基于高光谱成像技术的油菜养分及产量信息快速获取技术和方法研究

摘要

农业物联网技术作为当代农业信息化发展的新方向，是提高资源利用率和生产力水平，加快我国农业由传统农业向现代农业转型的关键和核心技术。农业物联网的应用主要体现在建立对农作物田间及温室环境控制和信息反馈的农业精准控制系统。这种精细化管理要求对作物生长状况的快速准确获取，以实现田间信息的实时动态监测。然而传统的实验室化学测量分析和农田信息监测方法耗时费力，不适合农业物联网技术的发展需要。本论文针对农作物生长信息快速无损检测技术的需要，应用高光谱成像技术，结合多种光谱和图像处理技术及化学计量学方法，以油菜为研究对象，研究油菜生长过程中养分信息的快速获取方法、养分分布可视化以及在较早生长阶段对油菜籽产量的快速预测方法。为制定油菜大田变量作业处方提供主要数据源和参数，为油菜生长的实时监测系统提供技术支撑。本研究主要内容和结论如下:
　　(1)探讨了基于高光谱成像技术对油菜苗期、花期、角果期和苗-花-角果生命期叶片氮含量的快速检测和氮素在叶片中分布的可视化方法。对每个时期叶片高光谱数据提取可见/近红外波段(380-1030nm)光谱信息，在经过最优预处理后，通过分析比较利用RC和SPA算法提取的特征波长所建立的PLS和LS-SVM模型，得到在油菜苗期、花期、角果期和苗-花-角果生命期对叶片氮含量的预测结果相关系数Rp分别为0.793、0.891、0.772和0.852;基于特征波长图像，利用二阶概率统计滤波方法提取图像纹理特征和特征光谱信息一并作为模型自变量，苗期、花期和角果期的叶片氮含量分别作为模型因变量，建立预测模型，在各时期得到0.752、0.863和0.747的Rp;利用苗-花-角果生命期叶片光谱信息提取的12个特征波长和建立的SPA-PLS模型，对油菜三个不同生长期的叶片氮含量情况进行可视化表达，得到直观具体的氮素营养信息分布图。
　　(2)研究建立了油菜叶片磷含量快速检测模型和实现磷在叶片中的可视化表达。可见/近红外波段光谱经过SNV预处理后，基于5个特征波长的SPA-BPNN模型获得了最优预测效果（Rp为0.762，RMSEP为0.030）;利用二阶概率统计滤波算法分别提取特征波长图像和主成分图像的纹理特征，并与特征波长信息结合，建立PLS、LS-SVM和BPNN模型，基于特征波长图像的最优模型BPNN预测结果Rp=0.740，RMSEP=0.032，基于主成分图像的最优模型BPNN预测结果Rp=0.757，RMSEP=0.032;利用SPA提出的5个特征波长和SPA-PLS模型回归系数，对叶片高光谱图像中的每个像素点进行磷含量预测，将采自不同施肥梯度的叶片样本磷素含量差异进行了可视化表达。
　　(3)研究建立了油菜叶片钾含量快速检测模型和实现钾在叶片中的可视化表达。在可见/近红外波段，利用GA、RC和SPA三种方法对原始光谱数据进行特征波长提取，通过PLS、LS-SVM和BPNN三种预测模型的比较得出RC-BPNN模型预测性能最优，对预测集样本预测的Rp为0.759，RMSEP为0.158;分别使用概率统计滤波和二阶概率统计滤波方法对特征波长图像提取纹理特征值，将纹理特征融合光谱特征建模分析比较，得到基于概率统计滤波纹理特征提取方法建立的最优BPNN模型，其中Rp=0.730，RMSEP=0.171;基于主成分灰度图像提取纹理特征，结合光谱特征信息后建立不同模型，其中最优模型BPNN模型的Rp为0.726，RMSEP为0.179;基于RC提取的5个特征波长和对应RC-PLS模型，对高光谱图像中叶片区域内每个像素点进行钾含量的预测，从而获得叶片钾含量的可视化分布图，实现同一样本内或不同样本间钾素水平差异的可视化。
　　(4)应用高光谱成像技术，实现了油菜籽产量的早期快速预测。在油菜较早生长阶段（苗期、抽薹期、花期和角果期）获取叶片高光谱图像数据，通过比较基于各时期光谱数据建立的PLS模型预测效果，确定在初花期（3月份）获得的光谱数据最适宜准确预测油菜籽产量;利用基于载荷系数法提取的6个产量预测敏感波段分别建立线性模型（PLS和MLR）与非线性模型（LS-SVM和BPNN），结果表明LS-SVM模型（Rp=0.887，RMSEP=22.303）对油菜籽产量的早期预测具有更好的稳定性和一致性。

目录

声明

论文说明

致谢

摘要

图目录

表目录

主要缩略词表

第一章 绪论

1．1 研究背景

1．2 光谱技术在植物营养诊断中的应用

1．3 高光谱成像技术在植物营养诊断中的应用

1．3．1 高光谱成像技术的原理简介

1．3．2 高光谱成像技术在植物营养诊断中的研究进展

1．3．3 高光谱成像技术在植物养分信息诊断研究中的问题和难点

1．4 研究内容

1．5 本章小结

第二章 材料与方法

2．1 实验材料

2．1．1 试验品种的选择

2．1．2 田问试验设计

2．2 高光谱成像的数据采集系统

2．2．1 光源

2．2．2 分光模组(光谱仪)

2．2．3 面阵CCD侦测器

2．2．4 其他辅助设备

2．2．5 高光谱成像获取软件平台

2．3 油菜叶片养分的化学值测量方法

2．3．1 油莱叶片氨含量的测定

2．3．2 油菜叶片磷含量的测定

2．3．3 油菜叶片钾含量的测定

2．3．4 油菜籽产量的获取

2．4 光谱数据预处理方法

2．4．1 平滑处理

2．4．2 变量标准化

2．4．3 多元散射校正

2．4．4 求导处理

2．5 特征波长提取方法

2．5．1 连续投影算法

2．5．2 回归系数法

2．5．3 载荷系数法

2．5．4 遗传算法

2．5．5 主成分分析

2．6 高光谱图像纹理特征提取方法

2．6．1 基于概率统计滤波的纹理特征提取方法

2．6．2 基于二阶概率统计滤波的纹理特征提取方法

2．7 化学计量学建模方法

2．7．1 偏最小二乘法

2．7．2 多元线性回归

2．7．3 最小二乘-支持向量机

2．7．4 人工神经网络

2．8 模型评价标准

2．9 数据处理软件

2．10 本章小结

第三章 油菜叶片氮含量的快速检测研究

3．1 引言

3．2 油菜苗期叶片氮含量的检测研究

3．2．1 油菜苗期样本制备

3．2．2 油菜苗期叶片高光谱图像信息的获取

3．2．3 油菜苗期叶片氮含量的统计分析

3．2．4 基于光谱信息的苗期叶片氨含量检测模型分析

3．2．5 基于高光谱图像纹理值忠的苗期叶片含氮量模型分析

3．3 油菜花期叶片氮含量的检测研究

3．3．1 油菜花期样本制备

3．3．2 油菜花期叶片高光谱图像信息的获取

3．3．3 油菜花期叶片氮含量的统计分析

3．3．4 基于光谱信息的花期叶片氮含量检测模型分析

3．3．6 基于高光谱图像纹理信患的花期叶片含氮量模型分析

3．4 油菜角果期叶片氮含量的检测研究

3．4．1 油菜角果期样本制备

3．4．2 油菜角果期叶片高光谱图像信息的获取

3．4．3 油菜角果期叶片氮含量的统计分析

3．4．4 基于光谱信息的角果期叶片氮含量检测模型分析

3．4．5 基于高光谱图像纹理信息的角果期叶片含氮量模型分析

3．5 油菜苗-花-角果生命期叶片氮含量的检测研究

3．5．1 油菜苗-花-角果生命期样本制备及叶片高光谱图像信息的获取

3．5．2 油菜苗-花-角果生命期叶片氮含量的统计分析

3．5．3 光谱预处理方法及PLS模型的比较

3．5．4 特征波长的提取

3．5．5 基于特征波长的模型分析

3．6 叶片氮含量可视化研究

3．7 本章小结

第四章 油菜叶片磷含量的快速检测研究

4．1 引言

4．2 油菜叶片样本制备

4．3 油菜叶片高光谱图像信患的获取

4．4 油菜叶片磷含量的统计分析

4．5 基于光谱信息的叶片磷含量检测模型分析

4．5．1 光谱预处理方法及PLS模型的比较

4．5．2 特征波长的选取

4．5．3 基于特征波长的模型分析

4．6 油菜叶片磷含量的可视化研究

4．7 基于高光谱图像纹理信息的叶片磷含量模型分析

4．7．1 基于特征波长下图像的纹理特征分析

4．7．2 基于图像主成分分析的纹理特征分析

4．8 本章小结

第五章 油菜叶片钾含量的快速检测研究

5．1 引言

5．2 油菜叶片样本制备

5．3 油菜叶片高光谱图像信患的获取

5．4 油菜叶片钾含量的统计分析

5．5 基于光谱信患的叶片钾含量检测模型分析

5．5．1 光谱预处理方法及PLS模型的比较

5．5．2 特征波长的选取

5．5．3 基于特征波长的模型分析

5．6 油菜叶片钾含量的可视化研究

5．7 基于高光谱图像纹理信患的叶片钾含量模型分析

5．7．1 基于特征波长下图像的纹理特征分析

5．7．2 基于图像主成分分析的纹理特征分析

5．8 本章小结

第六章 油菜籽产量的早期快速预测研究

6．1 引言

6．2 油菜叶片样本制备

6．3 油菜叶片高光谱图像信息的获取

6．4 油菜籽产量的统计分析

6．5 基于叶片光谱信患的产量预测研究

6．5．1 叶片光谱数据的提取

6．5．2 基于全波段的油菜籽产量预测模型分析

6．5．3 特征波长的提取

6．5．4 基于特征波长的油菜籽产量预测模型分析

6．6 本章小结

第七章 结论与展望

7．1 主要研究结论

7．2 主要创新点

7．3 研究展望

参考文献