一种基于无人机高光谱分解的玉米叶片氮估算方法


发布时间:

2023-10-27

来源:

本站

作者:

PhenoTrait

叶片含氮量是表征玉米营养活性的重要参数之一,决定了玉米光合效率和产量形成。无人机高光谱技术近年来在作物表型性状获取方面得到了广泛应用。作物冠层光谱是探测视场内群体结构特性和叶片营养特性的综合反映,如何从冠层光谱分离出对于叶片氮素含量敏感的光谱信息对于提升玉米叶片含氮量估算精度具有重要意义。植物表型资讯介绍如下。

 

研究首先基于野外实测样本计算叶片氮状态、地上部生物量和叶面积指数对于冠层光谱的贡献,分离出对于叶片氮的敏感光谱数据。其次,利用SPA和CARS两种变量筛选方法筛选光谱分解前后叶片氮的敏感波段。最后,基于全波段反射率和敏感波段反射率,使用PLSR,RFR,SVR和GLR四种方法来构建育种玉米叶片氮估算模型,并利用独立的验证样本集验证各叶片氮的估算模型精度。

 

图1无人机高光谱成像系统(a)、传感器(b)和技术参数

结果表明:与光谱分解前的结果相比,光谱分解后叶片氮含量与各波段之间的相关性有所增加。光谱分解后的近红外波段反射率与叶片氮含量或叶片氮密度之间的相关性显著高于光谱分解前。光谱分解后玉米叶片氮的敏感波段主要在470、538、638、682、710、734和830 nm附近。无论是使用全波段还是敏感波段,光谱分解后的4种叶片氮估算模型精度均优于光谱分解前。基于CARS-SVR构建的叶片氮估算模型与使用全波段-SVR构建的模型估算精度相当。

 

图2 研究工作流程。试验区数码影像(a)和高光谱图像(b)示例

 

图3光谱分解前后光谱反射率与LNC或LND的相关性

 
来 源

Shu MY, Zhu JY, Yang XH, Gu XH, Li BG, Ma YT. A spectral decomposition method for estimating leaf nitrogen status of maize by UAV-based hyperspectral imaging. Computers and Electronics in Agriculture, 2023, 212: 108100.

 

作者介绍

论文第一作者为中国农业大学土地科学与技术学院博士研究生束美艳,论文通讯作者为马韫韬教授,合作者包括中国农业科学院蔬菜花卉研究所的朱晋宇副研究员、国家农业信息化工程技术研究中心的顾晓鹤研究员、中国农业大学的李保国教授和杨小红教授。中国农业大学数字农业研究团队主要研究方向为植物功能-结构-环境互作的系统仿真与数字孪生、基于机器视觉的植物生长信息的数据挖掘与应用、无人机大规模育种性状快速调查、育种机器人与农用传感器创制、多源传感器融合及数字农业应用、人工智能与智慧农业等研究。长期招收多名硕士、博士研究生和合作博士后,有意者请联系:yuntao.ma@cau.edu.cn。

推荐新闻

石时之约|韩志国:透过表型数据,看见植物的喜怒哀乐!

本期石时之约,我们将对话慧诺瑞德(北京)科技有限公司总经理、国际植物表型学会(IPPN)执委会委员/工业分会副主席韩志国,一起从表型数据的科学角度,去读懂农作物的喜怒哀乐和前世今生。

慧科研、慧育种、慧种田——慧聚改变的力量

让我们“慧聚”在一起,为“慧科研、慧育种、慧种田”赋能。

高通量植物表型平台建设注意事项

育种,是在给定的环境条件下,选择各种表型指标(产量、品质、抗性)最优的基因型材料的过程(AI育种,从这里起步)。育种工作中大约70%的工作量来自表型观察测量和筛选,是最耗人力物力的过程。

作物生理表型测量基础原理

生理表型测量的核心在于“早、快”,要在肉眼可见之前就能测量并预判出变化趋势,才是这个技术的核心价值。叶绿素荧光成像,恰好满足了这个要求。