發(fā)布時(shí)間：2020-11-19 05:12

　　 植被葉片氮素含量的傳統(tǒng)檢測(cè)方法是在野外采集樣本后,在實(shí)驗(yàn)室采用在實(shí)驗(yàn)方法測(cè)量,雖然測(cè)量精度高,但需要消耗大量的人力物力財(cái)力。而近年來發(fā)展起來的植被葉片營(yíng)養(yǎng)成分檢測(cè)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(shì),對(duì)準(zhǔn)確監(jiān)測(cè)植被養(yǎng)分含量有重要意義。以山東煙臺(tái)棲霞蘋果園為研究區(qū),在2017年5月前后進(jìn)行蘋果葉片樣本的采集和實(shí)驗(yàn)數(shù)據(jù)的測(cè)定。利用成像光譜儀測(cè)得蘋果葉片樣本的成像高光譜數(shù)據(jù),在實(shí)驗(yàn)室測(cè)得蘋果葉片樣本的氮素含量。通過對(duì)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(yīng)規(guī)律。通過對(duì)氮素與光譜進(jìn)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(guān)關(guān)系和敏感波長(zhǎng),以及原始光譜SG平滑一階微分之后的敏感波長(zhǎng)。構(gòu)建并篩選了蘋果葉片氮素含量相關(guān)的植被指數(shù)。在此基礎(chǔ)上,分別建立了三種蘋果葉片氮素含量預(yù)測(cè)模型,并選出了最佳預(yù)測(cè)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(yīng)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(shì)較為平緩,形成高反射平臺(tái)。不同氮素含量,不同品種蘋果葉片光譜曲線變化趨勢(shì)一致,在綠光范圍內(nèi),波長(zhǎng)550nm處由于反射綠光形成一個(gè)“綠峰”,在綠峰處,光譜反射率對(duì)蘋果葉片氮素含量響應(yīng)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(zhǎng)R_(550)和R_(723)。通過對(duì)光譜曲線進(jìn)行SG平滑處理和一階微分變換,篩選出9個(gè)敏感波長(zhǎng),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(guān)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(gè)與蘋果葉片氮素含量密切相關(guān)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(luò)模型、支持向量機(jī)回歸模型和隨機(jī)森林回歸模型。基于原始波長(zhǎng)R_(550)和R_(723),SG平滑一階微分?jǐn)?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(luò)模型、支持向量機(jī)回歸模型和隨機(jī)森林回歸模型。對(duì)比模型結(jié)果,基于SG平滑一階微分?jǐn)?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(jī)回歸模型SG-FDR-SVM為最佳氮素預(yù)測(cè)模型。其估測(cè)的決定系數(shù)R~2=0.724,均方根誤差RMSE=1.94,相對(duì)誤差RE=5.13%。
【學(xué)位單位】：山東農(nóng)業(yè)大學(xué)
【學(xué)位級(jí)別】：碩士
【學(xué)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(tái)
【參考文獻(xiàn)】

相關(guān)期刊論文 前10條

1 李文濤;楊江波;張績(jī);王克健;鄧烈;呂強(qiáng);何紹蘭;謝讓金;鄭永強(qiáng);馬巖巖;易時(shí)來;;基于不同傳感器的紐荷爾臍橙葉片葉綠素含量檢測(cè)技術(shù)評(píng)價(jià)[J];中國(guó)農(nóng)業(yè)科學(xué);2018年06期

2 王樹文;宋玉柱;張長(zhǎng)利;馬昕宇;郭思琪;;東北寒地水稻冠層氮素含量高光譜預(yù)測(cè)模型[J];東北農(nóng)業(yè)大學(xué)學(xué)報(bào);2017年04期

3 王樹文;趙越;王麗鳳;王潤(rùn)濤;宋玉柱;張長(zhǎng)利;蘇中濱;;基于高光譜的寒地水稻葉片氮素含量預(yù)測(cè)[J];農(nóng)業(yè)工程學(xué)報(bào);2016年20期

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

5 安靜;姚國(guó)清;朱西存;;蘋果葉片氮素含量高光譜檢測(cè)研究[J];國(guó)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(duì)臍橙葉片的葉綠素、水分和氮素定量分析[J];中國(guó)農(nóng)機(jī)化學(xué)報(bào);2016年03期

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

8 馬文勇;王訓(xùn)明;;基于高光譜分析的草地葉綠素含量估算研究進(jìn)展[J];地理科學(xué)進(jìn)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(cè)模型[J];農(nóng)業(yè)工程學(xué)報(bào);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(yíng)養(yǎng)診斷[J];中國(guó)農(nóng)業(yè)科學(xué);2015年19期

相關(guān)博士學(xué)位論文 前10條

1 高鑫;春玉米LAI和葉片氮素營(yíng)養(yǎng)及產(chǎn)量的高光譜估測(cè)模型研究[D];內(nèi)蒙古農(nóng)業(yè)大學(xué);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(cè)研究[D];江蘇大學(xué);2014年

3 廖欽洪;作物長(zhǎng)勢(shì)參數(shù)的垂直分布反演及遙感監(jiān)測(cè)研究[D];浙江大學(xué);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(yù)測(cè)研究[D];華中農(nóng)業(yè)大學(xué);2013年

5 張?bào)憷?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(xué);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(cè)方法和機(jī)理研究[D];浙江大學(xué);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(cè)中的應(yīng)用研究[D];東北林業(yè)大學(xué);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(jī)理及方法研究[D];浙江大學(xué);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(shí)別研究[D];華中農(nóng)業(yè)大學(xué);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(cè)研究[D];南京農(nóng)業(yè)大學(xué);2009年

相關(guān)碩士學(xué)位論文 前9條

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

2 辛延斌;基于高光譜成像技術(shù)小麥玉米長(zhǎng)勢(shì)監(jiān)測(cè)研究[D];山東農(nóng)業(yè)大學(xué);2017年

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

4 魏全全;應(yīng)用數(shù)字圖像技術(shù)進(jìn)行冬油菜氮素營(yíng)養(yǎng)診斷的初步研究[D];華中農(nóng)業(yè)大學(xué);2016年

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

6 李金夢(mèng);基于高光譜成像技術(shù)的柑橘葉片含氮量快速檢測(cè)方法研究[D];浙江大學(xué);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(cè)[D];山東農(nóng)業(yè)大學(xué);2013年

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

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

本文編號(hào)：2889751