英语原文共 4 页，剩余内容已隐藏，支付完成后下载完整资料

Proceedings of the 29thChinese Control Conference

July29-31,2010, Beijing, China

基于叶片光谱的抽穗期水稻叶片氮含量预测

SUN Jun^{1, 2}, LU Bing², WU Xiaohong²

1.Key Laboratory of Modern Agricultural Equipment and Technology, Ministry of Education amp; Jiangsu Province,Jiangsu University,

Zhenjiang, Jiangsu 212013, P.R.China

E-mail: sun2000jun@ujs.edu.cn

2.College of Electric and Information Engineering, Jiangsu University, Zhenjiang 212013, P.R.China

摘要：作物氮素含量的变化会导致作物叶片表面和内部组织的生理特性发生变化，从而导致作物叶片的光谱反射特性发生变化。本文控制了肥料用量，栽培了含氮水稻的试验样品，研究了水稻叶片反射光谱与水稻叶片氮素含量的相关关系。利用BP网络和LM神经网络，贝叶斯神经网络建立水稻叶片氮含量预测模型，并对网络训练情况和预测结果进行对比分析。结果表明，LM神经网络收敛速度快于BP神经网络，贝叶斯神经网络的收敛精度高于BP神经网络。在预测精度方面，LM神经网络是最优的。

关键词：水稻，叶片光谱，含氮量，抽穗期

1引言

叶片光谱受叶的内部生化组成和纹理结构的影响。叶片光谱的确定在可控的室内条件下进行，不受室外环境和风，云，太阳仰角等天气条件的影响。所以我们可以得到相对理想的实验数据。氮的短缺或过量也会导致作物叶片表面和内部组织的生理特征发生变化，从而将导致作物叶片光谱的反射特性发生变化。很明显，叶子的光谱特征与叶子的氮含量和植物的营养状况密切相关。

牛正（2000）利用新鲜叶片的2120,1120特征波段提出了氮含量和光谱反射率的一阶微分线性回归。Kokaly（2001）使用2054,2172干叶带特征作为反射光谱，使用逐步回归算法研究氮含量。 Johnson（2001）采用多种植物的新鲜叶子来研究近红外光谱与叶片氮含量的关系。王继华（2003）使用特征带820-1100,1150-1300，采用逐步回归算法研究小麦叶片氮含量。张景恒（2004）以525-605,505-655为特征带，研究了第一，第三完全开放叶片的光谱反射率与叶片氮含量的关系。Huang（2004）采用神经网络方法，逐步回归算法和最小二乘法研究了预测模型。Yi（2007）以多元线性回归和人工神经网络算法，并使用700,509,383,711,698,1069作为光谱的特征波段，研究叶片的氮含量。本文研究了叶片反射光谱与水稻叶片氮含量的关系，建立了基于反射光谱的三种水稻叶片氮含量神经网络模型，进行预测实验并分析和比较结果。

2试验稻田水稻的种植。

选吴玉粳18号为试验水稻品种并进行栽培。使用自来水用于充分清洗植物的根部，并去除土壤和杂质。将水稻种植在带有沙子的水罐中，每个罐子中种植4簇，平均每簇有2.5个水稻。每罐水稻的种植面积为0.12 * 0.17米。使用正交实验模型中种植水稻并设置三种不同氮处理水平。N1表示严重缺乏氮，设置水稻减少75％的氮含量，但同时保持其他营养成分正常，则NH4NO3的施用量是正常水平的1/4。 N2表示氮营养水平正常，则水稻NH4NO3的施用量是正常水平并且其他营养元素的含量是正常的。 N3表示过量的氮。设置增加50％的氮含量，并保证正常其他营养成分，则NH4NO3的施用量是正常水平的3/2倍。

3样本叶片的参数收集

3.1叶片的光谱测量

测量稻叶光谱的仪器是美国ASD制造的FieldSpecreg;3型手持便携式光谱仪。选择无害虫的水稻作为代表，指挥每个主茎中选择8个完整的开放叶片，直接装入带有标签说明的保险装中。为防止叶子发生滚动并且受温度影响导致蒸发水分，应该立即在室内收集叶片光谱。将叶片平整地放置于反射率接近于零的黑色胶带上。光谱仪探头垂直向下固定，使其正对叶片的中间部分。每次测试尽可能保持相同的位置。分光镜的视角为8°，距样品表面的距离为0.08m。视野直径为1.2cm，略小于叶片宽度。光谱仪的电源为50W卤素灯，距离样品表面0.45米。位置角与样品表面之间的交角为70°。每次采集数据之前进行标准白板校正，并定期进行系统优化。每个叶子记录5个光谱数据，将3个光谱作为采样光谱。然后计算平均值作为该叶子光谱的反射率数据。水稻培养试​​验在不同氮含量处理水平条件下进行，共获得72组数据，其中36组用于建模，其余36组用于模型精度检验。

3.2叶片氮含量的测量

将每个干燥稻叶样品研磨并筛分，筛孔直径为0.1mm。将0.1g试验材料称重并取入消化管中，精确至0.0001g。加入5.0 mL浓硫酸，将消化管置于消化池上进行消化。加入过氧化氢后，在开始时将它们在250℃下消化2小时。将它们在370℃下消化1小时作为测试样品。同时，配置5个密度水平的储备液和标准溶液。采用德国Brown Rupee公司的AA3连续流量分析仪测量氮气。该分析仪是能够在线进行消解，在线溶剂萃取，在线蒸馏，在线过滤，氧化还原，在线离子交换，自动稀释的WINDOWS / NT全软件计算机自动化系统。增益取为10，在实验中插入2.36V光，对应1000mV反射能量。实验得到5个标准溶液的相应校准直线，相关系数达到0.999，调节系数a为-2.9049 E-2，b为8.1465 E-6。

4特征波带的选择

4.1叶片谱的表现

wave band (nm)

图1. 稻叶光谱图

叶片的光谱如图1所示。其中，N1表示缺乏氮环境，N2表示适当的氮环境，N3表示过量的氮环境。在可见光波从350nm到500nm和从600nm到700nm中蓝色、红色波段的光辐射被叶子中的叶绿素吸收。进行光合作用并形成两个低反射区域，其反射率基本低于0.1。叶子的吸收从500nm下降，在550nm和绿色波段部分中，形成小的反射峰。由于水稻的叶子呈现绿色，因此光谱的反射率的最大点约为0.2左右。反射率在700nm处突然上升，进入近红外区域后曲线轻微上升，成为高反射平台。叶片光谱的反射率一般为50％或60％。反射率从叶绿素的红色吸收波段带的低点变为近红外，主要是由于叶子的散射。

叶反射光谱是350nm至2500nm的光滑曲线，光谱曲线在1450nm，1940nm，2500nm处形成三个明显的波谷是因为在带内水和二氧化碳被强烈吸收，三个波谷的光谱反射率较低。

wave band

图2. 叶片光谱与叶片氮含量的相关系数

图2是水稻叶片光谱和氮含量的相关系数图。我们可以发现叶片氮敏感带主要集中在610nm~686nm，760nm~980nm波段。叶片氮含量与光谱反射率的相关系数在可见光范围内较高。但在710nm~2500nm范围内，氮含量与光谱反射率的相关系数一般下降。因为植被和叶片在可见光范围内的反射光谱主要受植被色素的影响并且不同氮肥对叶绿素含量影响很大。根据相关系数曲线，选择480nm，640nm，780nm，860nm，1940nm波段作为敏感波段。对水稻叶片氮含量与叶片反射光谱的植被指数进行了相关分析。七组数据有表现很好的相关性，如表1所示。

表.1抽穗期氮含量与光谱比植被指数的相关系数

5 ALGORITHM BP网络和贝叶斯BP网络

BP神经网络是一种应用最广泛的多层神经网络。BP算法使用梯度下降搜索法，通过计算实际输出和预期输出之间的误差，调整每个网络的权重值，使误差最小。其计算复杂度主要是由计算偏导数引起的，这种梯度下降法只是线性收敛，因此速度很慢。一般来说，神经网络的训练性能函数采用平方误差函数公式。

如公式1所示。它的缺点在于容易容易陷入局部最小点，训练时间长，收敛速度慢，数值稳定性差，难以调整初始正确值、学习速度，动量等。

本文采用LM算法和贝叶斯正则化算法训练BP网络。 LM算法是一种利用标准数值优化技术的快速算法。它是梯度下降和高斯-牛顿定律的组合，也就是说，它是高斯-牛顿法的一种改进形式。它具有高斯-牛顿法的部分收敛性和梯度下降法的整体特征。由于LM算法使用了类似的二阶导数信息，因此它比梯度法快得多。

贝叶斯正则化算法可以提高BP网络的推广能力。正则化方法通过修改培训绩效功能来提高晋升能力。在正则化方法中，网络的性能函数变为如公式2所示的以下改进形式。

其中，gamma;是比例系数，msw是网络权重的平方和的平均值，如公式3所示。

传统的正则化方法通常难以确定比例系数gamma;，贝叶斯正则化方法可以调整gamma;的大小，适应性地在网络训练过程中使其达到最优。

6实验和结果

三种类型的神经网络都采用三层结构，输入层、隐层、输出层节点的节点数都是相同的。 由于特征向量是7叶谱比率指数，因此输入层的节点数为7.输出只是氮含量的参数，因此输出级别的节点数为1.隐藏级别的节点数为20 ，隐藏层神经元的传递函数是Sigmoid可微函数，而输出层的神经元采用纯林传递函数。在每个氮水平下选择108片叶子，其中72片叶子是训练样本， 其他36片叶子为测试样本。

图3. LM神经网络的训练误差曲线

图4. BP神经网络训练误差曲线

图5. 贝叶斯神经网络的训练误差曲线

表2. 不同神经网络算法的误差

36个测试样本分别用于测试三个神经网络，我们在测试中得到的每个模型的平均错误率和最大错误率如表3所示。结果表明，无论最大误差率还是平均误差率，LM算法神经网络都是预测水稻水分最有效的方法。

表3. 不同神经网络算法的测试结果

7结论

本文计算了叶片光谱反射率与叶片氮含量的相关系数。发现叶片的光谱反射率和氮含量之间存在关联。因此，研究建立神经网络模型来预测水稻叶片的氮素含量。通过对三种神经网络的比较，我们发现LM算法神经网络在预测水稻水分含量方面效果最好。因此，LM神经网络可以提供一种非破坏性的可靠而简便的方法来检测水稻的氮含量。同时，这种方式可以为非破坏性地检测其他作物的营养元素提供新的途径，具有很大的实用价值和推广价值。

剩余内容已隐藏，支付完成后下载完整资料

资料编号：[21159]，资料为PDF文档或Word文档，PDF文档可免费转换为Word