中国农业大学现代精细农业系统集成研究教育部重点实验室, 北京 100083
叶绿素是作物生长诊断的重要参数, 对其进行高效检测是农田精细化管理的基础。 PROSPECT模型是作物光谱学检测研究的重要工具, 可为建立高精度叶绿素诊断模型提供数据集基础。 为了建立具有普适性的田间玉米作物叶绿素含量检测模型, 使用PROSPECT模型输入叶片结构参数和生化参数模拟叶片400~2 500 nm波段反射率曲线10 650条。 在其他参数设置保持不变的情况下, 分析光谱反射率曲线对叶绿素含量参数的敏感性, 结果显示叶绿素含量仅在400~780 nm区间对光谱反射率曲线产生影响。 讨论了3种叶绿素检测特征波长筛选策略, 分别为: 根据敏感性分析结果, 选出548~610和694~706 nm区域共计76个波长, 记为SEN-BAND; 基于反向区间偏最小二乘法(Bi-PLS)筛选5个区间共计91个波长, 记为BP-BAND; 基于连续投影算法(SPA), 在叶绿素影响区域400~780 nm筛选10个特征波长, 记为SPA-BAND。 进而使用2019年、 2020年两年期田间实测玉米叶片光谱反射率曲线和叶绿素含量数据, 分别应用上述3种方法选取的特征波长构建玉米叶片叶绿素含量检测模型。 结果显示, 使用SPA-BAND特征波长构建的模型, 在两年期数据中均得到最佳结果。 2019年数据模型建模集决定系数()为0.815 6, 建模集均方根误差RMSEC为2.908 6, 验证集决定系数()为0.799 5, 验证集均方根误差RMSEV为2.997 7。 2020年数据模型建模集决定系数()为0.949 2, 建模集均方根误差RMSEC为0.976 8, 验证集决定系数()为0.910 2, 验证集均方根误差RMSEV为1.562 9。 表明, 基于PROSPECT模型筛选叶绿素含量特征波长建立的叶绿素诊断模型具有普适性。
PROSPECT模型 叶绿素 波长筛选 PROSPECT model Chlorophyll Wavelength selection SPA Bi-PLS PLSR SPA Bi-PLS PLSR 光谱学与光谱分析
2022, 42(5): 1514
1 中国农业大学现代精细农业系统集成研究教育部重点实验室, 北京 100083
2 Center for Precision & Automated Agricultural System, Washington State University, Pullman WA 99350, USA
为了探究马铃薯作物叶绿素吸收特征, 充分解析光谱特征波长变量, 建立高精度叶绿素含量检测模型。 在马铃薯发棵期(M1)、 块茎形成期(M2)、 块茎膨大期(M3)和淀粉积累期(M4)4 个关键生长期, 利用ASD便携式光谱仪采集80个样本区的314组作物冠层反射率数据, 并同步采集叶片测定叶绿素含量。 在光谱数据预处理之后, 分析了马铃薯不同生长期的光谱反射率变化特征。 利用基于模型集群思想的蒙特卡洛无信息变量消除(MC-UVE)、 随机蛙跳(RF)、 竞争自适应重加权采样(CARS)三种算法筛选叶绿素特征波长, 建立叶绿素含量检测PLS模型。 对4个生长期的314个样本, 采用SPXY算法分别按照3∶1的比例划分, 得到建模集240个样本、 验证集74个样本。 利用MC-UVE, RF, CARS三种算法筛选叶绿素特征波长, 讨论迭代次数(N)和特征变量个数(LV)对MC-UVE和RF算法、 迭代次数(N)对CARS算法筛选特征波长结果的影响, 对迭代次数设置6个梯度, 分别为N=50, 100, 500, 1 000, 5 000和10 000； 对特征变量数设置4个梯度, 分别为LV=15, 20, 25和30。 以PLSR模型的验证集结果为评价指标, 分析迭代次数(N)和特征变量数(LV)的最优参数组合。 最后基于MC-UVE, RF和CARS算法筛选得到的最佳特征波长建立叶绿素检测PLSR模型, 分别记为MC-UVE-PLSR, RF-PLSR, CARS-PLSR。 结果表明, CARS, RF和MC-UVE三种算法的迭代次数(N)、 特征变量数(LV)参数最佳组合分别为: (1)MC-UVE: 迭代次数N=50 特征变量数LV=30； (2)RF: 迭代次数N=500、 特征变量数LV=30； (3)CARS: 迭代次数N=100。 对比在最佳特征波长建立的MC-UVE-PLSR, RF-PLSR, CARS-PLSR叶绿素含量检测, 发现RF-PLSRRR模型的性能最优, R2v为0.786, RMSEV为3.415 mg·L-1； MC-UVE-PLS模型性能次之, R2v为0.696, RMSEV为4.072 mg·L-1； CARS-PLS模型的性能最差, R2v为0.689, RMSEV为4.183 mg·L-1。 以上结果说明: 在筛选马铃薯叶绿素特征波长方面RF算法优于MC-UVE和CARS, 得到的特征波长能够较全面地反映与马铃薯叶绿素相关的物质信息。
马铃薯 叶绿素检测 模型集群 光谱变量筛选 偏最小二乘(PLS) Potato Chlorophyll detection Model population analysis Band selection Partial least square(PLS) 光谱学与光谱分析
2020, 40(7): 2259
1 中国农业大学现代精细农业系统集成研究教育部重点实验室, 北京 100083
2 Center for Precision & Automated Agricultural System, Washington State University, Prosser, WA 99350, USA
叶绿素含量是作物光合能力与营养评价的重要指标, 因此快速检测作物叶绿素含量与分布可为作物营养动态分析与长势评估提供支持。 基于RGB(Red, Green, Blue)和NIR(Near Infrared)多光谱图像的获取, 开展玉米作物营养状态分布光谱学成像检测。 构建了多光谱图像采集平台获取RGB和NIR图像, 研究了基于光饱和校正算法的RGB图像的光饱和校正与NIR图像去噪方法, 通过图像的匹配分割, 冠层的提取校正, 建立了基于冠层图像的作物SPAD值检测模型与分布成图。 采集15株玉米植株RGB-NIR图像, 并同步获取不同植株, 不同位置共68个叶绿素含量指标SPAD值。 首先对RGB图像进行光饱和校正, 再对NIR图像进行滤波和图像增强, 其次对RGB和NIR图像进行了SURF(speeded-up robust features)和RANSAC(random sample consensus)图像匹配, 利用RGB图像的颜色特征, 采用ExG(Extra Green)和OTSU算法生成分割掩模, 对RGB图像和NIR图像进行分割提取, 提取图像的R, G, B和NIR分量, 利用4阶灰度板进行反射率校正, 然后计算作物图像中像素级PSPAD值, 并建立图像PSPAD值与叶绿素仪SPAD值的拟合模型, 最后绘制作物SPAD分布图。 通过HSI(Hue, Saturation, Intensity)彩色模型中的I分量直方图对比去饱和前后光分布范围, 以作物SPAD值分布图验证光饱和校正算法对作物叶绿素含量分布检测提升的效果。 RGB图像光饱和校正前I分量集中在［140～180］之间, 光饱和校正后的RGB图像I分量集中在［85～130］之间, 校正了相机成像时产生模糊和RGB图像饱和。 对分割后的RGB图像和NIR图像提取R, G, B, NIR分量进行4阶灰度板校正, 相关系数分别为0.829, 0.828, 0.745和0.994, 进而生成R, G, B和NIR四波段的反射率伪彩色图像, 反射率ＲNIR＞ＲＧ＞ＲＲ＞ＲＢ。 体现了作物的在蓝光和红光区域吸收光, 在绿光区域和近红外区域反射光的光谱特性。 校正前后的R和NIR分量反射率计算图像PSPAD值拟合叶绿素含量指标SPAD值的模型结果显示, 校正前R2为0.332 6, 校正后R2为0.619 3, 绘制作物的SPAD特征分布图, 可为作物的营养动态快速分析与分布检测提供技术支持。
光饱和校正 多光谱分析 作物检测 叶绿素分布 图像处理 Light saturation correction Multispectral analysis Crop detection Chlorophyll distribution Image processing 光谱学与光谱分析
2019, 39(12): 3897
