在拔节期分4次采集了6个施氮水平下的冬小麦冠层图像, 同步进行取样并以凯氏定氮法测定叶片含氮量, 进而计算叶片氮积累量。 利用随机森林算法分割冠层图像之后提取冠层覆盖度、 可见光波段(R, G和B)三个分量及其衍生的5个色彩指数。 以冠层覆盖度外加色彩指数、 色彩分量的两种非线性回归, 以及人工神经网络、 支持向量回归、 随机森林3种机器学习算法建立了冬小麦叶片氮积累量的估算模型。 结果表明利用色彩指数的非线性回归模型的估算精度稍低于其他方法, 而随机森林算法的拟合精度最高, 但存在明显的过拟合现象。 其他三种方法, 即以冠层覆盖度及色彩分量为输入变量的非线性回归、 支持向量回归和人工神经网络方法, 均具有较高的拟合精度和泛化性能。

为了探索运用数码照片中光谱(红、 绿、 蓝)的像素计算得到的冠层覆盖度(canopy cover, CC)对玉米长势及氮素营养状态进行非破坏性监测的技术。 通过获取玉米冠层的数码照片图像, 定量化数码照片色彩参数与作物叶面积指数(leaf area index, LAI)、 冠层干重(shoot dry matter weight, DM)、 叶片氮素含量(leaf nitrogen content percentage, N%)之间的关系。 试验于2012年和2013年在中国农业科学院试验田进行, 运用基于Visual Basic Version 6.0研发的玉米冠层图像分析系统, 分析了玉米品种中单909在3个氮素水平条件下分别于9叶展时期、 抽雄期和灌浆期的CC、 11种色彩指数与植株LAI, DM, N%及产量之间的相关性, 并对相关性显著的指标进行了拟合与建模。 结果表明, CC与LAI(r=0.93, p＜0.01), DM(r=0.94, p＜0.01), N%(r=0.82, p＜0.01)之间均达到了极显著水平; 用CC估算LAI, DM和N%的模型均为幂函数, 方程式分别是y=3.281 2x0.763 9, y=283.658 1x0.553 6, y=3.064 5x0.932 9; 用与建模相独立的数据对模型验证, 结果表明, CC估算LAI模型的实测值与模拟值基于1∶1直线的R2, RMSE和RE分别是0.996, 0.035和1.46%; CC估算DM模型的R2, RMSE和RE分别是0.978, 5.408 g和2.43%; CC估算N%模型的R2, RMSE和RE分别是0.990, 0.054和2.62%。 综上所述, 模型能够较准确的通过CC估算不同氮肥水平条件下玉米9叶展时期、 抽雄期和灌浆期的LAI, DM与N%, 表明应用数码相机的光谱信息可实现对玉米生长过程中的生长状况及氮素营养状态进行实时无损快速监测与预测。

建立基于冬小麦冠层图像分析获取的冠层覆盖度和色彩指数的地上部生物量估算模型, 以促进作物冠层图像分析技术和BP神经网络技术在冬小麦长势无损监测中的应用。 六个施氮水平的田间试验条件下, 在冬小麦拔节期, 分四次采集冬小麦冠层图像, 同步进行破坏性取样, 测定冬小麦地上部生物量; 分析了通过图像分析软件(利用微软Visual Basic软件开发)获取的冠层覆盖度和10种色彩指数与冬小麦地上部生物量的相关关系, 以逐步回归和BP神经网络方法建立了冬小麦地上部生物量估算模型。 结果表明, 冬小麦地上部生物量与冠层覆盖度、 饱和度和红光亮度值呈显著相关, 其中, 与冠层覆盖度间的相关性最强, 且除亮度外, 冠层覆盖度、 色彩指数与地上部生物量间呈非线性相关。 通过BP神经网络方法构建的模型相对于逐步回归模型, 显著提高了冬小麦地上部生物量估算精度, 均方根误差(RMSE)、 相对均方根误差(RRMSE)更小, 决定系数(R2)更大。