应用图像数字化技术进行甘薯氮素营养诊断

为了研究利用数码图像参数预测甘薯氮素营养指标的可行性，明确氮素营养状况评价的最佳色彩参数和方程模型，以烟薯25号为试材，于2020—2021年分别设置盆栽试验(氮肥水平为0、45、90、135、180 kg/hm²)、大田试验(氮肥水平为0、50、100、150、300 kg/hm²),利用数码相机获取甘薯冠层图像参数，同时测定地上部氮素营养指标，分析不同生育时期甘薯冠层数码图像参数与氮素营养指标的相关性，并构建甘薯氮素营养指标诊断模型。甘薯各生育期冠层图像参数与地上部生物量、叶片氮浓度、叶绿素a含量、叶绿素b含量相关性差异较大，以绿光标准化值NGI与上述氮素营养指标的相关性最好；薯蔓并长期NGI与氮肥用量、地上部生物量、叶片氮浓度、叶绿素a含量的直线方程模型分别为y=17.82x-6.95、y=6 999.70x-2 697.90、y=613.67x-188.78、y=75.38x-26.96;2021年试验验证模型验证结果表明，叶片氮浓度、叶绿素含量的预测值与实测值之间R²分别达到0.835、0.810,均方根误差分...     

应用数字图像技术对葡萄进行氮素营养诊断的研究

本试验通过设定纯氮0、100、200、300、400、500 kg/hm26个不同氮素水平浓度,并利用数码相机分别获取葡萄开花期、坐果期和果实着色期的植株冠层图像,研究了冠层图像的色彩参数指标与施氮量、叶片硝酸盐含量、植株全氮含量及土壤无机氮含量之间的关系。结果表明,数字图像技术可以应用在葡萄氮素营养诊断中,在各色彩参数指标中G/B、G/(R+G+B)均与施氮量、叶片硝酸盐含量、植株全氮含量及土壤无机氮含量呈显著相关的关系,并且坐果期G/B的相关性最高,可作为利用数字图像技术对葡萄进行氮素营养诊断的指标,坐果期作为氮素营养诊断主要时期。     

数字图像技术在草莓氮素营养诊断中的应用研究

为了探讨利用数字图像处理技术进行草莓氮素营养诊断的可行性,通过6个水平的氮肥田间试验,采用数码相机获取草莓冠层图像,分析了不同供氮水平下草莓冠层图像色彩参数与施氮量、土壤无机氮和植株氮素营养指标之间的关系.研究表明:数字图像技术应用于监测草莓的氮素供应状况是可行的.其中,不同氮素处理下G/B值与G/(R+G+B)值的决定系数较高,G/(R+G+B)值与土壤无机氮、叶片硝酸盐及植株全氮之间的决定系数最高,利用G/(R+G+B)值的范围得出草莓开花期与结果期的氮肥推荐用量,从而反馈草莓氮素营养状况,进行氮素营养诊断.     

基于遗传算法优化的BP神经网络进行水稻氮素营养诊断

应用遗传算法优化BP神经网络进行水稻氮素营养诊断，为水稻的合理施氮提供理论指导。水稻田间试验供试品种为‘两优培九’，设置4个施氮水平（0、210、300、390 kg·hm-2）。在水稻幼穗分化期，扫描获取水稻顶部第三完全展开叶图像，并通过图像处理技术获取19维水稻图像中的颜色和几何形态特征，采用归一化处理、离散小波变换及主成分分析对原始数据进行预处理，并应用遗传算法优化的BP神经网络进行水稻氮素营养诊断。该方法建立的水稻氮素营养诊断模型较单一BP神经网络模型和传统遗传算法优化BP神经网络模型好，模型测试所得4个施氮水平的平均识别率分别为100.000%、99.000%、97.000%、100.000%，测试集样本平均总识别率达到99.000%。基于遗传算法优化的BP神经网络所建立的水稻氮素营养诊断模型具有较强的学习能力和泛化能力，能够很好地识别出水稻氮素营养的缺失，表明运用该方法能够很好地进行水稻氮素营养诊断识别。     

氮素营养对水稻干物质和氮分配的影响及氮肥需求量

研究了氮素营养对杂交水稻 51 8的干物质和氮素分配的影响,结果表明:在营养生长期高氮肥用量显著增加了叶片干物质重。叶片干物质的分配量随着叶片氮含量的减少而减少。与干物质相比,在营养生长早期叶片氮素的分配量高,并且变化很小。但从幼穗分化开始叶片氮素的分配量可能因叶片、茎和颖穗发育的竞争而显著减少。采用Stanford模型估计和预测了水稻氮肥的需要量,发现Stanford模型可作为我国南方水稻生产施用氮肥的一个实用工具。     

氮素营养对水稻干物质和氮分配的影响及氮肥需求量

研究了氮素营养对杂交水稻518的干物质和氮素分配的影响,结果表明：在营养生长期高氮肥用量显著增加了叶片干物质重。叶片干物质的分配量随着叶片氮含量的减少而减少。与干物质相比,在营养生长早期叶片氮素的分配量高,并且变化很小。但从幼穗分化开始叶片氮素的分配量可能因叶片、茎和颖穗发育的竞争而显著减少。采用Stanford 模型估计和预测了水稻氮肥的需要量,发现Stanford 模型可作为我国南方水稻生产施用氮肥的一个实用工具。     

利用高光谱技术估测小麦叶片氮量和土壤供氮水平

有效的监测作物氮素营养水平及土壤供氮能力可以为合理施用氮肥提供重要依据。本文以2 年3 点不同氮素水平下不同小麦品种的田间试验数据为基础,运用植被指数和偏最小二乘回归法,比较和分析小麦冠层光谱与叶片氮含量及土壤氮含量的关系。结果表明：小麦冠层光谱与叶片氮含量的相关性分析在可见光波段存在显著负相关,在近红外波段呈显著正相关,而与土壤氮含量的相关性呈相反趋势。基于光谱参数ND705 和GNDVI所建叶片氮含量估算模型的决定系数分别达到0.827 和0.826。基于光谱参数VOG2 所建土壤氮含量估算模型的决定系数达到0.646;与植被指数所建模型相比,综合350~1350 nm光谱波段反射率分别与小麦叶片氮含量、土壤氮含量建立偏最小二乘回归模型的预测精 度均有所提高,决定系数分别达到0.842 和0.654。本研究结果可为小麦氮素营养及土壤供氮水平的诊断监测与合理施肥管理提供了理论依据和技术支持。     

基于数字图像技术的烟草氮素营养诊断研究

研究烟草低氮胁迫下的叶片颜色信息变化,为田间快速诊断缺氮状况,做到按需施肥提供理论依据。以营养液培养方式,对74个烟草品种的苗期进行低氮(0.5 mmol/L)和正常氮(5.0 mmol/L)处理,通过采取烟草中上部叶片图像信息与烟草植株氮素营养性状进行分析,以探讨数字图像技术对烟草氮素营养诊断的可行性。结果表明:R、G、H、S、I、r、g颜色特征值的变异系数均小于15%,可以作为较稳定的性状指标;HSI颜色模型相对于其它颜色模型,对氮素的变化更加敏感。叶片颜色R、G、B、H、I、r、g均值在低氮和正常氮水平上均有显著性差异,S、b均值差异不显著;且低氮胁迫下叶片颜色R、G、B、I、r、b均值均大于正常氮水平,低氮胁迫下H、g均值均小于正常氮水平。R、G特征值比B特征值更能灵敏地预测作物氮素营养状况,并且与氮素营养指标之间的相关性较好,而S、b特征值与氮素营养指标之间的相关性较差。数字图像技术能够准确评价烟草的氮素营养状况,且在不同品种的烤烟间依然能适用。     

Effects of nitrogen nutrition on the spectral reflectance characteristics of rice leaf and canopy

遥感技术使大面积监测植物长势及估测化学组成有了可能,高分辩力地物光谱仪应用于简单、快速、非破坏性地估测植物冠层化学组成的前景正引起越来越多的关注．本文通过田间试验及室内分析研究了氮肥水平对水稻叶片及冠层反射光谱特性的影响,氮素营养对从可见光至近红外较大范围水稻反射光谱特性有较大影响,随着氮素营养水平的提高,叶片及冠层可见光波段的光谱反射率下降,而近红外波段则增加,经两样本ｔ检验统计分析,在５４０,６８０ｎｍ和７４０～１０７０ｎｍ波段处对氮素营养水平最为敏感,而且各氮营养水平之间的反射率呈显著或极显著的差异．水稻叶片氮含量与冠层和叶片光谱变量呈极显著或显著的相关性,这表明利用光谱测试简单、快速、非破坏性地估测水稻氮素营养水平是可行的．     

基于GreenSeeker的水稻氮素估测

为研究水稻植株氮素指标与GreenSeeker植被指数的定量关系,通过设置不同年份、不同氮肥水平的田间试验,于移栽后定期使用GreenSeeker获取冠层归一化差值植被指数(NDVI)和比值植被指数(RVI),并同步破坏性取样获取植株生物量和氮含量,分析不同品种和不同氮营养条件下氮素和植被指数(NDVI和RVI)变化规律,建立基于NDVI和RVI的氮素监测模型。结果表明,植株氮含量可以基于NDVI和RVI分时期进行估算,植株氮积累量可以被分阶段反演。利用GreenSeeker可以实现水稻氮素快速无损监测,为水稻氮肥精确管理提供技术支持。     

基于数码图像的甜菜氮素近地遥感监测模型

为定量研究利用数码图像进行甜菜冠层叶片氮含量(Leaf nitrogen content,LNC)时空变化监测的适宜性及准确性,以2014年内蒙古赤峰市松山区太平地镇田间试验为基础,在甜菜各生长阶段采集甜菜冠层数码图像,利用数字图像处理技术对图像进行分割并提取红光值(R)、绿光值(G)和蓝光值(B)。分析R/B、G/B等9个颜色参数与不同生育期冠层LNC的相关性,并研究冠层LNC随施氮量的变化规律,探寻适宜于甜菜氮素营养监测的关键生育时期及最佳颜色参数。分别利用支持向量机(Support vector machine,SVM)和BP人工神经网络(BackPropagation artificial neural network,BP-ANN)建立甜菜冠层LNC预测模型。研究结果表明,BP-ANN预测模型具有较高且较稳定的预测精度,其验证集的决定系数R~2和均方根误差RMSE分别为0.74和2.35,与SVM模型相比,BP-ANN模型的决定系数R~2提高了12.12%,均方根误差RMSE降低了8.09%。     

基于LBPHSV+ResNet50融合的水稻冠层氮素营养监测方法

为采用数码相机拍摄的水稻冠层图像来估测作物的氮素含量。以自然环境下获得的水稻冠层图像为研究对象,提出一种基于图像纹理色彩特征(LBPHSV)和ResNet50网络融合算法的氮素含量预测方法。LBPHSV+ResNet50融合算法是通过运用LBP算子和HSV颜色空间矩阵提取图像特征参数,将提取到的融合特征集作为ResNet50模型输入以加强对作物氮素营养的表征,并将预测结果与常用的多元线性回归、随机森林(RF)、支持向量回归模型、多层感知机、卷积神经网络、长短记忆网络(LSTM)及组合模型预测结果进行对比分析。结果显示:相比于浅层机器学习模型,深度学习算法能显著提高预测模型的准确率;LBPHSV+ResNet50融合模型的预测能力和泛化能力达到最优,R²和 RMSE分别为 0.97、0.02。相比于RF、LBP+LSTM、ResNet50,新模型的R²分别提升了16.36%、9.72%、16.55%和1.13%,RMSE 分别下降了 0.35、0.46、0.05和 0.002。因此,LBPHSV+ResNet50融合模型在预测水稻氮素含量时可提供令人满意的性能,能够满足对水稻氮素营养无损精准监测的农业需求。     

东北水稻叶片SPAD遥感光谱估算模型

为通过构建高精度SPAD遥感估算模型,实现对水稻叶片叶绿素含量进行实时无损的监测,以东北地区多时期不同施氮水平下水稻叶片光谱反射率为研究对象,采用回归模型与BP神经网络算法构建不同输入量的SPAD高光谱估算模型,通过模型精度评价指标决定系数R~2、均方根误差RMSE,确定最优输入量和最优模型。结果表明:1)不同品种水稻成熟时期不同导致在孕穗期和抽穗期之间光谱反射率出现差异;2)回归模型中以DVI(D755,D930)为变量建立多项式模型估算精度最高;3)与回归模型相比,不同波长处单波段反射率作为输入量的BP神经网络模型估算精度显著提高,R~2为0.98。BP神经网络模型在隐藏节点数为7时估算精度达到稳定,在可见光和近红外处经过不同波段反射率作为输入量的尝试说明神经网络模型较为稳定,可以用来反演叶绿素相对含量。     

基于图像特征的水稻叶片全氮含量估测模型研究

探究水稻叶片生长外部颜色、几何形态特征与其全含氮量之间的定量描述关系,可以快速且准确地诊断水稻氮素营养状况。研究筛选了全氮含量估测敏感叶位,并比较了基于多元线性回归和机器学习方法的水稻敏感叶位全氮含量估测模型,为构建高性能的氮素营养定量诊断模型提供思路和方法。水稻田间试验于2017—2018年在江西省南昌市成新农场进行,供试水稻品种为两优培九,设置4个施氮水平(施氮水平从低到高为0、210、300和390 kg·hm^-2)。在水稻幼穗分化期和齐穗期,分别扫描获取水稻顶部第一完全展开叶叶片(顶1叶)、顶部第二完全展开叶叶片(顶2叶)以及顶部第三完全展开叶叶片(顶3叶)图像,共4 800张图像。通过图像处理技术获取25项水稻扫描叶颜色和几何形态特征,采用多元线性回归进行全氮含量估测,筛选出两个时期的敏感叶位,并应用机器学习方法建立水稻敏感叶位的全氮含量估测模型。与人工测量相比,通过图像处理方法获取的水稻叶片长宽平均相对误差分别为0.328%、3.404%;幼穗分化期顶3叶和齐穗期顶2叶较其他同期叶位更为敏感,且以幼穗分化期顶3叶最为敏感;应用机器学习建立的水稻敏感叶位全氮含量估测模型略优于多元线性回归模型,且采用BP神经网络建模最佳,幼穗分化期顶3叶模型验证集的RMSE_v=0.089、MRE_v=0.034、 $R^{2}_{v}$=0.887,齐穗期顶2叶模型验证集的RMSE_v=0.132、MRE_v=0.046、$R^{2}_{v}$=0.820。幼穗分化期顶3叶和齐穗期顶2叶的叶片图像特征最具有代表性,进行全氮含量估测更具可行性,可作为水稻氮素营养诊断的有效叶位。     

基于高光谱技术的覆膜旱作水稻植株氮含量及籽粒产量估算

为建立利用光谱技术快速诊断覆膜旱作水稻植株氮营养和产量的估算模型,应用高光谱技术分析了长江中下游覆膜旱作区水稻拔节期和抽穗期内5种不同施氮水平(0、60、120、180和240kg/hm~2(N))下植株冠层光谱特征及其与植株氮素含量和产量的关系,并分别构建了植株含氮量和产量的估算模型。结果表明:拔节期和抽穗期内不同供氮水平下冠层光谱的变化规律基本一致,均随着供氮水平的增加,反射率在可见光区降低、在近红外区增大。覆膜旱作水稻植株氮含量与552和890nm 2个敏感波段构成的比值(RVI)和绿色归一化植被指数(GNDVI)的关系最佳。构建的水稻关键生育期植株全氮含量及水稻产量的估算模型预测效果均较好,其中植株全氮含量拟合方程的决定系数为0.730~0.808,采用拔节期的RVI对覆膜旱作水稻进行估产的决定系数达到0.724。本研究构建的模型可以用来估计该地区覆膜旱作水稻的氮素营养状况和作物产量。     

基于颜色特征的加工番茄叶片氮素评价初步研究

利用数码相机获取加工番茄地上部分彩色图像,通过图像处理软件提取RGB及其组合的颜色特征值,同时与氮素指标叶片叶绿素含量、SPAD值、叶片含氮量及单株吸氮量作回归分析,根据统计性检验,有相当数量的颜色特征与4个氮素指标呈较高的相关性,相关系数达到r=0.7以上.综合筛选出的颜色特征指标,结合地面覆盖度与氮素营养指标建立以叶片含氮量为应变量的估算模型.经模型校验,其预测值与实测值在n=15,P＜0.01水平上达r=0.8以上的极显著相关.因此,可依据颜色特征参数通过建立相应的统计模型进行加工番茄叶片氮素含量的评价,进而为加工番茄氮素营养诊断提供依据.     

Combining leaf fluorescence and active canopy reflectance sensing technologies to diagnose maize nitrogen status across growth stages

Rapid methods allowing for non-destructive crop monitoring are imperative for accurate in-season nitrogen (N) status assessment and precision N management. The objectives of this paper were to (1) compare the performance of a leaf fluorescence sensor Dualex 4 and an active canopy reflectance sensor Crop Circle ACS-430 for estimating maize (Zea mays L.) N status indicators across growth stages; (2) evaluate the potential of N status prediction across growth stages using the reflectance parameters acquired from the canopy sensor at an early growth stage; and, (3) investigate the prospect of combining the active canopy sensor and leaf fluorescence sensor data to estimate N nutrition index (NNI) indirectly using a general model across growth stages. The results indicated that data from both sensors were closely related to NNI across stages. However, using the direct NNI estimation method, among the tested indices, only the N balance index (NBI) could diagnose N status satisfactorily, based on the Kappa statistics. The effect of growth stages on proximal sensing was reduced by incorporating the information of days after sowing. It was found that the leaf fluorescence sensor performed relatively better in estimating plant N concentration whereas the canopy reflectance sensor performed better in aboveground biomass estimation. Their combination significantly improved the reliability of N diagnosis, including NNI prediction. In addition, the study confirmed that N status can be assessed by predicting aboveground biomass at the later stages using the canopy reflectance measurements at an early stage. Furthermore, the integrated NBI was verified to be a more robust and sensitive N status indicator than the chlorophyll concentration index. It is concluded that combining active canopy sensor data, of an early growth stage (e.g. V8), with leaf fluorescence sensor data, modified using days after sowing, can improve the accuracy of corn N status diagnosis across growth stages.

     

基于改进的VGG16网络和迁移学习的水稻氮素营养诊断

为实现水稻氮素营养的快速、准确识别，采用改进的VGG 16网络和迁移学习相结合的水稻氮素营养诊断识别方法，以杂交稻‘两优培九’为试验对象进行田间试验，设置4组不同的施氮水平(施氮量分别为0、210、300和390 kg/hm²),在水稻幼穗分化期和齐穗期，扫描获取水稻叶片图像数据；通过图像预处理方法，对数据进行扩充；构建改进的VGG16和迁移学习相结合的网络模型对水稻叶片图像数据进行氮素营养诊断识别。结果表明：1)在幼穗分化期时，改进的VGG16网络的识别准确率为93.1%,模型大小约为迁移学习VGG16模型的1/6,训练时间约为1 261 s。2)在水稻幼穗分化期和齐穗期，该模型微调后的识别准确率均能达到95%以上。基于迁移学习和改进的VGG16网络所建立的水稻氮素营养诊断模型具有较好的泛化能力，可以预测水稻氮素营养状况，为水稻氮素营养诊断提供参考。