基于RF和SPA的无人机高光谱估算棉花叶片全氮含量

为分析棉花叶片全氮含量（LNC）与冠层光谱反射特征的关系,实现作物生长过程中氮素水平的快速、准确和无损监测,以石河子大学教学试验场2019年棉花小区试验为基础,选用多元散射校正、SG平滑算法、变量标准化校正和一阶导数4种方法分别对棉花冠层原始光谱进行预处理,使用随机蛙跳（random frog,RF）和连续投影算法（successive projections algorithm,SPA）筛选特征波长并结合偏最小二乘回归法建立棉花LNC光谱估算模型。RF和SPA算法从棉花冠层398～1000nm的光谱中优选5组LNC的敏感特征波段,波段数目下降了93.0%～96.3%,有效降低了光谱的冗余信息;基于SPA算法筛选的敏感波段构建的LNC偏最小二乘回归模型的决定系数和均方根误差分别为0.52和2.55,模型验证的决定系数和均方根误差分别为0.70和2.37,模型具有较好的精度和稳定性,可作为棉花LNC的无人机高光谱估算方法。     

基于叶片纹理特征的棉花蚜害诊断模型研究

【目的】为探究棉花叶片蚜害快速识别的可行性,本研究对健康和受棉蚜为害的棉花叶片的高光谱图像进行识别。【方法】以新陆早45号为研究对象,通过获取健康和受棉蚜为害棉花叶片的高光谱图像,提取不同处理下棉花叶片的感兴趣区域光谱图像信息,并采用3种降维手段获取高光谱特征。利用灰度共生矩阵(Gray-Level Co-occurrence Matrix,GLCM)提取图像的纹理特征,构建棉蚜为害诊断模型。【结果】采用全纹理特征数据结合随机蛙跳-偏最小二乘线性判别分析模型(RF-PLS-LDA)建模得到的预测集识别率为91.49%;以能量(Energy)作为输入,建立主成分载荷-偏最小二乘线性判别分析模型(PCA-Loading-PLS-LDA),对预测集识别率达到92.55%。【结论】以灰度共生矩阵二阶统计量能量建模可有效地简化模型,减少计算量,提高预测的稳定性。基于纹理特征向量能有效地实现蚜害棉花叶片的识别,为虫情的快速识别提供技术支持。