1 浙江大学生物系统工程与食品科学学院, 浙江 杭州 310058
2 Faculty of Agriculture and Life Science Hirosaki University, Hirosaki 036-8561, Japan
氮素(nitrogen, N)是果树生长发育的必需重要元素, 及时准确地无损检测果树的氮素水平对果实增产、 合理施肥以及减少环境污染等具有重要意义。 研究了基于高光谱成像技术进行柑橘冠层含氮量预测及可视化的可行性。 实验采用高光谱成像光谱仪ImSpector V10E(Spectral imaging Ltd., Oulu, Finland)分别采集柑橘叶片实验室样本和野外整个植株冠层的高光谱图像。 利用ENVI软件提取每个叶片样本感兴趣区域(ROI)的平均光谱数据作为整个样本的光谱数据进行分析, 同时采用杜马斯燃烧法快速定氮仪(Elementar Analytical, Germany)测定叶片样本的含氮量。 通过简单相关分析和双波段植被指数(TBVI)的获取, 建立基于光谱数据的含氮量预测模型。 计算表明, 基于811和856 nm的双波段植被指数(TBVI)能够建立最佳的柑橘叶片含氮量预测模型(R2=0.607 1)。 在此基础上, 计算上述TBVI的冠层图像, 把基于该TBVI的含氮量预测模型导入到TBVI图像中计算生成冠层含氮量的预测分布图。 图中直观地显示柑橘嫩叶、 中叶、 老叶的含氮水平从高到低分布, 实现了冠层含氮量的可视化。 结果表明, 利用高光谱成像技术可以实现柑橘冠层氮素水平的检测和诊断, 这为实施基于每颗果树信息的变量施肥技术提供了参考信息。
高光谱成像技术 养分可视化 双波段植被指数(TBVI) 温州蜜橘 Hyperspectral imagery Nutrient visualization Two band vegetation index (TBVI) Satsuma mandarin
浙江大学生物系统工程与食品科学学院, 浙江 杭州310058
氮素是果树生长发育的一种大量必需元素, 及时准确地监控果树的氮营养状况, 对果树的合理施肥、 增产、 优化果实品质以及减缓过量施氮引起的水资源污染具有重要意义。 利用高光谱成像技术结合多变量统计学方法, 建立了柑橘植株叶片的含氮量预测模型。 研究步骤为: 高光谱扫描、 提取平均光谱曲线、 预处理原始光谱数据、 采用连续投影法提取特征波段和建立含氮量预测模型。 从SG平滑、 SNV、 MSC、 1-Der等11种预处理方法中筛选出的较优预处理方法是SG平滑、 Detrending和SG平滑-Detrending。 对应这三种最优预处理方法, 先采用连续投影法挑选出各自的特征波长, 然后将各特征波段下的光谱反射率作为偏最小二乘、 多元线性回归和反向传播人工神经网络模型的输入, 各自建立三个预测模型。 从以上获得的9个预测模型中, 得出两个最优模型SG平滑-Detrending-SPA-BPNN(Rp: 0.851 3, RMSEP: 0.188 1)和Detrending-SPA-BPNN(Rp: 0.8609, RMSEP: 0.159 5)。 结果表明, 利用高光谱数据测定柑橘叶片含氮量具有可行性。 这为实时、 准确地监控柑橘植株生长过程中叶片含氮量的变化以及合理科学的氮肥施加提供了一定的理论基础。
高光谱成像技术 柑橘叶片 连续投影法 偏最小二乘法 反向传播人工神经网络 Hyperspectral imaging technology Citrus leaf Successive projection algorithm Partial least squares Back propagation neural network
浙江大学生物系统工程与食品科学学院, 浙江 杭州310058
提出了基于连续投影算法(successive projections algorithm, SPA)、 载荷系数法(x-loading weights, x-LW)和格拉姆-施密特正交(gram-schmidt orthogonalization, GSO)提取特征波长的高光谱成像技术检测番茄叶片早疫病的方法。 首先获取380~1 023 nm波段范围内70个健康和70个染病番茄叶片的高光谱图像信息, 然后提取健康和染病叶片感兴趣区域(region of interest, ROI)的光谱反射率值, 建立番茄叶片早疫病的最小二乘-支持向量机(least squares-support vector machine, LS-SVM)鉴别模型, 建模集和预测集的鉴别率都是100%。 再通过SPA 、 x-LW和GSO提取特征波长(effective wavelengths, EW), 并建立EW-LS-SVM和特征波长-线性判别分析(ew-linear discriminant analysis, EW-LDA)鉴别模型。 结果显示, 每个模型的鉴别效果都很好, EW-LS-SVM模型中预测集的鉴别率都达到了100%, EW-LDA模型中预测集的鉴别率分别是100%, 100%和97.83%。 基于SPA, x-LW和GSO所建模型的输入变量分别是4个(492, 550, 633和680nm), 3个(631, 719和747 nm)和2个(533和657 nm), 较少的特征波长便于实时检测仪器的开发。 结果表明, 高光谱成像技术检测番茄叶片早疫病是可行的, SPA, x-LW和GSO都是非常有效的特征波长提取方法。
高光谱成像 特征波长 线性判别分析 最小二乘-支持向量机 番茄 早疫病 Hyperspectral imaging Effective wavelengths (EW) Linear discriminant analysis (LDA) Least square-support vector machines (LS-SVM) Tomato Early blight 光谱学与光谱分析
2014, 34(5): 1362