基于高光谱图像的生菜叶片氮素含量预测模型研究

为了便于更经济合理地为作物施肥,建立一种无损检测作物氮营养元素的高光谱图像模型。本实验以生菜为研究对象,无土栽培各氮素水平的生菜叶样本,在莲座期,采集生菜叶片样本的高光谱图像(390~1050 nm),同时采用凯氏定氮法测定对应生菜叶片样本的全氮含量。通过ENVI软件提取出生菜叶片中感兴趣区域的平均光谱作为该样本原始光谱信息,分别使用平滑处理(Smoothing)、多元散射矫正(MSC)、标准正态变量变换结合去趋势(SNV detrending)、一阶导数法(First derivative)、二阶导数法(Second derivative)、正交信号矫正(OSC)等预处理方法对样本原始光谱进行处理,然后利用偏最小二乘回归法(Partial least squares regression,PLSR)分别建立样本全波段光谱信息与氮含量的关系模型,研究各预处理方法对氮含量模型的影响,结果表明,使用OSC预处理的模型效果最好。为了简化模型,根据OSC预处理光谱后的模型的PLSR回归系数优选出敏感波长,利用训练集中样本的敏感波长光谱信息与氮含量数据重新构建PLSR回归模型,并利用测试集样本进行测试试验。结果表明,该模型得到校正集和预测集的决定系数(R2p)分别为0.89,0.81;均方根误差RMSEC,RMSEP分别为0.33,0.45。该回归模型大大降低了自变量个数,简化了模型,并且取得了较优的效果,这为生菜氮素含量预测提供了一种新的快速有效方法。     

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。