基于高光譜成像技術的柑橘葉片含氮量快速檢測方法研究.pdf

1、氮素是果樹生長發(fā)育的一種大量必需元素，直接參與蛋白質、葉綠素和酶等化合物的組成，影響著果樹生長、果實增產和品質的提高。實時、準確地獲取果樹的氮素營養(yǎng)信息，既有利于果樹的合理施肥從而達到增產與提高果實品質的目的，又能有效緩解過量施氮引起的地表水和地下水的污染問題。本研究以柑橘植株為研究對象，采集了柑橘鮮葉的高光譜圖像，使用杜馬斯燃燒法快速定氮儀測定了葉片含氮量，對光譜預處理方法和特征波段進行了篩選，利用化學計量學方法建立了良好的柑橘葉片含

2、氮量預測模型，并提取了柑橘葉片的紋理特征用以建模，最后在傳統(tǒng)植被指數(shù)的基礎上提出了新的可靠的雙波段型植被指數(shù)。主要研究結論如下:
　　(1)在Savitzky-Golay(SG)平滑、變量標準化算法(SNV)和多元散射校正(MSC)等11種預處理方法中，篩選出SG平滑、去趨勢算法(Detrending)和SG平滑-Detrending這3種最優(yōu)預處理方法?；谶@3種預處理過的光譜，采用連續(xù)投影法(SPA)挑選出各自的特征波長作為偏

3、最小二乘法(PLS)、多元線性回歸(MLR)和反向傳播人工神經網絡(BPNN)模型的輸入所獲得的9個預測模型中，SG平滑-Detrending-SPA-BPNN(Rp:0.8513,RMSEP:0.1881)和Detrending-SPA-BPNN(Rp:0.8609,RMSEP:0.1595)這兩個模型獲得的含氮量預測效果均比較理想。
　　(2)基于高光譜圖像篩選出的三種預處理方法的BPNN模型預測效果明顯優(yōu)于PLS和MLR模型

4、，表明BPNN等非線性回歸校正方法可能比PLS和MLR等線性回歸方法更適用于柑橘葉片氮素水平預測模型的建立。
　　(3)基于灰度直方圖的BPNN測氮模型的較好的預測效果(Rp:0.8058，RMSEP:0.1847)說明基于灰度直方圖的紋理特征變量具有一定的柑橘葉片估氮潛力?；诨叶裙采仃嚭突诨叶戎狈綀D+灰度共生矩陣的MLR模型的建模集相關系數(shù)很好(Rc＞0.9)，預測集相關系數(shù)卻很差(Rp＜0.2)，說明基于葉片紋理特征變量

5、的測氮模型有待進一步的優(yōu)化。
　　(4)新衍生出的雙波段型植被指數(shù)（Rλ1-Rλ2）/（Rλ1+Rλ2），（Rλ12-Rλ22）/(Rλ12+Rλ22)，（Rλ1-Rλ2）/Rλ2和Rλ1/Rλ2在特征波段組合λ1=856nm和λ2=814nm處其值與葉片含氮量均達到最大相關性(R＞0.8)。
　　(5)基于(R856-R814)/(R856+R814)，(R8562-R8142)/(R8562+R8142)，(R856-R