發(fā)布時間：2017-03-29 15:16

  本文關(guān)鍵詞：小麥生物量田間快速測量方法研究，，由筆耕文化傳播整理發(fā)布。

【摘要】：冬小麥的地上鮮生物量是反映小麥生長狀況的重要指標(biāo),冬小麥生物量管理是農(nóng)業(yè)生態(tài)系統(tǒng)中小麥育種和作物生產(chǎn)管理的最重要環(huán)節(jié)之一,也是影響小麥產(chǎn)量和收益的關(guān)鍵因素之一。而目前單一的檢測技術(shù)存在飽和現(xiàn)象以及精度不高的問題,本文針對小麥生物量田間快速、活體無損測量的需求,基于單一機器視覺、單一光譜、單一力學(xué)傳感以及機器視覺、光譜、力學(xué)傳感進行融合的測量方法,研究小麥生物量的田間無損快速測量分析方法與模型,實現(xiàn)生物量的綜合準(zhǔn)確評價,主要研究內(nèi)容如下:(1)提出了基于小麥莖稈力學(xué)特性的生物量檢測方法,并針對小麥不同生育期分別進行試驗研究其適應(yīng)性和預(yù)測精度。通過對小麥莖稈進行受力分析,設(shè)計了基于莖稈力學(xué)特性的田間生物量檢測系統(tǒng),研究基于力學(xué)傳感技術(shù)小麥生物量預(yù)測的可行性,并針對不同生育期分別建立生物量預(yù)測模型,結(jié)果表明,隨著測量點的升高,小麥莖稈力學(xué)信號逐漸降低,不同測量點處的莖稈力學(xué)信號與生物量都具有較好的非線性相關(guān)性,測量點為40cm、45cm、50cm處力學(xué)信號與生物量決定系數(shù)R2分別為0.683、0.622、0.561。不同生育期基于力學(xué)特性的生物量預(yù)測模型精度不同,其中預(yù)測模型精度最高的是抽穗期,校正集模型的R2為0.675,RMSE為0.218kg,使用未知樣本對模型進行驗證,所得驗證模型的R2為0.623,RMSE為0.216kg。該結(jié)果可為多信息融合技術(shù)綜合預(yù)測生物量提供理論依據(jù)。(2)研究并建立了基于圖像技術(shù)的生物量預(yù)測模型。針對中后期冠層圖像視野范圍內(nèi)被小麥占滿,冠層圖像與生物量不再相關(guān)的問題,通過拍攝小麥側(cè)面圖像并提取小麥覆蓋度,采用多元回歸建立生物量的回歸模型,針對不同生育期建立基于小麥覆蓋度的校正集模型,并通過對未知樣本的預(yù)測來檢驗?zāi)Ｐ偷臏?zhǔn)確性和精度。結(jié)果表明,苗期小麥覆蓋度和地上鮮生物量變化趨勢是一致的,不同生育期基于圖像的生物量預(yù)測模型精度不同,其中預(yù)測模型精度最好的是苗期,苗期冬小麥覆蓋度與地上鮮生物量具有較強的相關(guān)性,二者之間存在多項式函數(shù)關(guān)系,生物量預(yù)測模型的R2為0.851,RMSE為0.015kg,對未知樣本的驗證模型R2為0.828,RMSE為0.017kg,相關(guān)性達(dá)到極顯著水平。隨著生育期的遞進,到開花期和灌漿期出現(xiàn)飽和現(xiàn)象,預(yù)測精度逐漸下降,表明到了生育期后期,利用單一的側(cè)面圖像對生物量進行預(yù)測存在局限性。(3)研究并建立了基于光譜技術(shù)的生物量預(yù)測模型。通過對冠層光譜進行分析提取相應(yīng)的特征參數(shù)(光譜反射率、光譜指數(shù)、紅邊幅值、特征波長),分析特征參數(shù)與生物量的相關(guān)性,建立基于特征參數(shù)的生物量預(yù)測模型,結(jié)果表明,利用偏最小二乘法建立基于400-1000nm波段范圍內(nèi)冠層光譜反射率的生物量預(yù)測模型的精度最高。針對不同生育期利用偏最小二乘法建立基于光譜反射率的小麥生物量預(yù)測模型,苗期、拔節(jié)期、抽穗期模型相關(guān)性較顯著,其中苗期模型精度最高,預(yù)測模型的R2為0.839,RMSE為0.016kg,對未知樣本的驗證模型R2為0.823,RMSE為0.017kg,隨著生育期的遞進,到開花期和灌漿期出現(xiàn)飽和現(xiàn)象,預(yù)測精度逐漸下降,表明到了生育期后期,利用單一的光譜信息對生物量進行預(yù)測存在局限性。(4)針對圖像、光譜、力學(xué)單一技術(shù)存在的飽和現(xiàn)象、精度不高等問題,研究利用多傳感器信息融合技術(shù)建立生物量的預(yù)測模型,通過對同一樣本分別采用光譜技術(shù)、圖像技術(shù)和力學(xué)傳感技術(shù)獲取小麥的多種特征信息,分別提取不同信息特征變量進行特征層數(shù)據(jù)融合形成新的特征變量,作為輸入變量,針對不同生育期研究基于不同融合特征變量的生物量PLS預(yù)測模型,結(jié)果表明,任意兩種技術(shù)信息融合的模型均優(yōu)于單一傳感器模型,其中不同的生育期基于三種傳感器信息融合的預(yù)測模型對生物量的預(yù)測效果均為最佳,一定程度上改善了單一技術(shù)在中后期存在的飽和現(xiàn)象,并提高了模型的預(yù)測精度。
【關(guān)鍵詞】：冬小麥 生物量 光譜 圖像 力學(xué)特性 多傳感器融合 無損檢測
【學(xué)位授予單位】：西北農(nóng)林科技大學(xué)
【學(xué)位級別】：博士
【學(xué)位授予年份】：2015
【分類號】：S512.1
【目錄】：

• 摘要5-7
• ABSTRACT7-12
• 第1章 緒論12-22
• 1.1 研究目的和意義12-14
• 1.2 國內(nèi)外研究概況14-19
• 1.2.1 基于力學(xué)特性的生物量測量研究現(xiàn)狀14-16
• 1.2.2 基于機器視覺的生物量測量研究現(xiàn)狀16
• 1.2.3 基于光譜技術(shù)的生物量測量現(xiàn)狀16-17
• 1.2.4 作物田間集成多參數(shù)測量系統(tǒng)研究現(xiàn)狀17-19
• 1.3 研究內(nèi)容19-20
• 1.4 研究方法與技術(shù)路線20-22
• 第2章 基于力學(xué)特性的生物量檢測方法研究22-49
• 2.1 引言22
• 2.2 小麥生物量檢測系統(tǒng)設(shè)計22-28
• 2.2.1 基于莖稈力學(xué)特性的生物量測量原理22-23
• 2.2.2 力學(xué)檢測裝置的總體設(shè)計23
• 2.2.3 力學(xué)檢測裝置的硬件設(shè)計23-25
• 2.2.4 力學(xué)檢測裝置的軟件設(shè)計25-28
• 2.3 材料與方法28-30
• 2.3.1 大田試驗設(shè)計28-29
• 2.3.2 力學(xué)信號采集29-30
• 2.3.3 生物量預(yù)測模型的評價標(biāo)準(zhǔn)30
• 2.4 結(jié)果與分析30-48
• 2.4.1 小麥莖稈力學(xué)信號特征分析30-32
• 2.4.2 莖稈力學(xué)信號與生物量的相關(guān)性分析32-33
• 2.4.3 株高對建模效果的影響33-35
• 2.4.4 基于力學(xué)特性的單生育期小麥生物量預(yù)測模型研究35-44
• 2.4.5 基于力學(xué)特性的多生育期小麥生物量預(yù)測模型研究44-47
• 2.4.6 不同時建模結(jié)果對比47-48
• 2.5 本章小結(jié)48-49
• 第3章 基于機器視覺技術(shù)的小麥生物量檢測方法研究49-66
• 3.1 引言49
• 3.2 材料與方法49-53
• 3.2.1 大田試驗設(shè)計49-50
• 3.2.2 冠層圖像和側(cè)面圖像采集50-51
• 3.2.3 圖像特征提取51-53
• 3.3 結(jié)果與分析53-64
• 3.3.1 不同時期小麥圖像特征分析53-54
• 3.3.2 基于冠層圖像的苗期小麥生物量預(yù)測模型研究54-56
• 3.3.3 基于側(cè)面圖像的中后期小麥生物量預(yù)測模型研究56-59
• 3.3.4 基于覆蓋度的多生育期小麥生物量預(yù)測模型研究59-64
• 3.3.5 不同時期建模結(jié)果對比64
• 3.4 本章小結(jié)64-66
• 第4章 基于光譜技術(shù)的小麥生物量檢測方法研究66-78
• 4.1 引言66
• 4.2 材料和方法66-67
• 4.2.1 大田試驗設(shè)計66
• 4.2.2 冠層光譜采集66-67
• 4.3 結(jié)果與討論67-76
• 4.3.1 不同生育期小麥冠層光譜變化特征67-68
• 4.3.2 小麥冠層光譜特征提取68-71
• 4.3.3 基于冠層光譜的苗期生物量不同建模方法71-73
• 4.3.4 基于冠層光譜的不同生育期小麥生物量預(yù)測模型研究73-74
• 4.3.5 基于冠層光譜的多生育期小麥生物量預(yù)測模型研究74-76
• 4.3.6 不同時期建模結(jié)果對比76
• 4.4 本章小結(jié)76-78
• 第5章 基于多信息融合的生物量檢測方法研究78-111
• 5.1 引言78
• 5.2 材料與方法78-81
• 5.2.1 大田試驗設(shè)計78
• 5.2.2 多傳感器數(shù)據(jù)獲取78-79
• 5.2.3 數(shù)據(jù)融合處理79-81
• 5.3 結(jié)果與討論81-110
• 5.3.1 基于光譜和圖像數(shù)據(jù)融合的生物量預(yù)測模型研究81-89
• 5.3.2 基于光譜和力學(xué)數(shù)據(jù)融合的生物量預(yù)測模型研究89-95
• 5.3.3 基于圖像和力學(xué)數(shù)據(jù)融合的生物量預(yù)測模型研究95-101
• 5.3.4 基于光譜、圖像、力學(xué)數(shù)據(jù)融合的生物量預(yù)測模型研究101-106
• 5.3.5 不同時期生物量最佳建模解決方案106-110
• 5.4 本章小結(jié)110-111
• 第6章 結(jié)論與展望111-114
• 6.1 結(jié)論111-112
• 6.2 本文的創(chuàng)新點112
• 6.3 展望112-114
• 參考文獻(xiàn)114-120
• 致謝120-121
• 作者簡介121

【參考文獻(xiàn)】

中國期刊全文數(shù)據(jù)庫 前10條

1 蘇占雄;石輝;郭晉偉;李靜;李秧秧;;利用數(shù)碼照片估算灌木地上生物量的研究[J];安徽農(nóng)業(yè)科學(xué);2010年07期

2 閻鴻程;黃建業(yè);高偉;;基于LabVIEW軟件的電能質(zhì)量監(jiān)測系統(tǒng)[J];電工電氣;2010年07期

3 鄭珊珊,黃元慶;測試系統(tǒng)的虛擬儀器設(shè)計[J];機電工程技術(shù);2005年03期

4 喬紅波;夏斌;馬新明;程登發(fā);周益林;;冬小麥病蟲害的高光譜識別方法研究[J];麥類作物學(xué)報;2010年04期

5 張亮;李樹珍;毛罕平;馬淑英;陳立東;鄭立新;石磊;李國f ;;機器視覺技術(shù)在溫室營養(yǎng)液調(diào)控系統(tǒng)中的應(yīng)用[J];農(nóng)機化研究;2007年08期

6 付瑩;湯子躍;孫永健;;多預(yù)警機雷達(dá)信息融合的多普勒盲區(qū)目標(biāo)檢測[J];火力與指揮控制;2013年05期

7 龔純;;信息融合技術(shù)在軍事領(lǐng)域的應(yīng)用與研究[J];艦船電子工程;2013年07期

8 陳青春;張姿麗;劉鵬飛;王曉明;蔣鋒;;基于CGMD302光譜儀的甜玉米生長指標(biāo)監(jiān)測（英文）[J];Agricultural Science & Technology;2015年02期

9 袁紅梅,郭玉明,李紅波;小麥莖稈彎折力學(xué)性能的試驗研究[J];山西農(nóng)業(yè)大學(xué)學(xué)報(自然科學(xué)版);2005年02期

10 方曉,袁智榮,王祥;小型無人機多傳感器數(shù)據(jù)采集及信息融合設(shè)計[J];微計算機信息;2004年01期

  本文關(guān)鍵詞：小麥生物量田間快速測量方法研究，由筆耕文化傳播整理發(fā)布。

本文編號：274783