论文部分内容阅读
当今,水资源短缺问题日渐突出,这对全球作物生产造成了严重的负面影响。作物水分状况的检测十分关键,是评估作物用水需求的重要依据,可用于指导农田精准灌溉,从而实现水资源的高效利用。传统的烘箱干燥法是一种标准的水分检测方法,但它是一种破坏性的检测方法,且费时费力,无法实时检测。遥感技术可快速无损地获取作物冠层的形态、颜色、温度、各类植被指数等可揭示作物含水率状态的信息,进而用于作物水分状况地定性和定量分析。本研究利用高光谱、热成像和数字成像等技术,研究了水稻和小麦的水分快速检测方法。采集了作物冠层的高光谱图像、热成像图像和RGB图像,并通过物联网传感器采集了作物生长环境参数,利用机器学习和深度学习算法处理数据并构建分类和回归模型,评估水稻和小麦作物在不同生长阶段的水分状况,对于稻麦作物的精准灌溉具有重要价值。主要研究内容如下:1.基于高光谱数据结合特征选择、回归算法的水稻冠层含水量预测冠层含水量（CWC）的准确评估是灌溉管理决策中的一项重要内容。将机器学习与高光谱成像相结合,可构建一种极具潜在价值的工具以精准地评估作物含水量。本研究采集了128幅不同水分胁迫水平下的水稻作物高光谱图像,构建了一种有效的冠层含水量预测模型。对比了基于模型的特征（MF）、植被指数（VI）和主成分分析法（PCA）三种特征选择方法,并将所选特征与反向传播神经网络（BPNN）、随机森林（RF）和偏最小二乘回归（PLSR）联用,使训练样本在交叉验证集上获得最小损失。研究结果表明,PCA与MF的融合方法能够为预测模型筛选出更稳定、可靠的特征,其中1467、1456和1106 nm波段是CWC预测的三个最优变量,将上述特征与优化的BPNN模型相结合,显著提高了模型的预测精度。优化后的BPNN-PCA-MF模型精度和相关系数接近1,RMSE为0.252%。本研究有助于研究人员及决策者进行作物水分含量的预测,以指导采取有效措施进行精确灌溉。2.基于人工神经网络结合可见光图像和热成像的水稻冠层含水量预测在不同的水分胁迫水平下,本研究通过可见光和热红外传感系统共计采集了120个水稻植株样本的图像信息。从RGB图像中提取6个灰度共生矩阵纹理特征（GLCMF）和20个颜色植被指数（VI）,从热成像信息中提取归一化相对冠层温度（NRCT）和作物水分胁迫指数（CWSI）。将上述指标与反向传播神经网络（BPNN）相结合,采用交叉验证方法训练优化模型,以获得最小损失。结果表明,与基于单独可见光或热成像特征的模型相比,基于可见光和热红外图像联合特征的模型获得了更好的预测效果,最优的21个预测特征变量包括5个GLCMF、14个VI和2个T变量。颜色-纹理-热学的组合特征显著提高了作物含水量的预测精度（99.40%）,其决定系数较高（R~2=0.983）,RMSE较低（0.599%）。本研究所提出的方法能够助力水资源管理者和决策者采取有效、及时的决策,进而实现农业用水的可持续性发展。3.基于物联网多模态数据和混合深度网络的小麦水分状况诊断基于特定传感器数据采集和智能处理的物联网（IoT）为作物水分检测提供准确、快速、稳定的解决方案,可以帮助水资源使用者进行精确灌溉。本研究提出了一种基于卷积神经网络（CNN）和长短时记忆（LSTM）的混合深度学习方法,对小麦水分状态进行自动监测。本研究共采集了876幅不同水分胁迫水平下的小麦植株图像,采用数据扩充方法将训练数据集的大小扩展到5256幅图像,并获取了土壤湿度、风速、气温和相对湿度等环境参数（EF）。结果表明,基于RGB图像、气候条件和土壤湿度组合的CNNRGB-LSTMEF-CNNEF深度网络的性能优于基于RGB图像特征的深度网络,其验证准确度、分类准确度、召回率、F-measure和Io U皆为100%,损失为0.0012。本研究融合了植株、土壤和环境的信息,能更准确地诊断作物水分状况。4.基于多模态数据驱动的深度网络的物联网环境下小麦灌溉频率和需水量预测研究在农业近距离传感中的应用中,基于物联网的多模态数据分析技术监测作物需水量是当前的研究热点。此外,随着迁移学习的发展,可实现将预训练的卷积神经网络特征检测器向新数据集进行迁移。本研究提出了一种极具潜力的智能方法,该方法使用预先训练的深度网络（如VGG16、VGG19、Res Net50、Res Net101和Mobile Net）,以提取深度特征并跟踪小麦灌溉频率和需水量。该方法采用两种深度学习网络模型,包括卷积神经网络（CNN）和深度神经网络（DNN）,训练初始权重来自预先训练好的网络模型。基于物联网的数据传输设备收集获取本研究所需数据集,包括数码相机、土壤湿度、风速、气温和相对湿度,并且在采集作物图像时,记录环境参数（EF）。此外,本研究采用数据扩充和迁移学习策略,使876个样本的数据集扩展到5256个样本。结果表明,融合VGG16-EF特征与CNN的方法极大地提高了灌溉频率和作物水分状况的预测精度（96.2%）,优于DNN的深度学习方法。此外,CNNVGG19、CNNEF和DNNEF的混合模型获得了最高的验证性能（97.9%）,精度、召回率、F-measure和Io U分别为98%、97.9%、97.9%和95.9%。本研究提供了一种在作物整个生命周期自动诊断水分状态和确定灌溉频率的新方法,在分析作物的生长特性、指导农业精准灌溉等方面具有重要作用。