量、多变量回归预测模型。采用单变量NDVI二次函数回归模型作为0、50 kg/hm~2施氮量下玉米冠层氮素含量预测模型,其R~2分别为0.719、0.803。在100 kg/hm~2施氮量下玉米冠层氮素含量的预测模型为3变量回归模型,其R~2达到0.657。用置信椭圆F检验法检验预测模型,其F值均小于F0.05,估测值与实测值间R2分别是0.724、0.798、0.655,标准误差RMSE分别为0.156、0.140、0.156 mg/g,表明实测值和估测值间的差异不明显,预测模型可用。     

基于叶绿素叶面分布特征的黄瓜氮镁元素亏缺快速诊断

为了快速、无损诊断作物氮(N)、镁(Mg)营养亏缺,该研究提出一种以叶绿素叶面分布特征诊断黄瓜N、Mg元素亏缺的方法。在设施栽培模式下精确控制N、Mg营养元素的供给,培养黄瓜缺N、缺Mg及对照植株(营养元素正常植株),然后采集对应的高光谱图像并结合化学计量学方法快速、无损检测叶绿素分布。与对照组叶片叶绿素分布相比,缺N叶片的叶绿素含量在整个叶面区域偏低,缺Mg叶片叶绿素在叶脉之间区域含量偏低。鉴于此,提取叶绿素叶面分布特征(叶片所有像素点对应的叶绿素含量均值及标准差)对N、Mg营养元素亏缺进行诊断,对预测集N、Mg元素亏缺正确诊断率达90%。研究结果表明叶绿素叶面分布特征可作为一种黄瓜N、Mg元素亏缺诊断依据。     

采用SEPLS_ELM模型估算夏玉米地上部生物量和叶面积指数

利用高光谱数据进行作物生长状况监测具有无损和高效的特点,是现代精准农业发展的必要手段。该研究以连续3 a（2018-2020年）不同水氮供应下夏玉米营养生长期采集的212份植物样品（地上部生物量和叶面积指数）和高光谱实测数据为数据源,分别采用偏最小二乘回归（Partial Least Squares Regression,PLS）、极限学习机（Extreme Learning Machine,ELM）、随机森林（Random Forest,RF）和基于PLS叠加策略的叠加极限学习机算法（Stacked Ensemble Extreme Learning Machine based on the PLS,SEPLS_ELM）构建了夏玉米营养生长期地上部生物量和叶面积指数估算模型。结果表明：基于PLS和ELM构建的夏玉米地上部生物量和叶面积指数估算模型的精度均较低,前者验证集R2低于0.85、均方根误差高于550 kg/hm2,后者R2低于0.90、均方根误差高于0.40 cm2/cm2。相比之下,基于RF和SEPLS_ELM构建的夏玉米营养生长期地上部生物量和叶面积指数估算模型均有着较高的估算精度,SEPLS_ELM模型表现尤为突出,其地上部生物量和叶面积指数估算模型验证集的R2分别为0.955和0.969,均方根误差分别为307.3 kg/hm2和0.24 cm2/cm2,表明叠加集成模型能够充分利用高光谱数据并提高作物地上部生物量和叶面积指数估算精度。     

基于高光谱的叶片滞尘量估测模型

为探索建立叶片滞尘量高光谱估测模型,利用光谱仪和电子分析天平采集了北京市区杨树叶片高光谱数据和滞尘量数据,研究了叶片光谱特征与滞尘量间的关系,并建立了基于光谱参数的叶片滞尘量估测模型。研究结果表明:近红外波段(730~1 000 nm)光谱反射率与叶片滞尘量呈现明显的线性相关性,各波段相关系数均高于0.7,绿光区波段反射率对叶片滞尘的影响不敏感;三边参数中仅红边幅值、红边面积与叶片滞尘量达到显著相关;基于多元线性回归、主成分回归、偏最小二乘回归建立的模型均具有较强的预测能力,其中以偏最小二乘回归为模型构建方法,以749、644、514 nm波段的光谱反射率值,红边幅值,红边面积,924、1 010 nm波段组成的归一化指数,713、725 nm波段组成的差值指数,749、644 nm波段组成的归一化植被指数为自变量建立的模型估测精度最好,其建模和预测的决定系数分别达到0.734和0.731,预测均方根误差为0.311。该研究为促进高光谱技术在大气降尘监测中的应用提供参考。     

基于高光谱图像和光谱信息融合的马铃薯多指标检测方法

针对随机放置的马铃薯缺陷多项指标难以同时检测的问题,提出了一种基于高光谱信息融合的流形学习降维算法与极限学习机(extreme learning machine,ELM)相结合的方法,该方法可同时识别马铃薯的多项缺陷指标。分别采集发芽、绿皮、黑心和合格马铃薯的反射高光谱数据(390~1 040 nm),在光谱维,提取马铃薯样本感兴趣区域(region of interest,ROI)的平均光谱,分别采用扩散映射(diffusion maps,DM)、局部线性嵌入(locally linear embedding,LLE)和海森局部线性嵌入(hessian locally linear embedding,HLLE)3种流形学习降维算法对光谱数据进行降维;在图像维,对马铃薯伪彩色图像进行形态学处理,获取基于灰度共生矩阵(gray level co-occurrence matrix,GLCM)的图像纹理信息,采用连续投影算法(successive projections algorithm,SPA)优选图像纹理特征;融合光谱维信息和图像维信息,分别建立基于极限学习机(ELM)与支持向量机(support vector machine,SVM)的马铃薯多分类识别模型。结果表明,扩散映射结合极限学习机(DM-ELM)模型的预测结果较优,该模型对发芽、绿皮、黑心和合格马铃薯样本的单一识别率分别为97.30%、93.55%、94.44%和100%,混合识别率达到96.58%,时间为0.11 s,可知高光谱信息融合技术结合流形学习降维算法可同时识别随机放置马铃薯的多种缺陷指标。     

采用柑橘叶片功能性氮含量无损监测模型的调控施氮方法

为实现柑橘氮素管理的定量化，该研究以5年生‘春见’橘橙为试验材料，设置不同对照施氮处理N₀、N₁、N₂、N₃(施氮量分别为0、50、100、200 g/株)和调控施氮处理Nr₁、Nr₂、Nr₃(分别根据N₁、N₂、N₃进行调控)，在试验开展的第1年利用高光谱技术，分别建立柑橘果实膨大期和转色期的叶片功能性氮含量无损监测模型；第2年利用叶片功能性氮含量无损监测模型与追氮量公式计算调控施氮处理的实际追氮量，比较分析对照施氮和调控施氮对柑橘果实产量、品质及氮肥利用率的影响。结果表明，利用反向传播神经网络构建的叶片功能性氮含量模型精度较高，决定系数R²为0.78(果实膨大期)和0.77(果实转色期)。调控施氮处理Nr₁和Nr₃比对照施氮N₁和N₃分别增产5.49和4.4...     

基于高光谱成像技术的沙金杏成熟度判别

为了实现对不同成熟度沙金杏进行快速、准确识别的目的,该研究利用高光谱成像技术(400~1 000 nm)对沙金杏的成熟度进行了判别研究,利用高光谱成像系统分别采集了处于4种不同成熟阶段(七成熟、八成熟、九成熟和十成熟)的沙金杏共480个样本的高光谱数据。首先,对不同成熟阶段所有样本的可溶性固形物含量值进行测定和单因素方差分析,结果表明,可溶性固形物与成熟度之间存在相关性,其相关系数为0.9386,可用该指标对沙金杏的成熟度进行划分。然后,对光谱数据利用偏最小二乘回归(partial least squares regression,PLSR)模型提取得到9个特征波长(434、528、559、595、652、678、692、728、954 nm),对图像数据利用灰度共生矩阵(gray level co-occurrence matrix,GLCM)提取到6项图像纹理指标(均值、对比度、相关性、能量、同质性和熵),并对图像数据采用RGB模型提取到6项图像颜色指标(R、G、B分量图像的平均值和标准差)。将这三类指标进行最优组合并分别建立关于沙金杏成熟度判别的极限学习机(extreme learning machine,ELM)模型。结果表明:使用特征波长与颜色特征融合值建立的ELM模型的判别正确率最高,达到93.33%。该研究为沙金杏的成熟度在线无损检测提供了理论参考。     

基于敏感波段的小麦冠层氮含量估测模型

为提高小麦冠层叶片氮素含量检测精度,在不同生育时期对5种不同氮素水平的小麦试验田进行光谱采集,获取了234个范围为350~2 500 nm的高光谱数据。在比较蒙特卡洛-无信息变量消除(monte carlo-uninformative variable elimination,MC-UVE)、随机青蛙(random frog)、竞争自适应重加权采样(competitive adaptive reweighted sampling,CARS)及移动窗口偏最小二乘法的波段选择等方法的基础上,提出一种竞争性自适应重加权算法与相关系数法相结合的敏感波段选择方法,并从2151个原始波段中选出了30个敏感波段。用筛选后的30个波段数据建立非线性回归模型,得到了径向基神经网络模型校正集均方根误差为0.3699,预测集均方根误差为1.074e-009,校正决定系数为0.9832,预测决定系数为0.9982。试验结果表明:经过竞争自适应重加权采样的相关分析后所建立的径向基神经网络预测模型,无论是预测精度还是建模精度,比误差后向传播(back propagation,BP)神经网络和支持向量回归模型相比都有了显著提高,该方法在小麦氮含量预测过程中具有明显的优势,可在实际生产中应用。     

基于改进型极限学习机的日光温室温湿度预测与验证

日光温室温湿度模型是其结构设计与控制的重要基础,因日光温室系统具有大惯性、强耦合、非线性等特性,采用机理分析法,难以建立其准确的数学模型,导致日光温室控制效果差。神经网络建模能更加灵活地得到日光温室系统的参数,但传统的极限学习机(extreme learning machine,ELM)存在隐含层神经元激励函数固定,只考虑经验风险(即训练误差最小化),而导致过拟合等问题。为了实现对日光温室内温湿度环境因子的综合控制,需要进一步提高日光温室环境因子的预测精度,该文将基于正交基函数的改进型极限学习机对日光温室环境因子进行辨识,并利用经验模态分解(empirical mode decomposition,EMD)方法确定网络隐含层节点数,建立了日光温室温湿度环境因子预测模型。利用所建立的模型对日光温室内的温度和湿度等环境因子进行预测结果表明:温度模型有效性为0.9434,湿度模型有效性为0.9208,实测值与预测值的拟合关系比较理想,说明基于正交基函数的改进型极限学习机对日光温室进行系统辨识是可行的,且对日光温室智能控制的发展有一定的参考价值。     

基于机器学习的遮荫设施内参考作物蒸散量估算

为高效准确地估算遮荫设施内参考作物蒸散量（Reference Evapotranspiration, ET0）,该研究通过分析三七栽培遮荫设施（四周及顶部均由黑色遮阳网遮盖,通风性较好）内及设施外气象参数的关系,采用Sobol敏感性分析方法筛选出设施外有效的气象参数,并将其作为模型输入,以Penman-Monteith（FAO-56 PM）模型计算的值为标准值,采用贝叶斯优化（Bayesian Optimization, BO）算法优化机器学习方法（支持向量回归机（Support Vector Regression, SVR）、随机森林（Random Forest, RF）和极限学习机（Extreme Learning Machine, ELM））中的参数,建立3种遮荫设施内ET0估算模型（BO-SVR、BO-RF和BO-ELM）。结果表明：遮荫设施内ET0对设施外平均相对湿度、平均风速、最高气温和平均气温的敏感性较高,一阶敏感系数分别为0.450、0.304、0.064和0.026,故基于4组气象参数建立模型。BO-ELM模型的测试精度整体优于BO-SVR和BO-RF,其中BO-ELM模型基于平均相对湿度、平均风速、最高气温和平均气温的气象参数组合估算精度最高,决定系数、均方根误差和平均绝对误差分别为0.928、0.069 mm/d和0.046 mm/d,BO-ELM模型也能很好地适应少量气象参数（平均相对湿度和平均风速）估算设施内ET0,决定系数、均方根误差和平均绝对误差分别为0.910、0.078 mm/d和0.057 mm/d。综合考虑计算精度和计算代价,可将BO-ELM模型作为气象参数缺失情况下遮荫设施内ET0的估算方法。研究为遮荫设施内ET0的估算提供有效方法。     

基于高光谱的寒地水稻叶片氮素含量预测

为快速、无损和准确地诊断水稻营养状况,开展了基于高光谱成像技术的寒地水稻叶片氮素含量预测研究。以不同施氮水平下的水稻叶片为研究对象,利用高光谱成像技术,分析拔节期水稻叶片光谱,采用全波段高光谱数据、连续投影算法及分段主成分分析(segmented principal components analysis,SPCA)与相关分析(correlation analysis,CA)相结合的方法建立多种回归分析模型,并对模型进行检验和筛选。结果表明:随着施氮水平提高,水稻叶片反射率在可见光区域降低,在近红外区域升高。在校正集决定系数上,基于多元逐步回归分析的全波段模型较好,校正集决定系数为0.821,校正集均方根误差RMSEC=0.079;在预测集决定系数上,基于SPCA-CA结合多元回归分析的多变量单波段指数、差值指数、双差值指数模型较好,预测集决定系数为0.869,预测集均方根误差RMSEP=0.085。该研究结果为快速检测水稻叶片氮素含量及水稻生长期间精确施肥管理提供了参考。