论文部分内容阅读
干旱是影响玉米生产的重要灾种,创新玉米旱情监测预警途径,意义重大。本研究基于玉米表型特征和BP神经网络对玉米干旱进行识别,以探究玉米干旱识别新方法,为提高玉米干旱监测识别水平奠定基础。本研究利用可见光成像方式采集不同干旱胁迫下的玉米图像,通过编程从玉米图像中提取表型特征变量,以多个BP神经网络集成学习的方法构建玉米不同生长发育阶段的干旱识别模型,识别不同程度干旱胁迫下的玉米植株。研究结果表明:玉米形态特征是识别干旱的最有效特征,颜色和纹理特征在玉米生长中后期是识别干旱的重要特征。不同程度干旱胁迫下,玉米表型特征差异性明显,无旱和特旱胁迫下玉米的表型特征最具独特性,因而模型对玉米无旱和特旱程度的识别度高。玉米出苗-拔节、拔节-抽雄和抽雄-成熟3个生长发育阶段的干旱识别模型识别玉米干旱的准确率均在90%以上,出苗-拔节、拔节-抽雄2个生长发育阶段的模型识别玉米不同干旱程度的误差在0.015以下,而抽雄-成熟生长发育阶段的模型识别玉米不同干旱程度的误差相对较高,在0.02~0.05之间。出苗-拔节生长发育阶段的模型识别玉米不同干旱程度的精度均在97%以上,拔节-抽雄生长发育阶段的模型识别玉米不同干旱程度的精度在92%~95%之间,抽雄-成熟生长发育阶段的模型识别玉米不同干旱程度的训练精度在90%~95%之间,验证精度在88%~95%之间。采用集成学习的方法构建玉米干旱识别模型相比传统的单分类器模型在降低训练误差、提高准确率和精度方面具有明显优势,能够有效降低识别玉米不同干旱程度的差异性。综合研究结果可知,利用玉米表型特征识别玉米干旱,具有良好的效果,但不同表型特征对玉米干旱识别的贡献不同,以BP神经网络集成学习的方式构建模型识别玉米的不同干旱程度,识别结果存在一定差异性,但总体识别效果良好。