水稻叶片SPAD值高光谱成像估测

发布时间：2024-05-19 01:05

　　以水稻叶片为研究对象,基于健康和稻瘟病叶片高光谱图像,运用高光谱特征参数、竞争性自适应重加权(CARS)和主成分分析(PCA)算法选取特征变量,采用偏最小二乘回归(PLSR)、支持向量机(SVM)和反向传播神经网络(BPNN)算法,构建水稻叶片SPAD值高光谱估测模型,并对比分析。结果表明,所有模型均可预测SPAD值,最优模型为PCA-BPNN,其预测集决定系数、均方根误差、相对误差分别为0.8082、2.0783、4.18%。研究表明基于健康和稻瘟病叶片的高光谱图像估测叶绿素含量可行,为水稻健康状况监测、病害影响评估提供理论基础。

【文章页数】：8 页

【部分图文】：

图1水稻叶片样本高光谱图像

叶片SPAD值采用型号为TYS-3N植物养分测定仪与高光谱图像采集同步测量。分散选取叶片叶脉两侧各3个点（染病叶片需包含病斑）测定叶绿素含量，计算所有测量点平均值作为该叶片SPAD值。1.2高光谱数据获取及样本划分

图2健康和染病水稻叶片光谱曲线

通过分析染病和健康叶片平均光谱反射率差异显著，如图2所示。在530～570nm波段染病叶片光谱反射率明显低于健康叶片，绿峰波段附近差异最大；580～720nm波段染病叶片光谱反射率高于健康叶片；730～900nm近红外区染病叶片光谱反射率低于健康样本，760nm附近差值最....

图3基于特征参数SPAD实测值与估测值

由图3可见，SVM(Characteristicparameters）模型、BPNN(Characteristicparameters）模型预测集决定系数Rp2分别为0.7305、0.7545，较PLSR(Characteristicparameters）提高7.79%、1....

图4CARS特征波长选择过程

采用CARS对高光谱数据作SPAD值特征波长选择，选择过程见图4，采样次数设置为50。由图4(a）可见，随采样次数增加变量个数逐步减少；PLS模型交叉验证RMSECV值随采样次数增加先降后升，见图4(b）；由图4(c）中星号位置可知，当采样次数达38次时，RMSECV值最低，表明....

本文编号：3977418