基于多光譜與成像技術(shù)對(duì)油菜冠層SPAD值及蟲害的研究.pdf

1、數(shù)字農(nóng)業(yè)技術(shù)作為現(xiàn)代信息化農(nóng)業(yè)的前沿研究領(lǐng)域之一，是我國(guó)未來(lái)實(shí)現(xiàn)農(nóng)業(yè)現(xiàn)代化與可持續(xù)發(fā)展的關(guān)鍵技術(shù)。數(shù)字農(nóng)業(yè)需要快速、實(shí)時(shí)、準(zhǔn)確和定位化的獲取植物的生理信息和生長(zhǎng)狀況，而傳統(tǒng)的化學(xué)方法已不能滿足數(shù)字農(nóng)業(yè)的發(fā)展要求，因此，迫切需要開展關(guān)于快速無(wú)損測(cè)定植物生長(zhǎng)營(yíng)養(yǎng)信息和監(jiān)測(cè)作物生長(zhǎng)狀況的研究。本研究以種植廣泛的油料經(jīng)濟(jì)作物油菜作為研究對(duì)象，應(yīng)用Cropscan多光譜輻射儀對(duì)油菜苗期冠層的SPAD值進(jìn)行了快速無(wú)損檢測(cè)。同時(shí)應(yīng)用高光譜成像系統(tǒng)對(duì)油

2、菜蟲害進(jìn)行了鑒定，主要結(jié)論如下:
　　(1)應(yīng)用Cropscan多光譜輻射儀對(duì)油菜苗期冠層SPAD值的快速無(wú)損預(yù)測(cè)進(jìn)行了研究。將該儀器下的15個(gè)波段所獲取的光譜反射率值作為模型輸入量在線性模型(PLS)中，建模集的相關(guān)系數(shù)為0.7323，殘差為3.4528;預(yù)測(cè)集的相關(guān)系數(shù)比建模集低，為0.6640，預(yù)測(cè)殘差為2.7859。在非線性模型(LS-SVM)中，建模集的相關(guān)系數(shù)為0.7459，殘差為3.1567，同樣預(yù)測(cè)集的相關(guān)系數(shù)較建

3、模集低，相關(guān)系數(shù)和預(yù)測(cè)殘差分別為0.6805，3.1227。
　　(2)基于不同波段下組合的植被指數(shù)預(yù)測(cè)SPAD值的進(jìn)行了研究。通過(guò)不同波段組合的得到了不同的植被指數(shù)(R1100-R690)/(R1100+R690)、(R1650-R690)/(R1650+R690)、R830/R690、R830/R560。比較了這四種植被指數(shù)所建立模型對(duì)預(yù)測(cè)冠層SPAD的結(jié)果，并且探索了同一植被指數(shù)下所建立線性模型、二項(xiàng)式模型、指數(shù)模型及對(duì)數(shù)模

4、型。通過(guò)比較的得出，二項(xiàng)式模型在所有的植被指數(shù)中建模最優(yōu)。四種植被指數(shù)中(R1100-R690)/(R1100+R690)所建的二項(xiàng)式模型最優(yōu)。建模集和預(yù)測(cè)集的相關(guān)系數(shù)分別為0.7691、0.7012，殘差分別為1.98、2.03。
　　(3)應(yīng)用可見/近紅外技術(shù)高光譜成像系統(tǒng)中光譜特征對(duì)油菜蚜蟲進(jìn)行了檢測(cè)與識(shí)別研究。比較了全波段下基于SG、MSC、Detrending及SNV預(yù)處理方法對(duì)LS-SVM建模效果的影響，其中基于SNV

5、預(yù)處理算法的建模效果最優(yōu)，在53個(gè)預(yù)測(cè)集中正確率達(dá)到90.57％。為了使得所建模型響應(yīng)速度快、輸入量少，探索了連續(xù)投影算法(SPA)、荷系數(shù)法(x-LW)、主成分載荷貢獻(xiàn)率分析法(PCA-Loadings)3種特征提取算法對(duì)建模結(jié)果的影響。經(jīng)過(guò)計(jì)算得出基于PCA-loading所提取的13個(gè)特征波長(zhǎng)所建的LS-SVM模型最優(yōu)，識(shí)別正確率為88.68％。最后，為了研究不同建模模型對(duì)健康葉片和蚜蟲葉片分類影響，實(shí)驗(yàn)選用了最小二乘支持向量機(jī)(

6、LS-SVM)、最小二乘判別分析(PLS-DA)、極限學(xué)習(xí)機(jī)(ELM)模型，得出基于PCA-loading特征波長(zhǎng)下最小二乘判別分析模型最優(yōu)。
　　(4)應(yīng)用光譜技術(shù)對(duì)油菜健康莖稈和含有蚜蟲莖稈的鑒別分析進(jìn)行了研究。得出基于Detrending預(yù)處理下的SPA算法提取的特征波長(zhǎng)較少，且所建的LS-SVM模型最優(yōu)，建模集的預(yù)測(cè)正確率為89.66％，預(yù)測(cè)集的識(shí)別正確率為86.21％，通過(guò)其它模型的正確率也均在80％左右。
　　(

7、5)在對(duì)蚜蟲蟲害的鑒別分析中，應(yīng)用圖像處理技術(shù)提取了特征波長(zhǎng)下油菜葉片的10個(gè)紋理特征并基于此特征進(jìn)行建模分析。提取的紋理特征有對(duì)比度、相關(guān)、能量、同質(zhì)性、反差、熵、協(xié)方差、逆差距、二階距和自相關(guān)的特征。將這些特征作為建模的輸入量得出最優(yōu)的建模模型為極限學(xué)習(xí)機(jī)模型(ELM)，其預(yù)測(cè)正確率僅為69.81％。而將光譜特征與圖像特征相結(jié)合，所探討的3類模型的預(yù)測(cè)正確率均在85％以上，其中PLSDA的預(yù)測(cè)正確率為92.45％。
　　(6)