基于多源信息和深度学习的多作物叶面积指数预测模型研究

叶面积指数(LAI)是评价作物长势的重要参数,快速、准确、低成本地获取作物LAI对于指导作物田间管理有重要的意义。为了低成本获取多种作物的LAI,基于多源信息和深度学习构建了通用的LAI预测模型。在大豆、小麦、花生、玉米四种作物的六个生长时期进行了大田实验,以获取用于建模的多源信息。使用航拍无人机获取作物低空可见光图像、红边图像和近红外图像等多光谱图像信息,此外还采集相关的一维数据信息,包括无人机飞行姿态、拍摄高度、作物生长状态和环境光照。借助深度学习出色的图像和数据处理能力建立基于复杂输入信息的LAI预测模型,考虑到一维数据也要参与模型的训练过程,在设计模型时,采用了组合型网络架构。在卷积神经网络(CNN)算法提取图像深度特征的基础上加入了LightGBM算法用于结合图像特征和一维数据实现作物LAI的最终预测。CNN模型部分使用了VGG19, ResNet50, Inception V3和DenseNet201四种常见的结构。为了更好地说明CNN模型提取图像特征的能力,分析了不同图像输入下四种模型的作物分类情况。结果表明,以可见光、红边和近红外图像为输入时,四种模型的分类准确度均相较于仅有可见光图像时有所提高,尤其是基于Inception V3和DenseNet201的两种模型分类准确率均达到99%以上,证明了CNN模型提取多光谱图像特征的有效性。将图像特征作为LightGBM模型的输入信息预测LAI时,实测值与预测值的R2最大为0.819 2,而在输入中加入一维数据信息后,模型的R2均可达到0.9以上,说明多源信息输入对于提高LAI预测模型的准确度有重要作用。该研究建立的模型可以针对不同的作物进行LAI的预测,不需要对多光谱图像进行复杂的处理,因此,该研究可以实现LAI的低成本、快速预测,同时可以获得较高的预测准确度。

利用CARS-CNN模型的土壤有机质含量高光谱预测

卷积神经网络(CNN)在数据特征提取方面具有巨大优势,能充分获取数据特征,相较于传统模型具有更好的泛化性。基于CNN开展了土壤有机质(SOM)含量高光谱预测方法及模型研究。以北京市昌平区上庄实验站的320个土壤样本为研究对象,提取可见光-近红外(VIS-NIR)350~1700 nm内的807个光谱波段,通过多元散射校正(MSC)和一阶微分变换进行光谱数据去噪和变换。分别使用连续投影算法(SPA)、竞争性自适应重加权算法(CARS)筛选敏感波长实现光谱数据降维。为解决传统手段泛化性差以及深层CNN网络复杂且负载过大的问题,基于CARS与SPA算法,提出一种基于6层卷积层的浅层CNN模型预测,并对比具有不同卷积尺寸和卷积数量的1D-CNN1、1D-CNN2以寻找最优网络参数。通过对比VGG16、支持向量回归(SVR)、最小二乘回归(PLSR)、随机森林(RF)建立预测模型在特征波长以及全波段的表现确定最佳模型。结果表明,相比于全谱波段和SPA筛选算法,基于CARS筛选特征波长建立的模型整体表现更好,波段数量被压缩至全波段的8%,有效实现了光谱数据的降维。对比全波段数据,基于CARS筛选波长的1D-CNN1、1D-CNN2的表现更好,模型预测R2分别提升了0.028,0.018;RMSE分别降低了0.150和0.107 g·kg^(-1)。整体上,基于CARS的1D-CNN1模型表现最好,预测R2=0.846,RMSE=3.145 g·kg^(-1),降低了网络负载的同时提高了模型精度,同时也证明了小尺寸卷积的表现优于更多数量的大尺寸卷积,能够更好的获取数据特征。通过CARS筛选特征波长结合浅层CNN建立SOM含量预测模型,为建立高精度的SOM含量预测模型提供了方法与参考。

基于聚苯胺的农用柔性低阻抗pH传感芯片设计与试验

商用玻璃pH电极应用于农业监测中存在探头易碎、接入阻抗大、易极化等问题,该研究利用喷墨打印技术制备了基于单壁碳纳米管介导质子酸掺杂聚苯胺柔性pH传感芯片,通过交流阻抗谱法比较分析了柔性芯片与商用电极在接入阻抗及电荷转移上的优势,系统测试了柔性pH芯片在灵敏度、响应时间、稳定性、重复性、抗干扰性、弯折影响等性能参数,验证了其在无土栽培生菜营养液pH值动态监测中的应用可行性。试验结果表明:柔性pH传感芯片电荷转移阻抗约为230.8Ω,商用pH传感器达到9879Ω,两参数相差40倍以上,柔性pH传感器在频率全谱段皆表现出更为优越的仪器仪表阻抗匹配性能。在pH值2~10范围内,柔性pH传感芯片的灵敏度为–61.9 mV/pH,响应时间约为15 s,12 h内最大漂移不超过5.44 mV,重复性、抗干扰性指标理想,0°~120°弯折影响可忽略,温度变化40℃,柔性传感芯片所测pH值随温度漂移小于0.23,寿命达到14 d。连续10 d的水培生菜pH在线监测中,柔性芯片与商用电极一致性表现出良好,最大误差为0.12,可快速准确监测营养液pH值变化,具有良好农业应用前景。