基于多尺度高光谱成像的大豆养分检测方法研究

发布时间：2020-08-06 19:37

【摘要】：大豆是世界范围内一种重要的粮、油、饲兼用作物,同时也是优质植物油和植物蛋白的重要来源,在我国居民饮食结构和国民经济中占有重要地位。近年来我国大豆生产存在产量低、品质差、市场竞争力弱等问题,致使我国大豆对外依存度高、供需矛盾日渐尖锐。施肥是大豆产量提高和品质改善的重要措施,当前农业生产过程缺乏科学施肥指导,存在过量使用肥料现象,提高生产成本的同时,还带来了一系列环境污染问题。实现大豆生长过程养分状况快速准确诊断是科学施肥的重要前提,研究实现大豆生长过程养分状况快速准确诊断的方法已经迫在眉睫。本文以大豆为研究对象,高光谱成像技术为手段,分别利用室内高光谱成像系统、田间高光谱成像采集平台、低空无人机遥感平台获取叶片、冠层、区域三个尺度下大豆的高光谱成像数据,构建了不同尺度下大豆养分含量快速检测模型,为大豆生产过程中肥料的合理使用与动态调控提供科学指导。本文的主要研究内容与结论如下:(1)叶片尺度上,利用室内高光谱成像系统获取大豆叶片高光谱图像数据,分析了大豆叶片氮、磷、钾含量与叶片光谱反射率之间的关系,建立了基于全波长变量和特征变量的大豆叶片氮、磷、钾含量的快速检测模型,实现了大豆叶片养分含量分布的可视化。在基于全波长变量的分析中,采用Savitzky-Golay卷积平滑法(SG)、多元散射校正(MSC)、变量标准化(SNV)、去趋势化(De-trending)、一阶微分(1-Der)、二阶微分(2-Der)和直接正交信号校正(DOSC)对获取的叶片高光谱数据进行预处理,比较了不同光谱预处理方法对偏最小二乘(PLS)模型性能的影响,确定氮、磷、钾含量检测的最佳光谱预处理方法分别为直接正交信号校正(DOSC)、一阶导数(1-Der)、变量标准化(SNV),基于最优预处理方法建立的大豆叶片氮、磷、钾含量检测模型预测集决定系数分别为0.9428、0.7157、0.8944。在此基础上,分别采用竞争性自适应重加权算法(CARS)、无信息变量消除法(UVE)、连续投影算法(SPA)、遗传算法(GA)、独立组分分析法(ICA)和随机蛙跳算法(RF)进行特征变量筛选,并基于筛选的特征变量分别建立大豆养分含量的PLS模型,并对模型进行分析比较。结果显示,大豆叶片氮含量的最佳模型为基于RF算法筛选特征变量建立的PLS模型,模型预测集决定系数为0.9466;大豆叶片磷含量的最佳模型为基于GA算法筛选特征变量建立的PLS模型,模型预测集决定系数为0.7465;大豆叶片钾含量的最佳模型为基于UVE算法筛选特征变量建立的LS-SVM模型,模型预测集决定系数为0.9075。基于特征变量建立的最优预测模型,结合伪彩色图像编码技术,分别绘制了叶片氮、磷、钾含量的可视化分布图,实现了大豆叶片尺度养分信息的可视化。(2)冠层尺度上,采用田间高光谱成像采集系统获取了大豆植株冠层高光谱成像数据,研究了大豆冠层光谱反射率与大豆冠层氮、磷、钾含量之间的关系,建立了大豆冠层氮、磷、钾含量的快速检测模型。采用SG、MSC、SNV、De-trending、1-Der、2-Der和DOSC对提取的冠层高光谱数据进行预处理,结合PLS建模方法确定了冠层氮、磷、钾含量检测的最适光谱预处理方法,研究发现冠层氮、磷、钾含量检测的最优光谱预处理方法均为DOSC,其对应模型的预测集决定系数分别为0.9377、0.8701、0.8211。在此基础上,分别采用CARS、UVE、SPA、GA、ICA和RF算法进行特征变量筛选,分别建立了基于特征变量的PLS、LS-SVM和ELM模型,并对模型进行分析比较。结果表明,对冠层氮含量检测来说,采用UVE提取的特征变量结合LS-SVM模型建立的氮含量模型最优,模型预测集决定系数为0.9447;对冠层磷含量检测来说,最佳模型为基于SPA筛选的特征变量建立的LS-SVM模型,模型预测集决定系数为0.8775;对冠层钾含量检测来说,最佳模型为基于SPA筛选的特征变量建立的PLS模型,模型预测集决定系数为0.8271。借助高光谱成像技术“图谱合一”的特点,采用变量优化后的最优预测模型结合伪彩色图像编码技术,分别绘制了冠层氮、磷、钾含量的可视化分布图,实现了大豆冠层养分信息的可视化。(3)区域尺度上,采用相关系数分析、逐步回归和光谱指数三种方法分别确定了与大豆养分含量密切相关的光谱特征变量,基于提取的光谱特征变量,分别建立了大豆养分含量多元线性回归模型。结果表明,以最优光谱指数特征为变量,采用多元线性回归方法构建的模型,在大豆氮、磷、钾含量检测中效果最优,所构建模型对氮、磷、钾三种养分含量的预测集决定系数分别为0.9063、0.8072和0.5632。其中氮含量预测采用的光谱指数为NDSI(R_(552),R_(555))、RSI(R_(537),R_(573))和DSI(R_(540),R_(555));磷含量预测采用的光谱指数为NDSI(R_(549),R_(573))、RSI(R_(540),R_(573))和DSI(R_(483),R_(486));钾含量预测采用的光谱指数为NDSI(R_(549),R_(573))、RSI(R_(540),R_(573))和DSI(R_(483),R_(486))。基于获取的无人机高光谱影像数据及建立的大豆养分含量最优预测模型,绘制了研究区开花期和鼓粒期大豆养分含量的空间分布图,大豆氮、磷、钾含量的空间分布与地面实测结果较为接近,能够反映大豆养分状况的空间分布信息,为区域范围内大豆养分状况的快速、动态、非破坏性监测提供依据。(4)研究了分数阶微分算法在大豆冠层氮含量检测中的应用。采用归一化光谱植被指数NDSI(normalized difference spectral index)、比值光谱指数RSI(ratio spectral index)对分数阶微分预处理后的光谱数据和大豆冠层氮素含量数据进行相关性分析,研究发现分数阶微分预处理能够细化光谱数据中的有效信息,增强光谱数据对冠层氮素含量的敏感性,尤其是增强红边平台波段与氮素含量的正相关性及绿波段与含量的负相关性。建立了各阶微分下大豆冠层氮含量的定量校正模型,并与常用植被指数建立的冠层氮含量预测模型进行分析比较,发现基于0.7阶微分比值光谱指数RSI(R_(548),R_(767))建立的大豆冠层氮含量预测模型最优,其预测集决定系数R~2p为0.8003,预测集均方根误差RMSECP为3.5111,预测相对偏差RPD为2.2537,结果表明分数阶微分算法在大豆冠层氮素含量的定量检测中具有一定的优势,为大豆养分及其他营养与长势信息的快速检测提供了方法支持。
【学位授予单位】：东北农业大学
【学位级别】：博士
【学位授予年份】：2018
【分类号】：S565.1
【图文】：

变化情况图,消费量,产量,变化情况

图 1-1 我国大豆产量与消费量变化情况（1987-2017）1 Changes of Chian’s soybean yield and consumption from 19数据来源：依据 FOA 数据库及相关资料整理得出豆产量和改善大豆品质的重要举措之一。大豆生长过程中对00 公斤大豆籽粒的产出大约需要从环境中吸收 7.0-9.5kg 氮1987 1992 1997 2002 2007 2012 2017

路线图,路线图,作物养分,课题研究

图 1-1 本研究的技术路线图Figure 1-1 Technology roadmap of the research6 本章小结本章节主要阐述了课题研究的背景与意义，概述了当前国内外进行作物养分检测及

试验位置,精准农业,国家

图 2-1 国家精准农业研究示范基地试验位置图-1 Experimental field in national precision agriculture research and dembase

【参考文献】