叶片氮素含量是衡量水稻健康的重要指标,无损检测叶片氮素含量对于确保水稻的生长发育和产量至关重要。然而,现有的检测仪存在价格昂贵、体积大、操作环境要求高、无法大面积推广等问题。该研究基于氮素光谱特征的优化与组合,设计了便...叶片氮素含量是衡量水稻健康的重要指标,无损检测叶片氮素含量对于确保水稻的生长发育和产量至关重要。然而,现有的检测仪存在价格昂贵、体积大、操作环境要求高、无法大面积推广等问题。该研究基于氮素光谱特征的优化与组合,设计了便携式多光谱水稻氮素无损检测仪。该设备的硬件系统由主机和外部叶夹组成,主机包括光谱采集模块、控制与显示模块和外部电源模块,外部叶夹用于固定水稻叶片。在Python3.11.4开发环境下使用PyQt5框架设计了上位机操作界面,用以实现光谱数据的采集、保存以及水稻氮素结果的显示。利用所开发的检测设备采集了“沈农9816”水稻叶片的光谱反射率,以光谱特征为输入,氮素含量为输出,分别构建基于偏最小二乘回归(partial least square regression,PLSR)、极限学习机(extreme learning machine,ELM)、基于蝙蝠算法优化的极限学习机(extreme learning machine based on bat optimization algorithm,BA-ELM)的水稻氮素含量预测模型,其中以特征波段和氮素特征转移指数(nitrogen characteristic transfer index,NCTI)组合所构成的光谱特征为输入的BA-ELM反演精度最高,模型训练集R2为0.792,RMSE为0.423%,测试集R2为0.783,RMSE为0.423%。将预测模型导入到检测设备后对设备的准确性和稳定性进行验证,使用最大残差验证设备检测准确性,得到最大残差绝对值为0.737%,使用变异系数验证设备稳定性,得到最大变异系数为1.901%。结果表明,该研究研发的便携式水稻氮素检测设备具有良好的准确度和稳定性,可以满足水稻氮素含量实时检测需求。展开更多
水稻是主要的粮食作物,对其生长发育过程中叶绿素含量进行精准监测,在指导田间管理方面具有十分重要的意义。叶片辐射传输模型能够有效地模拟水稻叶片光谱信息,描述叶片各参数对光谱反射率的影响,具有较强的机理性,可作为基于物理驱动...水稻是主要的粮食作物,对其生长发育过程中叶绿素含量进行精准监测,在指导田间管理方面具有十分重要的意义。叶片辐射传输模型能够有效地模拟水稻叶片光谱信息,描述叶片各参数对光谱反射率的影响,具有较强的机理性,可作为基于物理驱动方式反演水稻叶片叶绿素含量的重要机理模型。PIOSL(PROSPECT consider the internal optical structure of the leaves)模型假设叶片内部是由两层不同的光学特性层叠加而成,其叶片内部结构的假设更加符合植物的实际生长状况。为了验证PIOSL模型反演水稻叶片叶绿素的可行性,并为作物理化参量反演提供新思路,该研究利用此模型对水稻叶片叶绿素含量开展反演研究。首先利用PIOSL模型构建查找表,筛选查找表中与实测光谱较为接近的模拟样本数据,利用SVM(support vector machine)构建分类预测模型,判定查找表中随机生成的参数组合是否符合叶片实际情况,并构建新的查找表数据集。将改进后的查找表按7:3的比例随机拆分为训练集和测试集,通过WOAELM(whale optimization algorithm,WOA;extreme learning machine,ELM)模型反演水稻叶片叶绿素含量。结果表明:基于PIOSL-WOA-ELM构建的反演模型,模型R2和RMSE分别为0.977和2.356μg/cm^(2),与PROSPECT-WOA-ELM模型的反演精度均在0.9以上,且优于传统的多元回归模型。由此看来,利用PIOSL-WOA-ELM模型对水稻叶片叶绿素含量进行反演是可行的,可为精准反演水稻叶绿素在叶片中的分布提供新的思路,进而科学有效地开展田间管理。展开更多
文摘叶片氮素含量是衡量水稻健康的重要指标,无损检测叶片氮素含量对于确保水稻的生长发育和产量至关重要。然而,现有的检测仪存在价格昂贵、体积大、操作环境要求高、无法大面积推广等问题。该研究基于氮素光谱特征的优化与组合,设计了便携式多光谱水稻氮素无损检测仪。该设备的硬件系统由主机和外部叶夹组成,主机包括光谱采集模块、控制与显示模块和外部电源模块,外部叶夹用于固定水稻叶片。在Python3.11.4开发环境下使用PyQt5框架设计了上位机操作界面,用以实现光谱数据的采集、保存以及水稻氮素结果的显示。利用所开发的检测设备采集了“沈农9816”水稻叶片的光谱反射率,以光谱特征为输入,氮素含量为输出,分别构建基于偏最小二乘回归(partial least square regression,PLSR)、极限学习机(extreme learning machine,ELM)、基于蝙蝠算法优化的极限学习机(extreme learning machine based on bat optimization algorithm,BA-ELM)的水稻氮素含量预测模型,其中以特征波段和氮素特征转移指数(nitrogen characteristic transfer index,NCTI)组合所构成的光谱特征为输入的BA-ELM反演精度最高,模型训练集R2为0.792,RMSE为0.423%,测试集R2为0.783,RMSE为0.423%。将预测模型导入到检测设备后对设备的准确性和稳定性进行验证,使用最大残差验证设备检测准确性,得到最大残差绝对值为0.737%,使用变异系数验证设备稳定性,得到最大变异系数为1.901%。结果表明,该研究研发的便携式水稻氮素检测设备具有良好的准确度和稳定性,可以满足水稻氮素含量实时检测需求。
文摘水稻是主要的粮食作物,对其生长发育过程中叶绿素含量进行精准监测,在指导田间管理方面具有十分重要的意义。叶片辐射传输模型能够有效地模拟水稻叶片光谱信息,描述叶片各参数对光谱反射率的影响,具有较强的机理性,可作为基于物理驱动方式反演水稻叶片叶绿素含量的重要机理模型。PIOSL(PROSPECT consider the internal optical structure of the leaves)模型假设叶片内部是由两层不同的光学特性层叠加而成,其叶片内部结构的假设更加符合植物的实际生长状况。为了验证PIOSL模型反演水稻叶片叶绿素的可行性,并为作物理化参量反演提供新思路,该研究利用此模型对水稻叶片叶绿素含量开展反演研究。首先利用PIOSL模型构建查找表,筛选查找表中与实测光谱较为接近的模拟样本数据,利用SVM(support vector machine)构建分类预测模型,判定查找表中随机生成的参数组合是否符合叶片实际情况,并构建新的查找表数据集。将改进后的查找表按7:3的比例随机拆分为训练集和测试集,通过WOAELM(whale optimization algorithm,WOA;extreme learning machine,ELM)模型反演水稻叶片叶绿素含量。结果表明:基于PIOSL-WOA-ELM构建的反演模型,模型R2和RMSE分别为0.977和2.356μg/cm^(2),与PROSPECT-WOA-ELM模型的反演精度均在0.9以上,且优于传统的多元回归模型。由此看来,利用PIOSL-WOA-ELM模型对水稻叶片叶绿素含量进行反演是可行的,可为精准反演水稻叶绿素在叶片中的分布提供新的思路,进而科学有效地开展田间管理。
