论文部分内容阅读
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。