论文部分内容阅读
精细农业是实现现代农业可持续发展的核心技术。如何在短时间内高效获取精准的农田生态信息成为未来精细农业发展的重点。本文以油菜叶片为研究对象,以高光谱成像技术为手段,探索早期诊断油菜菌核病的识别模型,实现感染菌核病的油菜叶片生理信息的快速检测,对推进大田油菜种植的精细管理具有重要意义。本研究主要成果包括：(1)建立了油菜叶片在菌核病胁迫下染病叶片和健康叶片的早期诊断识别方法和模型。针对可见光波段和近红外波段,分别运用平滑处理(Moving average)去除光谱噪音,并利用权重回归系数法(Weighted Regression Coefficient)、传感器区别贡献率分析法(PCA-Loadings)、载荷系数法(x-Loading Weights)和二阶导数特征波段提取法(Derivative-2)四种方法提取特征波长。为了选取高效的识别模型,基于全谱波段,建立了偏最小二乘法(PLS)和支持向量机(SVM)识别模型。基于提取的特征波段,建立了偏最小二乘法(PLS)、线性判别式分析(LDA)、误差反向传输人工神经网络法(BPNN)和极限学习机(ELM)模型并比较识别效果。在可见光波段范围内,对预测集判别效果最优的是ELM模型,识别正确率最高。在近红外波段范围内,对预测集判别效果最优的是BPNN模型,识别正确率最高。(2)建立了基于特征植被指数诊断油菜叶片是否受菌核病胁迫的判别模型。基于23种常见植被指数,分析每一种植被指数与油菜叶片是否感染菌核病Pearson相关性,并结合基于单个植被指数建立LDA模型判别结果,选出了6个特征植被指数,进行PLS、SVM、 BPNN和ELM建模。对基于全谱建模、基于全部植被指数建模和基于特征植被指数建模的效果进行比较,建模效果依次增强。其中,基于特征植被指数建模效果最优,BPNN模型对油菜叶片是否染病的识别准确率能达到100.00%。这说明基于特征植被指数建模判断对油菜叶片是否染病是可行的,选取特征植被指数建模,不仅降低模型计算量,同时提高模型预测能力。(3)应用高光谱成像技术实现油菜叶片过氧化氢酶(CAT)、过氧化物酶(POD)和超氧化物歧化酶(SOD)活性的测定。根据所测的酶种类和活性不同,分别选取不同的样本光谱作为建模集和预测集。针对单种酶,建立了基于原始光谱数据(Raw)和7种预处理光谱的PLS模型和SVM模型。为了充分地利用高光谱的信息建立更加可靠准确的模型,应用载荷系数法提取了特征波段,并建立PLS和SVM模型。①CAT活性预测方面,基于变量标准化(SNV)预处理的全谱所建的PLS模型,预测效果最好,预测相关系数Rp为0.7938,预测均方根误差RMSEP为0.9336。基于特征波段建模,PLS模型预测效果最优,其中Rp为0.7622,RMSEP为0.9659。②POD活性预测方面,基于多元散射校正(MSC)预处理的全谱所建的PLS模型,预测效果最好,其中r为0.6831,RMSEP为2.8293。基于特征波段建模,PLS模型预测效果最优,其中Rp为0.5960,RMSEP为3.0930。③SOD活性预测方面,基于SNV预处理的全谱所建的PLS模型,预测效果最好,其中Rp为0.7834,RMSEP为198.7432。基于特征波段建模,SVM模型预测效果最优,其中Rp为0.7999, RMSEP为185.1372。