基于多尺度因子蘋果樹葉片氮含量預(yù)測(cè)研究

　　摘要：為了精準(zhǔn)預(yù)測(cè)開花期、幼果期和果實(shí)膨大期不同尺度蘋果樹葉片的氮含量，提出一種基于多尺度因子蘋果樹葉片氮含量預(yù)測(cè)模型。首先，獲取蘋果樹葉片圖像并提取R、G、B單色分量及14種色彩組合參數(shù)共計(jì)17種色彩特征，通過主成分分析提取不同時(shí)期蘋果樹葉片氮含量關(guān)鍵影響因子，消除原始變量之間的相關(guān)性，降低模型輸入向量維度;其次，對(duì)建立的PCA-SVM、PCA-BP、PCA-ELM預(yù)測(cè)模型在不同時(shí)期對(duì)蘋果樹葉片氮含量預(yù)測(cè)效果與精度進(jìn)行對(duì)比，得到不同時(shí)期最佳的預(yù)測(cè)模型;最后，利用最佳預(yù)測(cè)模型對(duì)不同時(shí)期蘋果樹葉片氮含量進(jìn)行預(yù)測(cè)，并通過自適應(yīng)遺傳算法對(duì)最佳預(yù)測(cè)模型參數(shù)進(jìn)行優(yōu)化。試驗(yàn)結(jié)果表明：在不同生長時(shí)期，PCA-SVM模型的預(yù)測(cè)精度均高于PCA-BP、PCA-ELM模型;優(yōu)化后PCA-SVM預(yù)測(cè)模型在開花期、幼果期和果實(shí)膨大期的平均絕對(duì)誤差分別為0.640、0.558、0.544，平均絕對(duì)百分誤差分別為0.057、0.050、0.064，均方根誤差分別為0.800、0.747、0.737，優(yōu)于優(yōu)化前預(yù)測(cè)模型。該模型具有良好的預(yù)測(cè)性能和泛化能力，可以為果園精準(zhǔn)施肥管理、提升果品品質(zhì)、避免資源浪費(fèi)和環(huán)境污染提供理論依據(jù)。

　　關(guān)鍵詞：多尺度因子;色彩特征;蘋果樹葉片;氮含量預(yù)測(cè)

　　0引言

　　中國是世界上最大的蘋果生產(chǎn)國和消費(fèi)國，總種植面積及總產(chǎn)量均占全世界50%以上[1-2]。氮元素是蘋果樹體內(nèi)一種重要的必需元素，它影響果樹體內(nèi)各種生理生化過程、果樹抗性、果品產(chǎn)量、品質(zhì)以及儲(chǔ)藏性狀[3-4]。合理施用氮肥可以促進(jìn)蘋果樹健康生長，提高果實(shí)產(chǎn)量及果品品質(zhì)，減少農(nóng)田環(huán)境污染與資源浪費(fèi)。因此，精準(zhǔn)預(yù)測(cè)果樹氮含量對(duì)指導(dǎo)果樹健康成長有重要作用[5-7]。

　　葉片是整個(gè)樹體上對(duì)土壤礦質(zhì)營養(yǎng)反應(yīng)最敏感的器官，蘋果葉片營養(yǎng)分析、診斷技術(shù)可以作為蘋果樹氮素營養(yǎng)盈虧并指導(dǎo)精準(zhǔn)施肥的依據(jù)[8-9]。傳統(tǒng)的作物氮素檢測(cè)方法主要有田間采樣室內(nèi)化學(xué)分析測(cè)定法和葉色卡法，雖然結(jié)果準(zhǔn)確可靠，但分析成本高、檢驗(yàn)周期長、時(shí)效性差[10]。近年來，機(jī)器學(xué)習(xí)及數(shù)字圖像處理技術(shù)的快速發(fā)展為作物氮素營養(yǎng)快速、無損和準(zhǔn)確監(jiān)測(cè)提供了有效的方法與手段[11]。目前，國內(nèi)外學(xué)者針對(duì)作物氮含量預(yù)測(cè)方法已經(jīng)進(jìn)行了大量的研究[12-14]，取得了一定成果。

　　LEE等[15]發(fā)現(xiàn)水稻葉片綠色分量G與其氮素累積量有顯著相關(guān)性;SU等[16]和RICCARDI等[17]綜合考慮RGB空間下的各顏色分量，基于最小二乘法建立了微藻和藜麥氮素含量的多元線性回歸模型(Multivariatelinearregression,MLR);CLEVERS等[18-19]研究表明指數(shù)Clgreen、Clred-edge估測(cè)作物冠層氮素含量具有較好的魯棒性。蔣金豹等[20]研究表明以微分指數(shù)SDr/SDb構(gòu)建的對(duì)數(shù)模型能很好地估測(cè)冬小麥葉片全氮含量;岳學(xué)軍等[21]提出了一種基于流形學(xué)習(xí)算法的柑橘葉片氮含量光譜快速檢測(cè)方法，該方法能有效地用于柑橘葉片氮含量預(yù)測(cè);劉雙喜等[22]基于葉片色調(diào)差建立了果樹葉片氮含量預(yù)測(cè)模型，利用色調(diào)差測(cè)定蘋果葉片含氮量為實(shí)時(shí)、準(zhǔn)確地監(jiān)控蘋果樹整個(gè)生長過程中葉片含氮量的變化以及合理地施用氮肥提供科學(xué)理論基礎(chǔ)。

　　近年一些學(xué)者嘗試將支持向量機(jī)方法[23-25]應(yīng)用到植被理化參數(shù)的反演中，梁棟等[26]利用SVM回歸方法估測(cè)冬小麥葉面積指數(shù)LAI，且估測(cè)精度優(yōu)于傳統(tǒng)模型。何汝艷等[27]聯(lián)合應(yīng)用連續(xù)小波變換與支持向量機(jī)方法對(duì)條銹病脅迫下冬小麥葉片全氮含量進(jìn)行反演，且具有較高的估測(cè)精度。綜合國內(nèi)外研究成果，一些學(xué)者對(duì)作物的葉片氮含量進(jìn)行了研究，大部分植物葉片氮含量預(yù)測(cè)研究都是基于光譜數(shù)據(jù)，其優(yōu)點(diǎn)是預(yù)測(cè)精度較高，但是成本昂貴、操作難度大，難以推廣使用。

　　本研究通過提取圖像特征結(jié)合機(jī)器學(xué)習(xí)對(duì)蘋果樹葉片進(jìn)行氮素營養(yǎng)預(yù)測(cè)，具有成本低、可操作性高、實(shí)時(shí)監(jiān)測(cè)的優(yōu)點(diǎn)。本文以不同時(shí)期的田間試驗(yàn)為基礎(chǔ)，通過主成分分析提取出不同時(shí)期的關(guān)鍵影響因子，對(duì)比根據(jù)支持向量機(jī)、BP神經(jīng)網(wǎng)絡(luò)和ELM神經(jīng)網(wǎng)絡(luò)3種方法建立不同生長時(shí)期蘋果樹葉片氮含量預(yù)測(cè)模型，以期建立不同時(shí)期不同因子最佳蘋果樹葉片氮含量預(yù)測(cè)模型，為蘋果營養(yǎng)診斷、指導(dǎo)精準(zhǔn)施肥提供信息支持。

　　1材料與方法

　　1.1試驗(yàn)區(qū)域

　　試驗(yàn)樣本采集自山東萬林農(nóng)場(chǎng)試驗(yàn)園，試驗(yàn)品種為4年樹齡的煙臺(tái)紅富士。試驗(yàn)園分為A、B兩個(gè)區(qū)域，A區(qū)域采集的樣本作為測(cè)試集，B區(qū)域采集的樣本作為驗(yàn)證集。該試驗(yàn)園位于山東省泰安市寧陽縣葛石鎮(zhèn)，是集“果樹種植新技術(shù)的研發(fā)推廣、果樹種植銷售、農(nóng)產(chǎn)品銷售、農(nóng)業(yè)休閑觀光”等功能為一體的綜合性基地。該地區(qū)海拔62.2m，位于東經(jīng)經(jīng)度116°49′、北緯35°45′，屬于溫帶大陸性半濕潤季風(fēng)氣候，年平均氣溫13℃，年平均降水量697mm。

　　1.2數(shù)據(jù)采集

　　1.2.1樣本采集與葉片圖像獲取

　　分別于4月3日(萌芽開花期)、4月12日(萌芽開花期)、5月18日(幼果期)、6月3日(幼果期)、6月22日(果實(shí)膨大期)、7月9日(果實(shí)膨大期)在A區(qū)域試驗(yàn)園隨機(jī)選取50株蘋果樹作為試驗(yàn)本體，標(biāo)號(hào)1~50，并在每株試驗(yàn)本體的樹冠外圍新梢中間部位4個(gè)方位各摘取5片充分展開、無損傷、無病蟲害的健康功能葉片作為試驗(yàn)樣本[28-29]。在4個(gè)不同方位選取平整的、便于色彩采集的10片葉片放置在光學(xué)標(biāo)定板上，將佳能EOS80D型相機(jī)(焦距35mm)安裝于深圳市優(yōu)捷虎電子科技有限公司生產(chǎn)的卓美z-888型三腳架上，利用水平儀調(diào)節(jié)相機(jī)，使鏡頭與標(biāo)定板垂直進(jìn)行圖像采集，圖像尺寸為6000像素×4000像素。

　　1.2.2樣本處理與氮素營養(yǎng)測(cè)定

　　本文采用凱氏定氮法對(duì)蘋果樹葉片全氮含量進(jìn)行測(cè)定。將帶回實(shí)驗(yàn)室的葉片放在自來水下沖洗干凈，用95：5的鹽酸溶液清洗1~2min，再用無離子水沖洗兩次，放入105℃高溫烘箱殺青30min，再調(diào)至80℃持續(xù)烘干至樣品質(zhì)量恒重，使用研缽將干燥樣品研磨至粉末狀后，稱取0.1g干樣，用H2SO4-H2O2消解，冷卻后采用海能公司生產(chǎn)的K9860型全自動(dòng)凱氏定氮儀測(cè)定蘋果樹葉片的全氮含量，測(cè)3次取平均值作為最終氮含量。

　　1.3數(shù)據(jù)預(yù)處理

　　首先獲取蘋果樹葉片原始圖像。其次對(duì)單片葉片分割提取，將圖像背景標(biāo)定板去掉后的圖像，分割后得到單片葉片。對(duì)蘋果樹葉片根據(jù)多尺度Retinex理論(Multiscaleretinex,MSR)進(jìn)行去光照處理，MSR的優(yōu)點(diǎn)是不僅可以增強(qiáng)圖像對(duì)比度還可以對(duì)圖像在動(dòng)態(tài)范圍內(nèi)進(jìn)行壓縮，并且，在一定條件下，MSR可以克服單尺度Retinex理論(Singlescaleretinex,SSR)算法的缺點(diǎn)，保持圖像色彩恒常性的同時(shí)，同時(shí)實(shí)現(xiàn)圖像全局、部分動(dòng)態(tài)范圍壓縮以及圖像色彩的增強(qiáng)。

　　2預(yù)測(cè)模型構(gòu)建

　　2.1主成分分析法

　　主成分分析(Principalcomponentanalysis,PCA)是一種重要的數(shù)據(jù)統(tǒng)計(jì)方法，其設(shè)法從眾多原始變量中找出幾個(gè)綜合性強(qiáng)的變量來替代原始變量，新的綜合變量之間不僅互不相關(guān)，而且保留了原始變量的絕大部分信息，最終實(shí)現(xiàn)降維目的，使問題得到最佳綜合[30-32]。

　　2.2對(duì)比模型

　　2.2.1支持向量機(jī)

　　支持向量機(jī)(Supportvectormachine,SVM)是機(jī)器學(xué)習(xí)領(lǐng)域最重要的方法之一，是借助于統(tǒng)計(jì)與優(yōu)化方法解決機(jī)器學(xué)習(xí)問題的強(qiáng)有力的工具。針對(duì)蘋果樹葉片在RGB空間下各單色分量及各單色分量多種色彩組合參數(shù)檢測(cè)過程的隨機(jī)波動(dòng)性，采用在小樣本、非線性問題的擬合上有一定優(yōu)勢(shì)的SVM回歸模型來構(gòu)建蘋果樹葉片在RGB空間下17種色彩特征與蘋果樹葉片氮含量的預(yù)測(cè)模型。

　　2.2.2BP神經(jīng)網(wǎng)絡(luò)

　　反向傳播(Backpropagation,BP)神經(jīng)網(wǎng)絡(luò)在復(fù)雜的非線性系統(tǒng)中具有較高的建模能力，并對(duì)數(shù)據(jù)具有良好的擬合能力，在預(yù)測(cè)方面應(yīng)用廣泛。研究表明，這種簡單的網(wǎng)絡(luò)結(jié)構(gòu)可以逼近任意非線性函數(shù)，是一種典型函數(shù)映射關(guān)系。

　　2.2.3極限學(xué)習(xí)機(jī)

　　極限學(xué)習(xí)機(jī)(Extremelearningmachine,ELM)是一種簡單易用、有效的單隱層前饋神經(jīng)網(wǎng)絡(luò)。與傳統(tǒng)的前饋神經(jīng)網(wǎng)絡(luò)訓(xùn)練速度慢、容易陷入極小值點(diǎn)、學(xué)習(xí)率選擇敏感等缺點(diǎn)相比，ELM算法隨機(jī)產(chǎn)生輸入層與隱含層的連接權(quán)值w及隱含層神經(jīng)元的閾值b，且在訓(xùn)練過程中無需整。只要設(shè)置隱含層神經(jīng)元的個(gè)數(shù)，便可以獲得唯一的最優(yōu)解，具有學(xué)習(xí)速度快、泛化能力強(qiáng)等優(yōu)點(diǎn)。

　　2.3基于多尺度因子的蘋果葉片氮含量預(yù)測(cè)模型

　　基于上述算法，為了提高預(yù)測(cè)模型精度，本文將多種算法相結(jié)合，構(gòu)建了基于多尺度因子的蘋果葉片氮含量預(yù)測(cè)模型。主要包括RGB空間下各單色分量及單色分量多種圖像色彩組合參數(shù)的提取、不同時(shí)期蘋果葉片氮含量關(guān)鍵因子的篩選、多尺度預(yù)測(cè)模型的選擇、訓(xùn)練、參數(shù)優(yōu)化、模型應(yīng)用。

　　(1)調(diào)研國內(nèi)外數(shù)字圖像處理與機(jī)器學(xué)習(xí)技術(shù)在農(nóng)業(yè)方面的應(yīng)用，尤其是對(duì)作物氮素營養(yǎng)預(yù)測(cè)方面的研究;(2)采集開花期、幼果期、果實(shí)膨大期3個(gè)不同尺度蘋果樹葉片樣本和圖像;(3)利用化學(xué)方法對(duì)葉片進(jìn)行氮素營養(yǎng)測(cè)定，對(duì)葉片圖像進(jìn)行中值濾波、去光照等預(yù)處理，在RGB空間下提取蘋果樹葉片17種色彩特征;(4)利用主成分分析對(duì)蘋果樹葉片圖形色彩特征進(jìn)行優(yōu)化，提取不同尺度關(guān)鍵影響因子;(5)建立PCA-SVM、PCA-BP、PCA-ELM預(yù)測(cè)模型，對(duì)比篩選出不同尺度最佳預(yù)測(cè)模型;調(diào)整優(yōu)化最佳模型參數(shù)，構(gòu)建基于多尺度因子的蘋果樹葉片氮含量預(yù)測(cè)模型;通過田間試驗(yàn)驗(yàn)證蘋果樹葉片氮含量預(yù)測(cè)模型性能，實(shí)現(xiàn)對(duì)不同生長時(shí)期蘋果樹葉片氮含量的精準(zhǔn)預(yù)測(cè)。

　　2.4模型評(píng)價(jià)指標(biāo)

　　使用預(yù)處理后的數(shù)據(jù)作為模型的輸入，對(duì)基于多尺度因子的預(yù)測(cè)模型進(jìn)行訓(xùn)練和測(cè)試。本文選用的預(yù)測(cè)模型性能評(píng)價(jià)指標(biāo)有平均絕對(duì)誤差(Meanabsoluteerror,MAE)、均方根誤差(Rootmeanrquareerror,RMSE)和平均絕對(duì)百分誤差(Meanabsolutepercentageerror,MAPE)。

　　3試驗(yàn)結(jié)果與分析

　　3.1數(shù)據(jù)集

　　以山東省泰安市寧陽縣萬林農(nóng)場(chǎng)某試驗(yàn)田A區(qū)域中蘋果樹葉片的氮含量為研究對(duì)象。采用已經(jīng)預(yù)處理過的試驗(yàn)數(shù)據(jù)，主要包括RGB空間中R分量，G分量，B分量和R+G+B、R-B、R-G、G-B、R-G-B、R/(R+G+B)、G/(R+G+B)、B/(R+B+G)、G/R、R/(R+G-B)、G/(R+G-B)、B/(R+G-B)、(R-B)/(R+G+B)、(R-G)/(R+G+B)14個(gè)單色分量色彩像組合參數(shù)，最終實(shí)現(xiàn)開花期、幼果期和果實(shí)膨大期蘋果樹葉片氮含量的精準(zhǔn)預(yù)測(cè)。

　　3.2平臺(tái)和環(huán)境

　　試驗(yàn)所使用計(jì)算機(jī)的配置如下：處理器為Intel(R)Xeon(R)Silver4210RCPU@2.40Hz;機(jī)帶內(nèi)存為64GB;操作系統(tǒng)為Windows10(64位);圖像分割、圖像去光照處理與獲取蘋果樹葉片RGB空間下各單色分量及單色分量多種色彩組合參數(shù)由Matlab實(shí)現(xiàn);SVM、BP神經(jīng)網(wǎng)絡(luò)和ELM回歸模型均在Matlab中完成。

　　試驗(yàn)結(jié)果表明，開花期，蘋果樹葉片預(yù)測(cè)氮含量與實(shí)測(cè)氮含量的相對(duì)誤差在-6%~9.84%之間;幼果期，蘋果樹葉片預(yù)測(cè)氮含量與實(shí)測(cè)氮含量的相對(duì)誤差在-9%~9.51%之間;果實(shí)膨大期，蘋果樹葉片預(yù)測(cè)氮含量與實(shí)測(cè)氮含量的相對(duì)誤差在-10%~9.86%之間。

　　說明開花期和幼果期基于多尺度因子模型預(yù)測(cè)蘋果樹葉片氮含量相對(duì)誤差較小，總體來說，模型預(yù)測(cè)值與試驗(yàn)結(jié)果基本相符合，不同時(shí)期蘋果樹葉片氮含量真實(shí)值與預(yù)測(cè)值相對(duì)誤差在10%以內(nèi)，驗(yàn)證了所建基于多尺度因子的蘋果樹葉片氮含量預(yù)測(cè)模型的準(zhǔn)確性。通過機(jī)器視覺與圖像處理的方式獲取蘋果樹葉片在RGB空間下各單色分量及各單色分量多種色彩組合參數(shù)，預(yù)測(cè)不同生長時(shí)期蘋果樹葉片氮含量，與傳統(tǒng)方法相比，本文方法具有無損傷、效率高、成本低、操作簡單的優(yōu)勢(shì)。準(zhǔn)確地預(yù)測(cè)蘋果樹葉片氮含量也可為果園精準(zhǔn)化管理，合理施肥、定時(shí)定量施肥提供理論依據(jù)。

　　蘋果種植論文范例： 有機(jī)肥在蘋果生產(chǎn)中的應(yīng)用效果研究

　　4結(jié)論

　　(1)采集不同生長時(shí)期的蘋果樹葉片并通過圖像處理獲取RGB空間下各單色分量與14種色彩組合參數(shù)，采用PCA篩選出不同尺度的蘋果樹葉片氮含量不同的關(guān)鍵影響因子，開花期選用的關(guān)鍵影響因子為B、R-B、G-B、G/(R+G+B)、B/(R+G-B)、G/(R+G-B)、B/(R+G-B)、(R-B)/(R+G+B)、R-G、R/(R+G+B)、G/R、R+G+B，幼果期選用的關(guān)鍵影響因子為R-B、G/(R+G+B)、(R-B)/(R+G+B)、R/(R+G-B)、(R-G)/(R+G+B)、G、R+G+B，果實(shí)膨大期選用的關(guān)鍵影響因子有R-G、G/(R+G+B)、R/(R+G-B)、(R-G)/(R+G+B)、B/(R+G+B)、G/(R+G-B)、B/(R+G-B)、(R-B)/(R+G+B)、R+G+B，以此構(gòu)建蘋果樹葉片氮含量預(yù)測(cè)模型的輸入樣本，輸出參數(shù)為蘋果樹葉片氮含量，實(shí)現(xiàn)了模型輸入的降維，消除了變量之間的冗余性和相關(guān)性。

　　(2)本文提出PCA-SVM、PCA-ELM、PCA-BP3種預(yù)測(cè)模型，在不同生長時(shí)期，由MAE、RMSE和MAPE作為模型評(píng)價(jià)指標(biāo)確定多尺度預(yù)測(cè)模型。

　　(3)利用自適應(yīng)遺傳算法對(duì)多尺度因子模型中懲罰參數(shù)C和RBF核函數(shù)寬度σ進(jìn)行優(yōu)化，優(yōu)化后PCA-SVM預(yù)測(cè)模型在開花期、幼果期和果實(shí)膨大期的平均絕對(duì)誤差分別為0.640、0.558、0.544，平均絕對(duì)百分誤差分別為0.057、0.050、0.064，均方根誤差分別為0.800、0.747、0.737，優(yōu)于優(yōu)化前預(yù)測(cè)模型，能夠擬合蘋果樹葉片氮含量與RGB空間下各單色分量及各單色分量多種色彩組合參數(shù)之間的非線性關(guān)系，解決了傳統(tǒng)預(yù)測(cè)方法預(yù)測(cè)精度低、魯棒性差等問題，該模型具有良好的預(yù)測(cè)性能和泛化能力，可以為果園精準(zhǔn)施肥管理、提升果品品質(zhì)、避免資源浪費(fèi)和環(huán)境污染提供理論依據(jù)。

　　參考文獻(xiàn)

　　[1]MAW,ABDULAIA.Doescooperativemembershipimprovehouseholdwelfare?EvidencefromapplefarmersinChina[J].FoodPolicy,2016(58):94-102.

　　[2]王璇，劉軍弟，邵礫群，等.我國蘋果產(chǎn)業(yè)年度發(fā)展?fàn)顩r及其趨勢(shì)與建議[J].中國果樹，2008，4(3)：101-104，108.WANGXuan,LIUJundi,SHAOLiqun,etal.Annualdevelopmentstatus,trendandsuggestionsofappleindustryinChina[J].ChinaFruits,2008,4(3):101-104,108.(inChinese)

　　[3]ANDREWSM,RAVENJA,LEAPJ.Doplantsneednitrate?Themechanismsbywhichnitrogenformaffectsplants[J].AnnalsofAppliedBiology,2013,163(2):174-199.

　　[4]李文慶，張民，束懷瑞.氮素在果樹上的生理作用[J].山東農(nóng)業(yè)大學(xué)學(xué)報(bào)(自然科學(xué)版)，2002，4(1)：96-100.LIWenqing,ZHANAGMin,SHUHuairui.Physiologicaleffectsofnitrogenonfruittrees[J].JournalofShandongAgriculturalUniversity(NaturalScienceEdition),2002,4(1):96-100.(inChinese)

　　作者：王金星1,2劉雪梅1劉雙喜1,2權(quán)澤堃1徐春保1江浩1

轉(zhuǎn)載請(qǐng)注明來自發(fā)表學(xué)術(shù)論文網(wǎng)：http:///dzlw/27880.html