基于参数优化支持向量机的水稻施氮水平分类研究

[目的]应用参数优化支持向量机对水稻施氮水平进行准确分类预测,为水稻精准施肥和高产管理提供科学依据.[方法]以水稻品种金优458为试验材料,设4个施氮水平(从高至低折合纯氮用量分别为225、150、75和0 kg/ha),通过叶绿素测量仪SPAD-502获取水稻第6~9叶序叶片的SPAD值(即叶尖、叶中和叶枕的SPAD值),并分别应用网格搜索算法和粒子群算法参数优化支持向量机对4个施氮水平下的水稻叶片SPAD值进行训练和预测分类.[结果]对于第7、8叶序、第7~9叶序及第6~8叶序叶片组合,粒子群算法参数优化支持向量机对水稻施氮水平的分类识别效果均优于网格搜索算法,其准确率均高于75.000%,对归一化处理后的第7、8叶序叶片组合识别率最高,达88.889%.[结论]基于粒子群算法参数优化支持向量机适用于水稻施氮水平分类预测,能满足农学研究的需求.     

基于支持向量机的水稻叶面积测定

本研究探讨了水稻叶长、叶宽与叶面积之间的关系。应用改进网格搜索算法参数优化后的支持向量机对计算机图像处理技术测量所得到的样本数据进行训练,以水稻叶片长度(L),叶片最大宽度(W)、叶面积回归拟合值(S)作为输入变量对水稻叶面积进行预测。结果表明,在不同的水稻品种下,相比于其他模型本研究提出的支持向量机Ⅲ模型预测结果的均方根误差和平均相对误差最低,均方根误差分别为1.882 1(两优培9),1.387 3(金优458)和1.348 2(中早35),平均相对误差分别为2.901 4%(两优培9),5.273 5%(金优458)和4.929 3%(中早35)。该模型能较真实地反映水稻叶面积的实际大小,满足农业科学研究的需求,为植物叶面积的预测提供了一种新的方法。     

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.     

基于RGB与HSV颜色空间的水稻齐穗后叶片SPAD值估测方法研究

通过计算机视觉技术对齐穗期至成熟期的水稻叶片图像进行分割,提取水稻叶片图像在RGB和HSV颜色空间中的6种颜色特征参数,计算典型的18种颜色分量,分析了颜色特征参数和颜色分量与水稻叶片SPAD值之间的相关关系;然后,采用线性回归分析方法,分别建立了基于RGB颜色空间和基于RGB与HSV颜色空间的SPAD值的估测模型,并采用逐步回归方法,分别建立了基于颜色特征参数和颜色分量的SPAD值的估测模型。结果表明:RGB颜色空间和HSV颜色空间均与水稻叶片的SPAD值有极显著的相关关系,以HSV颜色空间与水稻叶片SPAD值的相关关系更为密切;颜色特征参数H与SPAD值之间的相关关系最密切,其次是S、R、V;颜色分量r/b与SPAD值之间的相关关系最密切,其次是R-B、b、r;在建立的水稻叶片SPAD值的4个估测模型中,以基于颜色分量的逐步回归模型的拟合效果最好。因此,综合RGB和HSV颜色空间中图像颜色信息的分析应用,有利于提高水稻叶片SPAD值的图像反演精度。     

基于RGB与HSV颜色空间的水稻齐穗后叶片SPAD值估测方法研究

通过计算机视觉技术对齐穗期至成熟期的水稻叶片图像进行分割,提取水稻叶片图像在RGB和HSV颜色空间中的6种颜色特征参数,计算典型的18种颜色分量,分析了颜色特征参数和颜色分量与水稻叶片SPAD值之间的相关关系;然后,采用线性回归分析方法,分别建立了基于RGB颜色空间和基于RGB与HSV颜色空间的SPAD值的估测模型,并采用逐步回归方法,分别建立了基于颜色特征参数和颜色分量的SPAD值的估测模型。结果表明:RGB颜色空间和HSV颜色空间均与水稻叶片的SPAD值有极显著的相关关系,以HSV颜色空间与水稻叶片SPAD值的相关关系更为密切;颜色特征参数H与SPAD值之间的相关关系最密切,其次是S、R、V;颜色分量r/b与SPAD值之间的相关关系最密切,其次是R-B、b、r;在建立的水稻叶片SPAD值的4个估测模型中,以基于颜色分量的逐步回归模型的拟合效果最好。因此,综合RGB和HSV颜色空间中图像颜色信息的分析应用,有利于提高水稻叶片SPAD值的图像反演精度。     

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。     

基于水稻冠层高光谱的叶片SPAD值估算模型研究

为进一步提高水稻冠层光谱对叶片叶绿素相对含量(soil and plant analyzer development,SPAD)值的反演精度,利用光谱仪和叶绿素计实测了水稻全生育期的冠层高光谱反射率和SPAD值,并对原始光谱反射率及一阶导数光谱与叶片SPAD值进行了相关性分析;利用主成分分析(principle component analysis,PCA)对原始光谱数据进行降维,将得到的主成分作为输入变量,分别应用逐步多元线性回归分析法(stepwise multiple linear regression,SMLR)与支持向量回归(support vector regression,SVR)构建叶片SPAD值的高光谱估算模型;另分析322种冠层光谱参数与叶片SPAD值之间的相关关系,筛选相关系数高的14种特征参数作为输入变量,分别应用逐步回归与支持向量回归构建SPAD值的高光谱估算模型,并进行验证。结果表明,叶片SPAD值与水稻冠层原始光谱反射率的相关性在669 nm处高达-0.876,与一阶导数光谱的相关性在543 nm处最高达-0.834;不同模型的精度值各异,以特征参数为输入变量建立的逐步回归模型和SVR模型的均方根误差RMSEv分别为2.926、3.895,相对分析误差RPD分别为2.064、1.55。而基于主成分分析建立的逐步回归模型和SVR模型的RMSEv分别为3.349、2.631,RPD分别为1.803、2.295。对比发现主成分分析结合支持向量机模型可以很好地预测叶片SPAD值。     

利用叶绿素计诊断水稻氮素营养的研究

以2个叶色不同的晚熟粳稻品种为试验材料,测定了4个氮肥水平下水稻分蘖盛期和抽穗期主茎顶部3张叶片的叶色SPAD值以及叶片氮含量.结果表明:2个水稻品种顶3叶SPAD值在不同氮肥水平下变化最大,不受品种的影响,并且与水稻总叶片含氮量及植株含氮量呈极显著的相关性.因此,通过测定水稻顶3叶的SPAD值可以诊断水稻的氮素营养状况.     

支持向量机和最大类间方差法结合的水稻冠层图像分割方法

针对田间多变光照强度给水稻冠层图像分割带来的难题,探讨了一种基于支持向量机(SVM)和最大类间方差法(OTSU法)相结合的水稻冠层图像分割算法。首先,从不同光强条件下的水稻冠层图像中采集代表性水稻和背景像元构建训练图像S1和S2,通过分析水稻S1和背景S2两类图像在RGB色彩空间中R、G、B色彩特征值的分布频率,rgb(标准化RGB)色彩空间中r、g、b色彩特征值的分布频率,CIE L*a*b*色彩空间中L*、a*、b*色彩特征值的分布频率,以及HSV色彩空间中H、S、V色彩特征值的分布频率,筛选出具有明显双峰特征的g、a*、b*和S作为关键色彩特征;然后,在由g、a*、b*和S色彩特征构成的多维色彩空间中采用支持向量机学习算法获得分隔水稻和背景像元的优化超平面Z(Z=0.421g+0.753 a*+0.152 b*+0.051S+0.085);最后,计算水稻冠层图像中每一像元的Z值,并用最大类间方差法计算分割阈值Z_t,从而实现水稻冠层图像分割。为了评价该分割方法,以90幅不同光强(阴天、多云和晴天)条件下采集到的田间水稻冠层图像作为测试图像,并以常用的ExGOTSU分割方法作为对比,分析该分割方法的分割精度和光强稳健性。结果表明,Ex GOTSU方法的精确度显著受光强条件影响,随着光强强度的提高而显著降低,光强稳健性差;该研究所提分割方法对阴天、多云和晴天条件下水稻冠层图像的分割误差为7.30%、8.72%和8.98%,分割精确度较高,且具有良好的光强稳健性。因此,该基于支持向量机和最大类间方差法相结合的水稻冠层图像分割方法具有较高的分割精度和光强稳健性,可为田间多变光照条件下水稻冠层图像精准分割提供技术参考。     

水稻叶片几何参数无损测量方法研究

【目的】提出实现自然生长状态下的水稻叶片几何形态参数视觉无损测量,为实时监控水稻的生长状况提供准确的数据,也为农学研究者提供新的技术手段。【方法】类似曲线长度细线测量方法,在叶脉上通过手势交互绘制确定一组控制点,插值生成过控制点的3次B样条曲线,调整控制点使得B样条曲线逼近叶脉方式实现水稻叶片长度测量。在叶片最大叶宽处绘制1次B样条曲线实现水稻叶片最大叶宽测量。采用基于4个方向模板运算的距离变换算法对茎叶夹角图像进行骨架信息提取,并利用Hough变换对提取的骨架信息进行直线检测实现茎叶夹角计算。应用BP神经网络、支持向量机回归和随机森林回归算法对样本数据进行训练,以水稻叶片长度、叶片最大宽度作为输入变量对水稻叶面积进行估测。【结果】B样条曲线逼近方式计算的水稻叶长的平均绝对误差和平均相对误差分别为0.523 3 cm和2.33%,叶宽的平均绝对误差和平均相对误差分别为0.055 2 cm和6.66%。Hough变换计算的茎叶夹角平均绝对误差和平均相对误差分别为1.27°和2.46%;通过对金优458和中早35两个不同品种结果对比,相较于其他模型,发现BP神经网络模型对叶面积估测结果的均方根误差、平均绝对误差和平均相对误差分均为最低,其中JY458品种的均方根误差、平均绝对误差及平均相对误差分别为1.189 2 cm2、1.061 cm2和4.95%,ZZ35品种的均方根误差、平均绝对误差及平均相对误差分别为1.143 1 cm2、0.959 5 cm2和4.85%。【结论】从图像采集到测量操作过程都不与被测叶片器官进行接触,真正意义上实现了对水稻叶片几何形态参数的无损测量,且操作便捷,测量精度高,误差小,完全能够满足农学研究的需求,为其他植物器官的几何形态参数无损测量提供了一种新的普适方法。     

水稻氮素和叶绿素SPAD叶位分布特点及氮素诊断的叶位选择

 【目的】研究分析水稻氮素和SPAD值的叶位分布特点，并试图提出SPAD计诊断氮素营养状况的最佳测定叶位。【方法】在95-38、武育粳3号、镇稻5394、9915等4个粳型品种和1个籼型品种R161-10的盆播氮肥试验和宁粳2号大田氮肥试验的基础上，研究水稻氮素和叶绿素含量（SPAD值）随叶位的空间分布特征，并对不同叶位叶片的含氮率、叶绿素含量、SPAD值之间及其与总叶片含氮率和植株含氮率之间的相关性进行分析，比较不同叶位叶片SPAD测定值的变异系数。【结果】水稻不同叶位叶片含氮率、叶绿素含量、SPAD值均存在差异，增加施氮量能提高叶片含氮率、叶绿素含量和SPAD值，同时减少叶位间的差异；SPAD值对氮素的敏感性顺序为顶4叶、顶3叶和顶2叶，而顶1叶的敏感性排序因品种不同而不同；穗分化期、齐穗期和成熟期均以顶3叶与总叶片及植株含氮率相关系数最高；且适宜氮素水平下，穗分化期顶3叶SPAD值的变异系数最小。【结论】以某一特定叶片的SPAD值或以叶色差的大小来诊断水稻氮素营养状况和推荐水稻穗肥施用时，顶3叶是较为理想的指示叶或参照叶。     

基于支持向量机的水稻稻瘟病图像分割研究

水稻稻瘟病图像的分割是水稻稻瘟病自动分析与识别的关键环节,其分割效果直接影响后续处理。提出一种基于支持向量机的水稻稻瘟病病害彩色图像分割方法。首先选取叶子正常部分的像素点以及颜色相对复杂的病斑像素点作为负训练样本和正训练样本,提取像素R、G、B彩色分量作为特征向量,对支持向量机进行训练,然后在RGB空间利用训练好的支持向量机对待分割图像的所有像素点进行分类,实现水稻稻瘟病彩色图像的分割。为了获得最佳的分割效果,采用网格搜索法对径向基核函数下的不同核参数分割效果和性能进行比较与分析,确定最佳模型参数。利用此模型进行水稻稻瘟病图像分割实验,获得较好的分割精度,结果优于最大类间方差分割算法。     

关于用水稻“顶3顶4叶叶色差”作为高产群体叶色诊断统一指标的再论证

【目的】进一步论证用水稻"顶3顶4叶叶色差"作为高产群体叶色诊断的统一指标。【方法】以2001—2002年的试验结果进行再论证。选择叶色(SPAD)差异较大的金南风、9915、越光、9325等4个粳稻材料,白稻、H97-322等2个籼稻材料;通过不同施氮量试验,用SPAD-502型叶绿素计于有效分蘖临界叶龄期(N-n)、倒2叶期和齐穗期测定全株各叶的SPAD值,比较单叶SPAD值、顶3顶4叶色差跟植株含氮率、产量形成的关系差异。【结果】单叶SPAD值品种间或生育期差异很大,难以用某一叶的SPAD值诊断氮素营养状态,而在生育各期会出现顶4顶3、顶4=顶3和顶4顶3三种叶色差,是氮素不足、正常和过剩的生理反映;单叶的SPAD值与分蘖率、成穗率、每穗颖花数和结实率之间没有规律性的关系,不能作为共同诊断指标,而顶3顶4叶叶色差和产量三因素的形成存在规律性的变化关系;单叶SPAD值不能作为产量诊断的指标值,而在N-n叶龄期、倒2叶龄期和齐穗期3个叶龄期顶3顶4叶色差值相等的群体,均可以获得最高的产量。【结论】顶3叶顶4叶叶色差是稻体氮素营养水平的表观指标;单叶SPAD测定和顶3顶4叶色差诊断配合,可以准确诊断水稻植株氮素的丰亏。     

基于高光谱成像技术的油菜SPAD值空间分布预测及最佳测量叶位

采集不同氮素处理水平下的油菜植株不同叶位和叶片部位的高光谱数据、SPAD值和叶绿素含量实测值,在筛选原始高光谱数据预处理方法的基础上,比较基于偏最小二乘(partial least squares,PLS)模型和最小二乘-支持向量机(least squares support vector machine,LS-SVM)的SPAD预测模型。结果表明,基于标准正态变量校正(standard normal variate,SNV)预处理方法的LS-SVM模型(SNV-LS-SVM)为最佳高光谱-SPAD预测模型,可准确预测油菜叶片SPAD值空间分布和可视化结果。基于SPAD空间分布结果提取不同叶位和叶片部位的SPAD值,将其与对应植株和叶片位置的实测叶绿素含量进行相关性分析,结果显示,油菜SPAD值最佳测量叶位为顶四叶的顶部。     

水稻叶片SPAD空间分布与氮素营养及种植密度的关系

通过大田试验,研究在4个施氮水平和3个种植密度下,水稻孕穗和抽穗两个时期水稻不同叶位叶片SPAD值的空间分布特征,并对叶片氮素营养和种植密度与不同叶位的SPAD值之间的相关性进行分析。结果表明,随着施氮量的增加,孕穗期SPAD值表现为顶3叶>顶2叶>顶4叶>顶1叶;抽穗期SPAD值表现为顶1叶>顶2叶>顶3叶>顶4叶。不同种植密度对水稻各叶位的SPAD值差异不显著。相关分析发现,孕穗期不同叶位SPAD值与施氮量的相关性顺序是顶4叶>顶3叶>顶2叶;抽穗期不同叶位SPAD值与施氮量的相关性顺序是顶1叶>顶3叶>顶2叶>顶4叶。     

不同氮素水平下水稻叶片及相邻叶位SPAD值变化特征

通过大田试验,研究在3种不同施肥方案和6个施氮水平下,水稻植株整个生长周期SPAD值的变化情况以及水稻分蘖、孕穗和抽穗3个重要时期主茎顶1叶至顶4叶的SPAD值分布变化特征。结果表明:水稻整个生长期叶色呈现"黑黄"交替的变化规律,而主茎顶4叶对氮素供应盈缺的反应最为敏感,可作为反映水稻N素营养状况的理想指示叶;对水稻主茎上各个相邻叶位的SPAD差值与施氮水平之间的相关性比较发现,顶4叶和顶3叶的SPAD差值(SPADL4-L3)与施氮水平之间存在明显的相关性,随着施氮水平的提高,顶4叶与顶3叶间的SPAD值差异逐渐缩小,且这一结果不受施肥条件和水稻生长时期的影响,因此,也可以利用SPADL4-L3值作为水稻整个生育期N素营养状况实时诊断的指标。     

实时实地氮肥管理对不同杂交水稻氮肥利用率的影响

 【目的】探讨两系和三系杂交水稻在实时实地氮肥管理模式下对氮素的吸收和氮肥利用率的差异。【方法】试验于2004和2005年在大田条件下,以两优培九、汕优63为材料比较研究了实时实地氮肥管理模式下不同叶绿素仪（SPAD）预设阈值对其吸氮特性与氮肥利用率的影响。【结果】水稻叶片叶色存在基因型差异,汕优63顶叶的SPAD值比两优培九平均低1.7～2.0个数值单位。在实时氮肥管理模式下,施氮量与SPAD预设阈值呈指数相关关系。对于汕优63而言,Nrate=0.9956 e0.132 SPAD （r2=0.8338**）,对于两优培九则为Nrate=0.1565 e0.173 SPAD（r2=0.9508**）。在SPAD预设阈值介于36～40的范围内,若要保持两个品种同一时期顶叶的SPAD值相同,汕优63比两优培九需要多施用氮肥37.3 kg N•ha-1。【结论】在实时实地氮肥管理模式下,当氮肥平均用量接近160 kg N•ha-1时,两优培九的吸氮能力、氮肥吸收利用率和氮素籽粒生产效率与汕优63相当;其氮素干物质生产效率、氮肥农学利用率高于汕优63;其氮素收获指数低于汕优63。此外,两优培九比汕优63表现出较高的耐肥抗倒伏能力。