论文部分内容阅读
光合作用强弱是评估植物有机物合成能力高低的重要代谢指标,而植物的光合作用是建立在叶绿素的物质基础上的,因此叶绿素的含量与植物的生长状况和健康程度息息相关。传统的叶绿素含量测量方法主要有分光光度法、高效液相色谱法等,这些化学方法不仅费时费力且还要对叶片进行研磨,破坏叶片结构,对操作人员的技术要求较高。传统的快速检测方法还包括常用的SPAD仪,但是该仪器无法实现对叶绿素含量分布的检测,而高光谱“图谱合一”的特点恰能克服“点检测”的缺点。因此,无损、迅速、全面和精确地检测植物的叶绿素含量分布,摆脱传统的靠农夫根据经验和植物的症状、长势和叶片颜色判断植物营养物质需求量的粗犷的评估方法,对精准农业中的变量喷施农用机械装备的研发和作物长势监控有重要参考意义。人工智能是当前热门的科研领域,其技术核心是基于深度学习构建的预测、识别和决策系统,因此本文探讨深度学习模型在叶绿素含量预测中的性能表现。本文基于高光谱成像技术,以三个生长阶段(嫩叶、成熟叶和老熟叶)的龙眼叶片为研究对象,采用分光光度法获取叶绿素含量真实值以提高模型预测准确性,选用高光谱成像仪(HyperSIS,Zolix,China)获取龙眼叶片高光谱图像,建立起叶绿素含量分布的反演模型,主要内容为:(1)在光谱信息和图像信息的叶绿素含量相关性分析中,采用皮尔森相关系数分析各波段反射率和图像纹理特征与叶绿素含量之间的相关程度,嫩叶、成熟叶、老熟叶和全生长期的强相关性波段分别为194、149、95、182个,强相关性的波段数随着叶片生长逐渐减少,相关性曲线在成熟叶、老熟叶阶段出现明显的“双峰”。在纹理特征相关性分析中,对比发现,对比度与叶绿素含量的相关性在三个叶片生长阶段和全生长期均表现为负相关,但相关性较弱;相关性、能量和同质性与叶绿素含量在三个叶片生长阶段和全生长期均表现为正相关,并且整体上表现为随着叶片的生长相关性增强。(2)在基于支持向量机回归模型龙眼叶片绿素含量预测中,PCA-PSO-SVR模型验证集决定系数_cR~2值最高,为0.8820,均方根误差RMSE_c值最低,为0.1793,SVR惩罚参数c为299.9535,径向基核函数参数γ为0.0032。在基于光谱特征参数预测叶绿素含量的结果中,两两组合建立的吸收带最小反射率位置和吸收带反射率总和建立的回归模型预测效果最好(_cR~2=0.8568,RMSE_c=0.2195,_vR~2=0.7712,RMSE_v=0.2862)。(3)在基于深度学习龙眼叶片叶绿素含量分布预测研究中,分别采用深度学习模型中的卷积神经网络、稀疏自动编码器和深度信念网络预测龙眼叶片叶绿素含量。三个深度学习模型的龙眼叶片叶绿素含量预测效果表明,基于“图谱信息”融合的稀疏自动编码器模型预测效果最佳。分别以三个生长阶段的叶片样本作为验证集时,其_vR~2的标准偏差为0.0125,分别比卷积神经网络及深度信念网络的_vR~2的标准偏差低66.22%和68.83%,表明其预测性能受叶片熟度的影响较低。传统模型中的最优模型MDS-GRNN的预测结果为:_cR~2=0.9397,RMSE_c=0.2201,_vR~2=0.8962,RMSE_v=0.3339;深度学习的最优模型SAE的表现为:_cR~2=0.9212,RMSE_c=0.1918,_vR~2=0.9012,RMSE_v=0.2115。