基于矩阵变换的车载玉米叶绿素含量快速预测系统偏差分析

基于计算机视觉技术的玉米叶绿素含量检测研究杜玉红;孙文新【摘要】Plant leaf photosynthesis efficiency and the number of plant chlorophyll content , the overall condition of the plant is closely related to the growth in the agricultural production process , often depending on the growth condition of chlorophyll content in order to determine precisely how much of the plant , the leaves are often color See change as seed-lings and fertilizer and water management is an important diagnostic indicators .The traditional method of detecting chloro-phyll spectrophotometry , the presence of time-consuming , multi-step , complex operation and other issues , with the de-velopment of computer technology and image processing technology , computer vision , vision measuring chlorophyll-based approach has become an important point of plant chlorophyll access to information It means that the method is convenient , real-time and other advantages .Computer vision technology can be put to a human eye to outside information and ima-ging process , and analyzes the image information obtained .The process of the human eye , computer vision , image pro-cessing technology compared to the more accurate and efficient , not like human eye analysis influenced by subjective fac-tors result from bias .Based on computer vision technology to detect maize leaf chlorophyll content , using a scanner ac-quisition maize leaf image , the image is transferred to the computer , and then analyze the processed image by previously installed on the computersoftware , segment the image effective pixel color characteristic value the characteristic values can be converted to maize leaf chlorophyllcontent .Experimental results show that the use of computer vision technology to accurately measuring the chlorophyll content of maize , and maize chlorophyll content ( SPAD) accurate determination can be made rational fertilization , no waste , to improve the yield of corn has a very big help .%植株叶片中叶绿素浓度的高低与植株进行的光合作用效率、植株的整体生长状况息息相关，在农业生产过程中，常常根据叶片中叶绿素含量（ SPAD ）的多少来精确的判断植物的生长状态，也是控制植株长势的依据。

玉米叶片花青素相对含量高光谱遥感反演刘秀英;刘晨洲;吴姗微;石兆勇;常庆瑞【期刊名称】《遥感信息》【年(卷),期】2018(033)006【摘要】针对传统植物叶片色素测量存在的问题,提出了一种采用高光谱遥感技术反演玉米叶片花青素相对含量的方法.以含花青素的玉米叶片为对象,获取玉米叶片的花青素相对含量及高光谱反射率,分析350～1 000 nm波段范围内玉米叶片的反射光谱特征,建立基于敏感波段、已有光谱指数、新光谱指数的玉米叶片花青素相对含量反演模型,并进行分析、比较.结果表明,玉米叶片花青素相对含量的敏感波段为548 nm;新光谱指数为521和698 nm组成的比值指数(RI(521,698))、554和704 nm组成的差值指数(DI(554,704))、557和701 nm组成的归一化指数(NI(557,701)).基于RI(521,698)建立的一元线性和一元二次模型及DI(554,704)建立的一元二次模型的拟合R2均大于0.78,预测R2均大于或等于0.73,RMSE小于0.12,是进行玉米叶片花青素相对含量高光谱遥感反演的最优模型,说明在一定的精度范围内,新光谱指数具有无损反演玉米叶片花青素相对含量的潜力.【总页数】8页(P1-8)【作者】刘秀英;刘晨洲;吴姗微;石兆勇;常庆瑞【作者单位】河南科技大学农学院,河南洛阳471023;洛阳市共生微生物与绿色发展重点实验室,河南洛阳471023;洛阳市植物营养与环境生态重点实验室,河南洛阳471023;河南科技大学农学院,河南洛阳471023;洛阳市共生微生物与绿色发展重点实验室,河南洛阳471023;洛阳市植物营养与环境生态重点实验室,河南洛阳471023;河南科技大学农学院,河南洛阳471023;洛阳市共生微生物与绿色发展重点实验室,河南洛阳471023;洛阳市植物营养与环境生态重点实验室,河南洛阳471023;河南科技大学农学院,河南洛阳471023;洛阳市共生微生物与绿色发展重点实验室,河南洛阳471023;洛阳市植物营养与环境生态重点实验室,河南洛阳471023;西北农林科技大学资源环境学院,陕西咸阳712100【正文语种】中文【中图分类】TP79;S3【相关文献】1.基于PCA-WNN的玉米叶片叶绿素含量遥感反演建模方法 [J], 杨可明;张婉婉;刘二雄;张文文;夏天2.夏玉米叶片光合色素含量高光谱估算 [J], 落莉莉;常庆瑞;武旭梅;杨景;李粉玲;王琦3.基于高光谱分析的玉米叶片氮含量分层诊断研究 [J], 张银杰; 王磊; 白由路; 杨俐苹; 卢艳丽; 张静静; 李格4.玉米叶片重金属铅含量的SVD-ANFIS高光谱预测模型 [J], 韩倩倩;杨可明;李艳茹;高伟;张建红5.冬小麦叶片花青素相对含量高光谱监测 [J], 王伟东;常庆瑞;王玉娜因版权原因，仅展示原文概要，查看原文内容请购买。

一种玉米苗期冠层叶绿素车载动态诊断光谱指数李树强;李民赞【摘要】为了使用车载平台对玉米叶绿素含量进行快速预测,优化车载系统测量结果,提出了一种适用于玉米苗期车载动态预测冠层叶片叶绿素含量的光谱指数MPRI,构建了相应的叶绿素含量预测模型,结合空间插值对其空间分析能力进行了分析和评估.结果表明:基于车载动态获取的冠层光谱指数MPRI,对于单点位置的冠层叶绿素预测效果较好,模型决定系数R2约为0.81;对于动态测量,车载动态获取信息中的玉米冠层MPRI值能够通过定值阈值较为准确地被识别,利用其构建的玉米冠层叶片叶绿素含量预测模型具有较好的单点预测效果.结合反距离加权插值法进行空间分析,能够得到较佳的空间预测效果,空间分布预测偏差小于7％的数据占总数据量的85％.基于光谱指数MPRI构建的车载动态预测冠层叶绿素预测模型具有较好的单点预测效果,结合GPS位置信息进行空间分析能够得到较佳的空间预测效果,为车载系统动态测量提供了新的思路.【期刊名称】《广东农业科学》【年(卷),期】2014(041)002【总页数】5页(P171-174,189)【关键词】MPRI;玉米冠层;叶绿素;光谱测量;空间插值【作者】李树强;李民赞【作者单位】河南科技大学车辆与动力工程学院,河南洛阳471003;中国农业大学现代精细农业系统集成研究教育部重点实验室,北京100083;中国农业大学现代精细农业系统集成研究教育部重点实验室,北京100083【正文语种】中文【中图分类】S126掌握玉米苗期冠层长势状况及长势的空间态势，制定合理的精准化管理策略，对玉米的均衡生长发育具有重要的意义，为玉米的丰产打下良好基础[1-2]。

当前普遍采用的方法是利用光谱无损检测设备获取玉米冠层叶片的光谱反射信息，通过模型反演得到叶片的叶绿素含量，通过分析叶绿素含量的多少判断其长势状态[3-7]，此类方法检测手段能够准确地反映单个目标冠层的长势情况，但是检测速度较慢。

基于双分支卷积网络的玉米叶片叶绿素含量高光谱和多光谱协同反演王亚洲;肖志云【期刊名称】《农业机械学报》【年(卷),期】2024(55)1【摘要】针对智慧农业中叶绿素的精准预测问题,本文提出了基于双分支网络的玉米叶片叶绿素含量高光谱与多光谱协同反演的方法。

使用欠完备自编码器进行数据降维,捕捉数据中最为显著的特征,使降维后的数据可以代替原始数据进行训练,从而加快训练效率,使用双分支卷积网络将多光谱数据用于填充高光谱数据信息,充分利用高光谱数据的空间细节信息,再结合1DCNN建立玉米叶片叶绿素含量预测模型。

结果表明,与传统降维算法相比较,欠完备自编码器处理后预测结果最佳,决定系数R2为0.988,均方根误差(RMSE)为0.273,表明使用欠完备自编码器进行降维可以有效提高数据反演精度;与单一的高光谱数据反演模型和多光谱数据反演模型相比,双分支卷积网络预测模型均取得较优的预测结果,R2在0.932以上,RMSE均在1.765以下,表明基于双分支卷积网络的高光谱与多光谱图像协同反演模型可以有效地利用数据的特征;对于其他数据结合本文提及的双分支卷积网络模型进行反演,其R2均在0.905以上,RMSE均在2.149以下,表明该预测模型具有一定的普适性。

【总页数】8页(P196-202)【作者】王亚洲;肖志云【作者单位】内蒙古工业大学电力学院【正文语种】中文【中图分类】S513;S127【相关文献】1.玉米叶片叶绿素含量的高光谱反演模型探究2.基于GA-BP神经网络高光谱反演模型分析\r玉米叶片叶绿素含量3.基于双分支卷积网络的高光谱与多光谱图像协同土地利用分类4.干旱胁迫下玉米叶片叶绿素含量与含水量高光谱成像反演方法因版权原因，仅展示原文概要，查看原文内容请购买。

基于高光谱的不同生育期玉米花青素含量估测郭松;常庆瑞;赵泽英;李莉婕;童倩倩【期刊名称】《江苏农业学报》【年(卷),期】2024(40)2【摘要】花青素(Anthocyanin)是玉米体内的重要色素,对花青素含量的便捷、无损估测对监测玉米长势具有重要意义。

利用关中地区拔节期、大喇叭口期、抽雄期以及乳熟期玉米冠层叶片Anth值及高光谱数据建立多个单因素模型和多因素模型。

结果表明,不同生育期玉米叶片原始光谱特征总体一致、局部不同。

变换光谱的特征波段与Anth值相关性优于原始光谱,其中一阶导数光谱特征波段最优。

连续投影算法(SPA)降维能力较好,筛选出的建模参数在2~27个。

最优单因素模型与多元性线性回归模型精度均为抽雄期最优,拔节期和大喇叭口期次之,乳熟期最差。

所有模型中,抽雄期基于一阶导数光谱的麻雀搜索算法-极限学习机回归(SSA-ELMR)模型精度最佳,该模型建模与验证R2分别为0.847、0.895,相应nRMSE为6.44%和7.21%。

本研究结果表明抽雄期是玉米叶片花青素含量反演的最佳时期,极限学习机能进一步提升传统模型精度。

【总页数】9页(P303-311)【作者】郭松;常庆瑞;赵泽英;李莉婕;童倩倩【作者单位】贵州省农业科技信息研究所;西北农林科技大学资源环境学院【正文语种】中文【中图分类】S127【相关文献】1.基于高光谱的夏玉米氮含量及产量估测模型2.基于高光谱成像估测冬小麦不同生育时期水分状况3.基于无人机高光谱影像的玉米叶绿素含量估测4.滴灌棉花不同生育时期冠层叶片叶绿素含量的高光谱估测模型因版权原因，仅展示原文概要，查看原文内容请购买。

玉米叶片叶绿素含量的全基因组关联性分析滕守振;汪海;梁海生;辛红佳;李圣彦;郎志宏【期刊名称】《生物技术通报》【年(卷),期】2017(033)004【摘要】植物叶片的叶绿素含量与叶片的光合作用效率和产量潜力紧密相关,因此是作物的一个重要生理指标.但是,目前已克隆的控制叶绿素含量的基因大多来自拟南芥和水稻,尚不清楚玉米自然群体中哪些基因控制叶片叶绿素含量的变异.本研究发现玉米苗期第一片叶片的叶绿素含量和吐丝期穗位叶的叶绿素含量高度相关,且与后者相比具有更高的遗传力.进一步分析了287份玉米自交系的第一片叶的叶绿素含量,利用558269个单核苷酸多态性分子标记进行全基因组关联性分析,获得9个显著关联SNP位点和16个候选基因.通过候选基因的序列分析和功能预测,发现两个可能和叶绿素含量相关的基因,包括拟南芥Tic22基因的同源基因和水稻衰老相关基因SAG12的同源基因.%The chlorophyll content of plant leaves is closely related to photosynthetic efficiency and yield potential,thus it is an important physiological indicator of all crop species. However,currently most cloned genes controlling chlorophyll content are from Arabidopsis and rice,and the genetic basis of natural variation in chlorophyll content in maize is still unclear. In this research it was discovered that the chlorophyll content of the first leaves at the seedling stage was highly correlated with that of ear leaves at silking stage,and the former had a higher heritability than the latter. This study further analyzed the chlorophyll contents of first leaves from 287 maize inbred lines. Genome-wide association study using558269 SNP markers revealed 9 SNPs significantly associated with the measured trait,leading to the discovery of 16 candidate genes. Two genes potentially controlling chlorophyll content in maize were identified by sequence analysis and functional annotation of these candidate genes :a homolog of the Arabidopsis Tic22 and a homolog of rice SAG12 relating to aging.【总页数】6页(P98-103)【作者】滕守振;汪海;梁海生;辛红佳;李圣彦;郎志宏【作者单位】西南科技大学生命科学与工程学院,绵阳 621010;中国农业科学院生物技术研究所,北京 100081;中国农业科学院生物技术研究所,北京 100081;西南科技大学生命科学与工程学院,绵阳 621010;中国农业科学院生物技术研究所,北京100081;中国农业科学院生物技术研究所,北京 100081;中国农业科学院生物技术研究所,北京 100081;中国农业科学院生物技术研究所,北京 100081【正文语种】中文【相关文献】1.基于光谱特征参数与主成分分析的玉米叶片叶绿素含量BP反演 [J], 杨可明;卓伟;刘二雄;汪国平;夏天2.基于PCA-WNN的玉米叶片叶绿素含量遥感反演建模方法 [J], 杨可明;张婉婉;刘二雄;张文文;夏天3.不同氮处理春玉米叶片光谱反射率与叶片全氮和叶绿素含量的相关研究 [J], 王磊;白由路4.全基因组关联性分析及在冠心病研究中的成果 [J], 刘大伟5.基于GA-BP神经网络高光谱反演模型分析\r玉米叶片叶绿素含量 [J], 陈春玲;金彦;曹英丽;于丰华;冯帅;周长献因版权原因，仅展示原文概要，查看原文内容请购买。

玉米叶片的光谱响应及其氮素含量预测研究陈志强;王磊;白由路;杨俐苹;卢艳丽;王贺;王志勇【期刊名称】《光谱学与光谱分析》【年(卷),期】2013(033)004【摘要】以不同施肥水平下两年玉米田间试验为基础,利用高光谱技术探讨大喇叭口期不同层次玉米叶片光谱响应的敏感区域,并依据叶片氮素含量与原始光谱反射率及其一阶导数的相关性,最终构建了叶片氮素含量的预测模型.结果表明:不同施肥水平下叶片光谱反射率差别明显区域集中在550 nm附近波段、761～1 300 nm 波段,不同层次间叶片光谱反射率差别明显区域集中在550 nm附近波段,叶片氮素含量与470～760 nm波段光谱反射率及其一阶导数呈极显著相关.经过对比筛选,以光谱指数DSI(564,681)和DSI(681,707)构建的指数预测模型效果最好,预测精度达93.43％和93.39％,能有效估测叶片氮素含量.【总页数】5页(P1066-1070)【作者】陈志强;王磊;白由路;杨俐苹;卢艳丽;王贺;王志勇【作者单位】中国农业科学院农业资源与农业区划研究所,农业部植物营养与肥料重点实验室,北京100081;中国农业科学院农业资源与农业区划研究所,农业部植物营养与肥料重点实验室,北京100081;中国农业科学院农业资源与农业区划研究所,农业部植物营养与肥料重点实验室,北京100081;中国农业科学院农业资源与农业区划研究所,农业部植物营养与肥料重点实验室,北京100081;中国农业科学院农业资源与农业区划研究所,农业部植物营养与肥料重点实验室,北京100081;中国农业科学院农业资源与农业区划研究所,农业部植物营养与肥料重点实验室,北京100081;中国农业科学院农业资源与农业区划研究所,农业部植物营养与肥料重点实验室,北京100081【正文语种】中文【中图分类】O433.4【相关文献】1.基于改进红边面积的夏玉米叶片氮素含量导数光谱监测 [J], 刘炜;常庆瑞;郭曼;邢东兴;员永生2.重金属铜胁迫玉米叶片的光谱响应特征 [J], 杨可明;史钢强;魏华锋;孙阳阳;刘飞3.不同钾素处理春玉米叶片营养元素含量变化及其光谱响应 [J], 王磊;白由路4.夏玉米叶片全氮、叶绿素及叶面积指数的光谱响应研究 [J], 谭昌伟;王纪华;黄文江;刘良云;黄义德;赵春江5.铜胁迫下玉米叶片的水分吸收光谱响应及其污染程度预测模型 [J], 杨可明;刘聪;张文文;夏天;程龙因版权原因，仅展示原文概要，查看原文内容请购买。

基于集成学习的玉米叶绿素含量和覆盖度估算目录一、内容概览 (1)1. 研究背景和意义 (2)2. 研究目的和问题提出 (2)3. 研究方法和研究路线 (3)二、文献综述 (4)1. 国内外研究现状 (5)2. 集成学习方法在农业领域的应用 (7)3. 玉米叶绿素含量和覆盖度估算的研究进展 (8)三、数据收集与处理 (10)1. 数据来源及获取方式 (10)2. 数据预处理及特征提取技术 (11)3. 数据集划分与实验设计 (12)四、集成学习方法研究与应用 (13)1. 集成学习理论基础及分类 (14)2. 常用集成学习算法介绍 (16)3. 集成学习方法在本研究中的应用策略与模型构建过程 (17)一、内容概览本文档主要探讨基于集成学习的玉米叶绿素含量和覆盖度估算方法。

文章首先简要介绍叶绿素含量和覆盖度在玉米生长监测中的重要性，以及集成学习在解决复杂农业问题中的应用价值。

概述研究背景、目的与意义，阐明本文的研究问题和主要研究内容。

玉米生长参数概述：介绍玉米生长过程中叶绿素含量和覆盖度的概念、作用以及传统监测方法的不足。

数据集介绍：说明用于本研究的数据来源，包括玉米叶片图像数据、气象数据等，并简述数据预处理过程。

集成学习方法：详细描述集成学习的原理、方法以及在本研究中的具体应用，包括基学习器的选择、训练策略、参数优化等。

模型构建与训练：阐述基于集成学习的玉米叶绿素含量和覆盖度估算模型的构建过程，包括特征提取、模型训练、验证方法等。

结果分析：展示模型在估算玉米叶绿素含量和覆盖度方面的性能，通过对比实验验证模型的准确性和鲁棒性。

讨论：分析模型性能的影响因素，讨论可能的改进方向，以及集成学习在其他农业领域的应用前景。

通过本文的研究，旨在为解决玉米生长过程中的叶绿素含量和覆盖度估算问题提供一种新的、有效的技术途径，为精准农业的发展提供支持。

1. 研究背景和意义玉米作为重要的农作物之一，其生长状况直接影响着粮食产量和品质。

基于LS-SVM和高光谱技术的玉米叶片叶绿素含量检测彭彦昆;黄慧;王伟;吴建虎;王秀【摘要】为实现玉米叶片叶绿素含量的快速无损测定,采集不同氮素水平的玉米叶片,制备校正集样本60个,验证集样本16个,获取400～1 100 nm波段范围的高光谱数据和相应叶绿素含量.采用变量标准化、13点平滑、一阶导数3种预处理方法结合,根据相关系数图谱选择470～760 nm波段作为光谱数据分析对象;利用最小二乘支持向量机建立玉米叶片叶绿素含量与高光谱数据的定量分析模型,基于交叉验证的网格搜索寻找LS-SVM的最优参数,建立LS-SVM模型;所建立的校正模型相关系数为0.96,验证相关系数为0.93.研究结果为高光谱技术在精准减量施肥遥感检测中的应用提供了技术基础.%For the rapid and non-destructive detection of chlorophyll content in corn leaves, representative corn leaves with different N levels were collected. 60 calibration samples and 16 validation samples were prepared. Hyperspectral images in the range of 400 ～ 1 100 nm were collected and relevant chlorophyll content was measured according to the National Standard. Standard normalized variation, 13 points smoothing, and first derivative were applied as pretreatment method. According to the correlation coefficient, the wave band of 470 ～ 760 nm was selected as analysis object. Least squares-support vector machines were used to establish the model between the corn leaves' chlorophyll content and the hyperspectral data. The optimal parameters of LS - SVM were obtained by application of grid-search based on crossvalidation. The results of LS -SVM model indicate technical support for hyperspectral application in remotesensing, with correlation coefficient of 0. 96 and calibration coefficient of 0. 93, respectively.【期刊名称】《江苏大学学报（自然科学版）》【年(卷),期】2011(032)002【总页数】5页(P125-128,174)【关键词】玉米叶片;叶绿素含量;高光谱成像;最小二乘支持向量机;检测【作者】彭彦昆;黄慧;王伟;吴建虎;王秀【作者单位】中国农业大学,工学院,北京,100083;中国农业大学,工学院,北京,100083;中国农业大学,工学院,北京,100083;中国农业大学,工学院,北京,100083;中国农业大学,工学院,北京,100083【正文语种】中文【中图分类】S513;S123玉米是高产作物，需肥量较大，根据玉米生长、种植情况实施精准施肥不但能节约资源，提高化肥资源利用率，还可提高玉米产量.叶绿素含量是植物营养状况、光合能力、发育阶段等的重要指标［1］.实现精准施肥的前提是快速检测玉米叶片叶绿素含量.传统的分光光度计分析方法过程繁琐，且不便于进行快速实时检测，并且试验过程使用有毒性的化学制品，需要专业技术人员操作.日本研发生产的手持式SPAD计能测定叶片叶绿素含量，但该仪器测量时需要接触叶片、反复测量，工作量大［2］.因此，如何安全、快速、无损又可靠地测定叶片叶绿素含量成为实现玉米精准施肥的研究重点.近年来，高光谱分析技术作为一种快速、非接触式的无损检测技术受到重视.由于高光谱分析过程中无需样本制备，无需使用化学制品，因此大大加快了光谱采集和信息分析的速度及分析过程的安全性.随着高光谱技术的不断发展，高光谱分析已经应用于水果和蔬菜的品质分级［3－5］、肉品品质质量检测［6］、鲜生物量［7］、监测小麦病变［8］、鸡肉表面污染检测［9］等方面.高光谱分析技术已经在遥感中应用于作物营养状况无损检测，遥感高光谱分析对象为植被，需要专业的航空设备支持，不适用于小型农户.因此本研究采用近地高光谱技术对玉米叶片进行研究，不仅能为玉米高光谱遥感监测提供理论支持，而且能大大降低实际应用中高光谱检测成本，扩大高光谱检测的适用范围.文中以不同氮素水平的玉米叶片样本为研究对象，在光屏蔽箱内采集高光谱面图像，然后用分光光度计法测得玉米叶片叶绿素含量作为建模基准值.对面图像取感兴趣区域后获得样本的平均光谱曲线，对光谱曲线作平滑、一阶导数等预处理，采用最小二乘支持向量机(least squares-support vector machine，简称LS－SVM)回归算法建立校正模型，并进行验证.1 材料与方法1.1 试验材料试验所用玉米在北京市昌平区小汤山精准农业示范区试验场中种植，玉米品种为京科21，种植时间为2009年5月份.试验设无氮(0)、适量氮(100 kg·hm－2)、过量氮(200 kg·h m－2)3个施氮水平，分别于玉米壮苗期、拔节期、抽雄期3个不同生长时期的早上10点左右选取长势和大小近似的玉米植株获取玉米叶片样本.样本即刻被带回中国农业大学工学院无损检测实验室进行数据采集.试验利用高光谱成像系统采集玉米叶片样本的高光谱反射图像.该高光谱分析仪器由CCD相机(Sensicam qe，The Cooke Corporation，USA)、高光谱仪(Imspector V10E，Specim，Oulu，Finland)、电控平移台、运动控制器等组成，采用普通卤钨灯作光源.该仪器的光谱仪可以采集400～1 100 nm范围内的反射光谱，光谱分辨率为2.8 nm.电动平移台重复定位精度为5 μm，绝对定位精度为8 μm.为避免外界光干扰，将整个系统置于光屏蔽箱内.相机控制软件为仪器自带的SenciCam软件(The Cooke Corporation，USA).采集图像前样本无需任何前处理.叶片叶绿素含量使用上海光谱仪器有限公司生产的SP－2102分光光度计测定.1.2 试验方法首先采集高光谱数据.在进行样本图像采集前先采集标准白板图像作为白背景光谱图像，将镜头盖盖上所采集的图像作为黑背景光谱图像.叶片样本无需任何预处理，在光屏蔽箱内直接采集高光谱图像.样本采集面积为100 mm×50 mm.采集高光谱数据后立即用分光光度计法测定玉米叶片叶绿素含量.每个样本取3次测量平均值作为该样本的叶绿素含量精确值.1.3 分析方法(1)首先用黑背景光谱图像、白背景光谱图像按公式(1)进行相对反射光谱计算，然后将扫描获得的高光谱线图像(BMP图像文件)利用自编的图像转换程序转化为立方体文件格式.该图像转换程序用Microsoft VC++6.0编写.包括图像参数在内的图像数据均以8位二进制格式文件存放.式中R为相对反射密度;Rs为试样原始图像反射密度;Rr为标准参考白板反射密度;Rd为黑色图像.(2)用ENVI4.3作为高光谱图像处理软件.ENVI使用交互式功能将基于波段和基于文件的技术相结合.当打开一个数据输入文件时，它的波段被保存在一个列表中，可以在其他系统功能内使用.如果打开了多个文件，不同数据类型的波段可以被当做一组数据来处理.本研究为减小误差，在ENVI中选择样本图像多个有效区域计算各单波长下平均反射光密度组成平均反射光谱曲线，即分析模型输入参量.(3)应用MATLAB7.0软件进行数据分析.为消除样本叶绿素含量在数量级和量纲上的不同，提高边缘数据有效性，对样本平均反射光谱曲线使用变量标准化预处理(standard normalized variate，简称SNV)，结合13点平滑预处理和一阶导数数学处理方法.根据预处理后的光谱数据选择合适波段的光谱反射数据作LS－SVM 分析.支持向量机 (support vector machine，简称SVM)是一种新的机器学习方法，通过核函数将低维非线性问题映射成高维的线性问题，计算复杂性和质量不直接依赖于输入数据的维数，因此SVM可同时兼顾训练精度和泛化能力两方面性能［10］，能解决过拟合、高维数等实际问题，已经在信号处理、模式识别等方面得到了广泛应用［11］.LS－SVM 是Suykens提出的一种改进的SVM，采用偏最小二乘线性系统作为损失函数，以求解一组线性方程代替经典SVM中复杂的二次优化问题，因此LS－SVM运算速度明显快于SVM［12］.采用LS－SVM分析时，必须选择合适的核函数.本研究采用RBF核函数:式中x为输入向量;y为x对应的目标值;σ2为RBF核函数参数.由于建立的LS－SVM模型受核函数参数的影响比较大，因此确定核函数后需要对核函数的参数进行优化.以RBF作为核函数的LS－SVM模型主要有两个参数:超参数γ和RBF核函数参数σ2.γ和σ2的范围分别为10－1～104和10－4～108.本研究采用基于交叉验证的网格搜索选择γ和σ2的最优组合，即在γ和σ2组成的空间内，遍历空间中的各个点的参数组合的空间点寻求最优组合.将寻优得到的γ、σ2输入LS－SVM模型，即得到玉米叶片叶绿素含量和高光谱反射特性的校正模型.(4)模型的性能通过校正均方根误差(RMSEC)、预测均方根误差(RMSEP)和校正相关系数(Rc)、预测相关系数(Rv)评判.RMSEC，RMSEP越小，Rc，Rv越高，该模型就越好.2 结果与分析2.1 样品的反射光谱图1为高光谱分析仪器获得的2个并列的叶片样本分别在645，775，1 080 nm 下的玉米叶片面图像.玉米叶片对不同波长光的吸收程度不一样，所以反射光密度不一样，由此形成的图像即有明显差别.图1 645，775和1 080 nm处的玉米叶片反射率面图像Fig.1 Reflectance BSQ images of corn leaves at 645，775 and 1 080 nm图2为ENVI提取的玉米叶片反射光谱曲线.所有玉米叶片样品在全波长范围内的光谱曲线具有相似性，与典型的植物光谱曲线变化规律一致.在450～550 nm和650～730 nm之间存在两个吸收峰，光被叶片中的叶绿素吸收，反射率较低，一般低于10%.在580 nm处叶子的吸收减少，形成一个反射率约为20%的反射峰.在750 nm左右，反射率上升剧烈，形成一个反射率约为50%的高反射平台.这些信息为建立玉米叶片叶绿素含量的定量数据模型提供依据.图2 玉米叶片样本的平均光谱Fig.2 Average hyper-spectra of corn leaves 2.2 校正模型的建立从采集到的77个样品中选择61个样品用于建立校正模型.由于仪器在测量范围的两端有比较大的噪声，结合光谱数据与叶绿素含量值相关关系，选用470～760 nm波段的光谱反射数据作数据分析，所选用波段避开高光谱仪两侧噪声影响，能将叶绿素的敏感波长包含在所选波段内，最大可能地选用光谱前端波段玉米绿色叶片的有价值信息.对所有的光谱进行SNV、13点平滑、一阶导数数学处理，利用偏最小二乘回归(partial least-squares regression，简称PLSR)根据样本残差剔除异常样品.剔除异常样本后剩余76个样品，以校正集样本数与预测集样本数比为3∶1的原则随机分配校正集和预测集，即60个校正样本，16个预测样本.用校正集样本进行LS－SVM分析.采用基于交互验证的网格搜索确定LS－SVM的超参数γ和RBF核函数参数σ2的最优组合为γ=163.85，σ2=2 267.51.2.3 LS－SVM与其他分析方法的比较PLSR广泛应用于光谱数据分析与处理，将LS－SVM分析结果与PLSR、BP神经网络作非线性建模比较，预测结果见表1.表1 基于不同模型的预测结果Tab.1 Prediction results for different models分析方法 Rc RMSEC Rv RMSEP LS－SVM 0.96 0.12 0.93 0.16 PLSR 0.91 0.21 0.86 0.24 BP 0.87 0.22 0.84 0.24从表1数据可以发现LS－SVM的预测结果明显优于其他两种分析方法.应用LS－SVM建模得到的结果为Rc=0.96，Rv=0.93，RMSEC=0.12，RMSEP=0.16，相关系数均较高，差值很小，均方根误差均较小，校正和预测均方根误差很接近.说明对玉米叶片叶绿素含量的预测过程中，LS－SVM要优于传统的线性和非线性建模方法.校正组玉米叶片叶绿素含量测定值与高光谱预测值的相关关系见图3，预测组见图4.将LS－SVM应用于玉米叶片叶绿素含量的高光谱分析能够充分利用获得的光谱信息提高拟合精度，减小模型误差.3 结论为了提高模型的拟合程度，采用基于RBF核函数的LS－SVM建立玉米叶片叶绿素含量的定量分析模型.模型校正相关系数为0.96，校正均方根误差为0.12;预测相关系数为0.93，预测均方根误差为0.16.LS－SVM预测结果精确，并且优于PLSR 和BP神经网络，这说明采用LS－SVM和文中波段建模能够对玉米叶片的叶绿素含量进行准确的测量，选取合适波段建模可以在保证精度的情况下减少运算量，提高建模速度.结果表明，基于LS－SVM的高光谱检测方法是一种有效的玉米叶片叶绿素含量检测方法.参考文献(References)【相关文献】［1］袁金国，牛铮.基于Hyperion高光谱图像的氮和叶绿素制图［J］.农业工程学报，2007，23(4):172－178.Yuan Jinguo，Niu Zheng.Nitrogen and chlorophyll mapping based on Hyperion hyperspectral image［J］.Transactions of CSAE，2007，23(4):172－178.(in Chinese)［2］张金恒，王珂，王人潮.叶绿素计SPAD－502在水稻氮素营养诊断中的应用［J］.西北农林科技大学学报:自然科学版，2003，31(2):177－180.Zhang Jinheng，Wang Ke，Wang Renchao.Application of chlorophyll meter SPAD－502in diagnosis of nitrogen status and nitrogenous fertilizer in rice［J］.Journal of Northwest Sci-Tech University of Agriculture and Forestry:Natural Science Edition，2003，31(2):177－180.(in Chinese)［3］ Peng Y，Lu R.An LCTF-based multispectral image system for estimation of apple fruit firmness:Part II.Selection of optimal wavelength and development of prediction models［J］.Transactions of the ASABE，2006，49(1): 269－275.［4］ Peng Y，Lu R.Analysis of spatially resolved hyperspectral scattering images for assessing apple fruit firmness and soluble solids content［J］.Post harvest Biology and Technology，2008，48(1):52－62.［5］ Qin J W，Lu R.Measurement of the optical properties of fruits and vegetables using spatially resolved hyperspectral diffuse reflectance imaging technique［J］.Post harvest Biol Techol，2008，49(3):355－365.［6］ Zhang J，Peng Y.Hyperspectral scattering profiles for prediction of the microbial spoilage of beef［J］.Proc SPIE，doi:10.1117/12.819424.［7］黄春燕，王登伟，曹连莆，等.棉花地上鲜生物量的高光谱估算模型研究［J］.农业工程学报，2007，23 (3):131－135.Huang Chunyan，Wang Dengwei，Cao Lianpu，et al.Models for estimating cotton aboveground fresh biomass using hyperspectral data［J］.Transactions of the CSAE，2007，23(3):131－135.(in Chinese)［8］乔红波.麦蚜、白粉病危害后冬小麦冠层高光谱的测量与分析［D］.北京:中国农业科学院植物保护研究所，2004.［9］ Kim I，Kim M S，Chen Y R，et al.Detection of skin tumors on chicken carcass using hyperspectral fluorescence imaging［J］.Transaction of the ASAE，2004，47 (5):1785－1792.［10］ Nello C，John S T.An Introduction to Support Vector Machines and Other Kernel-Based Learning Methods［M］.Beijing:China Machine Press，2005:98－102.［11］虞科，程翼宇.一种基于最小二乘支持向量机算法的近红外光谱判别分析方法［J］.分析化学，2006，34 (4):561－564.Yu Ke，Cheng Yiyu.Discriminating the genuineness of Chinese medicines with least squares support vector machines［J］.Chinese Journal of Analytical Chemistry，2006，34(4):561－564.(in Chinese)［12］ Tang H S，Xue S T，Chen R，et al.Online weighted LS－SVM for hysteretic structural system identification［J］.Eng Struct，2006，28(12):1728－1735.。