论文部分内容阅读
基于无人机遥感作物长势监测与光谱特性的营养诊断技术研究,是现代农业生产实现过程化管理与数字化决策的重要手段,也是近年来智慧农业研究的热点。本研究针对宁夏滴灌玉米生长发育进程中存在的数字化信息获取手段单一、信息采集基础设施薄弱、田间动态管理不精准等问题进行研究与探讨。采用无人机获取玉米苗期田间数字图像信息,运用数字图像处理技术提取玉米出苗状况,建立基于无人机遥感的玉米出苗率预测模型;采用高光谱成像系统获取玉米各生育时期功能叶片的光谱信息,同步测定玉米功能叶片的含氮量,通过机器学习等算法建立玉米氮素营养的高光谱反演模型,为玉米高产和氮素状况准确评估提供技术支持,对优化玉米滴灌水肥一体化精准种植技术有着极其重要的意义。具体研究内容如下:(1)无人机搭载数码相机对玉米出苗率的估测。通过获取玉米苗期高清图像,运用MATLAB中ORB算法与距离加权融合算法合成无人机图像,通过二值化、腐蚀膨胀等深度优化处理技术得出玉米苗期图像轮廓,然后运用MATLAB八位连通域和ARCMAP 10.3计算方法自动规划路线并计算出玉米的出苗数量。同时,结合田间人工调查数据,采用线性回归分析方法,建立了人工计数和无人机获取玉米出苗株数之间的线性关系模型。结果表明,线性回归关系模型的决定系数R2、RMSE和nRMSE分别为0.895,4.359和2.436%。(2)基于400nm-1OOOnm全波段高光谱玉米氮素营养诊断。根据偏最小二乘法(PLS)建模集和预测集得出的结论,PLS模型结合De-trending预处理方法与原始模型建模集相比决定系数R2从0.527降低至0.519,均方根误差RMSE从0.372增加至0.374;而预测集的决定系数R2从0.578增加到0.621,预测集的均方根误差RMSE从0.383降低到0.362。根据1种原始处理(RAW)与平滑滤波器(SG)、变量量标准化校正(SNV)、附加散射校正(MSC)、去趋势算法(De-trending)、基线算法(Baseline)一阶导数算法(1-Der)和二阶导数算法(2-Der)等7种预处理方法在PLS进行建模,得出PLS-De-trending预处理模型是7种预处理方法最优模型。在通过连续投影算法(SPA)对De-trending预处理进行特征波段优选,获取到 420.551nm、425.352nm、444.558nm、468.566nm、506.978nm、511.780nm、843.086nm、895.903nm、919.911nm等9个波段。该算法不仅有效提升精准性与计算速度,又使全光谱的波长数量下降了 92.8%。在波段提取过程中减少了计算工作量的同时,还有效提高建模效率和稳定性。(3)反向传播神经网络(BP)搭建的回归模型相对于PLS-SPA-De-trending模型的建模的精确度明显提高。通过BP神经网络构建搭载7种预处理全光谱波段与原始全光谱波段的建模集模型决定系数R2都能达到0.778以上,平均决定系数R2从PLS-SPA-De-trending模型的0.523提升到0.893;其中SNV、MSC、Baseline、1-Der、2-Der等5种预处理建模集模型精度都达到0.905以上,而预测集模型RAW、SG、MSC、De-trending、Baseline等预处理建模集模型决定系数R2都达到0.543以上。(4)支持向量机(SVM)搭建的回归模型相对于PLS模型的建模精度也有明显提高。通过SVM构建搭载7种预处理全光谱波段与原始全光谱波段的建模集模型决定系数R2都为0.529以上,平均的决定系数R2更是根据PLS-SPA-De-trending模型的0.523提升到0.612。其中,预测集模型1-Der、2-Der决定系数R2均达0.637以上。(5)利用随机森林(RF)算法对不同预处理下的180个玉米叶片的全波段光谱,建立氮素营养诊断估测模型。预测集在7种预处理中,拟合优度最大值为59.63%,均方误差RMSE最小值为0.352(拟合优度的作用类似于回归分析中的R2)。预测集模型均方误差RMSE平均范围为0.352-0.602。本文研究表明:精度高、可靠性强的SVM模型结合二阶导数(2-Der)预处理所建模型(预测集R2=0.710,RMSE=0.363)为最佳玉米氮营养光谱预测模型。