【摘要】：隨著光譜技術(shù)的發(fā)展,以光譜遙感技術(shù)為基礎,以計算機數(shù)據(jù)分析處理為輔助手段的無損光學檢測和診斷技術(shù)成為當前農(nóng)業(yè)領域的研究熱點。苧麻(Boehmeiria nivea L)是我國的特產(chǎn),作為一種傳統(tǒng)的纖維作物,一直有著較高的經(jīng)濟地位。全面了解苧麻的高光譜響應特性,建立基于高光譜的苧麻模式識別模型,探討苧麻葉片高光譜與生理生態(tài)參數(shù)之間的量化關(guān)系,有利于苧麻栽種、種質(zhì)資源開發(fā)利用,為實現(xiàn)苧麻高產(chǎn)優(yōu)質(zhì)及麻田精準管理提供關(guān)鍵技術(shù)支撐,對提高苧麻產(chǎn)量和品質(zhì)有重要意義,在推動苧麻事業(yè)可持續(xù)發(fā)展上具有廣闊的應用前景。本文以長沙縣梅花基地苧麻種質(zhì)資源圃、湖南農(nóng)業(yè)大學耘園苧麻材料圃和湖南農(nóng)業(yè)大學國家麻類長期定位試驗點的苧麻為研究對象,在大田栽培條件下,以光譜分析技術(shù)為基礎,研究了40個品種的苧麻葉片高光譜特性,建立了9個苧麻品種的高光譜識別模型,苧麻褐斑病高光譜識別模型以及苧麻葉片含水率高光譜預測模型,本文主要研究內(nèi)容、方法和結(jié)果如下:1、從原始高光譜峰谷參數(shù)、分波段的偏度峰度參數(shù)和三邊參數(shù)等多方面統(tǒng)計分析了40個不同基因型苧麻葉片、褐斑病和健康葉片、上中下葉位葉片的高光譜數(shù)據(jù),發(fā)現(xiàn)苧麻葉片高光譜特具有以下特性:(1)不同基因型苧麻葉片高光譜在可見光波段(400~780 nm)和短波紅外波段(1350~2400 nm),差異主要體現(xiàn)在反射率和面積上;在近紅外波段(780~1350 nm),反射率和位置差異均比較明顯;各參數(shù)中,谷5位置、峰2反射率,黃邊位置、紅邊振幅、n6峰度和n4偏度差異較小,而峰1位置、綠峰反射率、紅邊位置、藍邊振幅和n4峰度差異較大。(2)不同葉位葉片高光譜在可見光區(qū)域,下葉位反射率最高,且與SPAD(Soil and Plant Analyzer Development)值成反比;在780-1350 nm區(qū)域反射率均是上葉位中葉位下葉位,與上中下葉位葉片含水率大小呈負相關(guān);在1350-2450nm區(qū)域反射率區(qū)別不明顯,含水量最低的上葉位葉片反射率也最低;三邊參數(shù)中,上中下葉位葉片的藍邊和黃邊位置比紅邊位置穩(wěn)定,振幅和面積值也小很多;SPAD值最大的中葉位紅邊位置離長波方向更近,SPAD值最小的下葉位離短波方向最近。(3)對比褐斑病和健康葉片的高光譜曲線,綠峰區(qū)域反射率、谷2位置、n3偏度、n4峰度和藍邊振幅差異比較明顯;670-970nm區(qū)域健康葉反射率明顯高于褐斑病葉片。2、采用高光譜峰谷參數(shù)、偏度峰度參數(shù)、三邊參數(shù)和主成分分析法等多種特征變量選擇(提取)方法,組合判別分析方法DA(Discriminant Analysis)和支持向量分類SVC(Support Vector Classification)兩種模式識別方法,分別建立了能識別9個苧麻品種的模型以及苧麻葉片褐斑病識別模型。研究結(jié)果表明:基于高光譜的苧麻9個品種的識別模型中,以20個主成分+SVC(徑向基核函數(shù))方法效果最佳,其模型變量個數(shù)較少,且正確率達到96.91%;而苧麻葉片褐斑病識別模型以9個主成分+馬氏距離判別分析MD-DA(Mahalanobis Distance Discriminant Analysis)和9個主成分+SVC(徑向基核函數(shù))方法最佳,其預測集正確率均達100%。3、采用多種預處理方法對原始高光譜降噪,然后分別采用相關(guān)系數(shù)法、回歸系數(shù)法、相關(guān)-回歸系數(shù)法和回歸-回歸系數(shù)法提取特征波段和特征波長,最后用偏最小二乘回歸PLSR(Partial Least Squere Regression)和支持向量回歸SVR(Support Vector Regression)分別建立基于全波段、特征波段和特征波長的苧麻葉片含水率預測模型。研究結(jié)果表明:以全波段作為輸入變量,SG(Savitzky-Golay)平滑-PLSR模型效果最好,變量個數(shù)2031個,預測集R~2為0.7164,RMSEP(Root Mean Squeare Error of Prediction)為0.0292;以特征波段作為輸入變量,以Normalize-回歸系數(shù)波段-PLSR模型效果最好,變量個數(shù)360個,預測集R~2=0.7153,RMSEP=0.0292;以特征波長作為輸入變量,以標準正態(tài)變量變換預處理結(jié)合回歸-回歸系數(shù)波長-PLSR模型效果最好,變量個數(shù)12個,預測集R~2=0.7016,RMSEP=0.0299。本文從原始高光譜峰谷參數(shù)、分波段的偏度峰度參數(shù)和三邊參數(shù)等多方面多角度、深入研究苧麻葉片高光譜特性,并以研究結(jié)果為基礎,建立了基于高光譜的苧麻品種識別、苧麻葉片褐斑病識別以及苧麻葉片含水率預測模型,填補了當前的研究空白。此外,在建立定性識別模型時,選擇原始高光譜峰谷參數(shù)、分波段的偏度峰度參數(shù)作為特征變量,并深入探討了主成分個數(shù)選擇對建模效果的影響;在建立定量預測模型時,本研究提出基于相關(guān)系數(shù)、回歸系數(shù)特征波段的二次提取特征波長的方法,均是本文的創(chuàng)新點。
【圖文】：

該波段是一個有波形起伏的高反射率區(qū)域：點附近有水或氧的窄吸收帶而產(chǎn)生的，如 970nm、1200n收谷；而高反射率是由于細胞壁和細胞空隙間折射率不同這種強烈反射的特性被認為是植物預防過度增熱的一種適500nm 波段。該波段的反射率與水分、二氧化碳和植物本50nm 和 1940nm 附近有兩個強吸收谷，在 1650nm 和 22峰，1650nm 附近的反射峰較強，而 2200nm 附近的反射峰防其本身過度變冷的一種適應。在不同生長條件下，其光譜特征會有相應變化，相關(guān)研究as[26]等人就曾研究了在不同氮素水平下，七種植物的葉片片光譜反射率和氮素水平的關(guān)聯(lián)；金林雪[27]等分析了小麥參數(shù)的相關(guān)關(guān)系，給出了小麥葉片水分及綠度特征的最佳Fig.1-1 The spectral response characteristics of green plants圖 1- 1 綠色植物的光譜響應特征

這兩處試驗地均采用隨機區(qū)組設計，不設重復小區(qū)種植 20 蔸苧麻。湖南農(nóng)業(yè)大學國家麻類長期定品種（中苧 1 號、湘苧 3 號、多倍體-1），每個品種 小區(qū)，小區(qū)面積約 20.00 m2（長為 7.50 m，寬為 2.田間水、肥管理一致，每一季苧麻苗期施尿素（總45%，N-P2O5-K2O 比例為 15-15-15）各 250 kg/hm2，，基地苧麻種質(zhì)資源圃b. 湖南農(nóng)業(yè)大學耘
【學位授予單位】：湖南農(nóng)業(yè)大學
【學位級別】：博士
【學位授予年份】：2018
【分類號】：S563.1

【參考文獻】

相關(guān)期刊論文 前10條

1 劉德華;張淑娟;王斌;余克強;趙艷茹;何勇;;基于高光譜成像技術(shù)的山楂損傷和蟲害缺陷識別研究[J];光譜學與光譜分析;2015年11期

2 李勛蘭;易時來;何紹蘭;呂強;謝讓金;鄭永強;鄧烈;;高光譜成像技術(shù)的柚類品種鑒別研究[J];光譜學與光譜分析;2015年09期

3 楊可明;史鋼強;魏華鋒;孫陽陽;劉飛;;銅離子、鉛離子脅迫的玉米冠層微分光譜與污染效應[J];江蘇農(nóng)業(yè)科學;2015年07期

4 王崠;吳見;;農(nóng)作物種類高光譜遙感識別研究[J];地理與地理信息科學;2015年02期

5 余克強;趙艷茹;李曉麗;丁希斌;莊載椿;何勇;;高光譜成像技術(shù)的不同葉位尖椒葉片氮素分布可視化研究[J];光譜學與光譜分析;2015年03期

6 丁希斌;劉飛;張初;何勇;;基于高光譜成像技術(shù)的油菜葉片SPAD值檢測[J];光譜學與光譜分析;2015年02期

7 程術(shù)希;孔汶汶;張初;劉飛;何勇;;高光譜與機器學習相結(jié)合的大白菜種子品種鑒別研究[J];光譜學與光譜分析;2014年09期

8 李丹;何建國;劉貴珊;賀曉光;王松磊;吳龍國;;基于高光譜成像技術(shù)的小黃瓜水分無損檢測[J];紅外與激光工程;2014年07期

9 朱哲燕;劉飛;張初;孔汶汶;何勇;;基于中紅外光譜技術(shù)的香菇蛋白質(zhì)含量測定[J];光譜學與光譜分析;2014年07期

10 程術(shù)希;謝傳奇;王巧男;何勇;邵詠妮;;不同波長提取方法的高光譜成像技術(shù)檢測番茄葉片早疫病的研究[J];光譜學與光譜分析;2014年05期

相關(guān)博士學位論文 前10條

1 孫靜濤;基于光譜和圖像信息融合的哈密瓜成熟度無損檢測研究[D];石河子大學;2017年

2 劉善梅;基于高光譜成像技術(shù)的冷鮮豬肉品質(zhì)無損檢測方法研究[D];華中農(nóng)業(yè)大學;2015年

3 張強;基于近紅外光譜技術(shù)的稻谷中霉菌和毒素檢測研究[D];東北農(nóng)業(yè)大學;2015年

4 葉珍;高光譜圖像特征提取與分類算法研究[D];西北工業(yè)大學;2015年

5 賀佳;冬小麥不同生育時期生態(tài)生理參數(shù)的高光譜遙感監(jiān)測模型[D];西北農(nóng)林科技大學;2015年

6 馬m

本文編號：2662066