温新:基于高光谱成像技术的苹果叶片叶绿素和氮素含量分布反演论文

温新:基于高光谱成像技术的苹果叶片叶绿素和氮素含量分布反演论文

本文主要研究内容

作者温新(2019)在《基于高光谱成像技术的苹果叶片叶绿素和氮素含量分布反演》一文中研究指出:植物叶片的叶绿素(Chlorophyll,Chl)和氮素(Nitrogen,N)在植物的新陈代谢和生长起着重要的作用。苹果叶片叶绿素在光合作用中起着重要作用,氮素又是苹果在生长过程中所必需的元素,二者都直接影响苹果的长势和产量。利用高光谱成像技术对苹果叶片叶绿素和氮素含量的估测及其分布反演研究,对于苹果叶片的养分分布及精准施肥都具有重要意义。传统植物叶绿素和氮素的测定多为化学分析方法,费时、费力且专业技术性要求高,而近来来发展的高光谱技术具有测量快速方便、低成本,并且非破坏性等优点。高光谱成像技术结合了光谱和图像两方面的优势,具有高分辨率、多波段、图谱合一等特点,可以检测物体的外观特性与内部成分,既可以利用多波段光谱对植物叶绿素和氮素的含量进行定量分析,又可以利用图像对其空间分布差异进行可视化研究。因此,利用高光谱成像技术来获取苹果生长过程中叶片营养状况的变化,可以为精准施肥管理提供技术支持。研究区为被称为“世界苹果之城”的山东省烟台栖霞市。研究的样本为2016年9月红富士苹果树叶片。利用成像光谱仪测定苹果叶片的成像高光谱数据,分别利用分光光度计法和凯氏定氮仪测定苹果叶片叶绿素和氮素含量,提取叶片的光谱信息并进行预处理。(1)筛选出了苹果叶片叶绿素含量和氮素含量的敏感波长,构建了植被指数。通过对光谱进行多元散射校正预处理,苹果叶片叶绿素含量与光谱数据的相关性得到提高,筛选出712 nm、509 nm、561 nm、840 nm、696 nm、987 nm6个敏感波长。对光谱进行SG平滑一阶微分,苹果叶片氮素含量与光谱数据的相关性提高,筛选出535 nm、576 nm、633 nm、654 nm、701 nm 5个敏感波长建立模型,同时利用前人已得出较好的6个植被指数NIR/NIR(740,780)、RVI2(765,787)、ZTM(710,750)、VLOPT2(730,760)、GRVI(550,800)、GNDVI(550,800)建立模型,进行对比。(2)建立了基于高光谱成像技术的苹果叶片叶绿素含量估测模型,分别为偏最小二乘、主成分回归、二次多项式逐步回归模型。建立了基于高光谱成像技术的苹果叶片氮素含量的逐步回归分析模型、BP人工神经网络模型、岭回归模型,通过对比分析选出了最佳的预测模型。结果表明,建立的MSC-PCA模型能较好的估测叶绿素含量,建立的SG-D-SRA模型能较好的估测氮素含量(叶绿素:R~2=0.8004,RMSE=0.3188,RE=26.4%;氮素:R~2=0.6866,RMSE=0.3188,RE=10.21%)。通过利用叶绿素含量对氮素估测模型进行修正,发现修正后的氮素含量估测模型预测集的R~2由0.7431提高到0.7866,检验集R~2由0.6866提高到0.7071,效果良好。(3)建立了苹果叶片叶绿素和氮素的分布反演图。依据得出的叶绿素和氮素的回归方程,计算叶片上各个像素点的叶绿素和氮素,从而得到苹果叶片叶绿素和氮素的分布反演图,为苹果叶片上叶绿素和氮素含量提供更加直观的信息表达。结果表明了利用高光谱成像技术可以实现苹果叶片叶绿素和氮素分布的反演,为有效地检测植物的养分分布以及合理施肥提供了科学的理论依据。

Abstract

zhi wu xie pian de xie lu su (Chlorophyll,Chl)he dan su (Nitrogen,N)zai zhi wu de xin chen dai xie he sheng chang qi zhao chong yao de zuo yong 。ping guo xie pian xie lu su zai guang ge zuo yong zhong qi zhao chong yao zuo yong ,dan su you shi ping guo zai sheng chang guo cheng zhong suo bi xu de yuan su ,er zhe dou zhi jie ying xiang ping guo de chang shi he chan liang 。li yong gao guang pu cheng xiang ji shu dui ping guo xie pian xie lu su he dan su han liang de gu ce ji ji fen bu fan yan yan jiu ,dui yu ping guo xie pian de yang fen fen bu ji jing zhun shi fei dou ju you chong yao yi yi 。chuan tong zhi wu xie lu su he dan su de ce ding duo wei hua xue fen xi fang fa ,fei shi 、fei li ju zhuan ye ji shu xing yao qiu gao ,er jin lai lai fa zhan de gao guang pu ji shu ju you ce liang kuai su fang bian 、di cheng ben ,bing ju fei po huai xing deng you dian 。gao guang pu cheng xiang ji shu jie ge le guang pu he tu xiang liang fang mian de you shi ,ju you gao fen bian lv 、duo bo duan 、tu pu ge yi deng te dian ,ke yi jian ce wu ti de wai guan te xing yu nei bu cheng fen ,ji ke yi li yong duo bo duan guang pu dui zhi wu xie lu su he dan su de han liang jin hang ding liang fen xi ,you ke yi li yong tu xiang dui ji kong jian fen bu cha yi jin hang ke shi hua yan jiu 。yin ci ,li yong gao guang pu cheng xiang ji shu lai huo qu ping guo sheng chang guo cheng zhong xie pian ying yang zhuang kuang de bian hua ,ke yi wei jing zhun shi fei guan li di gong ji shu zhi chi 。yan jiu ou wei bei chen wei “shi jie ping guo zhi cheng ”de shan dong sheng yan tai qi xia shi 。yan jiu de yang ben wei 2016nian 9yue gong fu shi ping guo shu xie pian 。li yong cheng xiang guang pu yi ce ding ping guo xie pian de cheng xiang gao guang pu shu ju ,fen bie li yong fen guang guang du ji fa he kai shi ding dan yi ce ding ping guo xie pian xie lu su he dan su han liang ,di qu xie pian de guang pu xin xi bing jin hang yu chu li 。(1)shai shua chu le ping guo xie pian xie lu su han liang he dan su han liang de min gan bo chang ,gou jian le zhi bei zhi shu 。tong guo dui guang pu jin hang duo yuan san she jiao zheng yu chu li ,ping guo xie pian xie lu su han liang yu guang pu shu ju de xiang guan xing de dao di gao ,shai shua chu 712 nm、509 nm、561 nm、840 nm、696 nm、987 nm6ge min gan bo chang 。dui guang pu jin hang SGping hua yi jie wei fen ,ping guo xie pian dan su han liang yu guang pu shu ju de xiang guan xing di gao ,shai shua chu 535 nm、576 nm、633 nm、654 nm、701 nm 5ge min gan bo chang jian li mo xing ,tong shi li yong qian ren yi de chu jiao hao de 6ge zhi bei zhi shu NIR/NIR(740,780)、RVI2(765,787)、ZTM(710,750)、VLOPT2(730,760)、GRVI(550,800)、GNDVI(550,800)jian li mo xing ,jin hang dui bi 。(2)jian li le ji yu gao guang pu cheng xiang ji shu de ping guo xie pian xie lu su han liang gu ce mo xing ,fen bie wei pian zui xiao er cheng 、zhu cheng fen hui gui 、er ci duo xiang shi zhu bu hui gui mo xing 。jian li le ji yu gao guang pu cheng xiang ji shu de ping guo xie pian dan su han liang de zhu bu hui gui fen xi mo xing 、BPren gong shen jing wang lao mo xing 、ling hui gui mo xing ,tong guo dui bi fen xi shua chu le zui jia de yu ce mo xing 。jie guo biao ming ,jian li de MSC-PCAmo xing neng jiao hao de gu ce xie lu su han liang ,jian li de SG-D-SRAmo xing neng jiao hao de gu ce dan su han liang (xie lu su :R~2=0.8004,RMSE=0.3188,RE=26.4%;dan su :R~2=0.6866,RMSE=0.3188,RE=10.21%)。tong guo li yong xie lu su han liang dui dan su gu ce mo xing jin hang xiu zheng ,fa xian xiu zheng hou de dan su han liang gu ce mo xing yu ce ji de R~2you 0.7431di gao dao 0.7866,jian yan ji R~2you 0.6866di gao dao 0.7071,xiao guo liang hao 。(3)jian li le ping guo xie pian xie lu su he dan su de fen bu fan yan tu 。yi ju de chu de xie lu su he dan su de hui gui fang cheng ,ji suan xie pian shang ge ge xiang su dian de xie lu su he dan su ,cong er de dao ping guo xie pian xie lu su he dan su de fen bu fan yan tu ,wei ping guo xie pian shang xie lu su he dan su han liang di gong geng jia zhi guan de xin xi biao da 。jie guo biao ming le li yong gao guang pu cheng xiang ji shu ke yi shi xian ping guo xie pian xie lu su he dan su fen bu de fan yan ,wei you xiao de jian ce zhi wu de yang fen fen bu yi ji ge li shi fei di gong le ke xue de li lun yi ju 。

论文参考文献

  • [1].基于高光谱成像技术的苹果硬度、水分及可溶性固形物含量的无损检测研究[D]. 查启明.南京农业大学2017
  • [2].基于高光谱成像技术的沙果品质检测研究[D]. 刘蒋龙.山西农业大学2018
  • [3].基于高光谱成像技术的产品品质无损检测研究[D]. 史铁.东北电力大学2019
  • [4].基于SLOT的高光谱成像系统的研究[D]. 李贵叶.深圳大学2018
  • [5].显微高光谱成像系统及大区域多维影像数据获取方法研究[D]. 袁晨.华东师范大学2019
  • [6].基于显微高光谱成像的乳腺肿瘤组织微阵列识别分析方法研究[D]. 郑欣.华东师范大学2019
  • [7].基于高光谱成像技术的血迹检测研究[D]. 胡楠楠.山东师范大学2019
  • [8].基于高光谱图像技术对不同品种牛肉的识别及其品质的差异性分析研究[D]. 王莉.宁夏大学2018
  • [9].基于高光谱成像的水果轻微机械损伤无损检测的研究[D]. 韩浩然.云南师范大学2018
  • [10].光机扫描型大视场高光谱成像技术研究[D]. 汪磊.中国科学院大学(中国科学院上海技术物理研究所)2017
  • 读者推荐
  • [1].基于高光谱成像技术的金银花干燥品质快速检测方法研究[D]. 冯洁.河南科技大学2019
  • [2].基于光谱图像技术的中华绒螯蟹品质鉴别研究[D]. 石海军.江苏大学2019
  • [3].洋葱不同生育期的叶绿素含量及与品质相关性分析[D]. 王海林.南京农业大学2017
  • [4].油菜高光谱特征及其农学参数遥感监测[D]. 郑煜.西北农林科技大学2019
  • [5].玉米冠层氮素高光谱估测研究[D]. 马昕宇.东北农业大学2019
  • [6].基于多光谱图像的水稻估产模型研究[D]. 闫昱光.东北农业大学2019
  • [7].基于高光谱和图像技术的苹果叶片叶绿素和磷素含量估测研究[D]. 程立真.山东农业大学2017
  • [8].基于高光谱信息的橡胶树叶片氮素营养快速检测技术研究[D]. 陈贻钊.海南大学2010
  • [9].基于高光谱图像的黄瓜叶片叶绿素含量及其分布预测研究[D]. 殷晓平.江苏大学2010
  • [10].利用高光谱参数预测水稻氮素状况、色素含量和籽粒蛋白含量的研究[D]. 孙雪梅.浙江大学2005
  • 论文详细介绍

    论文作者分别是来自山东农业大学的温新,发表于刊物山东农业大学2019-07-05论文,是一篇关于苹果叶片论文,氮素含量论文,叶绿素含量论文,高光谱论文,反演论文,山东农业大学2019-07-05论文的文章。本文可供学术参考使用,各位学者可以免费参考阅读下载,文章观点不代表本站观点,资料来自山东农业大学2019-07-05论文网站,若本站收录的文献无意侵犯了您的著作版权,请联系我们删除。

    标签:;  ;  ;  ;  ;  ;  

    温新:基于高光谱成像技术的苹果叶片叶绿素和氮素含量分布反演论文
    下载Doc文档

    猜你喜欢