本文主要研究内容
作者马昕宇（2019）在《玉米冠层氮素高光谱估测研究——以玉米田养鹅生产模式为例》一文中研究指出：我国中央一号文件多次提出要大力推行以养带种,牧农复合的新型种植结构。黑龙江地处北方农牧交错地带,值得大力提倡农牧复合的新型种植方法,因此本文提出农牧一体化这一种新型种植方式。传统的养分测量手段需要耗费大量人力和时间,不适合农牧一体化种植方式对养分测量需求,而高光谱技术可以实现对玉米冠层氮素的快速无损检测。本文以农牧一体化中的玉米田养鹅生产模式作为试验依托,以德美亚一号玉米冠层作为本试验对象,利用高光谱检测手段对玉米冠层氮素含量进行估测研究,并提出多算法结合来对玉米冠层氮素含量估测。试验于2017年秋季在黑龙江省鹤岗市延军农场内进行,试验田为玉米田养鹅。首先使用Headwall高光谱成像系统对不同时期的玉米冠层叶片进行图像采集并相应采集的玉米冠层叶片进行编号保存。使用ENVI5.0对采集到的高光谱叶片进行反射率提取,利用AA3流动分析仪对采集到的玉米叶片进行全氮素含量精确测量。再对提取的反射率使用Savitzky-Golay平滑、标准正态变换(standard normal transformation,SNV)、多元散射校正(multiple scattering correction,MSC)、一阶导数(first derivative,FD)、二阶导数(second derivative,SD)五种预处理方法,组合成11种预处理方法(SG、SNV、MSC、FD、SD、SG-FD、SG-SD、SNV-FD、SNV-SD、MSC-FD和MSC-SD)分别对大喇叭口期、放牧前期和放牧后期的玉米冠层进行降噪处理,并将处理好的数据与氮素建立PLSR模型根据参数分析11种预处理方法的优良。在预处理的基础上再进行特征波段提取,采用连续投影算法(successive projections algorithm,SPA)、主成分分析法(principal component analysis,PCA)和竞争性自适应重加权抽样法分别选出4个生育期的特征波段,分别提取不同时期的特征波段。最后采用偏最小二乘法回归(partial least squares regression,PLSR)、径向基函数神经网络(radial basis function neural network,RBFNN)、极限学习机(extreme learning machine,ELM)和支持向量机(support vector machines,SVM)对大喇叭口期、放牧前期、放牧后期和全生育期等4个生育期来建立估测模型,根据模型决定系数(R~2)和均方根误差(RESM)选出适用于玉米田养鹅试验的最佳特征波段以及建模方法。本文提出了适用于估测农牧一体化玉米冠层氮素含量的多处理方法组合模型SNV-FD-CARS-SVM。其中SNV可以有效消除由光散射带来的光谱噪声,FD可以消除波段间产生的干扰影响;CARS可以对大量的重复光谱信息进行清除选择特征波段,在大喇叭口期、放牧前期、放牧后期和全生育期分别提取了46、42、24和72个特征波段。比较其他的模型参数,CARS-SVM模型在各个时期均表现为最佳模型_cR~2和R_P~2在大喇叭口期为0.9451和0.8952,放牧前期为0.9478和0.9002,放牧后期为0.9386和0.9021,全生育期为0.9418和0.9095;RMSEC和RMSEP在大喇叭口期为0.1114和0.2023,放牧前期为0.1355和0.2074,放牧后期为0.1980和0.1713,全生育期为0.1455和0.1332。本文现可为玉米田养鹅生产模式下养分检测提供便捷手段,为农牧一体化养分平衡理论建立理论基础。
Abstract
wo guo zhong yang yi hao wen jian duo ci di chu yao da li tui hang yi yang dai chong ,mu nong fu ge de xin xing chong zhi jie gou 。hei long jiang de chu bei fang nong mu jiao cuo de dai ,zhi de da li di chang nong mu fu ge de xin xing chong zhi fang fa ,yin ci ben wen di chu nong mu yi ti hua zhe yi chong xin xing chong zhi fang shi 。chuan tong de yang fen ce liang shou duan xu yao hao fei da liang ren li he shi jian ,bu kuo ge nong mu yi ti hua chong zhi fang shi dui yang fen ce liang xu qiu ,er gao guang pu ji shu ke yi shi xian dui yu mi guan ceng dan su de kuai su mo sun jian ce 。ben wen yi nong mu yi ti hua zhong de yu mi tian yang e sheng chan mo shi zuo wei shi yan yi tuo ,yi de mei ya yi hao yu mi guan ceng zuo wei ben shi yan dui xiang ,li yong gao guang pu jian ce shou duan dui yu mi guan ceng dan su han liang jin hang gu ce yan jiu ,bing di chu duo suan fa jie ge lai dui yu mi guan ceng dan su han liang gu ce 。shi yan yu 2017nian qiu ji zai hei long jiang sheng he gang shi yan jun nong chang nei jin hang ,shi yan tian wei yu mi tian yang e 。shou xian shi yong Headwallgao guang pu cheng xiang ji tong dui bu tong shi ji de yu mi guan ceng xie pian jin hang tu xiang cai ji bing xiang ying cai ji de yu mi guan ceng xie pian jin hang bian hao bao cun 。shi yong ENVI5.0dui cai ji dao de gao guang pu xie pian jin hang fan she lv di qu ,li yong AA3liu dong fen xi yi dui cai ji dao de yu mi xie pian jin hang quan dan su han liang jing que ce liang 。zai dui di qu de fan she lv shi yong Savitzky-Golayping hua 、biao zhun zheng tai bian huan (standard normal transformation,SNV)、duo yuan san she jiao zheng (multiple scattering correction,MSC)、yi jie dao shu (first derivative,FD)、er jie dao shu (second derivative,SD)wu chong yu chu li fang fa ,zu ge cheng 11chong yu chu li fang fa (SG、SNV、MSC、FD、SD、SG-FD、SG-SD、SNV-FD、SNV-SD、MSC-FDhe MSC-SD)fen bie dui da la ba kou ji 、fang mu qian ji he fang mu hou ji de yu mi guan ceng jin hang jiang zao chu li ,bing jiang chu li hao de shu ju yu dan su jian li PLSRmo xing gen ju can shu fen xi 11chong yu chu li fang fa de you liang 。zai yu chu li de ji chu shang zai jin hang te zheng bo duan di qu ,cai yong lian xu tou ying suan fa (successive projections algorithm,SPA)、zhu cheng fen fen xi fa (principal component analysis,PCA)he jing zheng xing zi kuo ying chong jia quan chou yang fa fen bie shua chu 4ge sheng yo ji de te zheng bo duan ,fen bie di qu bu tong shi ji de te zheng bo duan 。zui hou cai yong pian zui xiao er cheng fa hui gui (partial least squares regression,PLSR)、jing xiang ji han shu shen jing wang lao (radial basis function neural network,RBFNN)、ji xian xue xi ji (extreme learning machine,ELM)he zhi chi xiang liang ji (support vector machines,SVM)dui da la ba kou ji 、fang mu qian ji 、fang mu hou ji he quan sheng yo ji deng 4ge sheng yo ji lai jian li gu ce mo xing ,gen ju mo xing jue ding ji shu (R~2)he jun fang gen wu cha (RESM)shua chu kuo yong yu yu mi tian yang e shi yan de zui jia te zheng bo duan yi ji jian mo fang fa 。ben wen di chu le kuo yong yu gu ce nong mu yi ti hua yu mi guan ceng dan su han liang de duo chu li fang fa zu ge mo xing SNV-FD-CARS-SVM。ji zhong SNVke yi you xiao xiao chu you guang san she dai lai de guang pu zao sheng ,FDke yi xiao chu bo duan jian chan sheng de gan rao ying xiang ;CARSke yi dui da liang de chong fu guang pu xin xi jin hang qing chu shua ze te zheng bo duan ,zai da la ba kou ji 、fang mu qian ji 、fang mu hou ji he quan sheng yo ji fen bie di qu le 46、42、24he 72ge te zheng bo duan 。bi jiao ji ta de mo xing can shu ,CARS-SVMmo xing zai ge ge shi ji jun biao xian wei zui jia mo xing _cR~2he R_P~2zai da la ba kou ji wei 0.9451he 0.8952,fang mu qian ji wei 0.9478he 0.9002,fang mu hou ji wei 0.9386he 0.9021,quan sheng yo ji wei 0.9418he 0.9095;RMSEChe RMSEPzai da la ba kou ji wei 0.1114he 0.2023,fang mu qian ji wei 0.1355he 0.2074,fang mu hou ji wei 0.1980he 0.1713,quan sheng yo ji wei 0.1455he 0.1332。ben wen xian ke wei yu mi tian yang e sheng chan mo shi xia yang fen jian ce di gong bian jie shou duan ,wei nong mu yi ti hua yang fen ping heng li lun jian li li lun ji chu 。
论文参考文献
论文详细介绍
论文作者分别是来自东北农业大学的马昕宇，发表于刊物东北农业大学2019-08-27论文，是一篇关于玉米田养鹅论文,玉米冠层论文,高光谱预处理论文,特征波段提取算法论文,估测模型论文,东北农业大学2019-08-27论文的文章。本文可供学术参考使用，各位学者可以免费参考阅读下载，文章观点不代表本站观点，资料来自东北农业大学2019-08-27论文网站，若本站收录的文献无意侵犯了您的著作版权，请联系我们删除。
标签：玉米田养鹅论文; 玉米冠层论文; 高光谱预处理论文; 特征波段提取算法论文; 估测模型论文; 东北农业大学2019-08-27论文;