水稻生長生理特征信息快速無損獲取技術(shù)的研究.pdf_第1頁
已閱讀1頁,還剩209頁未讀, 繼續(xù)免費(fèi)閱讀

下載本文檔

版權(quán)說明:本文檔由用戶提供并上傳,收益歸屬內(nèi)容提供方,若內(nèi)容存在侵權(quán),請進(jìn)行舉報(bào)或認(rèn)領(lǐng)

文檔簡介

1、精細(xì)農(nóng)業(yè)是21世紀(jì)全球農(nóng)業(yè)發(fā)展的必然趨勢,是實(shí)現(xiàn)農(nóng)業(yè)低耗、高效、優(yōu)質(zhì)與安全的重要途徑。它的技術(shù)核心是農(nóng)田信息的獲取、信息的管理與決策及變量作業(yè)三個部分。其中如何快速實(shí)時地獲取土壤和作物的狀態(tài)信息,是開展精細(xì)農(nóng)業(yè)最為基本和關(guān)鍵的問題,也是精細(xì)農(nóng)業(yè)研究的一個熱點(diǎn)和難點(diǎn)。
   基于國內(nèi)外在農(nóng)作物方面的研究成果,本論文以水稻為對象進(jìn)行了詳細(xì)深入的研究。通過光譜技術(shù)與多光譜成像技術(shù)的有機(jī)結(jié)合實(shí)現(xiàn)了對水稻生長、生理信息的采集,并運(yùn)用化學(xué)計(jì)

2、量學(xué)方法和數(shù)據(jù)挖掘技術(shù)對采集數(shù)據(jù)進(jìn)行分析,實(shí)現(xiàn)了水稻品質(zhì)信息、養(yǎng)分需求信息、病蟲害信息的全方位檢測和診斷,為水稻等田間作物的生長、生理信息無損檢測儀器的開發(fā)奠定了較為扎實(shí)的理論基礎(chǔ)。
   本論文通過二次正交回歸設(shè)計(jì)和設(shè)置不同氮肥梯度的方法進(jìn)行了水稻不同施肥狀態(tài)的田間試驗(yàn),采用可見-近紅外光譜技術(shù)研究了水稻冠層及葉片SPAD值和氮素含量與水稻冠層和葉片光譜反射特性間的關(guān)系;應(yīng)用光譜技術(shù)和數(shù)據(jù)挖掘技術(shù)建立了水稻葉片葉綠素含量及微量

3、元素含量(鐵、鋅)的數(shù)學(xué)模型;通過分析稻瘟病病變?nèi)~片的光譜特征信息,進(jìn)行了水稻稻瘟病等級判別等的研究;研究了水稻植株及葉片多光譜圖像與SPAD值和氮素含量間的關(guān)系;通過大量試驗(yàn)分析證實(shí)了采用水稻冠層光譜信息反演土壤養(yǎng)分(氮、磷、鉀)信息的可行性。此外,還探討了輻照處理對稻谷的光譜反射特性的影響,并結(jié)合中紅外光譜技術(shù)對輻照谷物的內(nèi)部成分含量(直鏈淀粉和蛋白質(zhì))作了深入研究,對水稻品質(zhì)的無損檢測提供了依據(jù)。
   本論文的主要研究成

4、果和結(jié)論如下:
   1)首次采用化學(xué)計(jì)量學(xué)方法結(jié)合特征波段選取方法,提取能夠反演水稻冠層及葉片SPAD值的敏感波段,為儀器的開發(fā)奠定基礎(chǔ)。對于水稻冠層SPAD值的預(yù)測模型,非線性的偏最小二乘支持向量機(jī)(PLS-LS-SVM)模型具有較高的預(yù)測精度。對水稻葉片SPAD值的預(yù)測模型,基于全波段的預(yù)測效果最好。文章將預(yù)處理方法與特征波段提取及數(shù)據(jù)壓縮技術(shù)結(jié)合,建立水稻葉片葉綠素含量的預(yù)測模型,并提取敏感波段反演葉綠素含量信息。其中直

5、接信號校正算法(DOSC)結(jié)合連續(xù)投影算法(SPA)的最優(yōu)波長選擇方法要優(yōu)于多元散射校正(MSC)結(jié)合SPA的波長選擇方法。
   2)將基于獨(dú)立組分分析的特征波段提取方法應(yīng)用于水稻冠層及葉片氮素含量與光譜反射特性關(guān)系的研究中,建立了不同波段水稻冠層氮素含量的偏最小二乘(PLS)模型,并通過試驗(yàn)證實(shí)了基于全波段的水稻冠層氮素預(yù)測模型的效果最好?;贗CA-LS-SVM模型的水稻葉片氮含量研究,獲取了葉片氮含量的敏感波段,為儀器開

6、發(fā)提供了理論依據(jù)。采用PLS建立了全波段、多波段和多波長的水稻稻瘟病病變?nèi)~片的鑒別模型,結(jié)果顯示:采用全波段建模,模型的鑒別率最高,高于采用特征波段和特征波長所建的模型。試驗(yàn)還通過對病變?nèi)~片建立ICA-LS-SVM模型,達(dá)到了86.7%的鑒別率。
   3)首次將光譜技術(shù)結(jié)合數(shù)據(jù)挖掘技術(shù)應(yīng)用于水稻葉片微量元素含量(鐵、鋅)的研究。采用偏最小二乘(PLS)建立了全波段、多波段和多波長的水稻葉片微量元素鐵和鋅的預(yù)測模型。對于微量元素

7、鐵,基于全波段的模型預(yù)測精度要高于采用多波段的模型,高于采用多波長的模型。對于微量元素鋅,基于多波長的模型預(yù)測精度高于全波段的模型,高于采用多波段的模型。建立了基于ICA-LS-SVM模型的水稻微量元素鐵和鋅的預(yù)測模型,結(jié)果顯示,采用獨(dú)立組分分析(ICA)結(jié)合非線性LS-SVM回歸模型的預(yù)測精度高于PLS-LS-SVM模型,高于線性PLS模型。
   4)研究了利用冠層光譜特性評價土壤養(yǎng)分信息,包括氮、磷、鉀信息的可行性?;赑

8、LS的模型對土壤養(yǎng)分(氮、磷、鉀)的預(yù)測精度拔節(jié)期高于分蘗期,其中氮含量的預(yù)測精度高于磷含量,鉀的預(yù)測效果相對較差。非線性PLS-LS-SVM模型建立的分蘗期及拔節(jié)期土壤氮、磷、鉀的預(yù)測結(jié)果要優(yōu)于ICA-LS-SVM、PLS-BPNN及PLS的模型結(jié)果?;谥脖恢笖?shù)對土壤氮素含量的研究,得到模型的反演效果好于ICA-LS-SVM模型。
   5)采用多光譜成像技術(shù)建立植被指數(shù)與水稻植株及葉片SPAD值和氮素含量間的關(guān)系模型。采用

9、的植被指數(shù),包括有歸一化植被指數(shù)、綠波歸一化植被指數(shù)和比值植被指數(shù)。其中對葉片SPAD值的預(yù)測,模型的相關(guān)系數(shù)為0.8756;植株拔節(jié)期SPAD值的預(yù)測結(jié)果好于分蘗期;植株分蘗期氮素含量的預(yù)測結(jié)果好于拔節(jié)期的預(yù)測精度。
   6)利用光譜技術(shù)建立稻谷年份的判別模型,并對經(jīng)輻照處理后谷物的輻照劑量進(jìn)行預(yù)測,同時建立輻照谷物內(nèi)部成分(直鏈淀粉和蛋白質(zhì))的預(yù)測模型。基于獨(dú)立組分分析(ICA)結(jié)合BP神經(jīng)網(wǎng)絡(luò)模型(ICA-BPNN)對不

溫馨提示

  • 1. 本站所有資源如無特殊說明,都需要本地電腦安裝OFFICE2007和PDF閱讀器。圖紙軟件為CAD,CAXA,PROE,UG,SolidWorks等.壓縮文件請下載最新的WinRAR軟件解壓。
  • 2. 本站的文檔不包含任何第三方提供的附件圖紙等,如果需要附件,請聯(lián)系上傳者。文件的所有權(quán)益歸上傳用戶所有。
  • 3. 本站RAR壓縮包中若帶圖紙,網(wǎng)頁內(nèi)容里面會有圖紙預(yù)覽,若沒有圖紙預(yù)覽就沒有圖紙。
  • 4. 未經(jīng)權(quán)益所有人同意不得將文件中的內(nèi)容挪作商業(yè)或盈利用途。
  • 5. 眾賞文庫僅提供信息存儲空間,僅對用戶上傳內(nèi)容的表現(xiàn)方式做保護(hù)處理,對用戶上傳分享的文檔內(nèi)容本身不做任何修改或編輯,并不能對任何下載內(nèi)容負(fù)責(zé)。
  • 6. 下載文件中如有侵權(quán)或不適當(dāng)內(nèi)容,請與我們聯(lián)系,我們立即糾正。
  • 7. 本站不保證下載資源的準(zhǔn)確性、安全性和完整性, 同時也不承擔(dān)用戶因使用這些下載資源對自己和他人造成任何形式的傷害或損失。

評論

0/150

提交評論