【摘要】：大豆是世界范圍內(nèi)一種重要的糧、油、飼兼用作物,同時(shí)也是優(yōu)質(zhì)植物油和植物蛋白的重要來(lái)源,在我國(guó)居民飲食結(jié)構(gòu)和國(guó)民經(jīng)濟(jì)中占有重要地位。近年來(lái)我國(guó)大豆生產(chǎn)存在產(chǎn)量低、品質(zhì)差、市場(chǎng)競(jìng)爭(zhēng)力弱等問題,致使我國(guó)大豆對(duì)外依存度高、供需矛盾日漸尖銳。施肥是大豆產(chǎn)量提高和品質(zhì)改善的重要措施,當(dāng)前農(nóng)業(yè)生產(chǎn)過(guò)程缺乏科學(xué)施肥指導(dǎo),存在過(guò)量使用肥料現(xiàn)象,提高生產(chǎn)成本的同時(shí),還帶來(lái)了一系列環(huán)境污染問題。實(shí)現(xiàn)大豆生長(zhǎng)過(guò)程養(yǎng)分狀況快速準(zhǔn)確診斷是科學(xué)施肥的重要前提,研究實(shí)現(xiàn)大豆生長(zhǎng)過(guò)程養(yǎng)分狀況快速準(zhǔn)確診斷的方法已經(jīng)迫在眉睫。本文以大豆為研究對(duì)象,高光譜成像技術(shù)為手段,分別利用室內(nèi)高光譜成像系統(tǒng)、田間高光譜成像采集平臺(tái)、低空無(wú)人機(jī)遙感平臺(tái)獲取葉片、冠層、區(qū)域三個(gè)尺度下大豆的高光譜成像數(shù)據(jù),構(gòu)建了不同尺度下大豆養(yǎng)分含量快速檢測(cè)模型,為大豆生產(chǎn)過(guò)程中肥料的合理使用與動(dòng)態(tài)調(diào)控提供科學(xué)指導(dǎo)。本文的主要研究?jī)?nèi)容與結(jié)論如下:(1)葉片尺度上,利用室內(nèi)高光譜成像系統(tǒng)獲取大豆葉片高光譜圖像數(shù)據(jù),分析了大豆葉片氮、磷、鉀含量與葉片光譜反射率之間的關(guān)系,建立了基于全波長(zhǎng)變量和特征變量的大豆葉片氮、磷、鉀含量的快速檢測(cè)模型,實(shí)現(xiàn)了大豆葉片養(yǎng)分含量分布的可視化。在基于全波長(zhǎng)變量的分析中,采用Savitzky-Golay卷積平滑法(SG)、多元散射校正(MSC)、變量標(biāo)準(zhǔn)化(SNV)、去趨勢(shì)化(De-trending)、一階微分(1-Der)、二階微分(2-Der)和直接正交信號(hào)校正(DOSC)對(duì)獲取的葉片高光譜數(shù)據(jù)進(jìn)行預(yù)處理,比較了不同光譜預(yù)處理方法對(duì)偏最小二乘(PLS)模型性能的影響,確定氮、磷、鉀含量檢測(cè)的最佳光譜預(yù)處理方法分別為直接正交信號(hào)校正(DOSC)、一階導(dǎo)數(shù)(1-Der)、變量標(biāo)準(zhǔn)化(SNV),基于最優(yōu)預(yù)處理方法建立的大豆葉片氮、磷、鉀含量檢測(cè)模型預(yù)測(cè)集決定系數(shù)分別為0.9428、0.7157、0.8944。在此基礎(chǔ)上,分別采用競(jìng)爭(zhēng)性自適應(yīng)重加權(quán)算法(CARS)、無(wú)信息變量消除法(UVE)、連續(xù)投影算法(SPA)、遺傳算法(GA)、獨(dú)立組分分析法(ICA)和隨機(jī)蛙跳算法(RF)進(jìn)行特征變量篩選,并基于篩選的特征變量分別建立大豆養(yǎng)分含量的PLS模型,并對(duì)模型進(jìn)行分析比較。結(jié)果顯示,大豆葉片氮含量的最佳模型為基于RF算法篩選特征變量建立的PLS模型,模型預(yù)測(cè)集決定系數(shù)為0.9466;大豆葉片磷含量的最佳模型為基于GA算法篩選特征變量建立的PLS模型,模型預(yù)測(cè)集決定系數(shù)為0.7465;大豆葉片鉀含量的最佳模型為基于UVE算法篩選特征變量建立的LS-SVM模型,模型預(yù)測(cè)集決定系數(shù)為0.9075�；谔卣髯兞拷⒌淖顑�(yōu)預(yù)測(cè)模型,結(jié)合偽彩色圖像編碼技術(shù),分別繪制了葉片氮、磷、鉀含量的可視化分布圖,實(shí)現(xiàn)了大豆葉片尺度養(yǎng)分信息的可視化。(2)冠層尺度上,采用田間高光譜成像采集系統(tǒng)獲取了大豆植株冠層高光譜成像數(shù)據(jù),研究了大豆冠層光譜反射率與大豆冠層氮、磷、鉀含量之間的關(guān)系,建立了大豆冠層氮、磷、鉀含量的快速檢測(cè)模型。采用SG、MSC、SNV、De-trending、1-Der、2-Der和DOSC對(duì)提取的冠層高光譜數(shù)據(jù)進(jìn)行預(yù)處理,結(jié)合PLS建模方法確定了冠層氮、磷、鉀含量檢測(cè)的最適光譜預(yù)處理方法,研究發(fā)現(xiàn)冠層氮、磷、鉀含量檢測(cè)的最優(yōu)光譜預(yù)處理方法均為DOSC,其對(duì)應(yīng)模型的預(yù)測(cè)集決定系數(shù)分別為0.9377、0.8701、0.8211。在此基礎(chǔ)上,分別采用CARS、UVE、SPA、GA、ICA和RF算法進(jìn)行特征變量篩選,分別建立了基于特征變量的PLS、LS-SVM和ELM模型,并對(duì)模型進(jìn)行分析比較。結(jié)果表明,對(duì)冠層氮含量檢測(cè)來(lái)說(shuō),采用UVE提取的特征變量結(jié)合LS-SVM模型建立的氮含量模型最優(yōu),模型預(yù)測(cè)集決定系數(shù)為0.9447;對(duì)冠層磷含量檢測(cè)來(lái)說(shuō),最佳模型為基于SPA篩選的特征變量建立的LS-SVM模型,模型預(yù)測(cè)集決定系數(shù)為0.8775;對(duì)冠層鉀含量檢測(cè)來(lái)說(shuō),最佳模型為基于SPA篩選的特征變量建立的PLS模型,模型預(yù)測(cè)集決定系數(shù)為0.8271。借助高光譜成像技術(shù)“圖譜合一”的特點(diǎn),采用變量?jī)?yōu)化后的最優(yōu)預(yù)測(cè)模型結(jié)合偽彩色圖像編碼技術(shù),分別繪制了冠層氮、磷、鉀含量的可視化分布圖,實(shí)現(xiàn)了大豆冠層養(yǎng)分信息的可視化。(3)區(qū)域尺度上,采用相關(guān)系數(shù)分析、逐步回歸和光譜指數(shù)三種方法分別確定了與大豆養(yǎng)分含量密切相關(guān)的光譜特征變量,基于提取的光譜特征變量,分別建立了大豆養(yǎng)分含量多元線性回歸模型。結(jié)果表明,以最優(yōu)光譜指數(shù)特征為變量,采用多元線性回歸方法構(gòu)建的模型,在大豆氮、磷、鉀含量檢測(cè)中效果最優(yōu),所構(gòu)建模型對(duì)氮、磷、鉀三種養(yǎng)分含量的預(yù)測(cè)集決定系數(shù)分別為0.9063、0.8072和0.5632。其中氮含量預(yù)測(cè)采用的光譜指數(shù)為NDSI(R_(552),R_(555))、RSI(R_(537),R_(573))和DSI(R_(540),R_(555));磷含量預(yù)測(cè)采用的光譜指數(shù)為NDSI(R_(549),R_(573))、RSI(R_(540),R_(573))和DSI(R_(483),R_(486));鉀含量預(yù)測(cè)采用的光譜指數(shù)為NDSI(R_(549),R_(573))、RSI(R_(540),R_(573))和DSI(R_(483),R_(486))�；讷@取的無(wú)人機(jī)高光譜影像數(shù)據(jù)及建立的大豆養(yǎng)分含量最優(yōu)預(yù)測(cè)模型,繪制了研究區(qū)開花期和鼓粒期大豆養(yǎng)分含量的空間分布圖,大豆氮、磷、鉀含量的空間分布與地面實(shí)測(cè)結(jié)果較為接近,能夠反映大豆養(yǎng)分狀況的空間分布信息,為區(qū)域范圍內(nèi)大豆養(yǎng)分狀況的快速、動(dòng)態(tài)、非破壞性監(jiān)測(cè)提供依據(jù)。(4)研究了分?jǐn)?shù)階微分算法在大豆冠層氮含量檢測(cè)中的應(yīng)用。采用歸一化光譜植被指數(shù)NDSI(normalized difference spectral index)、比值光譜指數(shù)RSI(ratio spectral index)對(duì)分?jǐn)?shù)階微分預(yù)處理后的光譜數(shù)據(jù)和大豆冠層氮素含量數(shù)據(jù)進(jìn)行相關(guān)性分析,研究發(fā)現(xiàn)分?jǐn)?shù)階微分預(yù)處理能夠細(xì)化光譜數(shù)據(jù)中的有效信息,增強(qiáng)光譜數(shù)據(jù)對(duì)冠層氮素含量的敏感性,尤其是增強(qiáng)紅邊平臺(tái)波段與氮素含量的正相關(guān)性及綠波段與含量的負(fù)相關(guān)性。建立了各階微分下大豆冠層氮含量的定量校正模型,并與常用植被指數(shù)建立的冠層氮含量預(yù)測(cè)模型進(jìn)行分析比較,發(fā)現(xiàn)基于0.7階微分比值光譜指數(shù)RSI(R_(548),R_(767))建立的大豆冠層氮含量預(yù)測(cè)模型最優(yōu),其預(yù)測(cè)集決定系數(shù)R~2p為0.8003,預(yù)測(cè)集均方根誤差RMSECP為3.5111,預(yù)測(cè)相對(duì)偏差RPD為2.2537,結(jié)果表明分?jǐn)?shù)階微分算法在大豆冠層氮素含量的定量檢測(cè)中具有一定的優(yōu)勢(shì),為大豆養(yǎng)分及其他營(yíng)養(yǎng)與長(zhǎng)勢(shì)信息的快速檢測(cè)提供了方法支持。
【學(xué)位授予單位】：東北農(nóng)業(yè)大學(xué)
【學(xué)位級(jí)別】：博士
【學(xué)位授予年份】：2018
【分類號(hào)】：S565.1
【圖文】：

圖 1-1 我國(guó)大豆產(chǎn)量與消費(fèi)量變化情況（1987-2017）1 Changes of Chian’s soybean yield and consumption from 19數(shù)據(jù)來(lái)源：依據(jù) FOA 數(shù)據(jù)庫(kù)及相關(guān)資料整理得出豆產(chǎn)量和改善大豆品質(zhì)的重要舉措之一。大豆生長(zhǎng)過(guò)程中對(duì)00 公斤大豆籽粒的產(chǎn)出大約需要從環(huán)境中吸收 7.0-9.5kg 氮1987 1992 1997 2002 2007 2012 2017

圖 1-1 本研究的技術(shù)路線圖Figure 1-1 Technology roadmap of the research6 本章小結(jié)本章節(jié)主要闡述了課題研究的背景與意義，概述了當(dāng)前國(guó)內(nèi)外進(jìn)行作物養(yǎng)分檢測(cè)及

圖 2-1 國(guó)家精準(zhǔn)農(nóng)業(yè)研究示范基地試驗(yàn)位置圖-1 Experimental field in national precision agriculture research and dembase

【參考文獻(xiàn)】

相關(guān)期刊論文 前10條

1 周曉陽(yáng);徐明崗;周世偉;Colinet Gilles;;長(zhǎng)期施肥下我國(guó)南方典型農(nóng)田土壤的酸化特征[J];植物營(yíng)養(yǎng)與肥料學(xué)報(bào);2015年06期

2 楊貴軍;李長(zhǎng)春;于海洋;徐波;馮海寬;高林;朱冬梅;;農(nóng)用無(wú)人機(jī)多傳感器遙感輔助小麥育種信息獲取[J];農(nóng)業(yè)工程學(xué)報(bào);2015年21期

3 王曉君;陳慧;張斯文;馬春梅;龔振平;趙恩龍;;缺鉀脅迫對(duì)大豆植株鉀素與干物質(zhì)積累的影響[J];中國(guó)農(nóng)學(xué)通報(bào);2015年21期

4 李振海;徐新剛;金秀良;張競(jìng)成;宋曉宇;宋森楠;楊貴軍;王紀(jì)華;;基于氮素運(yùn)轉(zhuǎn)原理和GRA-PLS算法的冬小麥籽粒蛋白質(zhì)含量遙感預(yù)測(cè)[J];中國(guó)農(nóng)業(yè)科學(xué);2014年19期

5 孔維平;畢銀麗;李少朋;陳書琳;馮顏博;余海洋;;利用高光譜估測(cè)干旱脅迫下接菌根菌大豆葉綠素含量[J];農(nóng)業(yè)工程學(xué)報(bào);2014年12期

6 丁淑英;丁獻(xiàn)云;丁丹;;幾種作物缺素癥的形態(tài)診斷[J];農(nóng)技服務(wù);2014年06期

7 徐新剛;趙春江;王紀(jì)華;李存軍;楊小冬;;基于可見光-近紅外新光譜特征和最優(yōu)組合原理的大麥葉片氮含量監(jiān)測(cè)[J];紅外與毫米波學(xué)報(bào);2013年04期

8 吳瓊;齊波;趙團(tuán)結(jié);姚鑫鋒;朱艷;蓋鈞鎰;;高光譜遙感估測(cè)大豆冠層生長(zhǎng)和籽粒產(chǎn)量的探討[J];作物學(xué)報(bào);2013年02期

9 卜濤;;獨(dú)立成分分析基本原理與發(fā)展[J];通信技術(shù);2012年07期

10 徐繼剛;馮新瀘;管亮;王帥;胡慶林;;分?jǐn)?shù)階微分在紅外光譜數(shù)據(jù)預(yù)處理中的應(yīng)用[J];化工自動(dòng)化及儀表;2012年03期

本文編號(hào)：2782869