基于高光譜圖像的生菜氮素豐缺診斷研究.pdf

1、隨著精準(zhǔn)農(nóng)業(yè)理念的深入，如何對農(nóng)作物合理的施肥一直是眾多農(nóng)業(yè)專家研究的焦點。氮素是農(nóng)作物生長過程中重要的營養(yǎng)元素之一，在我國農(nóng)業(yè)生產(chǎn)中主要依靠人們施加氮肥滿足農(nóng)作物的需求。因此在農(nóng)作物生長過程中及時進行氮素的豐缺診斷對合理施肥具有指導(dǎo)意義。本文以生菜葉片為研究對象，利用高光譜圖像技術(shù)對其葉片的氮素豐缺進行診斷。具體工作如下:
　　(1)以無土栽培的方式培育出缺氮、正常、過氮的生菜樣本，采摘生菜（蓮座期）葉片后，及時采集樣本的高光譜

2、圖像，為后續(xù)理論研究打下基礎(chǔ)。
　　(2)從生菜葉片的高光譜圖像中提取光譜信息，經(jīng)過光譜預(yù)處理和主成分分析進行特征提取，然后用多種分類算法與光譜信息結(jié)合建模和模型驗證，其中極限學(xué)習(xí)機(Extreme Learning Machine，ELM)識別效果最佳，識別正確率為95.24％。
　　(3)從生菜葉片的高光譜圖像中提取主成分PC1和PC2圖像的紋理特征在此基礎(chǔ)上根據(jù)主成分PC1和PC2圖像在各波長的權(quán)重系數(shù)，確定563.7

3、8nm、680.86nm、713.04nm為特征波長，從特征波長圖像中提取紋理特征數(shù)據(jù)，經(jīng)實驗證明利用高光譜主成分圖像的紋理特征信息和特征波長圖像的紋理特征信息分識別模型效果都不理想，且前者的識別率比后者還要低。
　　(4)基于上述研究，本文以提取的光譜特征信息、主成分圖像的紋理特征信息以及特征波長圖像的紋理特征信息進行三種方式的特征層融合。其中光譜特征與特征波長圖像紋理特征的融合信息與ELM算法構(gòu)建的模型識別率為100％，與算法