基于高光谱成像技术的苹果叶片氮素含量估测研究

发布时间：2020-11-19 05:12

　　 植被叶片氮素含量的传统检测方法是在野外采集样本后,在实验室采用在实验方法测量,虽然测量精度高,但需要消耗大量的人力物力财力。而近年来发展起来的植被叶片营养成分检测的高光谱成像技术,将成像技术与高光谱技术相结合,既发挥了高光谱光谱分辨率高,波段连续,又利用了成像技术成像直观,可视化的优势,对准确监测植被养分含量有重要意义。以山东烟台栖霞苹果园为研究区,在2017年5月前后进行苹果叶片样本的采集和实验数据的测定。利用成像光谱仪测得苹果叶片样本的成像高光谱数据,在实验室测得苹果叶片样本的氮素含量。通过对苹果叶片样本的分析得到了苹果叶片氮素含量的高光谱响应规律。通过对氮素与光谱进一步的分析,分别得到了苹果叶片氮素含量与原始光谱的相关关系和敏感波长,以及原始光谱SG平滑一阶微分之后的敏感波长。构建并筛选了苹果叶片氮素含量相关的植被指数。在此基础上,分别建立了三种苹果叶片氮素含量预测模型,并选出了最佳预测模型。其主要研究结果:(1)明确了苹果叶片氮素含量的高光谱响应规律。400-490nm形成低反射区,490-560nm形成高反射区,560-700nm形成低反射区,700-750nm有明显的植被红边特征,750-1000nm趋势较为平缓,形成高反射平台。不同氮素含量,不同品种苹果叶片光谱曲线变化趋势一致,在绿光范围内,波长550nm处由于反射绿光形成一个“绿峰”,在绿峰处,光谱反射率对苹果叶片氮素含量响应敏感,利用苹果叶片绿峰(550nm)处高光谱反射率可以定性的判断苹果叶片氮素含量高低。在绿峰处,光谱反射率越大,苹果叶片氮素含量越低;光谱反射率越小,苹果叶片氮素含量越高。(2)筛选出了原始敏感波长R_(550)和R_(723)。通过对光谱曲线进行SG平滑处理和一阶微分变换,筛选出9个敏感波长,它们的反射率值分别SG-FDR_(403)、SG-FDR_(469)、SG-FDR_(525)、SG-FDR_(566)、SG-FDR_(650)、SG-FDR_(696)、SG-FDR_(781)、SG-FDR_(851)、SG-FDR_(933)。通过研究常用与植被叶片氮素含量相关的植被指数,以及构建NDVI、DVI、RVI三种常用的植被指数,最终确定了5个与苹果叶片氮素含量密切相关的植被指数,分别是TVI、TCI、NDVI(566,766)、RVI(566,766)、DVI(680,723)。(3)建立了苹果果叶片氮素含量BP神经网络模型、支持向量机回归模型和随机森林回归模型。基于原始波长R_(550)和R_(723),SG平滑一阶微分数据SG-FDR_(403)、SG-FDR_(469)、SG-FDR_(525)、SG-FDR_(566)、SG-FDR_(650)、SG-FDR_(696)、SG-FDR_(781)、SG-FDR_(851)、SG-FDR_(933),植被指数TVI、TCI、NDVI(566,766)、RVI(566,766)、DVI(680,723),分别建立BP神经网络模型、支持向量机回归模型和随机森林回归模型。对比模型结果,基于SG平滑一阶微分数据SG-FDR_(403)、SG-FDR_(469)、SG-FDR_(525)、SG-FDR_(566)、SG-FDR_(650)、SG-FDR_(696)、SG-FDR_(781)、SG-FDR_(851)、SG-FDR_(933)建立的苹果叶片氮素含量支持向量机回归模型SG-FDR-SVM为最佳氮素预测模型。其估测的决定系数R~2=0.724,均方根误差RMSE=1.94,相对误差RE=5.13%。
【学位单位】：山东农业大学
【学位级别】：硕士
【学位年份】：2018
【中图分类】：S661.1
【部分图文】：

高光谱成像数据采集系统平台
【参考文献】

相关期刊论文 前10条

1 李文涛;杨江波;张绩;王克健;邓烈;吕强;何绍兰;谢让金;郑永强;马岩岩;易时来;;基于不同传感器的纽荷尔脐橙叶片叶绿素含量检测技术评价[J];中国农业科学;2018年06期

2 王树文;宋玉柱;张长利;马昕宇;郭思琪;;东北寒地水稻冠层氮素含量高光谱预测模型[J];东北农业大学学报;2017年04期

3 王树文;赵越;王丽凤;王润涛;宋玉柱;张长利;苏中滨;;基于高光谱的寒地水稻叶片氮素含量预测[J];农业工程学报;2016年20期

4 程立真;朱西存;高璐璐;王凌;赵庚星;;基于随机森林模型的苹果叶片磷素含量高光谱估测[J];果树学报;2016年10期

5 安静;姚国清;朱西存;;苹果叶片氮素含量高光谱检测研究[J];国土资源遥感;2016年02期

6 刘燕德;姜小刚;周衍华;刘德力;;基于高光谱成像技术对脐橙叶片的叶绿素、水分和氮素定量分析[J];中国农机化学报;2016年03期

7 韩兆迎;朱西存;房贤一;王卓远;王凌;赵庚星;姜远茂;;基于SVM与RF的苹果树冠LAI高光谱估测[J];光谱学与光谱分析;2016年03期

8 马文勇;王训明;;基于高光谱分析的草地叶绿素含量估算研究进展[J];地理科学进展;2016年01期

9 李岚涛;马驿;魏全全;汪善勤;任涛;李小坤;丛日环;王振;王少华;鲁剑巍;;基于高光谱的冬油菜植株氮素积累量监测模型[J];农业工程学报;2015年20期

10 魏全全;李岚涛;任涛;王振;王少华;李小坤;丛日环;鲁剑巍;;基于数字图像技术的冬油菜氮素营养诊断[J];中国农业科学;2015年19期

相关博士学位论文 前10条

1 高鑫;春玉米LAI和叶片氮素营养及产量的高光谱估测模型研究[D];内蒙古农业大学;2016年

2 朱文静;基于偏振—高光谱多维光信息的番茄氮磷钾及交互作用检测研究[D];江苏大学;2014年

3 廖钦洪;作物长势参数的垂直分布反演及遥感监测研究[D];浙江大学;2014年

4 李硕;基于可见近红外成像光谱技术土壤剖面氮的预测研究[D];华中农业大学;2013年

5 张筱蕾;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[D];浙江大学;2013年

6 赵芸;基于高光谱和图像处理技术的油菜病虫害早期监测方法和机理研究[D];浙江大学;2013年

7 谢永华;数字图像处理技术在木材表面缺陷检测中的应用研究[D];东北林业大学;2013年

8 张东彦;基于高光谱成像技术的作物叶绿素信息诊断机理及方法研究[D];浙江大学;2012年

9 吴兰兰;基于数字图像处理的玉米苗期田间杂草的识别研究[D];华中农业大学;2010年

10 杨杰;基于叶片高光谱指数的水稻氮素及色素含量监测研究[D];南京农业大学;2009年

相关硕士学位论文 前9条

1 张国圣;基于高光谱的水稻氮素诊断和产量估测模型[D];沈阳农业大学;2017年

2 辛延斌;基于高光谱成像技术小麦玉米长势监测研究[D];山东农业大学;2017年

3 赵珊;基于高光谱成像的玉米苗期氮素营养监测的研究[D];东北农业大学;2016年

4 魏全全;应用数字图像技术进行冬油菜氮素营养诊断的初步研究[D];华中农业大学;2016年

5 郑博元;基于高光谱成像的氮素胁迫下寒地水稻营养诊断的研究[D];东北农业大学;2015年

6 李金梦;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[D];浙江大学;2014年

7 梁爽;苹果树叶片氮素、叶绿素及水分含量的高光谱估测[D];山东农业大学;2013年

8 褚旭;不同覆盖度条件下水稻叶层氮素营养的高光谱监测研究[D];南京农业大学;2013年

9 王薇;基于高光谱的稻麦氮素营养监测研究[D];南京农业大学;2011年

本文编号：2889751