基于模型集群的马铃薯叶绿素检测光谱变量筛选讨论

为了探究马铃薯作物叶绿素吸收特征,充分解析光谱特征波长变量,建立高精度叶绿素含量检测模型。在马铃薯发棵期(M1)、块茎形成期(M2)、块茎膨大期(M3)和淀粉积累期(M4)4个关键生长期,利用ASD便携式光谱仪采集80个样本区的314组作物冠层反射率数据,并同步采集叶片测定叶绿素含量。在光谱数据预处理之后,分析了马铃薯不同生长期的光谱反射率变化特征。利用基于模型集群思想的蒙特卡洛无信息变量消除(MC-UVE)、随机蛙跳(RF)、竞争自适应重加权采样(CARS)三种算法筛选叶绿素特征波长,建立叶绿素含量检测PLS模型。对4个生长期的314个样本,采用SPXY算法分别按照3∶1的比例划分,得到建模集240个样本、验证集74个样本。利用MC-UVE, RF, CARS三种算法筛选叶绿素特征波长,讨论迭代次数(N)和特征变量个数(LV)对MC-UVE和RF算法、迭代次数(N)对CARS算法筛选特征波长结果的影响,对迭代次数设置6个梯度,分别为N=50, 100, 500, 1 000, 5 000和10 000;对特征变量数设置4个梯度,分别为LV=15, 20, 25和30。以PLSR模型的验证集结果为评价指标,分析迭代次数(N)和特征变量数(LV)的最优参数组合。最后基于MC-UVE, RF和CARS算法筛选得到的最佳特征波长建立叶绿素检测PLSR模型,分别记为MC-UVE-PLSR, RF-PLSR, CARS-PLSR。结果表明, CARS, RF和MC-UVE三种算法的迭代次数(N)、特征变量数(LV)参数最佳组合分别为:(1)MC-UVE:迭代次数N=50特征变量数LV=30;(2)RF:迭代次数N=500、特征变量数LV=30;(3)CARS:迭代次数N=100。对比在最佳特征波长建立的MC-UVE-PLSR, RF-PLSR, CARS-PLSR叶绿素含量检测,发现RF-PLSRRR模型的性能最优,R^2v为0.786, RMSEV为3.415 mg·L^-1;MC-UVE-PLS模型性能次之,R^2v为0.696, RMSEV为4.072 mg·L^-1;CARS-PLS模型的性能最差,R^2v为0.689, RMSEV为4.183 mg·L^-1。以上结果说明:在筛选马铃薯叶绿素特征波长方面RF算法优于MC-UVE和CARS,得到的特征波长能够较全面地反映与马铃薯叶绿素相关的物质信息。

基于作物谱图特征的植株分割与叶绿素分布检测

为了快速感知并分析田间作物生长状况,采用先进的半导体镀膜工艺光谱成像传感器,研究了玉米植株冠层叶绿素含量分布式检测方法。试验采用IMEC 5×5成像传感器,拍摄47株苗期玉米植株冠层,获取673~951 nm范围内的25个波长的光谱图像。实验中,利用SPAD-520叶绿素仪非破坏性地测量叶绿素含量,每株玉米冠层叶片设置2~3个采样点,每点测量3次取平均,共计242个样本数据。对光谱图像数据,经4灰度级标准板提取并校准反射率。为了实现玉米植株与花盆、土壤背景的有效分离,在分析不同对象光谱反射率与图像像素特征的基础上,提出了一种基于谱图特征组合的植株分割方法,即基于植被指数的图像初步分割与区域标记计算的冠层精细分割的植株提取算法。首先,计算各像素点归一化植被指数(NDVI),并开展基于NDVI的植株冠层分割方法分割结果优于基于最大类间方差法的全局阈值自适应分割算法。其次,采用边缘保持中值滤波算法剔除初步分割后图像中存在的噪声点后,基于区域标记算法进行精细分割,获得掩膜并最终得到仅保留玉米植株冠层的光谱图像。分别采用相关分析法(CA)和随机蛙跳(RF)算法选取反射光谱特征波长,并构建750~951 nm近红外(NIR)和673~750 nm红色(R)选中波长集合,遍历NIR和R集合组合计算比值植被指数(RVI),差值植被指数(DVI),归一化植被指数(NDVI)和SPAD转换指数(TSPAD)。然后,再次采用CA和RF算法筛选植被指数,利用SPXY算法将样本按照7∶3比例划分为建模集和验证集,并建立了叶绿素含量指标检测CA+RF-PLSR模型。结果表明,其建模集R^2C为0.573 9, RMSEC为3.84%,验证集R^2V为0.420 2, RMSEC为2.3%。利用建模结果对多光谱图像进行处理,绘制玉米叶片SPAD值伪彩色分布图,实现叶绿素含量分布可视化。研究表明采用镀膜型光谱成像数据,分析对象光谱与图像特征,探讨玉米冠层叶绿素含量分布检测的可行性,可为直观监测作物生长动态提供支持。