下载文档原格式
基于随机森林算法的冬小麦叶片氮含量遥感估算研究作者：韩玉杰丁宁冯海宽张春兰来源：《现代农业科技》2019年第13期摘要 ; ;精确、快速估算冬小麦叶片氮含量，对冬小麦长势监测及田间管理指导具有重要的研究意义。
为精确反演冬小麦叶片氮含量（leaf nitrogen content ，LNC），本文利用遥感方法，依托不同氮处理水平对冬小麦的影响试验，基于获取的高光谱遥感数据和LNC地面实测数据，对比分析光谱指数与随机森林算法（random forest ，RF）反演冬小麦叶片氮含量的精度和稳健性。
结果表明，以敏感波段496 nm和604 nm为自变量，利用随机森林算法构建的LNC回归模型精度较光谱指数法有了大幅提高，模型的建模精度为R2=0.922，均方根误差为0.290;验证精度为R2=0.873，均方根误差为0.397，并且相对分析误差值为2.220，表明将敏感波段与随机森林算法组合构建的反演模型能较好地反演冬小麦叶片氮含量。
关键词 ; ;冬小麦;叶片氮含量;遥感;随机森林算法中图分类号 ; ;S127;S512.1 ; ; ; ;文献标识码 ; ;A文章编号 ; 1007-5739（2019）13-0001-03 ; ; ; ; ; ; ; ; ; ; ; ; ; ; ; ; ; ; ; ; ; ; ; ; ; ; ; ; ; ; ; ; ; ; ; ; ; ; ; ; ; ; 开放科学（资源服务）标识码（OSID）Remote ;Sensing ;Estimation ;of ;Nitrogen ;Content ;in ;Winter ;Wheat ;Leaves ;Based ;on ;Rand om ;Forest ;AlgorithmHAN Yu-jie 1 ; ;DING Ning 1 ; ;FENG Hai-kuan 2 ; ;ZHANG Chun-lan 2（1 College of Surveying and Geo-Informatics，Shandong Jianzhu University，Jinan Shandong 250101;2 National Engineering Research Center for Information Technology in Agriculture）Abstract ; ;Precisely and rapidly monitoring of nitrogen content in winter wheat leaves was of great significance for monitoring the growth of winter wheat and guiding field management.By remote sensing，the accuracy and robustness of estimating nitrogen content in winter wheat leaves by spectral index and random forest algorithm were compared and analyzed based on hyperspectral data and LNC field data.The results showed that the precision of the LNC regression model constructed by the RF was much higher than that of the spectral index with sensitive bands 496 nm and 604 nm as independent variables.The accuracy of the model was R2=0.922，RMSE=0.290，the validation accuracy was R2=0.873，RMSE=0.397，and the RPD value was 2.220.It showed that the model constructed by the RF has good precision of wheat LNC.Key words ; ;winter wheat;leaf nitrogen content（LNC）;remote sensing;random forest algorithm作物的光合作用、生長发育等离不开矿物质元素的摄入，作为矿物质元素之一的氮元素是作物生长需求量与施用量较多的矿物质元素[1]。
苜蓿-冬小麦间作叶片SPAD值及产量表现穆阳阳;周艳丽;杨慎骄;岳喜天;王静丽;张晓红【摘要】为提高苜蓿与冬小麦间作的产量和品质, 通过研究苜蓿-冬小麦间作模式下苜蓿和冬小麦叶片的SPAD值和产量的变化, 寻求冬小麦主产区适宜的苜蓿-冬小麦种植模式.设置苜蓿:冬小麦为1m:1m (MD) 和1m:2m (M2D) 的间作模式, 同时以单播冬小麦 (CK-X) 和单播苜蓿 (CK-M) 作对照, 测定苜蓿、冬小麦叶片的SPAD值、株高和产量变化, 计算并对比分析不同种植模式SPAD值与产量的变化规律.结果表明:不同种植处理苜蓿叶片的SPAD值为MD>M2D>CK-M, 株高为CK-M>M2D>MD;冬小麦叶片的SPAD值为M2D>MD>CK-X, 株高为CK-X>M2D>MD;MD、M2D与CK-M和CK-X相比, 苜蓿产量分别减少15.16％和9.36％, 冬小麦产量减少41.04％和29.72％.M2D种植模式下, 苜蓿、冬小麦叶片SPAD值与产量呈线性正相关关系, 且冬小麦穗粒数、千粒重与单播冬小麦差异显著.%In order to improve the yield and quality of alfalfa and winter wheat, the changes of SPAD values and yield of alfalfa and winter wheat leaves in alfalfa-winter wheat strip intercropping were studied to find a suitable alfalfa-winter wheat strip planting mode in the main winter wheat producing areas.The strip intercropping model of alfalfa:winter wheat was set up in the experiment, the models are 1 m:1 m (MD) and 1 m:2 m (M2 D).Simultaneously, single winter wheat (CK-X) and single alfalfa (CK-M) were used as a contrast, the changes of SPAD values, plant height and yield of alfalfa and winter wheat were measured, and the change rule of SPAD value and yield of different planting patterns were calculated and compared.The results showed that the SPAD values of alfalfa leaves underdifferent planting treatments were MD> M2 D> CK-M, and the plant height was CK-M> M2 D> MD.The SPAD value of winter wheat leaves was M2 D> MD> CK-X, and the plant height was CK-X> M2 D> MD.MD, M2 Dreduced alfalfa yield by 15.16％and 9.36％, and winter wheat yield by 41.04％and 29.72％respectively, compared with CK-M and CK-X.The SPAD values of alfalfa and winter wheat leaves were positively correlated with yield under the strip intercropping M2 Dplanting mode, and there were significant differences between the spike grain number and 1000-grain weight of winter wheat and single-seeding winter wheat.【期刊名称】《贵州农业科学》【年(卷),期】2019(047)002【总页数】5页(P22-26)【关键词】间套种植;紫花苜蓿;冬小麦;SPAD;产量【作者】穆阳阳;周艳丽;杨慎骄;岳喜天;王静丽;张晓红【作者单位】山西师范大学,山西临汾 041004;山西省临汾市尧都区农业林业委员会,山西临汾 041000;中国农业科学院农田灌溉研究所,河南新乡 453002;河南商丘农田生态系统国家野外科学观测研究站,河南商丘 476000;河南农业大学,河南郑州 450002;河南农业大学,河南郑州 450002;山西师范大学,山西临汾 041004【正文语种】中文【中图分类】S158.3;S152.104.7小麦作为中国三大粮食作物之一，常年播种面积和产量分别占粮食总量的25%和22%左右，对我国经济社会发展和国家粮食安全至关重要[1]。
小麦叶片叶绿素含量测定及其与SPAD值的关系薛香;吴玉娥【摘要】用分光光度计法和SPAD-502叶绿素仪法分别测定小麦叶片的叶绿素含量.结果表明,使用分光光度计法浸泡叶片比研磨叶片测得的叶绿素含量略高,且误差较小,两种处理提取叶绿素的含量呈显著正相关;SPAD值与分光光度计法测定的小麦叶绿素含量呈显著正相关,经数学模型检验,在抽穗期SPAD值与叶绿素a、叶绿素b及总叶绿紊含量的最佳数学模型为乘幂模型,而在开花期SPAD值与叶绿素a、叶绿素b及总叶绿素含量的最佳数学模型分别为乘幂模型、指数模型和对数模型.【期刊名称】《湖北农业科学》【年(卷),期】2010(049)011【总页数】3页(P2701-2702,2751)【关键词】小麦;叶绿素含量;测定方法;SPAD值【作者】薛香;吴玉娥【作者单位】河南科技学院农学系,河南,新乡,453003;河南科技学院农学系,河南,新乡,453003【正文语种】中文【中图分类】S512.1%S311叶绿素是绿色植物进行光合作用的基础物质，是植物叶片的主要光合色素，是研究小麦生长特性、生理变化和氮素营养状况的重要指标［1，2］。
目前一般采用分光光度计法测定植物叶绿素绝对含量和用SPAD叶绿素仪测定相对含量［3］。
分光光度计法测定结果操作繁琐，耗时太长；SPAD叶绿素仪是由日本开发的测定作物叶色的便携式仪器，SPAD值（SPAD readings）通常被称作叶色值（Leaf color values），具有快速、便捷和无损监测对象的特点，常用于测定活体叶片中叶绿素的相对含量。
大量研究表明，叶片叶绿素含量与叶绿素仪所测定的SPAD值有良好的一致性［4－6］，但是测定的小麦叶绿素 a、叶绿素b与SPAD值的相关性尚未见报道。
本试验在前人研究的基础上，以小麦叶片为材料，对叶片叶绿素含量的不同离体测定方法进行比较，用最大相关系数研究了叶绿素a、叶绿素b 及SPAD值的最佳数学模型关系，旨在为SPAD－502叶绿素仪活体测定法估计叶绿素含量提供参考。
一种基于深度学习的小麦叶表皮显微图像气孔指数的自动测量方法气孔密度和大小是反映植物对环境中非生物胁迫的响应的良好指标。
那么叶片气孔一般如何测量呢？在传统的测量方法中，通过采用显微照片中手工计数气孔和表皮细胞的数量来测算，随着科技发展提出了几种气孔密度的自动测量算法，但目前还没有气孔指数的自动测量算法。
2021年9月3日，生物领域权威期刊Frontiers in Plant Science 在线发表了武汉理工大学计算机与人工智能学院生物信息实验室的研究论文——“A Deep Learning-Based Method for Automatic Assessment of Stomatal Index in Wheat Microscopic Images of Leaf Epidermis”。
该研究开发了一种对于气孔指数的自动测量方法。
该方法采用Faster-RCNN、U-Net和图像处理技术对气孔和表皮细胞进行计数，然后计算气孔指数。
并且使用了一种半自动标注策略来提高语义分割数据的标注效率。
该研究中气孔指数的自动测量方法主要由气孔和表皮细胞计数两部分组成（图1）。
具体如下：首先，对植物叶片的显微图像进行注释和扩充，以构建数据集。
然后，Faster-RCNN被用于识别给定的显微镜图像中的气孔并进行计数，U-Net将表皮细胞分割为连接域。
并且基于表皮细胞形态特征，采用几种图像处理技术对U-Net分割结果进行细化，通过计数高质量连接域的数量来测量给定显微图像中表皮细胞的数量。
最后进行气孔指数的测量。
图1 气孔指数测量流程图通常，在语义分割任务中进行数据标注是非常费时费力的。
而采用半自动标注的方法能提高了细胞标注的效率。
整个标注过程如图2所示。
简而言之，210幅图像被灰度化，二值化，并进行完全手工标注。
这些标注图像使用U-Net训练200个epoch，以获得初始分割模型(Model_1)。
然后将数据集中剩余的790幅图像拟合到Model_1中，生成相应的伪标签。
基于叶片SPAD值的滴灌春小麦氮肥分期推荐研究基于叶片SPAD值的滴灌春小麦氮肥分期推荐研究摘要：滴灌技术在农业生产中的广泛应用提高了小麦生产的效益。
然而，由于氮肥的施用时间和剂量对农作物产量和品质有显著影响，确定适宜的氮肥施用时间和剂量成为解决滴灌春小麦氮肥管理的重要问题。
本研究以滴灌春小麦为研究对象，通过分析叶片SPAD值变化以及叶片中叶绿素的含量，研究了氮肥的施用时间和剂量对小麦生长和产量的影响，并推荐了适宜的氮肥分期策略。
1. 引言滴灌技术的发展使得农田水分和养分的供应更加精准和高效，对小麦生产有着重要的促进作用。
然而，由于滴灌系统下水分和养分的施用更为精确，决定施用时间和剂量的因素也相应增加。
氮肥是农作物生长中重要的养分之一，合理的氮肥管理可以提高小麦的产量和品质。
因此，基于叶片SPAD值的滴灌春小麦氮肥分期推荐研究具有重要的意义。
2. 实验材料与方法本实验选择了滴灌春小麦品种X作为研究对象。
在生育期内，分为四个不同的施肥处理：A组（高氮肥处理），B组（中氮肥处理），C组（低氮肥处理）和对照组（不施氮肥）。
同时，使用SPAD-502叶绿素仪测定叶片的SPAD值，Fisher-Price叶绿素定量试剂盒测定叶片中叶绿素的含量。
3. 结果与讨论3.1 叶片SPAD值随生育期的变化结果显示，随着小麦生育期的进展，叶片的SPAD值呈现出先显著上升，后逐渐下降的趋势。
在生育初期，叶片的SPAD值较低，随着生长和发育，叶片的叶绿素含量增加，SPAD值逐渐升高。
然而，当小麦进入抽穗期和灌浆期时，叶片的叶绿素含量出现下降，SPAD值开始逐渐降低。
3.2 氮肥施用对叶片SPAD值的影响不同施肥处理对小麦叶片的SPAD值有着显著的影响。
在生育初期，A组和B组的叶片SPAD值明显高于C组。
随着生育进展，A组的叶片SPAD值继续保持高水平，B组次之，C组最低。
对照组的叶片SPAD值呈现下降趋势。
3.3 氮肥施用对小麦生长和产量的影响在小麦生长过程中，不同施肥处理对小麦的生长和产量有着显著影响。
机器学习结合高光谱植被指数与SPAD值估算冬小麦氮含量冯惠芬;李映雪;吴芳;邹晓晨【期刊名称】《农业工程学报》【年(卷),期】2024(40)1【摘要】冬小麦叶片氮含量与叶片光合作用和营养状况密切相关,直接影响植株生长发育,而茎秆中的氮含量与茎秆中纤维素、半纤维素和木质素的比例和含量密切相关,直接影响茎秆质量及植株的抗倒伏能力。
然而,有关对冬小麦茎秆氮含量估算研究较为有限,限制了从氮含量角度判断茎秆质量及对倒伏的预测能力。
为精准估算冬小麦不同器官(叶片、茎秆)氮含量,该研究通过2年田间试验,获取冬小麦4个关键生育期(拔节期、抽穗期、开花期、灌浆期)和3种施氮水平条件下(N1、N2和N3)的冠层光谱反射率、叶片、茎秆氮含量及叶片SPAD(soil and plant analyzer development,SPAD)值。
分析了不同生育期和施氮水平条件下高光谱植被指数对叶片和茎秆氮含量的敏感性,并结合5种常用的机器学习算法:随机森林回归(random forest regression,RFR)、支持向量回归(support vector regression,SVR)、偏最小二乘回归(partial least squares regression,PLSR)、高斯过程回归(gaussian process regression,GPR)、深度神经网络回归(deep neural networks,DNN)构建冬小麦叶片和茎秆氮含量估算模型。
结果表明:高光谱植被指数对叶片和茎秆氮含量的敏感性受到生育期和施氮水平的影响。
在灌浆期,最佳植被指数双峰冠层植被指数DCNI(double-peak canopy nitrogen index)对叶片氮含量的敏感性最高,R^(2)为0.866。
对茎秆氮含量,在抽穗期的敏感性最高,最佳植被指数归一化叶绿素比值指数NPQI(normalized phaeophytinization index)与氮含量决定系数R^(2)=0.677。
基于冬小麦冠层数码图像的叶面积指数和叶片SPAD值的估算翟明娟;刘亚东;崔日鲜【摘要】为探究冠层图像分析技术在冬小麦长势监测中应用,6个施氮水平的田间试验条件下,在冬小麦拔节期采集冠层图像,并同步测定冬小麦叶面积指数和叶片SPAD值.通过图像分析软件计算了冬小麦冠层覆盖度及红、绿、蓝亮度值等10种色彩指数,分析了叶面积指数及叶片SPAD值与色彩指数和冠层覆盖度的相关性,利用逐步回归方法构建了叶面积指数及叶片SPAD值的估算模型.结果表明:冬小麦拔节期叶面积指数与冠层覆盖度及几个色彩指数呈极显著相关;叶片SPAD值与红光标准化值等几个色彩指数呈极显著相关;利用叶面积指数估算模型计算的预测值与实测值的线性回归方程的决定系数为0.771,相对均方根误差为25.181％;利用叶片SPAD值估算模型计算的预测值与实测值的线性回归方程的决定系数为0.644,相对均方根误差为6.734％.相关分析和估算模型验证结果表明,基于冠层图像分析的冬小麦拔节期叶面积指数和叶片SPAD值的监测是可行的.【期刊名称】《青岛农业大学学报（自然科学版）》【年(卷),期】2016(033)002【总页数】6页(P91-96)【关键词】冬小麦;冠层图像;叶面积指数;叶片SPAD值【作者】翟明娟;刘亚东;崔日鲜【作者单位】青岛农业大学农学与植物保护学院/山东省旱作农业技术重点实验室,山东青岛266109;青岛农业大学农学与植物保护学院/山东省旱作农业技术重点实验室,山东青岛266109;青岛农业大学农学与植物保护学院/山东省旱作农业技术重点实验室,山东青岛266109【正文语种】中文【中图分类】S126;S512.1+1作物长势是指作物的生长状况和生长趋势，可以用个体和群体特征来描述，个体特征包括株高、分蘖数、叶片数量、叶片颜色等，群体特征则包括群体密度、叶面积指数和地上部生物量等[1]。
作物长势指标中，叶面积指数是反映作物个体和群体特征的指标，也是作物长势判断和产量预测的重要指标[2]；叶绿素是作物吸收光能的主要物质，直接影响作物的光能利用[3]，对冬小麦生长过程中实施栽培管理具有重要意义。
网络出版时间：2014-09-23 15:36网络出版地址：/kcms/detail/11.1964.S.20141114.1458.001.html基于随机森林回归算法的小麦叶片SPAD值估算*王丽爱1 马昌1周旭东２訾妍1朱新开1郭文善1（1. 扬州大学江苏省作物遗传生理重点实验室，扬州225009；2. 扬州大学信息工程学院，扬州225009）摘要：首次提出了使用机器学习中的随机森林(Random forest, RF)回归算法构建模型遥感反演小麦叶片SPAD值。
以2010-2013年江苏地区试验点稻茬小麦3个生育期（拔节、孕穗、开花）的叶片为材料，结合我国自主研发的环境减灾卫星HJ-1对研究区域进行同步监测，分析了各生育期叶片SPAD值与8种植被指数间的相关性；以0.01水平下显著相关的植被指数作为输入参数，使用RF回归算法构建了每个生育期的小麦SPAD反演算法模型，即RF-SPAD模型，以支持向量回归(Support vector regression, SVR)和反向传播(Back propagation, BP)神经网络算法构建的SVR-SPAD模型和BP-SPAD模型作为比较模型，以R2和均方根误差(RMSE)为指标，分析了每个生育期3个模型的学习能力和回归预测能力，结果表明：RF-SPAD模型在3个生育期都表现出最强的学习能力，R2和RMSE在拔节期分别为0.89和1.54，孕穗期分别为0.85和1.49，开花期分别为0.80和1.71；RF-SPAD模型在3个生育期的回归预测能力都高于BP-SPAD模型，高于或接近于SVR-SPAD模型，R2和RMSE在拔节期分别为0.55和2.11，孕穗期分别为0.72和2.2，开花期分别为0.60和3.16。
关键字：小麦，遥感反演，SPAD，随机森林，支持向量机，神经网络Monitoring Wheat Leaf SPAD Using RF AlgorithmicModel and Remote Sensing DataWang Liai1, Ma Chang 1, Yang Xin1, Ｚi Yan1, Zhou Xudong2, Zhu Xinkai1,Guo Wenshan1(1. Key Lab of Crop Gen and Phy of Jiangsu Province，Yangzhou Univ, Yangzhou 225009,China;2. Information Engineering College of Yangzhou Univ, Yangzhou 225009, China)Abstract: As one of the machine learning algorithms, Random forest (RF) regression was proposed firstlyto construct remote sensing monitoring model to inverse leaf SPAD in different growth stages of wheat.The experiment was carried out during 2010-2013 in Jiangsu province. Based on the wheat leaves andsynchronous China’s domestic HJ-CCD multi-spectral data in the jointing stage, the booting stage and theanthesis stage respectively, the relationships between SPAD and eight vegetation indices were analyzed atcorresponding period. According to the selected vegetation indices which were significantly related to the收稿日期：2014-05-04 修回日期：2014-07-04* 国家自然科学基金资助项目（41271415）、江苏省高校自然科学基金资助项目（12KJB520018）、省属高校国际科技合作聘专重点资助项目、"六大人才高峰"高层次人才资助项目（2011-NY039）、江苏省高校优秀科技创新团队资助项目和扬州大学科技创新培育基金资助项目（2013CXJ028）。
作者简介：王丽爱，博士生，主要从事农业遥感应用研究,E-mail: wla001@。
通讯作者：郭文善，教授，博士生导师，主要从事作物栽培生理与信息农业研究，E-mail:ｇｕｏｗｓ＠ｙｚｕ．ｅｄｕ．ｃnleaf SPAD in the 0.01 level, the model for estimating leaf SPAD at each period was built using RF algorithm, namely the RF-SPAD model. On the corresponding period, SVR-SPAD model which was based on the Support Vector Regression (SVR) and BP-SPAD model which was based on the Back Propagation (BP) neural network were constructed as compared models. SVR and BP neural network are both machine learning algorithms. Based on R2and RMSE, The learning abilities and generalization abilities of three models at each period were analyzed. The results showed that: the RF-SPAD model at 3 stages presented the strongest learning ability，which its R2 was the highest as well as RMSE was the lowest, concretely, R2 and RMSE were 0.89 and 1.54 in jointing stage, 0.85 and 1.49 in booting stage and 0.8 and 1.71 in anthesis stage respectively. RF-SPAD model’s prediction ability was equal to or higher than the reference models which R2and RMSE were 0.55 and 2.11 in jointing stage, 0.72 and 2.2 in booting stage, 0.6 and 3.16 in anthesis stage respectively.Keywords: Wheat Remote sensing inversion SPAD Random forest Support vector regression Neural network引言作物长势指标中，叶片叶绿素含量高低反映了作物光合能力的强弱和营养生理状况的好坏，可以通过测定作物叶绿素含量监测其生长状况。
检测叶绿素含量的方法主要有分光光度计法[1]、高效液相色谱法和原子吸收法等。
这些方法虽然准确，但是只能测量有限的样本数，且步骤繁琐、具有破坏性[2]。
SPAD(Soil and Plant Analyzer Development, SPAD)叶绿素仪是由日本开发的测定作物叶色的便携式仪器，常用于测定活体叶片中叶绿素的相对含量，具有快速、便捷和无损监测的特点，目前在农业中已被广泛使用，但该仪器必须接触测定，且测量叶片上的某一个点，工作量大。
遥感作为现代信息技术的前沿，能够快速准确地收集信息。
利用不同遥感数据源和遥感方式监测作物叶绿素相对含量(SPAD值)取得了一定进展[3-11]。
近年来，有学者将计算机领域的机器学习算法应用于农作物SPAD值遥感估算研究：文献[12,13]等使用支持向量回归(Support vector regression, SVR)算法遥感估算作物SPAD 值；文献[2,14]等构建了基于神经网络算法的农作物SPAD值反演模型。
这些基于机器学习的方法体现在算法之中，其具体形式是计算机程序，算法构建的模型本身没有较明确的数学公式，学者们称此模型为算法模型。
随机森林(Random forest, RF)算法是由Leo Breiman和Cutler Adele在2001年提出的用于分类和回归的一种机器学习方法，近年来被广泛应用于多个领域[15]，但RF回归分析算法应用于遥感监测预报方面的文献报道较少[16,17]。
本文以长江中下游地区小麦为研究对象，利用2010-2012年小麦拔节期、孕穗期和开花期3个时期的SPAD值和同步获取的HJ-CCD数据，分析8种常用植被指数与叶片SPAD的相关性，以0.01水平下显著相关的植被指数为输入参数，采用RF回归算法建立每个生育期SPAD值遥感反演多因子的RF-SPAD模型。
以同期建立的基于SVR算法的SVR-SPAD模型和基于反向传播(Back propagation, BP)神经网络的BP-SPAD模型作为比较，对比3种机器学习算法的结果；同时利用2013年对应时期的HJ-CCD数据结合建立的模型反演小麦SPAD值，并用实测数据验证，旨在为提升大面积的小麦生长状况遥感监测精度提供技术和方法。
1 材料和方法1.1 试验设计与数据获取试验１：2010年在江苏省仪征、姜堰、大丰、泰兴、兴化5县进行试验。
每县设置采样有代表性的样点15-20个，取样时期分别为小麦拔节期、孕穗期和开花期。
在各生育期的每个样点进行取样操作，取样面积为50 cm×4行（行距15~20 cm ），选取该样点长势均匀的植株15-20株，每个采样点位置均采用美国Trimble 公司生产的Juno ST 型手持式GPS 进行定位调查，并记麦15在每个遥30m×30m SPAD 麦3中心网站HJ-CCD 立模型。
