论文部分内容阅读
叶绿素作为植物光合作用最为重要的色素和合成有机氮素的重要部分,直接影响着植物生长、发育和结果的全过程。因此,快速、准确地测取植物叶绿素含量对于控制植物的施肥施水,评估植物的营养水平和长势有重要的参考意义。本文以美国加利福尼亚州尤宁城农场的柑橘叶片作为实验样本。首先利用YYLabs便携式光谱仪(OSVNIR-400/1100-S)实时无损地测取柑橘叶片的反射光谱数据;其次利用分光光度法测定柑橘叶片的叶绿素含量作为参考值;然后通过分析柑橘叶片的原始反射光谱图及其一阶导数光谱图的形态特征,提取光谱特征参数集;之后利用主成分分析对光谱特征参数进行降维处理,处理后的数据作为反演模型的输入,建立叶绿素含量的反演模型。本文的主要工作及结论如下:(1)通过YYLabs便携式光谱仪获取实验样本的光谱数据,然后通过均值滤波结合Savitzky-Golay滤波平滑处理一阶导数光谱图,保证了光谱特征参数的准确性。根据先验知识,提取15个光谱特征参数作为叶绿素含量的相关因素。经过检验,这15个光谱参数都与叶绿素含量有较高的相关性。(2)利用主成分分析法简化光谱特征参数。经过计算分析,前五个主成分的累计贡献率达98.7673%,因此选择将这五个主成分的得分情况作为反演模型的输入。(3)建立基于BP神经网络的叶绿素反演模型。实验表明,BP神经网络能较好的预测柑橘叶片的叶绿素含量。针对BP神经网络自身固有缺陷,本文引入社会情感优化算法(SEO)对BP神经网络的连接权值和阈值更新进行优化。经过SEO优化后的BP神经网络叶绿素含量反演模型,预测精度明显的提升,其RMSE为0.0794,MAPE为5.31%。相对于传统BP神经网络,其RMSE误差和MAPE误差分别降低了47.17%,2.92%。实验结果证明,SEO算法在一定程度上可以缓解BP神经网络自身固有缺陷,其预测效果相对传统BP神经网络有一定的提升。本文为农业生产中测量植物叶绿素含量奠定了基础。