论文部分内容阅读
作物营养元素和水分的诊断是有效利用有限资源,实现高产的主要途径。本研究针对常规实验室测试的缺点和单一传感器检测精度低的局限性,考虑从光谱、图像、冠层温度及影响作物生长的环境因子等方面,开展的研究工作有:以设施蔬菜研究中常用的生菜和番茄为研究对象,提出多传感信息融合技术诊断作物氮素丰缺及水分胁迫的方法。
1)采用无土栽培技术进行样本培育。在保证其他营养元素均衡的情况下,对氮素和水分进行精确控制,以获取纯正的不同氮素和不同水分胁迫的生菜和番茄样本。
2)分别对不同氮素和含水率水平生菜和番茄样本的叶片反射光谱特征和冠层反射光谱特征进行了研究对比。对已变换的全波段光谱进行相关性分析后,分别提取氮素和水分的敏感波段,并进一步利用逐步回归法提取特征波长。生菜水分发棵期冠层的特征波长为960、993、1220、1400、1680和1890nm；莲座期冠层的特征波长为975、1250、1452、1656和1895nm:结球期冠层的特征波长为980、1205、1414、1711和1910nm。生菜氮素发棵期冠层的特征波长为402、470、578、609、702和747nm~莲座期冠层的特征波长为4.38、455、519、582、665、670、698和750nm；结球期冠层的特征波长为521、590、628、670、695和750nm。番茄水分移植-开花期冠层的特征波长为1065、1280、1429、1720和1952nm；坐果.膨大期冠层的特征波长为996、1244、1466、1719和1953nm；膨大.成熟期的特征波长为989、994、1266、1419、1726和1944nm。番茄氮素移植-开花期冠层的特征波长为412、520、590、601、670和698nm；坐果-膨大期冠层的特征波长为417、466、510、642和693nm；膨大-成熟期的特征波长为400、531、568、611、612和701nm。分别选用多元线性回归、主成分回归、偏最小二乘回归和偏最小二乘-神经网络回归4种方法进行建模与分析。对各回归方法优缺点的深入分析表明,偏最小二乘-神经网络回归方法较好。
3)分别获取不同氮素水平和不同含水率样本的冠层多光谱图像。对比不同×字窗口的滤波效果后,选择3×3窗口中值滤波法对图像进行预处理,并采用最大类间方差法对多光谱图像进行背景分割。分别提取通道R660nm、G560nm、B460nm和IR810nm图像的灰度均值作为信息融合的特征向量。
4)对生菜和番茄的冠层温度特征进行了研究。分析了冠层温度随时间、大气温度、大气湿度及光强的变化规律,在此基础上建立了不同生长期的冠气温差模型和水分胁迫指数模型。
5)考虑到作物冠层结构和背景的复杂性,单一的检测技术往往不能达到满意的效果。本文采用改进的人工神经网络进行信息融合,消除了单独使用光谱、图像、CWSI进行诊断的局限性。结果表明:生菜水分三个生长期实测值与预测值的相关系数分别为0.8766、0.9108和0.9146；平均相对误差分别为13.0368％、11.4455％和9.8530％；验证均方根误差分别为30.2968、25.2165和20.1537。生菜氮素三个生长期实测值与预测值的相关系数分别为0.9461、0.9579和0.9442;平均相对误差分别为9.4857％、11.0459％和7.2789％；验证均方根误差分别为0.0306、0.0646和0.0086。番茄氮素三个生长期实测值与预测值的相关系数分别为0.9420、0.9196和0.9145；平均相对误差分别为9.7528％、8.8894％和7.5831％；验证均方根误差分别为0.0276、0.0186和0.0369。番茄水分三个生长期实测值与预测值的相关系数分别为0.8569、0.8813和0.8550；平均相对误差分别为6.7699％、7.2883％和8.8986％;验证均方根误差分别为8.3473、14.8863和14.4591。
本文系统全面的探讨了作物冠层反射光谱、多光谱图像和冠层温度的信息获取、特征提取和模型优选等技术,提出了利用改进的神经网络的多传感信息融合方法,并将其应用于生菜和番茄的水分、氮素检测分析研究中。提高了预测精度,为后续仪器的开发提供了基础数据和方法。