基于冠層圖像分析的冬小麥氮素營養(yǎng)監(jiān)測研究.pdf

1、為探索利用圖像分析技術進行冬小麥氮素營養(yǎng)狀況監(jiān)測的可行性，以濟麥22和青麥7號兩個品種為材料，設置0、60、120、180、240、300kg/hm2純氮6個施氮水平，進行了兩年的田間試驗。在每個生長季小麥返青后到抽穗前取樣測定了地上部生物量AGB、葉面積指數(shù)LAI、葉片氮積累量LNA、葉片SPAD值等指標，并同步采集了冠層圖像。比較了最大類間方差法和隨機森林算法對冠層圖像的分割精度，然后計算了冠層覆蓋度CC，提取了sRGB色彩空間的紅

2、光通道灰度值 R、綠光通道灰度值 G、藍光通道灰度值 B，通過色彩空間轉(zhuǎn)換計算CIEL*a*b*色彩空間的分量L*、a*、b*和HSI色彩空間的色相H、飽和度S、亮度 I，并計算了歸一化紅光值 r、歸一化綠光值 g、歸一化藍光值 b、差值指數(shù)GMR、比值指數(shù)GTR、過綠光指數(shù)EXG、歸一化差異指數(shù)NDI等色彩指數(shù)。分析了冠層圖像特征與氮素營養(yǎng)狀況指標的相關性，構建了氮素營養(yǎng)狀況指標的估算模型，以模型構建、模型驗證以及交叉驗證的決定系數(shù)R

3、2、均方根誤差RMSE、相對均方根誤差RRMSE評價模型的估算精度和泛化性能。最后以Shiny框架開發(fā)了小麥氮素營養(yǎng)監(jiān)測平臺。主要結(jié)果如下：
　　1小麥冠層圖像分割
　　小麥與土壤在CIEL*a*b*色彩空間的a*分量上具有明顯的差異，其密度曲線呈現(xiàn)明顯的雙峰性，在其他的單個色彩分量上則區(qū)別不明顯?；?CIEL*a*b*色彩空間a*分量的最大類間方差法和基于sRGB和CIEL*a*b*色彩空間的隨機森林兩類三種方法的分割精

4、度均超過99％，最大類間方差法的分割精度略低于隨機森林，兩個隨機森林模型之間差異較小，體現(xiàn)出隨機森林算法在圖像分割上的優(yōu)勢。
　　2地上部生物量的估算
　　冬小麥地上部生物量與冠層覆蓋度的相關性較強，兩年的相關系數(shù)均大于0.8，達到極顯著水平。以冠層覆蓋度和其他圖像特征為自變量，利用逐步回歸和人工神經(jīng)網(wǎng)絡構建的兩個估算模型中，無論是訓練集還是驗證集上，神經(jīng)網(wǎng)絡模型的決定系數(shù)更大，均方根誤差和相對均方根誤差更小，與逐步回歸模型

5、相比具有更高的估算精度。
　　3葉面積指數(shù)的估算
　　葉面積指數(shù)與冠層覆蓋度呈極顯著正相關，兩年的相關系數(shù)分別為0.905和0.910，與紅光值R和綠光值G呈極顯著負相關。以冠層覆蓋度、紅光值R、綠光值 G、藍光值 B為自變量，利用多元非線性回歸和神經(jīng)網(wǎng)絡構建的兩個模型中，神經(jīng)網(wǎng)絡具有更高的估算精度和泛化性能。
　　4葉片氮積累量的估算
　　葉片氮積累量與CC極顯著正相關，與R、G分量呈極顯著負相關；葉片氮積累量

6、與部分色彩指數(shù)間呈極顯著相關，其中與 GMR、GTR呈正相關，而與EXG呈負相關。以冠層覆蓋度外加色彩指數(shù)、色彩分量的2種非線性回歸，以及人工神經(jīng)網(wǎng)絡、支持向量回歸、隨機森林3種機器學習算法建立了冬小麥葉片氮積累量估算模型，利用除GMR或EXG外的非線性回歸模型的估算精度稍低于其他方法，而隨機森林算法的擬合精度最高，但存在明顯的過擬合現(xiàn)象。以冠層覆蓋度及色彩分量為自變量的支持向量回歸和人工神經(jīng)網(wǎng)絡方法，具有較高的擬合精度和泛化性能。

7、r>　　5葉片SPAD值的估算
　　葉片與sRGB、CIEL*a*b*和HSI三個色彩空間分量值的相關分析表明，SPAD值與除S外的色彩分量的相關性均達極顯著水平，其中與H、b*、R的相關性較強。分別以三個色彩空間構建的集成神經(jīng)網(wǎng)絡模型的葉片SPAD值估算精度差異不大，HSI色彩空間表現(xiàn)較好。
　　6小麥氮素營養(yǎng)狀況監(jiān)測平臺的開發(fā)
　　以Shiny框架開發(fā)的小麥氮素營養(yǎng)狀況監(jiān)測平臺，可通過瀏覽器訪問，具有跨平臺、跨終端