高光谱成像技术的柑橘植株叶片含氮量预测模型

氮素是果树生长发育的一种大量必需元素,及时准确地监控果树的氮营养状况,对果树的合理施肥、增产、优化果实品质以及减缓过量施氮引起的水资源污染具有重要意义。利用高光谱成像技术结合多变量统计学方法,建立了柑橘植株叶片的含氮量预测模型。研究步骤为：高光谱扫描、提取平均光谱曲线、预处理原始光谱数据、采用连续投影法提取特征波段和建立含氮量预测模型。从SG平滑、SNV、MSC、1-Der等11种预处理方法中筛选出的较优预处理方法是SG平滑、Detrending和SG平滑-Detrending。对应这三种最优预处理方法,先采用连续投影法挑选出各自的特征波长,然后将各特征波段下的光谱反射率作为偏最小二乘、多元线性回归和反向传播人工神经网络模型的输入,各自建立三个预测模型。从以上获得的9个预测模型中,得出两个最优模型SG平滑-Detrending-SPA-BPNN(R_p：0.851 3,RMSEP：0.188 1)和Detrending-SPA-BPNN(R_p：0.8609,RMSEP：0.159 5)。结果表明,利用高光谱数据测定柑橘叶片含氮量具有可行性。这为实时、准确地监控柑橘植株生长过程中叶片含氮量的变化以及合理科学的氮肥施加提供了一定的理论基础。     

基于作物谱图特征的植株分割与叶绿素分布检测

为了快速感知并分析田间作物生长状况,采用先进的半导体镀膜工艺光谱成像传感器,研究了玉米植株冠层叶绿素含量分布式检测方法。试验采用IMEC 5×5成像传感器,拍摄47株苗期玉米植株冠层,获取673～951 nm范围内的25个波长的光谱图像。实验中,利用SPAD-520叶绿素仪非破坏性地测量叶绿素含量,每株玉米冠层叶片设置2～3个采样点,每点测量3次取平均,共计242个样本数据。对光谱图像数据,经4灰度级标准板提取并校准反射率。为了实现玉米植株与花盆、土壤背景的有效分离,在分析不同对象光谱反射率与图像像素特征的基础上,提出了一种基于谱图特征组合的植株分割方法,即基于植被指数的图像初步分割与区域标记计算的冠层精细分割的植株提取算法。首先,计算各像素点归一化植被指数(NDVI),并开展基于NDVI的植株冠层分割方法分割结果优于基于最大类间方差法的全局阈值自适应分割算法。其次,采用边缘保持中值滤波算法剔除初步分割后图像中存在的噪声点后,基于区域标记算法进行精细分割,获得掩膜并最终得到仅保留玉米植株冠层的光谱图像。分别采用相关分析法(CA)和随机蛙跳(RF)算法选取反射光谱特征波长,并构建750～951 nm近红外(NIR)和673～750 nm红色(R)选中波长集合,遍历NIR和R集合组合计算比值植被指数(RVI),差值植被指数(DVI),归一化植被指数(NDVI)和SPAD转换指数(T_(SPAD))。然后,再次采用CA和RF算法筛选植被指数,利用SPXY算法将样本按照7∶3比例划分为建模集和验证集,并建立了叶绿素含量指标检测CA+RF-PLSR模型。结果表明,其建模集R■为0.573 9, RMSEC为3.84%,验证集R■为0.420 2, RMSEC为2.3%。利用建模结果对多光谱图像进行处理,绘制玉米叶片SPAD值伪彩色分布图,实现叶绿素含量分布可视化。研究表明采用镀膜型光谱成像数据,分析对象光谱与图像特征,探讨玉米冠层叶绿素含量分布检测的可行性,可为直观监测作物生长动态提供支持。     

高光谱成像技术的不同叶位尖椒叶片氮素分布可视化研究

为了快速、准确、直观估测尖椒叶片的营养水平和生长状况,利用高光谱成像技术结合化学计量学方法对不同叶位尖椒叶片氮素含量(nitrogen content, NC)的分布进行了可视化研究。按照叶片位置采摘尖椒叶片,并采集高光谱数据,然后测定相应叶片的SPAD和NC。提取出叶片的光谱信息后,采用Random-frog(RF)算法提取特征波段,分别选出5条与10条特征波段。针对选取的特征波段和全波段,分别建立偏最小二乘回归(partial leastsquares regression, PLSR)模型,结果表明采用特征波段建立的PLSR模型性能较好(SPAD：R_C=0.970, R_CV=0.965, R_P=0.934; NC: R_C=0.857, R_CV=0.806, R_P=0.839)。根据预测模型计算尖椒叶片高光谱图像每个像素点的SPAD与NC,从而实现SPAD与NC的可视化分布。事实上叶片的SPAD在一定程度上可以反映含氮量,二者分布图的变化趋势基本一致,验证了可视化结果的正确性。结果表明：运用高光谱成像技术可以实现对不同叶位尖椒叶片氮素分布的可视化研究,这为监测植物的生长状况和养分分布提供理论依据。     

冬枣光谱数据的灰色关联分析及叶片氮素含量预测

采用灰色理论对冬枣叶片氮素含量和光谱反射率之间进行了灰度关联分析,分析结果显示波长560,678以及786 nm处的光谱反射率(G560,R678,NIR786)与冬枣叶片氮素含量之间的灰色关联度最高。利用上述三个特征波段光谱反射率计算得到的植被指数共计9个。进一步运用灰色系统理论分析了九种植被指数与叶片氮素含量的灰色关联度,结果显示：归一化植被指数(NDVI)、绿色比值植被指数(GRVI)、归一化差异绿度植被指数(NDGI)、绿色归一化植被指数(GNDVI)和组合归一化植被指数(CNDVI)等5个指数与叶片氮素含量的灰色关联度较高。利用3个特征波段的光谱反射率和5个关联度较高的植被指数,分别采用最小二乘支持向量机(LS-SVM)以及GM(1,N)模型建立了冬枣叶片氮素含量预测模型。结果表明,采用特征波段光谱反射率(G560,R678,NIR786)建立的冬枣叶片氮素含量GM(1,N)模型的精度最高,预测R2达0.928,验证R2达0.896。     

基于CARS-CNN的高光谱柑橘叶片含水率可视化研究

柑橘叶片水分亏缺是影响柑橘生长发育的重要因素之一,为研究水分胁迫对柑橘含水率的影响,利用高光谱快速无损检测柑橘叶片含水率,并应用伪彩色处理实现含水率可视化。收集100片柑橘叶片,使用烘干法得到鲜叶和烘干叶片一共500个不同梯度含水率的数据样本,将样本按7∶3的比例划分为训练集(350个样本)和测试集(150个样本),使用决定系数(R²)和均方根误差(RMSE)来评估模型预测的好坏。采用卷积神经网络(CNN)对高光谱数据进行预测,CNN模型使用一维卷积核,一共三层卷积池化层,使用RELU激活函数激活,输出层采用linear激活函数回归预测,使用nadam算法对模型进行优化更新,迭代次数为1 000次;将原始光谱数据和SG,MSC和SNV三种预处理后的光谱数据,与全波段、CARS筛选的特征波段、PCA提取的特征波段组合,导入CNN模型,确定最佳模型为原始光谱数据的CARS-CNN,训练集的R²_c和RMSEC分别为0.967 9和0.016 3,测试集的R²_v和RMSEV分别为0.9...     

玉米叶片的光谱响应及其氮素含量预测研究

以不同施肥水平下两年玉米田间试验为基础,利用高光谱技术探讨大喇叭口期不同层次玉米叶片光谱响应的敏感区域,并依据叶片氮素含量与原始光谱反射率及其一阶导数的相关性,最终构建了叶片氮素含量的预测模型。结果表明：不同施肥水平下叶片光谱反射率差别明显区域集中在550 nm附近波段、761～1 300 nm波段,不同层次间叶片光谱反射率差别明显区域集中在550 nm附近波段,叶片氮素含量与470～760 nm波段光谱反射率及其一阶导数呈极显著相关。经过对比筛选,以光谱指数DSI(564,681)和DSI(681,707)构建的指数预测模型效果最好,预测精度达93.43%和93.39%,能有效估测叶片氮素含量。     

基于机载高光谱成像的柑橘产量预测模型研究

果树的隔年结果现象严重影响果园的果实产量和经济效益。选择受隔年结果现象影响较为严重的柑橘作为研究对象,运用机载高光谱成像仪在较早生长季节(2003年4、5、6月)获取柑橘果树的高光谱图像,利用偏最小二乘回归(PLS)确定基于高光谱图像数据的模型预测变量,建立柑橘产量的多元线性回归(MLR)和人工神经网络(ANN)预测模型。研究结果表明,利用5月份获得的高光谱图像建立的模型具有最优的产量预测效果, 而且PLS-MLR模型比PLS-ANN模型具有更好的稳定性和一致性。该研究结果为今后研制和开发基于高光谱成像技术的柑橘产量预测方法提供了重要的理论和技术基础。     

基于高斯回归分析的水稻氮素敏感波段筛选及含量估算

水稻氮素含量的准确监测是稻田精准施肥的重要环节,水稻叶片氮素含量发生变化会引起叶片、冠层的光谱发射率发生变化,高光谱遥感是目前作物氮素无损监测的关键技术之一。以2018年-2019年湖北监利两年水稻氮肥试验为基础,分别获取水稻分蘖期、拔节期、孕穗期、扬花期、灌浆期五个生育期水稻叶片和冠层两个尺度的高光谱反射率数据及对应的叶片氮素含量数据,利用单波段原始光谱和一阶导数光谱的相关性分析、高斯过程回归（GPR）等方法筛选水稻全生育期叶片及冠层尺度氮素敏感波段。针对敏感波段,利用单波段回归分析、随机森林（RF）、支持向量回归（SVR）、高斯过程回归-随机森林（GPR-RF）、高斯过程回归-支持向量回归（GPR-SVR）和GPR构建水稻氮素监测模型,并进行精度对比,以确定水稻叶片在各生育期的氮素估算最佳模型。结果表明：GPR筛选的敏感波段符合水稻氮素含量及光谱变化的规律。相同条件下,叶片模型精度整体高于冠层模型。相关性分析模型中,叶片尺度原始光谱模型更好,冠层尺度刚好相反,冠层一阶导数光谱可以减弱稻田背景噪声的影响。其中,叶片最佳模型建模集R2为0.79,验证集R2为0.84;冠层最佳模型建模集R2为0.80,验证集R2为0.77。与相关性回归分析模型相比,机器学习模型受生育期影响小（R2>0.80,NRMSE<10%）。其中,RF比SVR更适合对GPR敏感波段建模,GPR-RF模型可以用1.5%左右的波段达到RF模型使用全部波段的精度。五种方法中,GPR模型对生育期敏感度最低、叶片及冠层尺度效果都很好(R2>0.94,NRMSE<6%)。且与其他四种机器学习方法相比,GPR模型可有效提高冠层氮素含量估算的精度和稳定性（R2增加0.02,NRMSE降低1.2%）。GPR方法可为筛选作物氮素高光谱敏感波段、反演各生育期叶片及冠层氮素含量提供方法参考。     

基于高光谱的大麦籽粒蛋白质含量遥感预测

利用高光谱信息检测作物籽粒蛋白质含量具有无损、快速的特点,而当前国内外开展大麦籽粒蛋白质含量高光谱遥感预测的研究并不多见。以内蒙古自治区海拉尔农垦大麦为研究对象,利用地面高光谱数据寻找大麦植株氮素含量的特征波段,分析了多种典型光谱植被指数与大麦植株氮素含量的相关关系;然后根据氮素运转规律,利用植株氮含量与大麦籽粒蛋白质含量之间的相关关系,构建了基于高光谱数据的大麦籽粒蛋白质含量遥感预测模型。结果表明:(1)550～590nm与670～710nm是大麦植株氮含量的敏感波段区域;(2)植被指数(green-red vegetation index,GRVI)与大麦植株含氮量的相关性最好,R2达到0.665 1。(3)大麦籽粒蛋白质含量与植株氮含量相关性高,建立了基于GRVI的大麦籽粒蛋白质含量的预测模型,R2达到0.658 1。最后,对构建的预测模型进行了验证,其精度达到了一定要求。该研究表明运用高光谱信息来预测大麦籽粒蛋白质含量是可行的,这将为大面积"按质论价"的大麦订单收购提供科学支撑。     

基于无人机高光谱遥感的东北粳稻冠层叶片氮素含量反演方法研究

为探究遥感监测水稻冠层叶片氮素含量的较优高光谱反演模型,以水稻小区试验为基础,获取了不同生长期水稻冠层高光谱数据。在综合比较一阶导数变换(1-Der)、标准正态变量变换(SNV)和SG滤波法等处理方法基础上,提出一种将SNV与一阶导数变换的SG滤波法相结合的光谱处理方法(SNV-FDSGF),并将处理后的数据经无信息变量消除法(UVE)与竞争自适应重加权采样法（CARS）选出不同生长期的敏感波段。将各生长期的敏感波段两两随机组合,并构建与水稻叶片含氮量相关性较高的差值光谱植被指数(DSI)、比值光谱植被指数(RSI)、归一化光谱植被指数(NDSI)。其中分蘖、拔节和抽穗3个时期的最优植被指数和决定系数R2分别为：DSI(R₈₅₇, R₆₂₃), 0.704; DSI(R₆₇₀, R₅₇₈), 0.786; DSI(R₉₉₅, R₅₀₈), 0.754。以各生长期内的较优的三种植被指数作为输入分别构建自适应差分优化的极限学习机(SaDE-ELM)、径向基神经网络(RBF-NN)以及粒子群优化的BP神经网络(PSO-BPNN)反演模型。结果表明：SaDE-ELM建模效果最好,在模型稳定性和预测能力上比RBF-NN和PSO-BPNN都有了明显提高,各生长期反演模型的训练集和验证集决定系数R2均在0.810以上,RMSE均在0.400以下,可为东北水粳稻冠层叶片含氮量的检测与评估提供科学和技术依据。     

消费级近红外相机的水稻叶片叶绿素(SPAD)分布预测

便捷可靠的作物营养诊断是作物科学施肥管理的基础,也是精准农业的核心。叶绿素含量是作物氮营养含量的重要指标。以水稻叶片为研究对象,用改造后的普通单反相机搭载滤波片的方式拍摄叶片的可见光和中心波长为650,680,720,760,850和950 nm多个波段的近红外图像,获取不同波段的相对反射率值,通过可见光与多个近红外波段结合的回归分析与比较,筛选出精度较高且稳定的模型。经过对比相机三个成像通道,R通道与叶绿素含量(SPAD值)的相关性要高于B和G通道。实验结果表明,植被指数GVI最能反映作物的生长状况,近红外波段760 nm对SPAD值的预测效果最好,最小二乘支持向量机法结合多个植被指数建模的预测精度R2为0.831 4,取得了较为理想的效果。同时使用高光谱成像仪采集水稻叶片的高光谱影像,对比消费级近红外相机成像方式下与高光谱成像方式下得到的植被指数多因子预测模型精度,两者相当。实验证明消费级近红外相机能够获得与高光谱成像仪相近的叶绿素含量估测结果。     

高光谱成像在水果内部品质无损检测中的研究进展

随着高光谱成像技术的日趋成熟与高光谱成像硬件、软件成本的不断下降,以及高光谱图像数据处理算法的不断改进, 应用高光谱成像技术对水果品质进行无损检测成为当前研究热点之一。为了能跟踪国内外的最新研究成果, 对高光谱成像在水果内部品质(成熟度、坚实度、可溶性固形物、水分)检测研究进行综述,以期对我国相关研究人员的研究工作提供参考。     

高光谱成像的多种类柑橘病虫药害叶片检测方法研究

影响柑橘生长的病虫药害种类繁多,目前的检测方法大多针对单一病症,开发基于高光谱成像和机器学习的多种类柑橘病虫药害叶片快速精准检测方法,对果园精准施药和柑橘产业健康发展具有重要意义。以果园自然发病的柑橘叶片为研究对象,包括柑橘正常叶(50片)、溃疡病叶(50片)、煤烟病叶(103片)、缺素病叶(60片)、红蜘蛛叶(56片)和除草剂危害叶(85片),采集350～1 050 nm波段内的高光谱数据。分别利用一阶求导(1^stDer)、多元散射校正(MSC)和中值滤波(MF)方法对原始(Origin)高光谱数据进行预处理,对预处理后的高光谱数据采用主成分分析(PCA)和竞争性自适应重加权(CARS)算法提取特征波长,CARS降维得到的特征波长分别为10个、 5个、 12个和10个,4组PCA提取的特征波长均为7个,两种方法所得特征波长范围都集中在700～760 nm波段内。对全波段(FS)使用极限梯度提升树(XGBoost)算法,特征波长使用支持向量机(SVM)建立柑橘病叶多分类模型。采用XGBoost建立的检测识别模型有Origin-FS-XGBoost, 1^s...     

基于Adaboost及高光谱的生菜叶片氮素水平鉴别研究

为了便于经济合理的生菜施肥,研究一种生菜叶片氮素水平智能鉴别方法。在温室大棚内无土栽培不同氮素水平的生菜样本,在特定生育期,采集各类氮素水平生菜样本,利用FieldSpec○R 3型光谱仪采集生菜叶片高光谱数据。由于原始高光谱数据存在噪声且冗余性强,利用标准归一化(SNV)对原始高光谱数据进行降噪处理,再利用主成分分析方法(PCA)对高光谱数据进行特征提取。分别利用K最近邻(KNN)和支持向量机(SVM)对降维后的光谱数据进行分类研究,由于自适应提升法(Adaboost)能提升弱分类器分类性能,将其分别引入到KNN和SVM两种分类器中,提出了Adaboost-KNN和Adaboost-SVM两种集成分类算法。分别利用上述四种分类算法对相同测试样本数据进行分类鉴别。结果表明,KNN,SVM,Adaboost-KNN和Adaboost-SVM四种算法的分类正确率分别为74.68%,87.34%,100%和100%,其中所提出的Adaboost-KNN与Adaboost-SVM分类效果都很好,且Adaboost-SVM分类算法的稳定性最好。因此,Adaboost-SVM算法适合作为基于高光谱的生菜氮素水平鉴别的建模方法,并且也为其他作物营养元素无损检测提供了一种新的方法。     

利用高光谱扫描技术检测小麦叶片叶绿素含量

利用高光谱扫描技术对小麦叶片进行无损检测试验,探索精确测定小麦叶绿素含量的方法,为农作物生长状况、植物病理诊断等提供科学依据。研究选取90个样本作为校正集,30个样本作为预测集,获取叶片的高光谱反射图像,同时用传统的分光光度计方法测定其叶绿素含量。选取波长491～887 nm范围光谱,用多元散射校正、一阶导数、二阶导数3种方法处理,利用偏最小二乘法和逐步线性回归法分别建立了小麦叶片叶绿素含量与光谱信号间的数学模型。研究发现多元散射校正(MSC)结合二阶导数光谱的多元线性回归(SMLR)模型的效果较优,模型校正集和预测集决定系数分别为0.82和0.79,校正均方根误差和预测均方根误差分别为0.69和0.71。研究结果表明可以利用高光谱扫描技术检测小麦叶片叶绿素含量。     

高光谱成像的柑橘病虫害叶片识别方法

为监测柑橘生长状况,实现病虫害无损识别,利用高光谱成像技术和机器学习方法进行柑橘病叶分类研究。使用高光谱成像仪采集46片柑橘正常叶、46片溃疡病叶、80片除草剂危害叶、51片红蜘蛛叶和98片煤烟病叶的高光谱图像,在478～900 nm光谱范围内对每个叶片一个或多个发病区提取5×5的感兴趣区域（ROI）,将ROI内每个像素的反射率值作为光谱信息,则一个ROI得到25个光谱信息样本,最终五类叶片共得到13250个光谱样本。利用随机法将全部样本划分为9 938个训练集和3 312个测试集。分别采用一阶求导（1stDer）、多元散射校正（MSC）和标准正态变换（SNV）三种方法对原始光谱信息进行预处理,对不同预处理方法后的数据采用主成分分析法（PCA）提取特征波长。1st Der预处理后得到7个特征波长,分别是520.2,689.0,704.8,715.4,731.2,741.8和757.6 nm;MSC和SNV预处理后得到7个相同的特征波长,分别是551.9,678.5,704.8,710.1,725.9,731.2和757.6 nm;原始光谱得到7个特征波长,分别是525.5,678.5,710.1,720.7,725.9,757.6和762.9 nm。分析PCA后的样本分布散点图可知,正常叶片、溃疡病叶片和红蜘蛛叶片样本有一定程度聚类,除草剂叶片和煤烟病叶片样本有大量重叠,仅依据PCA不能完成病虫害叶片的识别。对全波段（FS）和PCA特征波长数据在不同预处理方法下进行支持向量机（SVM）和随机森林（RF）建模,结果表明：数据在1stDer预处理方法下识别效果最佳,1st Der-FS-SVM模型总分类精度（OA）为95.98%,Kappa系数为0.948 2,1st Der-FS-RF模型OA为91.42%,Kappa系数为0.889 2,1stDer-PCA-SVM模型OA为90.82%,Kappa系数为0.881 6,1stDer-PCA-RF模型的OA为91.79%,Kappa系数为0.894;对PCA选择的特征波长数据建模,SVM和RF模型下识别率均达到84%,全波段下模型识别率在88%以上,FS数据建模效果优于PCA特征波长。研究结果表明,高光谱成像技术结合机器学习方法进行柑橘叶片分类是可行且有效的,为柑橘病虫害的无损准确识别提供理论根据。     

基于模糊识别的苹果花期冠层钾素含量高光谱估测

依据2008年和2009年2年在栖霞试验区利用地物光谱仪ASD FieldSpec3测定的苹果花期冠层高光谱和实验室内测定的钾素含量数据,以冠层高光谱反射率及其11变换形式与钾素含量分别进行相关分析,以相关系数最大者为自变量,采用模糊识别算法,建立钾素含量估测模型;以2008年的检验样本对模型进行检验,并利用2009的独立试验数据对模型进行验证。结果表明,原始光谱反射率(R)及其倒数(1/R)、对数(lgR)、平方根(R1/2)与钾素含量的相关性较差,但它们的一阶微分和二阶微分与钾素含量之间的相关性明显增强;建立的钾素含量估测模型=11.344 5h+1.309 7的相关系数r为0.985 1,总均方根差RMSE为0.355 7,F统计量为3 085.6;24个检验样本实测值与估测值的平均相对误差为9.8%,估测精度为90.2%;2009年试验验证精度达到了83.3%。表明模型用于苹果花期冠层钾素含量的估测具有较高的稳定性,模型精度能满足生产上对苹果钾素含量估测的要求。