论文部分内容阅读
小麦是我国主要的粮食作物之一,及时了解小麦苗期生长状态并贯彻落实高产栽培方案对稳产增收有着重要的意义。目前,苗情诊断多通过专家咨询、技术人员指导等实地勘察评价方法,这些方法虽然能够较准确的指导生产,但时效性较低。因此,在高新科技快速发展和“互联网+农业”的背景下,研究如何利用信息化手段对小麦苗情进行智能监测并构建合理评价方法显得尤为重要。本研究通过田间获取小麦苗期(越冬始期至拔节期)各诊断指标生长动态,结合同期提取的图像特征参数,建立了小麦苗情诊断指标智能估测模型,包括叶面积指数(LAI)、SPAD(Soil and Plant Analyzer Development)值、茎蘖数、生物量和氮素积累量5个估测模型,最终实现小麦苗情的系统评价与监测。在此基础上,开发了基于图像特征参数的小麦苗情诊断指标智能估测系统。研究首先基于计算机图像处理技术提取与小麦苗期LAI、SPAD值、茎蘖数、生物量、氮素积累量相关性较好的图像特征参数,以期达到小麦苗情科学诊断的目的。根据前人研究进展和本研究试验结果,归纳这些参数为红光指数(R)、绿光指数(G)、蓝光指数(B)、归一化红光指数(NRI)、归一化绿光指数(NGI)、归一化蓝光指数(NBI)、绿红差值(GMR)、绿红比值(GR)、超绿值(ExG)、超红值(ExR)、超绿超红差值(ExGMR)、归一化红绿差值指数(NDIg)、归一化红蓝差值指数(NDIb)、归一化植被指数(NDI)、色调(Hue)以及冠层盖度(CC)等。第二步,通过分析16个图像特征参数与小麦苗情诊断指标的相关关系(Pearson分析),找到适合构建小麦苗情诊断指标估测模型的图像特征参数,并利用多元逐步回归分析的方法建立优化的小麦苗情诊断指标估测模型。模型构建结果如下:(1)图像特征参数GMR与越冬期小麦LAI的相关性最好,通过多元逐步回归分析拟合的估测模型为y=0.160×GMR-0.784,模型检验R2为0.765**,RMSE为0.286;参数G与拔节期小麦LAI呈极显著相关关系,拟合的估测模型为y=-0.274×G+34.919,模型检验R2为0.483**,RMSE为1.420。因此,利用图像特征参数估测小麦苗期LAI是可行的。(2)图像特征参数NDIb与越冬期小麦SPAD值呈显著相关关系,多元逐步回归分析拟合的估测模型为y=1.116×NDIb+39.932,模型检验R2为0.236*,RMSE为1.320;参数GR与拔节期小麦SPAD值的相关性最好,相关系数为-0.568**,拟合的估测模型为y=-1.179×GR+340.468,模型检验R2为0.454**,RMSE为2.410。因此,图像特征参数可以作为评价小麦苗期SPAD值的指标。(3)图像特征参数GMR与越冬期小麦茎蘖数的相关性最好,多元逐步回归分析拟合的估测模型为 y=69.668×GMR-270.228,模型检验 R2 为 0.793**,RMSE 为 122×104·ha-1;参数G、Hue与拔节期小麦茎蘖数呈显著相关关系,拟合的估测模型为y=10.158×Hue-31.661×G+2568.074,模型检验 R2 为 0.589**,RMSE 为 187×104·ha-1。因此,图像特征参数可以用于小麦苗期茎蘖数的估测。(4)图像特征参数GMR与越冬期小麦生物量的相关性最好,多元逐步回归分析拟合的估测模型为 y=72.641×GMR-341.259,模型检验 R2 为 0.818**,RMSE 为 115.188kg·ha-1;参数G与拔节期小麦生物量呈极显著相关关系,拟合的估测模型为y=-170.295×G+21506.329,模型检验R2为 0.496**,RMSE为 873.774kg·ha-1。说明图像特征参数在小麦苗期生物量的估测上有显著效果。(5)图像特征参数GMR与越冬期小麦氮素积累量的相关性最好,多元逐步回归分析拟合的估测模型为 y=3.433×GMR-17.039,模型检验 R2 为 0.782**RMSE 为 6.005kg.ha-1;参数G、ExGMR、CC与拔节期小麦氮素积累量呈显著相关关系,参数GMR与拔节期小麦氮素积累量达到极显著相关关系,拟合的估测模型为y=16.162×NDI-13.483×ExGMR-75.390,模型检验R2为0.638**,RMSE为25.689kg·ha-1。结果表明利用图像特征参数估测小麦苗期氮素积累量是可靠的。在以上农学知识和估测模型的支撑下,本研究开发了小麦苗情诊断指标智能监测系统。该系统本着结构清晰、界面友好、操作简易的思想开发,可以为用户提供便捷服务,实现小麦苗情智能化实时诊断的目的。