基于NURBS的植物叶片几何建模

植物叶片属于非刚性物体,形态比较复杂,对其快速准确的建模对于虚拟植物生长可视化研究具有重要意义。笔者以板蓝根叶片为例探讨了基于少量三维实测数据,结合OpenGL求值器机制和NURBS函数建立叶片几何模型,研究了叶片几何模型的建立过程。     

基于RGB模型的草莓叶片光合作用指标估测

为了研究基于图像红（R）、绿（G）、蓝（B）颜色参数和叶片SPAD值预测光合作用指标的可行性,以草莓叶片为试验材料,构建多元线性回归模型和反向传播（BP）神经网络模型,对叶片蒸腾速率、气孔导度、净光合速率、胞间CO₂浓度进行估测,并对其精度进行评价和验证。结果表明,基于BP神经网络模型,使用图像RGB颜色参数和SPAD值对叶片蒸腾速率进行预测的效果较好,其次是气孔导度。BP神经网络模型的估测精度高于多元线性回归模型,蒸腾速率、气孔导度、净光合速率和胞间CO₂浓度的模型预测准确率分别达到91.5%、83.3%、74.4%和71.5%。BP神经网络的蒸腾速率模型、气孔导度模型的决定系数（R²）分别为0.922 2、0.842 3,均方根误差（RMSE）分别为0.000 2、0.025 9,平均绝对误差（MAE）分别为0.000 1、0.000 6。由结果可知,通过数码相机采集图像,并构建RGB模型,可简易快速估测草莓叶片蒸腾速率、气孔导度,能用于生产中草莓光合指标的估测。     

基于高光谱的夏玉米叶片SPAD值估测模型研究

快速、准确估测夏玉米叶片SPAD值,为大区域监控夏玉米长势提供数据支撑,通过PROSPECT模型模拟拔节期、抽雄期、灌浆期和乳熟期等不同生育阶段叶片光谱反射率,探讨基于高光谱技术估算SPAD值的建模方法。结果表明：（1）针对每个生育期,提出利用最优高光谱指数估测SPAD值的模型（简称最优模型）,对应的最优高光谱指数分别为：REIP、mND705、mND705、G-M,模型的决定系数（R2）分别为：0.625 9、0.691 2、0.591 9和0.579 9,均方根误差（RMSE）分别为：14.4、12.3、6.3和9.4,相对误差（RE）分别为：29.1%、22.1%、9.3%和16.9%。（2）针对整个生育期提出利用通用高光谱指数mND705估测SPAD值的模型（简称通用模型）,在这四个生育期模型的R2分别为：0.597 3、0.691 2、0.591 9和0.402 4,RMSE分别为：12.5、12.0、6.4和7.3,RE分别为：24.2%、21.5%、10.4%和11.8%。对比分析得到,通用模型R2高,RE低,因此,本文提出的通用模型具有较好的估测能力,对夏玉米叶片SPA...     

基于成像高光谱的苹果叶片叶绿素含量估测模型研究

以苹果树正常叶片、受红蜘蛛胁迫叶片的高光谱反射率和SPAD值为数据源,在分析SPAD值与原始光谱反射率及其一阶导数、高光谱值相关性的基础上,筛选敏感波段,建立了基于高光谱反射率的叶绿素含量估测模型。结果表明:正常苹果叶片叶绿素含量的敏感波段为513~539、564~585、694、699、720 nm,叶绿素含量的最佳估测模型为线性函数模型SPAD=152.450-1884.851R377;受红蜘蛛胁迫的苹果叶片叶绿素含量的敏感波段为961、972、720 nm,叶绿素含量的最佳估测模型为线性函数模型SPAD=49.371-46428.473 R’972。     

基于成像高光谱的苹果叶片叶绿素含量估测模型研究

以苹果树正常叶片、受红蜘蛛胁迫叶片的高光谱反射率和SPAD值为数据源,在分析SPAD值与原始光谱反射率及其一阶导数、高光谱值相关性的基础上,筛选敏感波段,建立了基于高光谱反射率的叶绿素含量估测模型。结果表明:正常苹果叶片叶绿素含量的敏感波段为513⁵39、564539、564⁵85、694、699、720 nm,叶绿素含量的最佳估测模型为线性函数模型SPAD=152.450-1884.851R377;受红蜘蛛胁迫的苹果叶片叶绿素含量的敏感波段为961、972、720 nm,叶绿素含量的最佳估测模型为线性函数模型SPAD=49.371-46428.473 R’972。     

基于成像高光谱的小麦叶片叶绿素含量估测模型研究

为了探索小麦叶片的光谱特征和敏感波段,建立小麦叶绿素含量与光谱特征参量间的定量关系模型,以促进高光谱技术在小麦精准施肥以及快速、无损长势监测中的应用。采用相关分析法分析了叶绿素含量与光谱反射率及其一阶导数的关系,建立了叶绿素含量监测模型。经筛选验证确定小麦叶绿素含量的最佳估测模型为SPAD=36.75+188.168R387和SPAD=2 094.242R'7153+112 646.744R'7152-1.561E7R'715+42.991。这2个模型均可较好地估测小麦叶片的SPAD值,相比较而言,基于波段R387建立的SPAD估测模型精确度更高。     

基于图像特征的水稻叶片全氮含量估测模型研究

探究水稻叶片生长外部颜色、几何形态特征与其全含氮量之间的定量描述关系,可以快速且准确地诊断水稻氮素营养状况。研究筛选了全氮含量估测敏感叶位,并比较了基于多元线性回归和机器学习方法的水稻敏感叶位全氮含量估测模型,为构建高性能的氮素营养定量诊断模型提供思路和方法。水稻田间试验于2017—2018年在江西省南昌市成新农场进行,供试水稻品种为两优培九,设置4个施氮水平(施氮水平从低到高为0、210、300和390 kg·hm^-2)。在水稻幼穗分化期和齐穗期,分别扫描获取水稻顶部第一完全展开叶叶片（顶1叶）、顶部第二完全展开叶叶片（顶2叶）以及顶部第三完全展开叶叶片（顶3叶）图像,共4 800张图像。通过图像处理技术获取25项水稻扫描叶颜色和几何形态特征,采用多元线性回归进行全氮含量估测,筛选出两个时期的敏感叶位,并应用机器学习方法建立水稻敏感叶位的全氮含量估测模型。与人工测量相比,通过图像处理方法获取的水稻叶片长宽平均相对误差分别为0.328%、3.404%;幼穗分化期顶3叶和齐穗期顶2叶较其他同期叶位更为敏感,且以幼穗分化期顶3叶最为敏感;应用机器学习建立的水稻敏感叶位全氮含量估测模型略优于多元线性回归模型,且采用BP神经网络建模最佳,幼穗分化期顶3叶模型验证集的RMSE_v=0.089、MRE_v=0.034、R²_v=0.887,齐穗期顶2叶模型验证集的RMSE_v=0.132、MRE_v=0.046、R²_v=0.820。幼穗分化期顶3叶和齐穗期顶2叶的叶片图像特征最具有代表性,进行全氮含量估测更具可行性,可作为水稻氮素营养诊断的有效叶位。     

基于光谱特征参量的高山松叶片氮素含量估测模型研究

以我国西部高海拔地区特有树种高山松为研究对象,基于ASD便携式地物光谱辐射仪测定高山松叶片光谱,结合叶样氮素含量的实验室分析结果,利用相关分析法筛选与叶样氮素含量具有极显著相关性的光谱特征参量,分别采用回归曲线法和K-邻近距离(KNN)法构建高山松叶片氮素含量的参数和非参数估测模型,通过精度检验对2种方法及其构建模型进行对比分析。结果表明：在参数模型中以红边面积与蓝边面积比值(S_Dr/S_Db)为自变量构建的二次函数模型估测效果最好,其决定系数(R²)、均方根误差(RMSE)和相对误差(RE)分别为0.627、0.12 g/100 g和4.75%;采用KNN法构建的非参数模型估测效果更好,其R²、RMSE和RE分别为0.856、0.12 g/100 g和5.43%。说明相对于传统的参数模型,KNN法构建的非参数模型在高山松氮素含量估测方面表现出更优越的估测能力。     

基于特征光谱优化组合模型的马铃薯叶片SPAD值估测

【 目的】探讨基于特征光谱优化组合的马铃薯叶片SPAD值高光谱估算方法,为实现马铃薯叶片SPAD值精准、高效、大面积监测提供理论依据。【 方法】于2020?2022年分别测定不同供水条件下马铃薯苗期、块茎 形成期和块茎膨大期叶片高光谱数据和SPAD值,提取各生育期敏感波段、一阶微分、光谱吸收特征参数和植被指数4种特征光谱,建立单一类型的特征光谱与SPAD值之间的线性模型;在此基础上,构建基于敏感波段、一阶微分特征波 段、光谱吸收特征参数和敏感植被指数优化组合的SPAD估算模型,并对模型精度进行验证。【 结果】在不同供水条 件下,马铃薯倒四叶片SPAD值随干旱胁迫程度的加剧而显著增加;苗期和块茎形成期的冠层高光谱反射率在充足灌 溉处理下最大,适度胁迫处理次之;而块茎膨大期则在充足灌溉处理下明显高于其他处理,其次是过量灌溉处理。利 用单一敏感波段、一阶微分、光谱吸收特征参数或植被指数的马铃薯叶片SPAD估算模型效果均较差,但利用上述4种特征光谱优化组合建立的马铃薯各生育时期叶片SPAD估算模型均优于单一特征光谱。基于优化组合构建的SPAD值预测模型的精度,在苗期以RF模型（R²=0.630）最优,其训练集和测试集R²分别为0.833 和0.490;在块茎形 成期和块茎膨大期均以Poly模型（R²分别为0.490和0.526）最优,前者的训练集和测试集R²分别为0.661和0.471,后 者的训练集和测试集R²分别为0.538和0.438。【 结论】基于4种特征光谱的优化组合模型对不同供水条件下马铃薯 叶片SPAD值具有较好的预测能力,是估算马铃薯SPAD的一种实时高效方法。     

葡萄叶片叶绿素含量高光谱估测模型研究

针对传统方法测定叶绿素含量存在的不足,采用高光谱技术建立了快速、准确、无损估测葡萄叶片叶绿素含量的方法。以采自泰安万吉山基地的葡萄叶片的高光谱反射率和SPAD值为数据源,在分析SPAD值与原始光谱反射率、原始光谱反射率一阶导数、高光谱特征变量间相关性的基础上,筛选敏感波段,建立了基于高光谱反射率的葡萄叶片叶绿素含量估测模型,即SPAD=59.352+44836.313R'601,其中R'601为601 nm波段原始光谱反射率一阶导数。     

基于高光谱苹果品种叶片铁含量估测模型

【目的】 在叶片水平上构建基于高光谱的苹果品种叶片铁素含量估测模型,为探寻实时、高效、无损的果树树体营养诊断提供技术途径。【方法】以苹果品种岩富10号为材料,测定岩富10号叶片光谱数据和铁素含量,采用光谱分析和相关分析法,筛选与叶片铁素含量相关性较强的光谱组合,利用偏最小二乘法构建苹果叶片铁素含量光谱估测模型。【结果】岩富10号苹果叶片一阶微分光谱与铁素含量的敏感波段为R′₉₉₀、R′_{1 113}、R′_{1 360}、R′_{1 408},相关系数最高为-0.698 9。对敏感波段两两进行加、减、乘、除运算,最优波段组合形式R′₉₉₀×R′_{1 048}与铁素含量相关系数为0.846 2。估测模型拟合度(R²)最高为0.827 5。【结论】苹果叶片一阶微分光谱组合与铁素含量显著相关(P<0.05),光谱组合能够明显提高其相关性,偏最小二乘法与逐步回归建模相比估算模型的精度更佳,可以用于苹果叶片铁素含量的光谱估算。     

基于高光谱植被指数的马铃薯叶片叶绿素含量估测模型

【目的】筛选相关性好的植被指数构建马铃薯叶片叶绿素a、叶绿素b估测模型,为科学、无损地进行马铃薯叶片叶绿素含量估算提供技术支撑。【方法】采用便携式高光谱地物波谱仪,获取不同施氮水平下不同生育时期的马铃薯植株叶片光谱反射率,提取植被指数,测定马铃薯叶片叶绿素a、叶绿素b含量,并研究叶绿素含量与植被指数的相关性。【结果】12个植被指数与叶绿素a、叶绿素b含量相关性较好,其中修正归一化差异指数(mND_(705))、修正简单比值指数(mSR_(705))、地面叶绿素指数(MTCI)、修改叶绿素吸收反射指数(MCARI)与叶绿素a、叶绿素b含量相关性最好。基于这4个植被指数建立的估测模型中,MTCI构建的乘幂模型估测叶绿素a含量的效果最佳,mND_(705)构建的指数模型估测叶绿素b含量的效果最佳。【结论】MTCI构建的乘幂模型能较为精确地估测叶绿素a含量,mND_(705)构建的指数模型能较为精确地估测叶绿素b含量;这2种模型可用于间接监测马铃薯植株的氮营养亏缺状态。     

基于高光谱的水稻叶片氮素估测与反演模型

快速、无损、准确地监测水稻叶片氮素状况,对于诊断水稻生殖生长特征、提高氮肥运筹水平具有重要意义。利用无人飞行平台搭载高光谱成像系统获取水稻冠层高光谱数据,分析了试验点水稻分蘖期叶片氮素与冠层高光谱信息之间的关系。结果表明,水稻分蘖期叶片氮素含量与同期归一化差值植被指数(NDVI)之间有良好的相关性,可以建立水稻分蘖期叶片氮素含量反演的相关统计模型。     

基于高光谱的油菜叶片SPAD值估测模型比较

[目的]比较基于高光谱参数的油菜叶片SPAD值估算模型效果.[方法]在分析光谱反射特征和光谱参数与SPAD值相关性的基础上,利用光谱特征参数优选并构建了偏最小二乘回归(PLSR)、传统反向传播神经网络(BPNN)、支持向量回归(SVR)和深度学习神经网络(DNN)等模型对叶片样本叶绿素SPAD值进行估测.[结果]①叶片...     

基于光谱指数的琯溪蜜柚叶片钙素含量估测模型研究

【目的】构建基于光谱分析的蜜柚叶片钙（Ca）素含量估测模型;可为蜜柚叶片钙素含量的监测和快速无损诊断提供理论基础。【方法】分析提取蜜柚叶片原始光谱及一阶导数光谱特征波段和光谱特征指数（差值光谱指数（DSI）、比值光谱指数（RSI）和归一化光谱指数（NDSI））;构建蜜柚叶片钙素含量的单变量估测模型、偏最小二乘估测模型（PLS）、反向传播神经网络估测模型（BPNN）、随机森林估测模型（RF）和支持向量机估测模型（SVM）;并评价和验证蜜柚叶片钙素含量的最优光谱估测模型。【结果】蜜柚叶片原始光谱和一阶导数光谱与钙素含量存在多波段显著相关;基于原始光谱和一阶导数光谱的相关系数;最大的波长分别为553、714 nm和528、699、602 nm。基于原始光谱和一阶导数光谱与钙素含量相关性较显著的光谱指数分别为DSI_790,1040、RSI_910,990、NDSI_900,990和NDSI′_350,580、DSI′_560,570、RSI′_350,580。以RSI_910,990、NDSI_900,990、NDSI′_350,580、DSI_790,1040、DSI′_560,570、RSI′_350,580、DSI′_528,602等光谱指数为自变量构建的多项式估测模型;决定系数R²较大（R²>0.60）。运用上述4种机器学习方法建立蜜柚叶片钙素含量高光谱估测模型;PLS、BPNN、RF和SVM 4种估测模型的R²分别为0.79、0.82、0.85和0.84;均方根误差（RMSE）分别为4.33、4.11、3.81和3.93;验证模型的R²分别为0.77、0.80、0.87和0.83;RMSE分别为4.50、4.28、3.67和3.90;估测模型的精确程度为RF>SVM>BPNN>PLS。【结论】蜜柚叶片钙素含量的4种模型进行精度对比分析表明;RF估测模型的预测性优于其他3种估测模型。该结果可为蜜柚叶片钙素含量快速诊断提供新方法以供参考。     

基于叶片特征的计算机辅助植物识别模型

植物的数量分类的主要依据是植物的外观特征，通过提取大量特征数据进行聚类分析获得结果。传统做法都是手工测量采集原始数据，效率较低。由于外观特征都可以以数字图片方式获得，通过计算机图像处理分析等技术采集数据并做聚类分析将大大提高效率。关键问题在于特征自动分析和获取，以植物叶片为例，阐述了如何提取大小、叶形及叶缘特征的方法，改进了圆形度参数的定义。提出了计算机辅助植物识别(CAPI)的概念，并对其前景做了讨论和展望。图3参8     

基于双路卷积神经网络的植物叶片识别模型

目的针对卷积神经网络识别植物叶片过程中,叶片边缘形状对卷积层的过度作用而导致相似边缘形状叶片识别错误的问题,提出了一种双路卷积神经网络的植物叶片识别模型。方法模型考虑了叶片信息的边缘形状与内部纹理特征,构建了双路卷积神经网路结构,其中形状特征路径运用7层卷积层的网络结构,前3层采用大尺寸11×11及5×5的卷积核提取大视野特征,完成叶片形状特征提取,另外4层卷积层采用3×3小尺寸卷积核提取叶片细节特征;纹理特征路径采用6个3×3卷积核的卷积层,提取叶片纹理图像细节特征;然后通过特征融合层将两类特征相加为融合特征,并利用全连接层对植物叶片种类进行识别。结果实验结果表明,双路卷积神经网络模型与单路卷积神经网络和图像处理分类识别模型相比,在Flavia叶片数据集与扩充植物叶片数据集上,Top-1识别准确率分别提高到了99.28%、97.31%,Top-3识别准确率分别提高到了99.97%、99.74%,标准差较其他识别与分类模型下降到0.18、0.20。结论本文提出的叶片识别模型能有效避免相似叶片边缘形状干扰而导致识别错误的问题,可以提高植物叶片的识别准确率。     

基于冠层反射光谱的冬小麦干物质积累量的估测研究

[目的]分析了小麦光谱特征与干物质积累量的相关关系。[方法]通过对冬小麦不同品种的干物质积累量、叶面积等参数和冬小麦冠层光谱反射率、光谱一阶微分和光谱比值植被指数(RVI)的相关分析,确立了冬小麦干物质积累量的敏感波段,并建立了预测模型。[结果]开花期350~700 nm和1 420~1 520 nm冠层光谱反射率和灌浆期350~1 750 nm冠层光谱反射率分别与干物质积累量显著相关;比值植被指数RVI(560,1220)与干物质积累量的相关性较好;确立的冬小麦干物质积累量预测模型为:干物质积累量=-186.94×RVI(560,1220)-2 242.2(R2=0.713 8),说明通过遥感手段监测冬小麦的群体质量是可行的。[结论]该研究为高光谱遥感技术在监测小麦的群体质量的应用提供参考依据。     

基于叶片尺度的东北粳稻产量估测

及时准确地估测水稻产量是服务现代农业的重要内容,对制定科学的粮食政策具有重要的现实意义。本研究以东北粳稻为例,利用试验区粳稻叶片植被指数归一化差值植被指数(NDVI)和光化学植被指数(PRI)估测粳稻产量。基于2015年粳稻生长关键期6-9月的叶片NDVI和PRI,结合试验小区产量数据,建立了基于试验区叶片NDVI和PRI的粳稻产量估算模型。单月NDVI与产量一元线性模型的R~2范围为0.455~0.581,平均估产精度为96.36%。单月PRI与产量一元线性模型的R~2范围为0.396~0.709,平均估产精度为96.68%。单月NDVI和PRI复合估产二元线性模型的R~2范围为0.655~0.784,平均估产精度为97.26%。利用不同月份组合的NDVI累积和与PRI累积和建立的粳稻产量模型R~2范围为0.765~0.949,估产精度均在97.48%以上。所建参数模型中拟合效果最好的是6月、8月、9月NDVI累积和与PRI累积和复合的估产模型,R~2为0.949,估产精度高达98.82%,此模型可作为粳稻估产的一种参考模型。     

双季晚稻叶片叶绿素含量的冠层高光谱估测模型研究

叶绿素是水稻光合能力的指示器,水稻叶片叶绿素含量直接影响光合速率。高光谱遥感技术可以为水稻叶片叶绿素含量的定量化诊断提供简便有效、非破坏性的数据采集和处理方法,为构建和验证以水稻光谱参数为自变量的水稻叶片叶绿素含量的高光谱估测模型,对不同氮素条件下水稻叶片叶绿素含量和各类"三边"参数间的相关性进行分析。结果表明,各类"三边参数"中以Dr、SDr、SDr/SDb为自变量的二次模型的决定系数R2达到较大值,分别为0.636、0.644、0.632,通过模型预测精度检验,得出最适合估测水稻叶片叶绿素含量的模型是以Dr为自变量建立的水稻叶片叶绿素含量诊断模型[y=1.278+1.943x+0.880x~2(均方根差为0.83,相对误差为1.4),其中x为冠层光谱参数Dr,该模型可以定量估测水稻叶片叶绿素含量。