基于机器学习和深度学习的玉米种子活力光谱检测

为解决传统的种子活力检测方法存在耗时长、损伤种子等问题,实现种子活力的快速无损检测,分别利用机器学习和深度学习算法结合高光谱成像技术构建玉米种子3个活力梯度分类模型,通过人工老化方式将1 012粒玉米种子分为3个活力梯度样本,采集其高光谱数据后通过卷积平滑（SG）和多元散射校正（MSC）去除高光谱噪声,分别采用主成分分析（PCA）、连续投影算法（SPA）进行光谱特征降维,再从降维后的波段中抽取1 156、1 191和1 463 nm 3个波段合成假彩色图像,用局部二值模式（LBP）提取感兴趣区域的纹理特征,并与纯光谱特征融合。分别基于纯光谱特征构建决策树（DT）和支持向量机（SVM）模型和融合特征建立随机森林（RF）、SVM和极端梯度提升树（XGBoost）模型等机器学习模型。将假彩色图像输入ResNet18、MobileNetV2、DenseNet121、Efficientb0、Efficientb2等5个深度学习模型中进行玉米种子活力预测。结果显示,就机器学习方法而言,针对纯光谱特征表现最好的是PCA-SVM模型,其测试集准确率为92.5%;针对融合特征表现最好的是SVM模型,其测...     

基于高光谱与集成学习的单粒玉米种子水分检测模型

为建立单粒玉米种子水分含量的高精度检测模型,制备了80份不同水分含量的玉米种子样本。针对玉米种胚朝上和种胚朝下分别进行高光谱反射图像采集,每份样本取样100粒,波长范围为968.05～2 575.05 nm。采用PCA快速提取单粒种子光谱,经多元散射校正预处理后,分别采用随机森林(RF)和AdaBoost算法建立单粒种子水分检测模型,并集成两种算法特征提出基于加权策略的改进RF用于单粒种子水分含量建模。利用单粒玉米种子胚朝上的光谱信息建立的改进RF模型训练集相关系数R为0.969,训练集均方根误差(RMSEC)为0.094%,测试集R为0.881,测试集均方根误差(RMSEP)为0.404%;利用单粒玉米种子胚朝下的光谱信息建立的改进RF模型训练集R为0.966,RMSEC为0.100%,测试集R为0.793,RMSEP为0.544%。实验结果表明：改进RF的泛化能力和预测精度明显优于RF和AdaBoost算法;种胚朝上的单粒玉米种子水分含量检测模型优于种胚朝下的模型。高光谱检测技术结合集成学习算法建立的玉米种子水分检测模型预测精度高,稳健性好。     

基于CARS特征波段筛选的冬小麦植株氮浓度监测

【目的】 氮素在作物生长发育、产量及品质形成中不可或缺的营养元素。高效、无损、精准地获取作物氮素盈亏状况,能够监测作物长势,提高氮肥施用水平和利用效率,降低施肥过量导致的农田面源污染。【方法】 文章对2020—2022年3年高光谱数据进行SG平滑、一阶导数预处理。将相关性分析（Correlation analysis,CA）与竞争性自适应重加权采样法（Competitive Adaptive Reweighted Sampling,CARS）相结合（CA-CARS）,研究光谱一阶导数与植株氮浓度（Plant nitrogen concentration,PNC）的关系,明确拔节期不同氮素处理下的敏感性波段。最终筛选出最敏感波段构建植被指数,基于此建立冬小麦植株氮浓度一元线性监测模型。以2020年、2022年数据为训练集建模、2021年数据为验证集进行模型精度验证。【结果】 （1）综合3年拔节期不同氮水平下,冬小麦PNC高度敏感波段区位主要有：蓝绿波段（495 nm~503 nm）、红边范围（736 nm~750 nm）及近红外范围（751 nm~753 nm、751 nm~753 nm、761 nm~765 nm、773 nm~779 nm、922 nm、937 nm~938 nm、1 016 nm~1 032 nm、1 083 nm~1 088 nm、1 127 nm、1 142 nm~1 145 nm、1 292 nm~1 300 nm）。（2）CARS筛选出6个特征波段为459 nm、682 nm、721 nm、746 nm、1 049 nm、1 175 nm。（3）利用特征波段组建15个冠层比值氮指数（Canopy Ratio Nitrogen Index,CRNI）,CRNI10的模型精度最高、均方根误差最小。其训练集验证集决定系数、均方根误差分别为R²=0.785、R²=0.679、RMSE=0.254和RMSE=0.332。说明该文构建的CRNI在PNC监测上更具泛化性。【结论】 通过CA-CARS结合的方式筛选出的特征参数所构建的PNC反演模型,能有效提升PNC监测模型的精度、迁移性及稳定性。     

基于角度指数的油菜叶片等效水厚度估算研究

叶片等效水厚度(EWT)是评估油菜生长状态的一个重要参数。为快速准确估算油菜叶片EWT,选择9个常用的植被水分指数(WI、PRI、NDVI、NDII、NDWI、MSI、PWI、GVMI、NDMI),在6个已有角度指数(β_SWIR1、SANI、SASI、ANIR、NANI、NASI)基础上,提出2种角度比值指数(SARI、NARI),并根据油菜叶片水吸收谷峰高光谱特征,提出基于水吸收谷1 450 nm和1 930 nm的8种改进型角度指数,利用以上25种角度指数估算不同施氮水平下苗期、蕾薹期以及不区分苗期、蕾薹期情况下的油菜叶片EWT。结果表明,苗期ANI₁₄₅₀、ASI₁₄₅₀、MSI、GVMI、NDII估算效果较好,R^2均达到0.81以上;蕾薹期ANI₁₉₃₀、ASI₁₉₃₀、NASI、SANI、GVMI、SARI效果最好,R^2均达到0.71以上;在不区分苗期、蕾薹期的情况下,改进型角度指数ANI₁₄₅₀、ASI₁₄₅₀效果最好,R^2均达到0.832,可以在不区分苗期、蕾薹期情况下对油菜叶片EWT进行估算,适用性更广。本研究提出的改进型角度指数不仅丰富了已有角度指数,且提高了其反演油菜叶片EWT的精度,为快速精确估计油菜叶片EWT提供了新的研究思路。     

基于反射光谱的山核桃幼苗氮素营养状况分析

山核桃(Carya cathayensis)是世界著名的干果之一,也是重要的木本油料作物,其油味清香、营养丰富,是优良的休闲保健食品.山核桃长期以来产量不稳、大小年现象明显,通过肥水管理、病虫害防治等有效管理措施,大部分产区大小年现象都明显趋缓,产量逐年上升(黎章矩,2003).我国山核桃研究起步较晚,在其营养方面的研究甚少.     

基于CWT-RF模型估算博斯腾湖湖滨绿洲土壤有机碳含量

为实现博斯腾湖湖滨绿洲土壤有机碳含量的快速估算,结合实测的土壤高光谱数据与土壤有机碳数据,通过连续小波变换(CWT)进行土壤光谱数据预处理,利用相关系数法(CC)、连续投影算法(SPA)、竞争自适应重加权采样(CARS)、遗传算法(GA)筛选的特征波段作为建模输入量,构建随机森林(RF)模型。结果表明:研究区土壤有机碳含量平均值随土层深度增加由12.36 g/kg降低至10.49 g/kg,变异系数平均值为69.62%,空间异质性较强;CWT变换可以有效提高不同土层深度土壤有机碳含量与光谱反射率间的相关性,不同土层深度相关系数均值平均提升约22.41%;光谱数据经过CWT变换构建的模型精度明显提升,RF模型验证集R2与RPD分别平均提高7.09%、10.06%。CC、CARS、SPA、GA方法能消除光谱信息冗余,有效降低CWT-RF模型的输入量与RMSE值,土层深度0~20、20~40、40~60和60~80 cm筛选的特征波段平均压缩至全波段数目分别为8.51%、5.38%、2.21%和3.67%;RMSE值分别平均降低111.67%、135.61%、12.25%和74.96%,有效提升了建模速率与模型精度。利用CWT-SPA-RF模型对博斯腾湖湖滨绿洲0~80 cm土壤有机碳含量进行估算的效果最佳,构建的模型验证集R2≥0.77,RMSE≤3.06 g/kg,RPD≥2.07。     

基于高光谱成像的水稻穗瘟病害程度分级方法

为了快速、准确地进行水稻穗瘟病害程度分级,以实现水稻品种抗性评价或精准的田间化学防治,该研究提出了一种光谱词袋(bag of spectrum words,Bo SW)模型分析方法,分析稻穗的高光谱图像,自动评判穗瘟病害程度。首先,稠密规整地将高光谱图像分割成小立方格,计算每个立方格像素的平均全波段包络矢量,用K-Means算法聚类形成典型光谱包络词典。词典中光谱包络\"词\"(word)用作高光谱图像表达的\"基\",直方图统计各光谱\"词\"在高光谱图像样本中的出现频度,形成光谱图像的词袋表达。采用Hyper SIS-VNIR-QE光谱成像仪获取田间采集的170株稻穗样本高光谱图像,用Bo SW方法生成其词袋表达;植保专家根据病害程度类别确定光谱图像样本标签。随机选择2/3\"词袋表达-病害程度等级标签\"数据对构成训练集,采用卡方-支持矢量机(chi-square support vector machine,Chi-SVM)分类算法建立穗瘟病害程度分级模型。余下的1/3样本构成测试集,测试穗瘟病害等级模型的预测性能,分类识别精度为94.72%,高于主成分分析(principle component analysis,PCA)、敏感波段选择等传统光谱分析方法,其识别精度分别为83.83%和79.83%。该研究提高了穗瘟病分级的自动化程度和准确率,也可为其他病害分级检测提供参考。     

紫色土和黄壤含水率的室内光谱反演

[目的] 选择西南地区代表性土类紫色土和地带性黄壤,分析其光谱信息,构建土壤水分反演模型,估测土壤含水率,为西南地区土壤水分快速监测提供方法依据。[方法] 通过室内配置紫色土和黄壤不同土壤含水率水平,运用地物光谱仪测量其光谱反射率,比较不同含水率条件下两类土壤的高光谱特征;采用多种数学变换和相关分析法提取特征波段,运用多元逐步回归（SMLR）和BP神经网络（BPNN）分别构建土壤含水率的高光谱估测模型。[结果] ①随土壤含水率的增加,紫色土和黄壤的光谱反射率均逐渐降低;在相同含水率条件下,紫色土的光谱反射率低于黄壤。②土壤含水率对可见光波段（380～760 nm）反射率的影响显著低于红外波段（760～2 500 nm）;均在1 400,1 900,2 200 nm附近存在明显水分吸收谷。③经数学变换的紫色土和黄壤光谱反射率均与土壤含水率存在极强的相关性。④基于BPNN建立的土壤水分反演模型整体优于SMLR模型。[结论] BPNN模型为西南地区紫色土和黄壤土壤含水率光谱反演的最优模型,能够快速准确估测紫色土和黄壤土壤水分状况。