基于高光谱成像技术的柑橘叶片含氮量快速检测方法研究

摘要

氮素是果树生长发育的一种大量必需元素，直接参与蛋白质、叶绿素和酶等化合物的组成，影响着果树生长、果实增产和品质的提高。实时、准确地获取果树的氮素营养信息，既有利于果树的合理施肥从而达到增产与提高果实品质的目的，又能有效缓解过量施氮引起的地表水和地下水的污染问题。本研究以柑橘植株为研究对象，采集了柑橘鲜叶的高光谱图像，使用杜马斯燃烧法快速定氮仪测定了叶片含氮量，对光谱预处理方法和特征波段进行了筛选，利用化学计量学方法建立了良好的柑橘叶片含氮量预测模型，并提取了柑橘叶片的纹理特征用以建模，最后在传统植被指数的基础上提出了新的可靠的双波段型植被指数。主要研究结论如下:
　　(1)在Savitzky-Golay(SG)平滑、变量标准化算法(SNV)和多元散射校正(MSC)等11种预处理方法中，筛选出SG平滑、去趋势算法(Detrending)和SG平滑-Detrending这3种最优预处理方法。基于这3种预处理过的光谱，采用连续投影法(SPA)挑选出各自的特征波长作为偏最小二乘法(PLS)、多元线性回归(MLR)和反向传播人工神经网络(BPNN)模型的输入所获得的9个预测模型中，SG平滑-Detrending-SPA-BPNN(Rp:0.8513,RMSEP:0.1881)和Detrending-SPA-BPNN(Rp:0.8609,RMSEP:0.1595)这两个模型获得的含氮量预测效果均比较理想。
　　(2)基于高光谱图像筛选出的三种预处理方法的BPNN模型预测效果明显优于PLS和MLR模型，表明BPNN等非线性回归校正方法可能比PLS和MLR等线性回归方法更适用于柑橘叶片氮素水平预测模型的建立。
　　(3)基于灰度直方图的BPNN测氮模型的较好的预测效果(Rp:0.8058，RMSEP:0.1847)说明基于灰度直方图的纹理特征变量具有一定的柑橘叶片估氮潜力。基于灰度共生矩阵和基于灰度直方图+灰度共生矩阵的MLR模型的建模集相关系数很好(Rc＞0.9)，预测集相关系数却很差(Rp＜0.2)，说明基于叶片纹理特征变量的测氮模型有待进一步的优化。
　　(4)新衍生出的双波段型植被指数（Rλ1-Rλ2）/（Rλ1+Rλ2），（Rλ12-Rλ22）/(Rλ12+Rλ22)，（Rλ1-Rλ2）/Rλ2和Rλ1/Rλ2在特征波段组合λ1=856nm和λ2=814nm处其值与叶片含氮量均达到最大相关性(R＞0.8)。
　　(5)基于(R856-R814)/(R856+R814)，(R8562-R8142)/(R8562+R8142)，(R856-R814)/R814和R856/R814这四个双波段植被指数所建立的柑橘叶片含氮量预测模型的预测效果十分相近，Rc均在0.8以上，Rp均在0.72以上。基于这四个植被指数的二次多项式函数模型都获得了较好的预测效果，Rc均高于0.84，Rp均高于0.79，且双波段型植被指数的测氮效果普遍优于传统的植被指数和红边参数，以上结果说明衍生出的λ1=856nm和λ2=814nm组合下的双波段型植被指数具有一定的柑橘植株氮素水平预测潜能。

目录

声明

论文说明

致谢

摘要

第一章 绪论

1．1 研究背景和意义

1．2 前人研究进展

1．2．1 叶绿素仪分析技术在作物氮素诊断上的应用

1．2．2 光谱分析技术在作物氮素诊断上的应用

1．2．3 高光谱成像技术在作物氮素诊断上的应用

1．3 研究目的和内容

1．3．1 研究目的

1．3．2 研究内容

1．4 本章小结

第二章 试验设备与研究方法

2．1 试验设备

2．1．1 高光谱成像仪

2．1．2 rapid N cube定氮分析仪

2．2 光谱预处理方法

2．2．1 平滑算法

2．2．2 多元散射校正

2．2．3 变量标准化算法

2．2．4 导数算法

2．2．5 去趋势处理

2．3 特征波长提取方法研究

2．3．1 主成分分析算法

2．3．2 连续投影算法

2．4 化学计量学建模方法

2．4．1 多元线性回归方法(MLR)

2．4．2 偏最小二乘法(PLS)

2．4．3 反向传播人工神经网络(BPNN)

2．5 模型评价标准

2．5．1 定性模型评价标准

2．5．2 定量模型评价标准

2．6 本章小结

第三章 基于特征波段的柑橘叶片含氮量预测模型研究

3．1 引言

3．2 基于高光谱成像技术的柑橘植株叶片含氮量预测模型研究

3．2．1 柑橘叶片样本的制备及高光谱图像数据的采集

3．2．2 建模方法与思路

3．2．3 数据处理与分析

3．3 基于柑橘叶片纹理特征的含氮量预测模型研究

3．3．1 叶片纹理特征提取

3．3．2 模型建立与结果分析

3．4 本章小结

第四章 基于植被指数的柑橘叶片含氮量预测模型研究

4．1 引言

4．2 基于双波段植被指数的柑橘叶片含氮量预测模型研究

4．2．1 柑橘叶片样本的制备及高光谱图像数据的采集

4．2．2 数据处理与分析

4．3 基于传统植被指数和红边参数的柑橘叶片含氮量预测模型研究

4．4 本章小结

第五章 结论与展望

5．1 结论

5．2 展望

参考文献

作者简介