【摘要】：近年來(lái),利用近地成像光譜技術(shù)測(cè)定植被營(yíng)養(yǎng)含量已成為研究的熱點(diǎn)。近地成像光譜技術(shù)是將高光譜和高空間分辨率的數(shù)據(jù)融合在一起,形成圖譜合一的信息,為作物的長(zhǎng)勢(shì)狀況監(jiān)測(cè)提供可視化的信息表達(dá)。目前,利用近地成像光譜技術(shù)對(duì)果樹(shù)葉綠素含量預(yù)測(cè)的已有研究大都集中在果樹(shù)生長(zhǎng)的單一時(shí)期,對(duì)果樹(shù)不同物候期的研究較少。本研究利用近地成像光譜技術(shù)預(yù)測(cè)不同物候期蘋(píng)果樹(shù)葉綠素含量,對(duì)蘋(píng)果樹(shù)長(zhǎng)勢(shì)的可視化監(jiān)測(cè)、信息化管理將具有重要的意義。以煙臺(tái)棲霞市蘋(píng)果園區(qū)為研究區(qū),以盛果期紅富士蘋(píng)果葉片為研究對(duì)象,分別于2016年的秋梢停長(zhǎng)期(9月中下旬)、2017年的新梢旺長(zhǎng)期(5月中下旬)、2017年的春梢停長(zhǎng)期(6月中下旬)、2017年的秋梢停長(zhǎng)期(9月中下旬)進(jìn)行樣本的采集,利用近地成像光譜儀SOC710VP進(jìn)行蘋(píng)果葉片成像光譜數(shù)據(jù)的測(cè)定,利用分光光度計(jì)法測(cè)定蘋(píng)果葉片葉綠素含量。對(duì)數(shù)據(jù)依次進(jìn)行了反射率提取、預(yù)處理、特征波長(zhǎng)的篩選、特征參量的構(gòu)建,選出了最優(yōu)的特征參量,對(duì)不同種類(lèi)葉綠素含量和不同物候期Chla+Chlb含量進(jìn)行了預(yù)測(cè),并通過(guò)精度檢驗(yàn)優(yōu)選了最佳估測(cè)模型,確定了Chla+Chlb含量預(yù)測(cè)的最佳物候期。主要結(jié)果如下:(1)明確了葉綠素含量的成像光譜響應(yīng)規(guī)律通過(guò)不同的特征波長(zhǎng)篩選方法,確定了葉綠素在成像光譜上的響應(yīng)波長(zhǎng)都在藍(lán)谷(480nm)、綠峰(550nm)、紅谷(680nm)以及紅邊(760nm)附近波動(dòng)。隨著物候期的推移,即從新梢旺長(zhǎng)期到春梢停長(zhǎng)期,再到秋梢停長(zhǎng)期,蘋(píng)果葉片成像光譜反射率呈降低的趨勢(shì),Chla+Chlb含量的變化與之對(duì)應(yīng),從新梢旺長(zhǎng)期到春梢停長(zhǎng)期,再到秋梢停長(zhǎng)期,Chla+Chlb含量升高。(2)構(gòu)建并篩選了最優(yōu)的特征參量在不同種類(lèi)葉綠素含量的預(yù)測(cè)中,利用Chla、Chlb、Chla+Chlb含量與近地成像光譜數(shù)據(jù)之間的相關(guān)性和Chla、Chlb、Chla+Chlb含量預(yù)測(cè)及檢驗(yàn)的精度,對(duì)構(gòu)建的成像光譜特征參量進(jìn)行了優(yōu)選,結(jié)果表明,不同種類(lèi)葉綠素含量模型的預(yù)測(cè)和檢驗(yàn)效果都是以r(TCARI)最優(yōu):其中Chla預(yù)測(cè)模型驗(yàn)證集決定系數(shù)R2為0.8260、相對(duì)誤差RE為0.1175、均方根誤差RMSE為0.2526;Chlb預(yù)測(cè)模型驗(yàn)證集決定系數(shù)R2為0.7650,相對(duì)誤差RE為0.1008,均方根誤差RMSE為0.1666;Chla+Chlb預(yù)測(cè)模型驗(yàn)證集決定系數(shù)R2達(dá)到了0.8266、相對(duì)誤差RE為0.0750、均方根誤差RMSE為0.1097。(3)建立的Chla+Chlb預(yù)測(cè)模型為最佳葉綠素預(yù)測(cè)模型在Chla、Chlb、Chla+Chlb含量預(yù)測(cè)模型對(duì)比分析中發(fā)現(xiàn),利用蘋(píng)果葉片成像光譜數(shù)據(jù)對(duì)Chla+Chlb含量的預(yù)測(cè)效果最好。以r(TCARI)為自變量的預(yù)測(cè)模型中,Chla+Chlb模型的驗(yàn)證集相對(duì)誤差RE降低了36.1%,均方根誤差RMSE降低了56.6%;驗(yàn)證集決定系數(shù)R2比Chlb模型8.1%,相對(duì)誤差RE降低了25.6%,均方根誤差RMSE降低了34.2%。(4)確定了Chla+Chlb含量預(yù)測(cè)的最佳物候期在利用近地成像光譜數(shù)據(jù)對(duì)不同物候期蘋(píng)果葉片Chla+Chlb含量的預(yù)測(cè)中,逐步回歸模型預(yù)測(cè)效果優(yōu)于支持向量機(jī)模型。秋梢停長(zhǎng)期預(yù)測(cè)效果最優(yōu),其支持向量機(jī)模型驗(yàn)證集決定系數(shù)R2比新梢旺長(zhǎng)期和春梢停長(zhǎng)期分別提高了12.05%、22.57%,RE比新梢旺長(zhǎng)期和春梢停長(zhǎng)期分別降低了68.24%、47.34%,RMSE比新梢旺長(zhǎng)期和春梢停長(zhǎng)期分別降低了56.70%、47.59%;逐步回歸模型校正集決定系數(shù)R2為0.9223、RE為0.0141、RMSE為0.1148,校正集決定系數(shù)R2比新梢旺長(zhǎng)期和春梢停長(zhǎng)期分別提高了0.15%、15.16%,RE比新梢旺長(zhǎng)期和春梢停長(zhǎng)期分別降低了69.78%、74.46%,RMSE比新梢旺長(zhǎng)期和春梢停長(zhǎng)期分別降低了28.38%、48.10%,驗(yàn)證集決定系數(shù)R2為0.8994、RE為0.0270、RMSE為0.1263,驗(yàn)證集決定系數(shù)R2比新梢旺長(zhǎng)期和春梢停長(zhǎng)期分別提高了2.81%、15.22%,RE比新梢旺長(zhǎng)期和春梢停長(zhǎng)期分別降低了60.93%、54.85%,RMSE比新梢旺長(zhǎng)期和春梢停長(zhǎng)期分別降低了42.06%、45.25%。新梢旺長(zhǎng)期預(yù)測(cè)精度低于秋梢停長(zhǎng)期,春梢停長(zhǎng)期預(yù)測(cè)效果最差。綜上所述,利用近地成像光譜數(shù)據(jù)預(yù)測(cè)不同物候期蘋(píng)果葉片葉綠素含量是可行的,為蘋(píng)果樹(shù)的長(zhǎng)勢(shì)監(jiān)測(cè)提供了更為直觀的技術(shù)方法和理論支撐。
【學(xué)位授予單位】：山東農(nóng)業(yè)大學(xué)
【學(xué)位級(jí)別】：碩士
【學(xué)位授予年份】：2018
【分類(lèi)號(hào)】：S661.1
【圖文】：

圖 2-1 成像光譜數(shù)據(jù)采集示意圖Fig 2-1 Acquisition of imaging spectrum data像光譜數(shù)據(jù)的測(cè)定采集過(guò)程在暗箱中進(jìn)行。SOC710VP 視場(chǎng)角為 15°，選取 17mmLens_HB0010-02 的光圈，鏡頭垂直于標(biāo)準(zhǔn)灰板，同步測(cè)取灰板 DN 值作為每考，物鏡距樣本高度為 130cm，exposure（曝光時(shí)間）手動(dòng)調(diào)節(jié)到 1置可以保證圖像的高清晰度。將樣本標(biāo)好序號(hào)并置于水平的標(biāo)準(zhǔn)灰板按鈕進(jìn)行成像光譜數(shù)據(jù)的采集，采集過(guò)程中觀測(cè)輻射亮度值曲線，防光造成的數(shù)據(jù)丟失。果葉片葉綠素含量的測(cè)定分光光度計(jì)法測(cè)定蘋(píng)果葉片葉綠素含量。將測(cè)定完光譜的葉片剪成剪碎的新鮮樣品 0.20g，加 96%乙醇 10mL，于室溫下遮光靜置至樣取液用分光光度計(jì)比色，分別測(cè)定 665nm（葉綠素 a 最大吸收峰）

11圖 2-2 數(shù)據(jù)定標(biāo)Figure 2-2 Data Calibration（2）空間光譜輻射標(biāo)定空間光譜輻射標(biāo)定即對(duì)由于光學(xué)光譜響應(yīng)，光柵散射等影響造成的光譜和空間輻射差異進(jìn)行定標(biāo)。進(jìn)行增益標(biāo)定，是對(duì)已確定的標(biāo)定光源獲取圖像，出廠時(shí)采用 LabSphere 積分球均勻光源系統(tǒng)進(jìn)行標(biāo)定。光譜儀數(shù)據(jù)處理軟件軟件 SRAnalysis，自帶了標(biāo)定文件，格式為.Radcal 文件。將圖像進(jìn)行完光譜定標(biāo)后，點(diǎn)擊圖 2-2中所示的 Radiometric Cal 按

15_LHB0010-02.Radcal，進(jìn)行空間光譜輻射標(biāo)定。當(dāng)進(jìn)行輻射標(biāo)定時(shí)，應(yīng)將標(biāo)定文件拷貝到數(shù)據(jù)源所在文件夾內(nèi)。當(dāng)進(jìn)行輻射保存數(shù)據(jù)立方體時(shí)，文件名保存到頭文件內(nèi)，后續(xù)數(shù)據(jù)處理會(huì)讀取在數(shù)據(jù)內(nèi)的標(biāo)定文件。2.2.2 輻射亮度值轉(zhuǎn)換反射率利用成像光譜儀獲取的成像光譜數(shù)據(jù)為輻射亮度值數(shù)據(jù)，需轉(zhuǎn)化為反射率數(shù)據(jù)才能利用。轉(zhuǎn)換過(guò)程通過(guò) SOC710 自帶的數(shù)據(jù)處理軟件 SRAnalysis 實(shí)現(xiàn)。進(jìn)行完數(shù)據(jù)的標(biāo)定后，打鉤 Select Region（圖 2-3）選取灰板區(qū)域，點(diǎn)擊 Image下的 Write（圖 2-3）按鈕保存為文件（light），標(biāo)定為參考版能量值。點(diǎn)擊如圖 2-3所示的 calibrate下的 Norm Reflectance，打開(kāi) 國(guó)產(chǎn)參考版數(shù)據(jù).txt‖文件，讀取標(biāo)準(zhǔn)參考版反射率。點(diǎn)擊圖 2-4 中的 Set Light，打開(kāi)之前保存的 light 文件，則能量值轉(zhuǎn)換為反射率反射率轉(zhuǎn)換完成后，Image工具欄的 Refl復(fù)選框會(huì)自動(dòng)打上勾，通過(guò)鼠標(biāo)移動(dòng)可以查看圖像上的每個(gè)像素的反射率數(shù)據(jù)。反射率轉(zhuǎn)換完成后的圖像如圖 2-5 所示。

【參考文獻(xiàn)】

相關(guān)期刊論文 前10條

1 魏全全;李嵐?jié)?任濤;王振;王少華;李小坤;叢日環(huán);魯劍巍;;基于數(shù)字圖像技術(shù)的冬油菜氮素營(yíng)養(yǎng)診斷[J];中國(guó)農(nóng)業(yè)科學(xué);2015年19期

2 仇亞紅;楊峰;趙剛成;王玲;張勇;王銳;黃山;;玉米穗位葉主要光合熒光參數(shù)與高光譜數(shù)據(jù)的相關(guān)分析[J];中國(guó)農(nóng)學(xué)通報(bào);2015年24期

3 尚坤;張霞;孫艷麗;張立福;王樹(shù)東;莊智;;基于植被特征庫(kù)的高光譜植被精細(xì)分類(lèi)（英文）[J];光譜學(xué)與光譜分析;2015年06期

4 何勇;彭繼宇;劉飛;張初;孔汶汶;;基于光譜和成像技術(shù)的作物養(yǎng)分生理信息快速檢測(cè)研究進(jìn)展[J];農(nóng)業(yè)工程學(xué)報(bào);2015年03期

5 李嵐?jié)?張萌;任濤;李小坤;叢日環(huán);吳禮樹(shù);魯劍巍;;應(yīng)用數(shù)字圖像技術(shù)進(jìn)行水稻氮素營(yíng)養(yǎng)診斷[J];植物營(yíng)養(yǎng)與肥料學(xué)報(bào);2015年01期

6 岳學(xué)軍;全東平;洪添勝;王健;瞿祥明;甘海明;;柑橘葉片葉綠素含量高光譜無(wú)損檢測(cè)模型[J];農(nóng)業(yè)工程學(xué)報(bào);2015年01期

7 喬紅波;師越;司海平;吳旭;郭偉;時(shí)雷;馬新明;周益林;;基于近地成像光譜的小麥全蝕病等級(jí)監(jiān)測(cè)[J];農(nóng)業(yè)工程學(xué)報(bào);2014年20期

8 虞連玉;蔡煥杰;姚付啟;鄭珍;王健;李志軍;;植被指數(shù)反演冬小麥植被覆蓋度的適用性研究[J];農(nóng)業(yè)機(jī)械學(xué)報(bào);2015年01期

9 苗騰;趙春江;郭新宇;陸聲鏈;溫維亮;;基于葉綠素相對(duì)值的植物葉片顏色模擬方法[J];農(nóng)業(yè)機(jī)械學(xué)報(bào);2014年08期

10 石立萬(wàn);王端宜;蔡旭;吳志勇;;基于數(shù)字圖像處理的粗集料接觸分布特性[J];中國(guó)公路學(xué)報(bào);2014年08期

相關(guān)博士學(xué)位論文 前10條

1 田明璐;西北地區(qū)冬小麥生長(zhǎng)狀況高光譜遙感監(jiān)測(cè)研究[D];西北農(nóng)林科技大學(xué);2017年

2 馬m

本文編號(hào)：2779197