基于机器学习的棉花叶面积指数监测

为实现基于机器学习和无人机高光谱影像进行棉花全生育期叶面积指数(Leaf Area Index, LAI)监测,该研究基于大田种植滴灌棉花,在不同品种及不同施氮处理的小区试验基础上,对无人机获取的高光谱数据分别采用一阶导(First Derivative, FDR)、二阶导(Second Derivative, SDR)、SG(Savitzky-Golay)平滑和多元散射校正(Multiplicative Scatter Correction, MSC)进行预处理,并结合Pearson相关系数法、连续投影(Successive Projections Algorithm, SPA)、随机蛙跳(Shuffled Frog Leaping Algorithm, SFLA)和竞争性自适应重加权(Competitive Adaptive Reweighting, CARS)筛选敏感波段,将筛选出的波段,使用偏最小二乘回归(Partial Least Squares Regression, PLSR)、支持向量回归(Support Vector Regression, SVR)和随机森林回归(Random Forest Regression, RFR)3种机器学习算法构建棉花LAI监测模型。结果表明:棉花冠层LAI敏感响应波段集中在可见光(400～780 nm)和近红外(900 nm之后)波段;对比3种机器学习算法,各预处理下RFR建立的LAI监测模型精度最高,稳定性最好,其中以FDR-SFLA-RFR模型最佳,在建模集的决定系数为0.74,均方根误差为1.648 3,相对均方根误差为26.39%;验证集的决定系数、均方根误差分别为0.67和1.622 0,相对均方根误差为25.97%。该研究基于无人机获取的棉花冠层光谱反射率,从不同光谱预处理、波段筛选及建模方法建立的模型中筛选出最佳估算模型用于棉花全生育期LAI监测,研究结果可为棉花大田精准管理及变量施肥提供依据。     

解决国有资产闲置与浪费问题初探

解决国有资产闲置与浪费问题初探贵州省农业科学院植保所易翔一、问题一是国有资产闲置、浪费现象严重，截止１９９２年底，贵州省农科院国有资产原值总额为１９２８万元，这是建院以来积累起来的巨额资产。但目前存在问题较多，据不完全统计，目前贵州省农科院至少有３３...     

基于数码图像的棉花叶片氮含量估测研究

为了探究利用数码图像处理技术诊断棉花氮素营养的最佳图像特征参数和最佳叶位,以‘新陆早53号’为材料,使用智能手机获取棉花不同叶位叶片图像,利用数字图像处理技术提取叶片图像颜色和纹理特征参数,分析叶片氮含量和特征参数的相关性,构建基于不同图像特征参数的氮含量估测模型。结果表明：颜色特征参数r、G/(B+R)、G/B和纹理特征参数COR、ASM与叶片氮含量相关性较好,相关性系数(r)均大于0.55。基于颜色-纹理综合特征参数构建的氮含量估测模型均优于基于颜色或纹理特征参数所建模型,其中倒4叶氮含量估测模型最优,模型决定系数(R²)为0.875、均方根误差(RMSE)为1.324、相对误差(RE)为8.09%。因此,利用数字图像处理进行棉花氮素营养诊断时,应选择的最佳图像特征参数为r、G/(B+R)、G/B、COR、ASM,应选择的最佳叶位为棉花倒4叶。     

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。