基于多光谱成像与机器学习的植物叶绿素含量反演.pdf
《基于多光谱成像与机器学习的植物叶绿素含量反演.pdf》由会员分享,可在线阅读,更多相关《基于多光谱成像与机器学习的植物叶绿素含量反演.pdf(11页珍藏版)》请在咨信网上搜索。
1、doi:10.11707/j.1001-7488.LYKX20220577基于多光谱成像与机器学习的植物叶绿素含量反演*范学星1张慧春1,2邹义萍3,4黄玉萍1边黎明3(1.南京林业大学机械电子工程学院南京 210037;2.南京林业大学林业资源高效加工利用协同创新中心南京 210037;3.南京林业大学林学院南京 210037;4.江苏青好景观园艺有限公司南京 211225)R21R22RMSE2R23RMSE3R24RMSE4R2adjusted1R2adjusted2MAE2R2adjusted3MAE3R2adjusted4MAE4摘要:【目的】利用多光谱图像光谱信息快速准确检测植物叶
2、绿素含量,为植物生长监测、胁迫诊断与精确管理提供参考依据和技术指导。【方法】以冬青科中 1 年生苗期的大别山冬青和北美冬青为研究对象,构建一套基于多光谱相机 RedEdge-MX 近端提取植物表型信息的系统,采集成熟期和生长期 2 个品种冬青叶片的蓝色、绿色、红色、近红外、红边 5 个波段的多光谱图像,处理得到每个叶片各波段处的光谱反射率。将得到的光谱反射率与使用手持式叶绿素含量测定仪测得的叶绿素相对含量(SPAD)进行相关性分析,采用传统支持向量回归(SVR)算法与网格搜索算法(GS)、遗传算法(GA)和粒子群算法(PSO)进行反演建模,对比得到拟合度最高的反演模型,实现利用多光谱图像光谱信
3、息快速准确检测植物叶绿素含量。【结果】对比传统 SVR 算法与优化后 GS-SVR 算法、GA-SVR 算法和 PSO-SVR 算法得到 反 演 模 型 的 光 谱 反 射 率与 SPAD 相 关 性,其 模 型 拟 合 度 分 别 为=0.24,均 方 根 误 差 RMSE1=0.160;=0.72,=0.097;=0.84,=0.073;=0.91,=0.066。校正决定系数=0.23,平均绝对误差 MAE1=0.119;=0.71,=0.069;=0.83,=0.050;=0.87,=0.044。【结论】综合对比发现,优化后的PSO-SVR 算法反演预测效果表现最佳。本研究通过采集植物多
4、光谱图像,采用对比优化后的 PSO-SVR 算法得到 5 个波段光谱反射率与 SPAD 的最优反演模型,预测模型的准确性和鲁棒性增加,可以实现植物叶片叶绿素含量的快速检测。同时,本研究结果推广应用至遥感层面,可以实现对大面积区域内的植被叶绿素进行反演,能够为精确林业苗木生长监测、胁迫诊断与动态调控提供理论基础和技术支撑。关键词:多光谱图像;叶绿素含量;表型信息;粒子群优化算法;支持向量回归中图分类号:TP391.1文献标识码:A文章编号:10017488(2023)07007811Inversion of Plant Chlorophyll Content Based on Multispec
5、tral Imaging and Machine LearningFan Xuexing1Zhang Huichun1,2Zou Yiping3,4Huang Yuping1Bian Liming3(1.College of Mechanical and Electronic Engineering,Nanjing Forestry UniversityNanjing 210037;2.Co-Innovation Center of Efficient Processing andUtilization of Forest Resources,Nanjing Forestry Universi
6、tyNanjing 210037;3.College of Forestry,Nanjing Forestry UniversityNanjing 210037;4.Jiangsu Qinghao Ornamental Horticulture Co.,Ltd.Nanjing 211225)Abstract:【Objective】Rapid and accurate detecting chlorophyll content in plant leaves is an important step to explore thephotosynthesis,nitrogen nutrition,
7、stress status and yield prediction.In this study,multispectral image spectral information wasused to quickly and accurately detect plant chlorophyll content,in order to provide reference and technical guidance for plantgrowth monitoring,stress diagnosis,and precise management.【Method】In this study,t
8、he 1-year-old seedlings of Ilexdabieshanensis and Ilex verticillata were targeted.A multispectral camera,RedEdge-MX,was used to construct a system forextracting plant phenotypic information.The system collected multispectral images of the leaves of the two species at maturity andgrowth stages in fiv
9、e bands,including blue(B),green(G),red(R),near infrared(NIR),and red edge(RedEdge).The multispectralimages were processed to obtain the spectral reflectance at each band of each leaf.Correlation analysis was conducted between theobtained spectral reflectance and the relative chlorophyll content(SPAD
10、 value)obtained by using a hand-held chlorophyll contentanalyzer.The traditional support vector regression(SVR)algorithm and the grid search(GS)algorithm,genetic algorithm(GA)and particle swarm optimization(PSO)were used for inversion modeling,respectively.The inversion models were compared,anda mod
11、el with the highest fitting degree was obtained and it was able to quickly and accurately predict plant chlorophyll content 收稿日期:20220828;修回日期:20221024。基金项目:国家自然科学基金项目(32171790,32101615,32171818);江苏省农业科技自主创新资金项目(CX233126);江苏省重点研发计划现代农业项目(BE2021307);江苏省 333 工程项目(苏人 20186)。*张慧春为通讯作者。第 59 卷 第 7 期林业科学 V
12、ol.59,No.72 0 2 3 年 7 月SCIENTIA SILVAE SINICAEJul.,2 0 2 3R21RMSE1R22RMSE2R23RMSE3R24RMSE4R2adjusted1MAE1R2adjusted2MAE2R2adjusted3MAE3R2adjusted4MAE4using multispectral image spectral information.【Result】The results showed that the correlation between the spectral reflectanceand SPAD was obtained w
13、ith the inversion model selected by comparing the traditional SVR algorithm with the optimized GS-SVR algorithm,GA-SVR algorithm and the PSO-SVR algorithm,the model fitting degrees were=0.24 and(root mean-squareerror)=0.160;=0.72,=0.097;=0.84,=0.073;=0.91,=0.066,respectively.Secondly,(adjusted R-squ
14、ared)=0.23,(mean absolute error)=0.119;=0.71,=0.069;=0.83,=0.050;=0.87,=0.044.【Conclusion】After comprehensive comparison,it is found that the optimized PSO-SVR algorithm has the best inversion prediction effect.In this study,by collecting multispectral images of plants,the optimizedPSO-SVR algorithm
15、 is used to obtain the optimal inversion model of spectral reflectance and SPAD in five bands,which canrealize the rapid detection of chlorophyll content in plant leaves.Combined with the multispectral imaging and machine learningalgorithms,the accuracy and robustness of the models have been improve
16、d.Meanwhile,the results of this study can be extended toremote sensing level to realize the inversion of vegetation chlorophyll in a large area,providing theoretical basis and technicalsupport for accurate forest seedling growth monitoring,stress diagnosis and dynamic regulation.Key words:multispect
17、ral image;chlorophyll content;phenotypic information;particle swarm optimization algorithm;supportvector regression 植物生理生化表型信息(如叶绿素、水分、干物质、氮、磷、钾、其他微量元素等)的快速获取对于选育优良品质、监测植物生长和指导精准栽培具有重要意义(石吉勇等,2019)。叶绿素是植物叶片进行光合作用必需的物质,其含量与植被生长的健康状况、生理活性、氮素营养和光合能力密切相关(Santana et al.,2021;Somkuti et al.,2021)。传统叶绿素常采用
18、丙酮浸提等实验室理化分析方法进行测定(王好运等,2019),不仅成本高、效率低、周期长、操作要求复杂,而且具有破坏性和不可恢复性。无损式叶绿素速测仪能快速检测出植物叶片叶绿素含量,但传感器实际测量面积小(如 SPAD-502 的测量区域仅 2 mm3 mm),需多次取点采样测量取平均,测量结果易受叶片厚度影响,不利于大规模推广(李修华等,2021)。植物生长是一个动态的长期过程,不同生长时期叶绿素会发生变化,而传统测量方法无法快速、连续测定植物叶绿素含量。因此,有必要对叶绿素含量进行无损式、高精度、自动化的定量研究与分析(李欣雨等,2022;Clemente etal.,2021)。光学检测技
19、术以其非接触性、快速、无损伤、高灵敏度、高分辨率等优势为植物表型信息分析提供了技术支撑(岑海燕等,2018;边黎明等,2020)。RGB 成像传感器价格低廉、便携,且使用方法简单,但多数只能获取植物株高、叶面积、叶片颜色数量等形态结构参数。高光谱、荧光等成像方式能敏感探查植物在叶绿素、氮磷钾含量等生理生化表型参数上的变化(翁海勇等,2021;姜洪喆等,2022;由珈齐等,2021),但由于设备价格昂贵、处理分析过程复杂和周期较长等限制了其应用。在精准农林领域,迫切需要能够对植物叶片叶绿素等生理生化表型参数进行移动分析的高性能且低成本的新技术。多光谱相机价格适中,具有结构紧凑、波段数多和成像速度
20、快等优点,用于采集目标的窄波段多光谱图像,可同时获取一维光谱信息和二维空间信息,兼具形态结构和生理生化表型参数的分析功能。近年来,国 内 外 研 究 人 员 利 用 多 光 谱 相 机 获 取 大 豆(Glycine max)、小 麦(Triticum aestivum)、玉 米(Zeamays)等植物图像,从中提取光谱反射率等参数进而达到检测叶绿素含量的目的(唐彧哲等,2022;Sari etal.,2022)。在现有研究报道中,多利用无人机平台搭载多光谱相机进行遥感作业(Cuaran et al.,2021;石永磊等,2022),对于搭载多光谱相机的近端感知表型信息系统的研究还较少。在对单
21、株植物或叶片、花、果等组织器官维度上进行多光谱图像采集时,遥感作业不再适用,因此基于近端多光谱成像感知技术的植物表型获取显得尤为重要。本研究以大别山冬青(Ilex dabieshanensis)和北美冬 青(Ilex verticillata)为 研 究 对 象,构 建 一 套 搭 载Micasense RedEdge-MX 五通道多光谱相机近端采集植物表型信息的系统,分别采集植物叶片的蓝色(blue,B)、绿 色(green,G)、红 色(red,R)、近 红 外(nearinfrared,NIR)、红边(red edge)5 个波段的多光谱图像,处理得到每个叶片各波段的光谱反射率。将得到的
22、光谱反射率与使用手持式测定仪 SPAD-502 得到的叶绿素相对含量(SPAD)采用 SVR 算法与 GS 算法、GA算法和 PSO 算法优化后的 SVR 进行反演建模,对比得到拟合度最高的反演模型,实现利用多光谱图像光谱信息快速准确检测植物叶绿素含量,以期为植物的第 7 期范学星等:基于多光谱成像与机器学习的植物叶绿素含量反演79 生长监测、胁迫诊断与精确管理提供参考依据与技术指导。1材料与方法 1.1供试材料大别山冬青叶形多为长圆形,革质质感、叶片较厚,叶片常绿,且不掉落;北美冬青叶形多为长卵形,纸质质感、叶片较薄,每年 12 月叶片会掉落。二者同属冬青科(Aquifoliaceae),且
23、皆速生、易繁殖、生长适应性强,具有绿植盆栽、美化环境、制作药材等多种用途,在生态、经济领域具有重要价值。本研究供试的大别山冬青和北美冬青试验苗木来自南京市八卦洲现代农业科技园区的国家林业与草原局冬青工程技术中心推广示范基地,选用 1 年生苗期的大别山冬青和北美冬青各 16 株(共计 32 株)置于人工气候箱(宁波江南制造厂,RZX 型)内进行适应性生长培养,并进行正常水肥管理。人工气候箱的环境参数设置如下:相对湿度 80%,昼夜时间比 168,昼夜温度分别为 25、20,光照强度 278 molm2s1。叶片是植物的重要器官之一,其大小、颜色等是衡量植物健康与长势的重要指标(陈珠琳等,2020
24、;李秋洁等,2021)。试验首先以大别山冬青叶片为研究对象,待适应性生长期结束后,进行第一次成熟期叶片采集:每株为 1 组,每组保留 23 片顶叶后由上至下离体摘取 10 片成熟期叶片(图 1d),共采集 160 片;第一次成熟期叶片摘取完成后,将试验用苗重新放置回人工气候箱进行恢复性生长培养。待试验用苗重新生长出新叶后,进行第二次生长期叶片(图 1c)采集,共采集160 片。其次以北美冬青叶片为研究对象,因北美冬青叶片采摘后新叶生长速度慢、叶片生长前后叶色变化不明显等因素导致不易于准确区分叶片的生长期和成熟期,故以采集大别山冬青成熟期叶片相同操作只采集北美冬青成熟期叶片(图 1e),共采集
25、160 片,3次试验共采集 480 片叶片样本。1.2表型信息采集 1.2.1多光谱图像采集系统本研究构建的多光谱相机近端采集植物表型信息系统如图 2a 所示。建立1.2 m1.2 m1.5 m 的多光谱相机近端表型采集平台,并用黑色植绒布构建暗箱环境,平台顶部 4 个边缘布置功率为 5 W 的白光灯 LED 光源,为多光谱相机成像提供稳定的光环境。多光谱相机 RedEdge-MX(图 2b)水平固定在平台上,成像单元距离成像目标40 cm。多光谱相机 RedEdge-MX 同时拥有 5 个波段,每个波段单独成像,分别对应波长 475 nm(蓝波段)、560 nm(绿波段)、668 nm(红波
- 配套讲稿:
如PPT文件的首页显示word图标,表示该PPT已包含配套word讲稿。双击word图标可打开word文档。
- 特殊限制:
部分文档作品中含有的国旗、国徽等图片,仅作为作品整体效果示例展示,禁止商用。设计者仅对作品中独创性部分享有著作权。
- 关 键 词:
- 基于 光谱 成像 机器 学习 植物 叶绿素 含量 反演
1、咨信平台为文档C2C交易模式,即用户上传的文档直接被用户下载,收益归上传人(含作者)所有;本站仅是提供信息存储空间和展示预览,仅对用户上传内容的表现方式做保护处理,对上载内容不做任何修改或编辑。所展示的作品文档包括内容和图片全部来源于网络用户和作者上传投稿,我们不确定上传用户享有完全著作权,根据《信息网络传播权保护条例》,如果侵犯了您的版权、权益或隐私,请联系我们,核实后会尽快下架及时删除,并可随时和客服了解处理情况,尊重保护知识产权我们共同努力。
2、文档的总页数、文档格式和文档大小以系统显示为准(内容中显示的页数不一定正确),网站客服只以系统显示的页数、文件格式、文档大小作为仲裁依据,平台无法对文档的真实性、完整性、权威性、准确性、专业性及其观点立场做任何保证或承诺,下载前须认真查看,确认无误后再购买,务必慎重购买;若有违法违纪将进行移交司法处理,若涉侵权平台将进行基本处罚并下架。
3、本站所有内容均由用户上传,付费前请自行鉴别,如您付费,意味着您已接受本站规则且自行承担风险,本站不进行额外附加服务,虚拟产品一经售出概不退款(未进行购买下载可退充值款),文档一经付费(服务费)、不意味着购买了该文档的版权,仅供个人/单位学习、研究之用,不得用于商业用途,未经授权,严禁复制、发行、汇编、翻译或者网络传播等,侵权必究。
4、如你看到网页展示的文档有www.zixin.com.cn水印,是因预览和防盗链等技术需要对页面进行转换压缩成图而已,我们并不对上传的文档进行任何编辑或修改,文档下载后都不会有水印标识(原文档上传前个别存留的除外),下载后原文更清晰;试题试卷类文档,如果标题没有明确说明有答案则都视为没有答案,请知晓;PPT和DOC文档可被视为“模板”,允许上传人保留章节、目录结构的情况下删减部份的内容;PDF文档不管是原文档转换或图片扫描而得,本站不作要求视为允许,下载前自行私信或留言给上传者【自信****多点】。
5、本文档所展示的图片、画像、字体、音乐的版权可能需版权方额外授权,请谨慎使用;网站提供的党政主题相关内容(国旗、国徽、党徽--等)目的在于配合国家政策宣传,仅限个人学习分享使用,禁止用于任何广告和商用目的。
6、文档遇到问题,请及时私信或留言给本站上传会员【自信****多点】,需本站解决可联系【 微信客服】、【 QQ客服】,若有其他问题请点击或扫码反馈【 服务填表】;文档侵犯商业秘密、侵犯著作权、侵犯人身权等,请点击“【 版权申诉】”(推荐),意见反馈和侵权处理邮箱:1219186828@qq.com;也可以拔打客服电话:4008-655-100;投诉/维权电话:4009-655-100。