發(fā)布時間：2020-11-19 05:12

　　 植被葉片氮素含量的傳統(tǒng)檢測方法是在野外采集樣本后,在實驗室采用在實驗方法測量,雖然測量精度高,但需要消耗大量的人力物力財力。而近年來發(fā)展起來的植被葉片營養(yǎng)成分檢測的高光譜成像技術(shù),將成像技術(shù)與高光譜技術(shù)相結(jié)合,既發(fā)揮了高光譜光譜分辨率高,波段連續(xù),又利用了成像技術(shù)成像直觀,可視化的優(yōu)勢,對準確監(jiān)測植被養(yǎng)分含量有重要意義。以山東煙臺棲霞蘋果園為研究區(qū),在2017年5月前后進行蘋果葉片樣本的采集和實驗數(shù)據(jù)的測定。利用成像光譜儀測得蘋果葉片樣本的成像高光譜數(shù)據(jù),在實驗室測得蘋果葉片樣本的氮素含量。通過對蘋果葉片樣本的分析得到了蘋果葉片氮素含量的高光譜響應規(guī)律。通過對氮素與光譜進一步的分析,分別得到了蘋果葉片氮素含量與原始光譜的相關關系和敏感波長,以及原始光譜SG平滑一階微分之后的敏感波長。構(gòu)建并篩選了蘋果葉片氮素含量相關的植被指數(shù)。在此基礎上,分別建立了三種蘋果葉片氮素含量預測模型,并選出了最佳預測模型。其主要研究結(jié)果:(1)明確了蘋果葉片氮素含量的高光譜響應規(guī)律。400-490nm形成低反射區(qū),490-560nm形成高反射區(qū),560-700nm形成低反射區(qū),700-750nm有明顯的植被紅邊特征,750-1000nm趨勢較為平緩,形成高反射平臺。不同氮素含量,不同品種蘋果葉片光譜曲線變化趨勢一致,在綠光范圍內(nèi),波長550nm處由于反射綠光形成一個“綠峰”,在綠峰處,光譜反射率對蘋果葉片氮素含量響應敏感,利用蘋果葉片綠峰(550nm)處高光譜反射率可以定性的判斷蘋果葉片氮素含量高低。在綠峰處,光譜反射率越大,蘋果葉片氮素含量越低;光譜反射率越小,蘋果葉片氮素含量越高。(2)篩選出了原始敏感波長R_(550)和R_(723)。通過對光譜曲線進行SG平滑處理和一階微分變換,篩選出9個敏感波長,它們的反射率值分別SG-FDR_(403)、SG-FDR_(469)、SG-FDR_(525)、SG-FDR_(566)、SG-FDR_(650)、SG-FDR_(696)、SG-FDR_(781)、SG-FDR_(851)、SG-FDR_(933)。通過研究常用與植被葉片氮素含量相關的植被指數(shù),以及構(gòu)建NDVI、DVI、RVI三種常用的植被指數(shù),最終確定了5個與蘋果葉片氮素含量密切相關的植被指數(shù),分別是TVI、TCI、NDVI(566,766)、RVI(566,766)、DVI(680,723)。(3)建立了蘋果果葉片氮素含量BP神經(jīng)網(wǎng)絡模型、支持向量機回歸模型和隨機森林回歸模型�；�于原始波長R_(550)和R_(723),SG平滑一階微分數(shù)據(jù)SG-FDR_(403)、SG-FDR_(469)、SG-FDR_(525)、SG-FDR_(566)、SG-FDR_(650)、SG-FDR_(696)、SG-FDR_(781)、SG-FDR_(851)、SG-FDR_(933),植被指數(shù)TVI、TCI、NDVI(566,766)、RVI(566,766)、DVI(680,723),分別建立BP神經(jīng)網(wǎng)絡模型、支持向量機回歸模型和隨機森林回歸模型。對比模型結(jié)果,基于SG平滑一階微分數(shù)據(jù)SG-FDR_(403)、SG-FDR_(469)、SG-FDR_(525)、SG-FDR_(566)、SG-FDR_(650)、SG-FDR_(696)、SG-FDR_(781)、SG-FDR_(851)、SG-FDR_(933)建立的蘋果葉片氮素含量支持向量機回歸模型SG-FDR-SVM為最佳氮素預測模型。其估測的決定系數(shù)R~2=0.724,均方根誤差RMSE=1.94,相對誤差RE=5.13%。
【學位單位】：山東農(nóng)業(yè)大學
【學位級別】：碩士
【學位年份】：2018
【中圖分類】：S661.1
【部分圖文】：

高光譜成像數(shù)據(jù)采集系統(tǒng)平臺
【參考文獻】

相關期刊論文 前10條

1 李文濤;楊江波;張績;王克健;鄧烈;呂強;何紹蘭;謝讓金;鄭永強;馬巖巖;易時來;;基于不同傳感器的紐荷爾臍橙葉片葉綠素含量檢測技術(shù)評價[J];中國農(nóng)業(yè)科學;2018年06期

2 王樹文;宋玉柱;張長利;馬昕宇;郭思琪;;東北寒地水稻冠層氮素含量高光譜預測模型[J];東北農(nóng)業(yè)大學學報;2017年04期

3 王樹文;趙越;王麗鳳;王潤濤;宋玉柱;張長利;蘇中濱;;基于高光譜的寒地水稻葉片氮素含量預測[J];農(nóng)業(yè)工程學報;2016年20期

4 程立真;朱西存;高璐璐;王凌;趙庚星;;基于隨機森林模型的蘋果葉片磷素含量高光譜估測[J];果樹學報;2016年10期

5 安靜;姚國清;朱西存;;蘋果葉片氮素含量高光譜檢測研究[J];國土資源遙感;2016年02期

6 劉燕德;姜小剛;周衍華;劉德力;;基于高光譜成像技術(shù)對臍橙葉片的葉綠素、水分和氮素定量分析[J];中國農(nóng)機化學報;2016年03期

7 韓兆迎;朱西存;房賢一;王卓遠;王凌;趙庚星;姜遠茂;;基于SVM與RF的蘋果樹冠LAI高光譜估測[J];光譜學與光譜分析;2016年03期

8 馬文勇;王訓明;;基于高光譜分析的草地葉綠素含量估算研究進展[J];地理科學進展;2016年01期

9 李嵐?jié)?馬驛;魏全全;汪善勤;任濤;李小坤;叢日環(huán);王振;王少華;魯劍巍;;基于高光譜的冬油菜植株氮素積累量監(jiān)測模型[J];農(nóng)業(yè)工程學報;2015年20期

10 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)的冬油菜氮素營養(yǎng)診斷[J];中國農(nóng)業(yè)科學;2015年19期

相關博士學位論文 前10條

1 高鑫;春玉米LAI和葉片氮素營養(yǎng)及產(chǎn)量的高光譜估測模型研究[D];內(nèi)蒙古農(nóng)業(yè)大學;2016年

2 朱文靜;基于偏振—高光譜多維光信息的番茄氮磷鉀及交互作用檢測研究[D];江蘇大學;2014年

3 廖欽洪;作物長勢參數(shù)的垂直分布反演及遙感監(jiān)測研究[D];浙江大學;2014年

4 李碩;基于可見近紅外成像光譜技術(shù)土壤剖面氮的預測研究[D];華中農(nóng)業(yè)大學;2013年

5 張筱蕾;基于高光譜成像技術(shù)的油菜養(yǎng)分及產(chǎn)量信息快速獲取技術(shù)和方法研究[D];浙江大學;2013年

6 趙蕓;基于高光譜和圖像處理技術(shù)的油菜病蟲害早期監(jiān)測方法和機理研究[D];浙江大學;2013年

7 謝永華;數(shù)字圖像處理技術(shù)在木材表面缺陷檢測中的應用研究[D];東北林業(yè)大學;2013年

8 張東彥;基于高光譜成像技術(shù)的作物葉綠素信息診斷機理及方法研究[D];浙江大學;2012年

9 吳蘭蘭;基于數(shù)字圖像處理的玉米苗期田間雜草的識別研究[D];華中農(nóng)業(yè)大學;2010年

10 楊杰;基于葉片高光譜指數(shù)的水稻氮素及色素含量監(jiān)測研究[D];南京農(nóng)業(yè)大學;2009年

相關碩士學位論文 前9條

1 張國圣;基于高光譜的水稻氮素診斷和產(chǎn)量估測模型[D];沈陽農(nóng)業(yè)大學;2017年

2 辛延斌;基于高光譜成像技術(shù)小麥玉米長勢監(jiān)測研究[D];山東農(nóng)業(yè)大學;2017年

3 趙珊;基于高光譜成像的玉米苗期氮素營養(yǎng)監(jiān)測的研究[D];東北農(nóng)業(yè)大學;2016年

4 魏全全;應用數(shù)字圖像技術(shù)進行冬油菜氮素營養(yǎng)診斷的初步研究[D];華中農(nóng)業(yè)大學;2016年

5 鄭博元;基于高光譜成像的氮素脅迫下寒地水稻營養(yǎng)診斷的研究[D];東北農(nóng)業(yè)大學;2015年

6 李金夢;基于高光譜成像技術(shù)的柑橘葉片含氮量快速檢測方法研究[D];浙江大學;2014年

7 梁爽;蘋果樹葉片氮素、葉綠素及水分含量的高光譜估測[D];山東農(nóng)業(yè)大學;2013年

8 褚旭;不同覆蓋度條件下水稻葉層氮素營養(yǎng)的高光譜監(jiān)測研究[D];南京農(nóng)業(yè)大學;2013年

9 王薇;基于高光譜的稻麥氮素營養(yǎng)監(jiān)測研究[D];南京農(nóng)業(yè)大學;2011年

本文編號：2889751