论文部分内容阅读
猕猴桃树矿质元素的含量能够精准反映果树的生长状况,对后续实施精细化、智能化的果园管理具有重要的作用。而传统的化学实验检测方法耗时费力、过程繁琐、对样本有损、时效性也差,难以满足大范围、快速、无损的现代化管理需求。本文以猕猴桃叶片为研究对象,基于高光谱技术在865.11-1715.03nm近红外波段范围中建立了全生长过程中猕猴桃叶片氮素含量的预测回归模型,实现了对生长过程中猕猴桃叶片含氮量的快速、无损检测。主要研究内容如下:(1)研究了猕猴桃叶片光谱数据的预处理方法。受制于叶片样本采集与光谱实验误差的影响,原始光谱数据存在多种噪声干扰问题,因此采用在一阶导数(First derivative,F-D),二阶导数(Second derivative,S-D),多元散射校正(Multiplicative scatter correction,MSC)和变量标准化(Standard normalized variate,SNV)等方法对原始光谱数据进行预处理,结合预测分析模型的实验结果发现,SNV方法对猕猴桃叶片光谱数据的处理效果更好,对光谱数据的校正能力更强。(2)基于预处理的光谱数据,采用主成分分析(Princeple component analysis,PCA)和竞争性自适应加权算法(Competitive adaptive reweighted sampling,CARS)对全光谱数据进行特征提取分析,以期剔除干扰波段,降低数据维度。分别基于特征提取结果和全光谱数据建立偏最小二乘回归(Partial least squares regression,PLSR)与支持向量回归(Support vector regression,SVR)多种预测回归模型,其中SNV-CARS-SVR对猕猴桃叶片含氮量的预测效果较好,相关系数Rp为0.8329,均方根误差RMSEp为0.1777。结果表明SNV-CARS-SVR的方式能够较好的预测整个生长过程中猕猴桃叶片的含氮量。(3)实现了对全生长期猕猴桃叶片氮素含量的建模预测,其中包括5-7月与7-9月两个部分,分别比较了全光谱数据基于PCA,CARS方式特征提取后的光谱数据建立的PLSR与SVR模型,其中5-7月的猕猴桃叶片数据采用SNV-CARS-PLSR方式相关系数Rp为0.8507,均方根误差RMSEp为0.1289,表明SNV-CARS-SVR的方式能够较好的预测5-7月中猕猴桃叶片的含氮量;而7-9月的猕猴桃叶片数据采用CARS-PLSR的方式相关系数Rp为0.7478,均方根误差RMSEp为0.1839,表明CARS-PLSR的方式能够较好的预测7-9月中猕猴桃叶片的含氮量。研究表明,基于高光谱技术实现了对生长过程中猕猴桃叶片含氮量的快速检测研究,为猕猴桃叶片中氮含量的检测提供了一种新的方式,在猕猴桃产业领域的应用具有广阔的开发前景。