高级检索

留言板

尊敬的读者、作者、审稿人, 关于本刊的投稿、审稿、编辑和出版的任何问题, 您可以本页添加留言。我们将尽快给您答复。谢谢您的支持!

姓名
邮箱
手机号码
标题
留言内容
验证码

基于可见光-近红外图像的幼龄檀香全磷含量诊断

陈珠琳 王雪峰 孙汉中

陈珠琳, 王雪峰, 孙汉中. 基于可见光-近红外图像的幼龄檀香全磷含量诊断[J]. 北京林业大学学报, 2019, 41(2): 88-96. doi: 10.13332/j.1000-1522.20180214
引用本文: 陈珠琳, 王雪峰, 孙汉中. 基于可见光-近红外图像的幼龄檀香全磷含量诊断[J]. 北京林业大学学报, 2019, 41(2): 88-96. doi: 10.13332/j.1000-1522.20180214
Chen Zhulin, Wang Xuefeng, Sun Hanzhong. Diagnosis of total phosphorus content in young sandalwood based on visible light and near infrared images[J]. Journal of Beijing Forestry University, 2019, 41(2): 88-96. doi: 10.13332/j.1000-1522.20180214
Citation: Chen Zhulin, Wang Xuefeng, Sun Hanzhong. Diagnosis of total phosphorus content in young sandalwood based on visible light and near infrared images[J]. Journal of Beijing Forestry University, 2019, 41(2): 88-96. doi: 10.13332/j.1000-1522.20180214

基于可见光-近红外图像的幼龄檀香全磷含量诊断

doi: 10.13332/j.1000-1522.20180214
基金项目: 

林业科学技术推广项目 [2016]11号

中央级科研院所基本科研业务费专项项目 CAFYBB2014MA006

详细信息
    作者简介:

    陈珠琳。主要研究方向:森林资源监测与计算机视觉。Email:825511059@qq.com 地址:北京市海淀区东小府1号中国林业科学研究院资源信息研究所

    通讯作者:

    王雪峰,博士,研究员。主要研究方向:森林资源监测与计算机视觉。Email:xuefeng@ifrit.ac.cn 地址:同上

  • 中图分类号: S794.9; TP79

Diagnosis of total phosphorus content in young sandalwood based on visible light and near infrared images

  • 摘要: 目的檀香是一种典型珍贵树种,在幼龄期时,不合理的田间施肥会影响其正常生长,降低存活率。因此,本文提出了一种基于可见光-近红外图像的幼龄檀香全磷营养诊断方法,为实时监测珍贵树种生长状态及养分需求提供参考。方法通过将野外获取的檀香图像转换到HSI颜色空间,提取S和Ⅰ通道,利用二者在使用Otsu分割后产生的优势互补,并结合形态学运算,从复杂背景中提取出檀香。计算出形状、纹理和光谱及植被指数特征后,分别使用显著性分析(ST)和平均影响值(MIV)方法进行变量筛选,并使用遗传算法(GA)初始化BP神经网络的权值和阈值,最终得到预测结果。结果(1) 复杂背景下的檀香分割中,S通道和Ⅰ通道相结合可以将大部分背景(天空、土壤、其他绿色植物)与目标檀香分割开,同时结合7×7中值滤波、形态学运算和超G因子,将其他毛刺去除。与常用的支持向量机相比,本文提出的分割算法结果更接近于目视解译,像素数和颜色误差更小。(2)对不同施磷水平下各特征进行分析发现,适当增加施磷量有利于促进叶绿素的形成,使得纹理更均匀清晰,加快叶片生长;当过量时则会破坏叶绿体,造成叶片组织出现变化,导致叶片黄化,叶片出现网状脉纹,增加了纹理复杂程度。(3)ST与MIV筛选出的变量差异较大,通过GA-BPNN训练结果可知,MIV方法筛选出的变量对全磷含量的影响更大,预测集得到的决定系数达到0.801,平均残差为0.032 g/kg,均方根误差为0.666 g/kg。结论通过处理可见光-近红外图像,实现了幼龄檀香的全磷含量诊断,有效提高了磷肥利用率,同时也可以减小过量施肥引起的地下水污染等生态问题。
  • 图  1  不同通道图像Otsu分割结果

    Figure  1.  Images segmentation using Otsu method of different channels

    图  2  复杂背景下檀香图像分割过程及结果

    a. S通道分割后7×7中值滤波掩膜图像Mask image after 7×7 median filtering and channel S segmentation; b. Ⅰ通道Otsu法分割结果Segmentation result of Otsu method in channel Ⅰ; c. 7×7中值滤波结果Result after 7×7 median filtering; d.形态学处理后掩膜图像Mask image after Morphological process; e.超G因子处理后最终图像Final result using excess green feature

    Figure  2.  Segmentation process and result of sandalwood image in complex background

    图  3  不同磷含量下光谱反射率变化趋势

    Figure  3.  Variation trend of spectral reflectance under different phosphorus content

    图  4  预测集的预测值与实测值散点图

    Figure  4.  Scatter plots between measured and predicted values with different selection method in prediction set

    表  1  植被指数计算公式

    Table  1.   Calculation equations of vegetation indices

    植被指数
    Vegetation index
    计算公式
    Formula
    参考文献
    Reference
    比值植被指数1 Ratio vegetation index 1(RVI1) NIR/B [13]
    比值植被指数2 Ratio vegetation index 2(RVI2) NIR/G [14]
    比值植被指数3 Ratio vegetation index 3(RVI3) NIR/R [13]
    差值植被指数1 Difference vegetation index 1(DVI1) NIR-B [13]
    差值植被指数2 Difference vegetation index 2(DVI2) NIR-G [13]
    差值植被指数3 Difference vegetation index 3(DVI3) NIR-R [13]
    归一化差值植被指数1 Normalized difference vegetation index 1(NDVI1) (NIR-R)/(NIR+R) [14]
    归一化差值植被指数2 Normalized difference vegetation index 2(NDVI2) (NIR-G)/(NIR+G) [15]
    归一化差值植被指数3 Normalized difference vegetation index 3(NDVI3) (NIR-B)/(NIR+B) [14]
    重整化差值植被指数1 Renormalized difference vegetation index 1(RDVI1) (NIR-B)/(NIR+B)1/2 [16]
    重整化差值植被指数2 Renormalized difference vegetation index 2(RDVI2) (NIR-G)/(NIR+G)1/2 [16]
    重整化差值植被指数3 Renormalized difference vegetation index 3(RDVI3) (NIR-R)/(NIR+R)1/2 [16]
    叶绿素指数Chlorophyll index(CI) NIR/G-1 [17]
    宽动态范围植被指数1 Wide dynamic range vegetation index 1(WDRVI1) (0.12NIR-R)/(0.12NIR+R) [18]
    宽动态范围植被指数2 Wide dynamic range vegetation index 2(WDRVI2) (0.12NIR-G)/(0.12NIR+G) [18]
    宽动态范围植被指数3 Wide dynamic range vegetation index 3(WDRVI3) (0.12NIR-B)/(0.12NIR+B) [18]
    调整简单比值Modified simple ratio(MSR) (NIR/R-1)/(NIR/R+1)1/2 [19]
    植被指数简单比值Simple ratio vegetation index(SR) R/G×NIR [20]
    调整归一化差值植被指数1 Modified normalized difference vegetation index 1(MNDVI1) (NIR-R+2G)/(NIR+R-2G) [21]
    调整归一化差值植被指数2 Modified normalized difference vegetation index 2(MNDVI2) (NIR-R+2B)/(NIR+R-2B) [21]
    红边归一化植被指数Red edge normalized difference vegetation index(NDVIRE) (RE-R)/(RE+R) [22]
    改进红边比值植被指数Modified red edge simple ratio index(MSRIRE) (RE-B)/(RE+B) [22]
    改进红边归一化植被指数Modified red edge normalized difference vegetation index(MNDVIRE) (RE-R)/(RE+R-2B) [22]
    注:BGR、RE、NIR分别代表蓝、绿、红、红边、近红外波段校正后的光谱反射率。Note: B, G, R, RE, NIR represent the corrected spectral reflectance of blue band, green band, red band, red edge band and near infrared band.
    下载: 导出CSV

    表  2  分割方法评价

    Table  2.   Segmentation method evaluation proposed in this paper

    编号
    No.
    处理方法
    Treating method
    像素数误差
    Pixel number error/%
    红波段(R)均值
    Mean value of red band (R)
    ER/% 绿波段(G)均值
    Mean value of green band (G)
    EG/% 蓝波段(B)均值
    Mean value of blue band (B)
    EB/%
    2.76 140.9 1.294 158.9 1.732 84.82 3.007
    图像1 Image 1 3.94 143.1 2.876 156.4 3.278 89.09 1.875
    0.00 139.1 0.000 161.7 0.000 87.45 0.000
    3.37 118.4 1.743 154.8 0.781 89.99 3.036
    图像2 Image 2 4.45 121.5 0.830 149.1 2.930 94.05 2.710
    0.00 120.5 0.000 153.6 0.000 92.24 0.000
    2.05 124.8 0.319 173.5 0.459 86.75 2.250
    图像3 Image 3 2.46 122.3 2.316 178.1 2.180 82.31 2.486
    0.00 125.2 0.000 174.3 0.000 84.46 0.000
    注:①代表本文提出算法;②代表支持向量机算法;③代表Photoshop CS5处理;ER、EG、EB分布代表R、G、B波段的均值误差。Notes: ① stands for the algorithm presented in this paper; ② stands for support vector machine algorithm; ③ stands for image processing used photoshop CS5; and ER, EG and EB stand for mean value error of band R, G and B, respectively.
    下载: 导出CSV

    表  3  ST及MIV筛选结果

    Table  3.   Selection results of ST and MIV

    方法
    Method
    形状特征
    Shape feature
    纹理特征
    Texture feature
    光谱及植被指数
    Spectrum and vegetation index
    ST 面积凹凸比、偏心率
    Area concavo-convex ratio, eccentricity ratio
    B能量、R相关性、G相关性、近红外对比度、近红外相关性
    Energy(B), correlation(R), correlation(G), contrast(NIR), correlation(NIR)
    MNDVI1、MSRIRE、B、DVI2、RNDVI2
    MIV 面积凹凸比、形状复杂度
    Area concavo-convex ratio, shape complexity
    B能量、B相关性、近红外相关性、G能量、R相关性
    Energy(B), correlation(B), correlation(NIR), energy(G), correlation(R)
    MNDVI1、MSRIRE、B、DVI2、NDVI3
    注:表中各变量出现的顺序代表其在不同类别特征中的重要性。Note: the order of variables in this table represents its importance in different categories.
    下载: 导出CSV

    表  4  不同输入变量筛选方法下GA-BPNN神经网络模型拟合结果

    Table  4.   Fitting results of GA-BPNN neural network models with different input variables

    筛选方法
    Selection method
    样本集(n=55)
    Sample set (n=55)
    R2 ME/(g·kg-1) RMSE/(g·kg-1)
    ST 0.790 0.103 0.482
    MIV 0.815 -0.021 0.433
    未处理Undisposed 0.726 -0.110 0.592
    下载: 导出CSV
  • [1] 刘小金, 徐大平, 杨曾奖, 等.海南尖峰岭檀香心材比例、精油含量和成分的分布特征[J].华南农业大学学报, 2016, 37(5):66-71. http://d.old.wanfangdata.com.cn/Periodical/hnnydxxb201605012

    Liu X J, Xu D P, Yang Z J, et al. Heartwood proportion and distribution of essential oil content and composition of Santalum album in Jianfeng Mountain Hainan[J]. Journal of South China Agricultural University, 2016, 37(5):66-71. http://d.old.wanfangdata.com.cn/Periodical/hnnydxxb201605012
    [2] 林芬芳, 丁晓东, 付志鹏, 等.基于互信息理论的水稻磷素营养高光谱诊断[J].光谱学与光谱分析, 2009, 29(19): 2467-2470. http://d.old.wanfangdata.com.cn/Periodical/gpxygpfx200909039

    Lin F F, Ding X D, Fu Z P, et al. Application of mutual information to variable selection in diagnosis of phosphorus nutrition in rice[J]. Spectroscopy and Spectral Analysis, 2009, 29(19): 2467-2470. http://d.old.wanfangdata.com.cn/Periodical/gpxygpfx200909039
    [3] 王艳丽, 王京, 刘国顺, 等.磷施用量对烤烟根系生理及叶片光合特性的影响[J].植物营养与肥料学报, 2016, 22(2):410-417. http://d.old.wanfangdata.com.cn/Periodical/zwyyyflxb201602015

    Wang Y L, Wang J, Liu G S, et al. Effects of different phosphorus levels on root physiological and leaf photosynthetic characteristics of flue-cured tobacco[J]. Journal of Plant Nutrition and Fertilizer, 2016, 22(2):410-417. http://d.old.wanfangdata.com.cn/Periodical/zwyyyflxb201602015
    [4] 连慧达, 裴红宾, 张永清, 等.施磷量对不同品种红小豆形态和生理特性的影响[J].植物营养与肥料学报, 2015, 21(3):792-799. http://d.old.wanfangdata.com.cn/Periodical/zwyyyflxb201503027

    Lian H D, Pei H B, Zhang Y Q, et al. Effect of phosphorus fertilization on morphological and physiological characteristics of adzuki beans[J]. Journal of Plant Nutrition and Fertilizer, 2015, 21(3):792-799. http://d.old.wanfangdata.com.cn/Periodical/zwyyyflxb201503027
    [5] 郑亚萍, 信彩云, 王才斌, 等.磷肥对花生根系形态、生理特性及产量的影响[J].植物生态学报, 2013, 37(8):777-785. http://d.old.wanfangdata.com.cn/Periodical/zwstxb201308009

    Zheng Y P, Xin C Y, Wang C B, et al. Effects of phosphorus fertilizer on root morphology, physiological characteristics and yield in peanut (Arachis hypogaea)[J]. Chinese Journal of Plant Ecology, 2013, 37(8):777-785. http://d.old.wanfangdata.com.cn/Periodical/zwstxb201308009
    [6] 赵霞, 徐大平, 杨曾奖, 等.养分胁迫对降香黄檀幼苗生长及叶片养分状况的影响[J].生态学杂志, 2017, 36(6): 1503-1508. http://d.old.wanfangdata.com.cn/Periodical/stxzz201706006

    Zhao X, Xu D P, Yang Z J, et al. Effects of nutrient stress on seedling growth and foliar nutrient status of Dalbergia odorifera[J]. Chinese Journal of Ecology, 2017, 36(6): 1503-1508. http://d.old.wanfangdata.com.cn/Periodical/stxzz201706006
    [7] 李美清, 李晋阳, 毛罕平.基于光谱特征和生理特征的番茄磷营养诊断方法[J].农业机械学报, 2016, 47(3):286-291. http://d.old.wanfangdata.com.cn/Periodical/nyjxxb201603040

    Li M Q, Li J Y, Mao H P. Tomatoes phosphorus nutrition diagnosis based on spectral and physiological characteristics[J]. Transactions of The Chinese Society of Agricultural Machinery, 2016, 47(3):286-291. http://d.old.wanfangdata.com.cn/Periodical/nyjxxb201603040
    [8] 何彩莲, 郑顺林, 万年鑫, 等.马铃薯光谱及数字图像特征参数对氮素水平的响应及其应用[J].光谱学与光谱分析, 2016, 36(9):2930-2936. http://d.old.wanfangdata.com.cn/Periodical/gpxygpfx201609039

    He C L, Zheng S L, Wan N X, et al. Potato spectrum and the digital image feature parameters on the response of the nitrogen level and its application[J]. Spectroscopy and Spectral Analysis, 2016, 36(9): 2930-2936. http://d.old.wanfangdata.com.cn/Periodical/gpxygpfx201609039
    [9] 陈敏, 郑曙峰, 刘小玲, 等.基于数码图像识别的棉花氮营养诊断研究[J].农学学报, 2017, 7(7):77-83. http://d.old.wanfangdata.com.cn/Periodical/zgncxkkj201707013

    Chen M, Zheng S F, Liu X L, et al. Cotton nitrogen nutrition diagnosis based on digital image[J]. Journal of Agriculture, 2017, 7(7):77-83. http://d.old.wanfangdata.com.cn/Periodical/zgncxkkj201707013
    [10] Osborne S L, Schepers J S, Francis D D, et al. Detection of phosphorus and nitrogen deficiencies in corn using spectral radiance measurements[J]. Agronomy Journal, 2002, 94(6): 1215-1221. doi:  10.2134/agronj2002.1215
    [11] 黄双萍, 岳学军, 洪添胜.基于高光谱的柑橘叶片磷含量估算模型实验[J].农业工程学报, 2013, 44(4):202-207. http://d.old.wanfangdata.com.cn/Periodical/nyjxxb201304035

    Huang S P, Yue X J, Hong T S. Hyperspectral estimation model of total phosphorus content for citrus leaves[J]. The Chinese Society of Agricultural Machinery, 2013, 44(4):202-207. http://d.old.wanfangdata.com.cn/Periodical/nyjxxb201304035
    [12] 高洪燕, 毛罕平, 张晓东.生菜叶中磷含量的光谱定量分析[J].农业机械学报, 2014, 45(增刊):276-280. http://d.old.wanfangdata.com.cn/Conference/8619613

    Gao H Y, Mao H P, Zhang X D. Quantitative determination of phosphorus in lettuce leaf using spectroscopy[J]. The Chinese Society of Agricultural Machinery, 2014, 45(Suppl.):276-280. http://d.old.wanfangdata.com.cn/Conference/8619613
    [13] Tucker C J. Red and photographic infrared linear combinations for monitoring vegetation[J]. Remote Sensing of Environment, 1979, 8:127-150. doi:  10.1016/0034-4257(79)90013-0
    [14] Buschmann C, Nagel E. In vivo spectroscopy and internal optics of leaves as basis for remote sensing of vegetation[J]. International Journal of Remote Sensing, 1993, 14:711-722. doi:  10.1080/01431169308904370
    [15] Gitelson A A, Kaufman Y J, Merzlyak M N. Use of green channel in remote sensing of global vegetation from EOS-MODIS[J]. Remote Sensing of Environment, 1996, 58:289-298. doi:  10.1016/S0034-4257(96)00072-7
    [16] Roujean J L, Breon F M. Estimating PAR absorbed by vegetation from bidirectional reflectance measurements[J]. Remote Sensing of Environment, 1995, 51:375-384. doi:  10.1016/0034-4257(94)00114-3
    [17] Gitelson A A, Gritz Y, Merzlyak M N. Relationships between leaf chlorophyll content and spectral reflectance and algorithms for non-destructive chlorophyll assessment in higher plant leaves[J]. Journal of Plant Physiology, 2003, 160:271-282. doi:  10.1078/0176-1617-00887
    [18] Gitelson A A. Wide dynamic range vegetation index for remote quantification of biophysical characteristics of vegetation[J]. Journal of Plant Physiology, 2004, 161:165-173. doi:  10.1078/0176-1617-01176
    [19] Chen J M. Evaluation of vegetation indices and a modified simple ratio for boreal applications[J]. Canadian Journal of Remote Sensing, 1996, 22:229-242. doi:  10.1080/07038992.1996.10855178
    [20] Datt B. Visible/near infrared reflectance and chlorophyll content in eucalyptus leaves[J]. International Journal of Remote Sensing, 1999, 20:2741-2759. doi:  10.1080/014311699211778
    [21] Wang W, Yao X, Yao X F, et al. Estimating leaf nitrogen concentration with three-band vegetation indices in rice and wheat[J]. Field Crops Res, 2012, 129:90-98. doi:  10.1016/j.fcr.2012.01.014
    [22] Mutanga O, Adam E, Adjorlolo C, et al. Evaluating the robustness of models developed from field spectral data in predicting African grass foliar nitrogen concentration using WorldView-2 image as an independent test dataset[J]. International Journal of Applied Earth Observation and Geoinformation, 2015, 34:178-187. doi:  10.1016/j.jag.2014.08.008
    [23] 张恒德, 张庭玉, 李涛, 等.基于BP神经网络的污染物浓度多模式集成预报[J].中国环境科学, 2018, 38(4): 1243-1256. http://d.old.wanfangdata.com.cn/Periodical/zghjkx201804004

    Zhang H D, Zhang T Y, Li T, et al. Forecast of air quality pollutants' concentrations based on BP neural network multi-model ensemble method[J]. China Environmental Science, 2018, 38(4):1243-1256. http://d.old.wanfangdata.com.cn/Periodical/zghjkx201804004
    [24] 李哲, 张飞, 陈丽华, 等.光谱指数的植物叶片叶绿素含量估算模型[J].光谱学与光谱分析, 2018, 38(5):1533-1539. http://d.old.wanfangdata.com.cn/Periodical/stxb201420007

    Li Z, Zhang F, Chen L H, et al. Research on spectrum variance of vegetation leaves and estimation model for leaf chlorophyll content based on the spectral index[J]. Spectroscopy and Spectral Analysis, 2018, 38(5):1533-1539. http://d.old.wanfangdata.com.cn/Periodical/stxb201420007
    [25] 刘丽颖, 官冬杰, 杨清伟, 等.基于MIV-BP型的喀斯特地区水资源安全影响因素分析[J].水土保持通报, 2017, 37(5):128-134. http://d.old.wanfangdata.com.cn/Periodical/stbctb201705022

    Liu L Y, Guan D J, Yang Q W, et al. Influence factors of water resource security in karst area based on MIV-BP model[J]. Bulletin of Soil and Water Conservation, 2017, 37(5):128-134. http://d.old.wanfangdata.com.cn/Periodical/stbctb201705022
    [26] 张婉婉, 杨可明, 汪国平, 等.基于EMD-SD光谱的玉米叶片叶绿素含量GA-BP模型反演[J].浙江农业学报, 2016, 28(8):1297-1303. doi:  10.3969/j.issn.1004-1524.2016.08.04

    Zhang W W, Yang K M, Wang G P, et al. Study on GA-BP inversing modeling method of corn leaf chlorophyll content based on EMD and spectral derivative method[J]. Acta Agriculture Zhejiangnsis, 2016, 28(8):1297-1303. doi:  10.3969/j.issn.1004-1524.2016.08.04
    [27] 杨梅花, 赵小敏.基于可见-近红外光谱变量选择的土壤全氮含量估测研究[J].中国农业科学, 2014, 47(12):2374-2383. doi:  10.3864/j.issn.0578-1752.2014.12.010

    Yang M H, Zhao X M. Study on soil total N estimation by Vis-NIR spectra with variable selection[J]. Scientia Agriculture Sinica, 2014, 47(12):2374-2383. doi:  10.3864/j.issn.0578-1752.2014.12.010
    [28] 迟德霞, 张伟, 王洋.基于EXG因子的水稻秧苗图像分割[J].安徽农业科学, 2012(36):17902-17903. doi:  10.3969/j.issn.0517-6611.2012.36.164

    Chi D X, Zhang W, Wang Y. Segmentation of rice seedling image based on EXG factor[J]. Journal of Anhui Agricultural Science, 2012(36):17902-17903. doi:  10.3969/j.issn.0517-6611.2012.36.164
    [29] 苏义鑫, 夏慧雯.用于风电功率预测的RPCL优化神经网络模型[J].北京工业大学学报, 2016, 42(5):674-678. http://d.old.wanfangdata.com.cn/Periodical/bjgydxxb201605005

    Su Y X, Xia H W. Rival penalized competitve learning-based neural network model for wind power forecasting[J]. Journal of Beijing University of Technology, 2016, 42(5):674-678. http://d.old.wanfangdata.com.cn/Periodical/bjgydxxb201605005
  • [1] 李鹏飞, 郭小平, 顾清敏, 张昕, 冯昶栋, 郭光.  基于可见光植被指数的乌海市矿山排土场坡面植被覆盖信息提取研究 . 北京林业大学学报, 2020, 42(6): 102-112. doi: 10.12171/j.1000-1522.20190252
    [2] 邢磊, 薛海霞, 李清河, 高婷婷.  白刺幼苗生物量与氮含量在叶与全株间的尺度转换 . 北京林业大学学报, 2018, 40(2): 76-81. doi: 10.13332/j.1000-1522.20170338
    [3] 王晓松, 杨刚.  一种融合聚类和分类算法的树木图像多目标优化分割方法 . 北京林业大学学报, 2018, 40(12): 124-131. doi: 10.13332/j.1000-1522.20180160
    [4] 胡静, 陈志泊, 杨猛, 张荣国, 崔亚稷.  基于全卷积神经网络的植物叶片分割算法 . 北京林业大学学报, 2018, 40(11): 131-136. doi: 10.13332/j.1000-1522.20180007
    [5] 惠文凯, 王益, 陈晓阳.  麻疯树种子含油量近红外光谱定标模型的建立 . 北京林业大学学报, 2018, 40(1): 1-7. doi: 10.13332/j.1000-1522.20170388
    [6] 陈珠琳, 王雪峰.  檀香咖啡豹蠹蛾虫害的树干区域分类研究 . 北京林业大学学报, 2018, 40(1): 74-82. doi: 10.13332/j.1000-1522.20170306
    [7] 冯静静, 张晓丽, 刘会玲.  基于灰度梯度图像分割的单木树冠提取研究 . 北京林业大学学报, 2017, 39(3): 16-23. doi: 10.13332/j.1000--1522.20160373
    [8] 冯静静, 张晓丽, 刘会玲.  基于灰度梯度图像分割的单木树冠提取研究 . 北京林业大学学报, 2017, 39(3): 16-23. doi: 10.13332/j.1000-1522.20160373
    [9] 李耀翔, 李颖, 姜立春.  基于小波压缩的木材密度近红外光谱的预处理研究 . 北京林业大学学报, 2016, 38(3): 89-94. doi: 10.13332/j.1000-1522.20150299
    [10] 张怡卓, 苏耀文, 李超, 门洪生.  蒙古栎木材MOR与MOE的近红外光谱预测模型分析 . 北京林业大学学报, 2016, 38(8): 99-105. doi: 10.13332/j.1000-1522.20150505
    [11] 白雪冰, 许景涛, 郭景秋, 陈凯.  基于改进C-V模型的木材表面缺陷图像分割 . 北京林业大学学报, 2015, 37(12): 108-115. doi: 10.13332/j.1000-1522.20150198
    [12] 刘镇波, 薛占川, 刘一星, 王鹏, 沈晓燕, 孔文杨, 王向明, .  基于近红外光谱法预测杨木的综纤维素含量 . 北京林业大学学报, 2013, 35(5): 110-116.
    [13] 张娟, 韩殿元, 黄心渊.  自然背景下的梅花图像分割算法研究 . 北京林业大学学报, 2012, 34(3): 64-70.
    [14] 徐爱俊, 方陆明, 楼雄伟.  基于可见光视频的森林火灾识别算法 . 北京林业大学学报, 2010, 32(2): 14-20.
    [15] 王晓松, 黄心渊, 付慧.  复杂背景下的树木图像提取 . 北京林业大学学报, 2010, 32(3): 197-203.
    [16] 张立华, 林益明, 叶功富, 殷亮, 周海超.  不同林分类型叶片氮磷含量、氮磷比及其内吸收率 . 北京林业大学学报, 2009, 31(5): 67-72.
    [17] 祁亨年, 陈丰农, 方陆明, 马灵飞.  一种基于形态学的木材导管图像分割方法 . 北京林业大学学报, 2008, 30(4): 12-16.
    [18] 余雁, 江泽慧, 王戈, 覃道春, 许忠允.  采谱方式对竹材气干密度近红外预测模型精度的影响 . 北京林业大学学报, 2007, 29(4): 80-83.
    [19] 张亚利, 张力平, 张春雨, 贾彩凤, 李笑吟, 何利娟, 王华, 杨永福, 李秀芬, 许月卿, 姜春宁, 赵广亮, 王献溥, 郭小平, 马履一, 曹金珍, 李长洪, 于占源, 赖巧玲, 何恒斌, 王勇, 于格, 钟健, 史军辉, 吕兆林, 林峰, 郭惠红, 郑彩霞, 王希群, 胥辉, 黄忠良, 杨明嘉, 赵秀海, 朱清科, 于顺利, 曾德慧, 朱教君, 王骏, 贾桂霞, 郝玉光, 孙长霞, 杨培岭, 习宝田, 李鸿琦, 赵博光, 邵晓梅, 王继兴, D.PascalKamdem, 毕华兴, 李悦, 尚晓倩, 鲁春霞, 姜凤岐, 杨为民, 丁琼, 欧阳学军, 王秀珍, 任树梅, 周金池, 包仁艳, 刘燕, 朱金兆, 郑景明, 李黎, 尚宇, 崔小鹏, 甘敬, 丁琼, 费孛, 张志2, 张榕, 陈宏伟, 王庆礼, 谢高地, 何晓青, 刘艳, 范志平, 张池, 蔡宝军, 刘鑫, 沈应柏, 贾昆锋, , 贾桂霞, , 刘足根, 沈应柏, 张中南, 纳磊, 鹿振友, 张方秋, 陈伏生, 李林, 周金池, 毛志宏, 唐小明, 李凤兰, 周小勇, 赵琼, 马玲, , 申世杰, .  基于RS和GIS的三峡库区林地变化及气候响应研究 . 北京林业大学学报, 2006, 28(4): 62-66.
    [20] 徐双民, 吕建雄, 潘存德, 朱教君, 陈文汇, 李发东, 颜容, 杨振德, 金小娟, 南海龙, 翟明普, 王玉杰, 肖生春, 谭伟, 孙晓梅, 时尽书, 高峻, 李绍才, 张宇清, 窦军霞, 李世东, 胡晓丽, 张冰玉, 范丙友, 韩海荣, 胡诗宇, 肖洪浪, 周春江, 谢益民, 孙海龙, 刘俊昌, 康宏樟, 孟平, 李建章, 张守攻, 朱清科, 宋献方, 田小青, 刘红霞, 张一平, 苏晓华, 王云琦, 师瑞峰, 骆秀琴, 三乃, 冯仲科, 陆海, 刘昌明, 姜伟, 周文瑞, 赵博光, 齐实, 蔡怀, 蒋佳荔, 杨志荣, 吴斌, 张雁, 马钦彦, 李智辉, 岳良松, 齐实, 李义良, 赵双菊, 王笑山, 张劲松, 朱金兆, 张岩, 宋清海, 伊力塔, 蒲俊文, 蒋湘宁, 何磊, 张德荣, 姚山, 于静洁, 赵有科, 葛颂, 齐力旺, 张永安, 石丽萍, 曲良建, 杨聪, 吴庆利, 马超德, 刘元, 康峰峰, 崔保山, 吕守芳, 褚建民, 王建华, 刘鑫宇, 朱林峰, 王玉珠, 刘相超, 田颖川, 胡堃, 唐常源.  西双版纳热带季节雨林辐射垂直分布特征 . 北京林业大学学报, 2006, 28(2): 15-21.
  • 加载中
图(4) / 表 (4)
计量
  • 文章访问数:  368
  • HTML全文浏览量:  135
  • PDF下载量:  17
  • 被引次数: 0
出版历程
  • 收稿日期:  2018-07-02
  • 修回日期:  2018-08-09
  • 刊出日期:  2019-02-01

基于可见光-近红外图像的幼龄檀香全磷含量诊断

doi: 10.13332/j.1000-1522.20180214
    基金项目:

    林业科学技术推广项目 [2016]11号

    中央级科研院所基本科研业务费专项项目 CAFYBB2014MA006

    作者简介:

    陈珠琳。主要研究方向:森林资源监测与计算机视觉。Email:825511059@qq.com 地址:北京市海淀区东小府1号中国林业科学研究院资源信息研究所

    通讯作者: 王雪峰,博士,研究员。主要研究方向:森林资源监测与计算机视觉。Email:xuefeng@ifrit.ac.cn 地址:同上
  • 中图分类号: S794.9; TP79

摘要: 目的檀香是一种典型珍贵树种,在幼龄期时,不合理的田间施肥会影响其正常生长,降低存活率。因此,本文提出了一种基于可见光-近红外图像的幼龄檀香全磷营养诊断方法,为实时监测珍贵树种生长状态及养分需求提供参考。方法通过将野外获取的檀香图像转换到HSI颜色空间,提取S和Ⅰ通道,利用二者在使用Otsu分割后产生的优势互补,并结合形态学运算,从复杂背景中提取出檀香。计算出形状、纹理和光谱及植被指数特征后,分别使用显著性分析(ST)和平均影响值(MIV)方法进行变量筛选,并使用遗传算法(GA)初始化BP神经网络的权值和阈值,最终得到预测结果。结果(1) 复杂背景下的檀香分割中,S通道和Ⅰ通道相结合可以将大部分背景(天空、土壤、其他绿色植物)与目标檀香分割开,同时结合7×7中值滤波、形态学运算和超G因子,将其他毛刺去除。与常用的支持向量机相比,本文提出的分割算法结果更接近于目视解译,像素数和颜色误差更小。(2)对不同施磷水平下各特征进行分析发现,适当增加施磷量有利于促进叶绿素的形成,使得纹理更均匀清晰,加快叶片生长;当过量时则会破坏叶绿体,造成叶片组织出现变化,导致叶片黄化,叶片出现网状脉纹,增加了纹理复杂程度。(3)ST与MIV筛选出的变量差异较大,通过GA-BPNN训练结果可知,MIV方法筛选出的变量对全磷含量的影响更大,预测集得到的决定系数达到0.801,平均残差为0.032 g/kg,均方根误差为0.666 g/kg。结论通过处理可见光-近红外图像,实现了幼龄檀香的全磷含量诊断,有效提高了磷肥利用率,同时也可以减小过量施肥引起的地下水污染等生态问题。

English Abstract

陈珠琳, 王雪峰, 孙汉中. 基于可见光-近红外图像的幼龄檀香全磷含量诊断[J]. 北京林业大学学报, 2019, 41(2): 88-96. doi: 10.13332/j.1000-1522.20180214
引用本文: 陈珠琳, 王雪峰, 孙汉中. 基于可见光-近红外图像的幼龄檀香全磷含量诊断[J]. 北京林业大学学报, 2019, 41(2): 88-96. doi: 10.13332/j.1000-1522.20180214
Chen Zhulin, Wang Xuefeng, Sun Hanzhong. Diagnosis of total phosphorus content in young sandalwood based on visible light and near infrared images[J]. Journal of Beijing Forestry University, 2019, 41(2): 88-96. doi: 10.13332/j.1000-1522.20180214
Citation: Chen Zhulin, Wang Xuefeng, Sun Hanzhong. Diagnosis of total phosphorus content in young sandalwood based on visible light and near infrared images[J]. Journal of Beijing Forestry University, 2019, 41(2): 88-96. doi: 10.13332/j.1000-1522.20180214
  • 檀香(Santalum album)是生长在华南地区的珍贵树种之一,普通的木材以体积论价,而檀香树以重量记之,成为名副其实的“黄金树”[1]。由于过度采伐以及生态环境的破坏,全球檀香资源锐减。檀香经济价值高、需求量大,促使我国云南、广西、海南等地大量种植,但幼龄檀香对土壤水分、养分含量较敏感,不合理的水分和养分管理往往导致其遭受病虫侵害甚至死亡,因此如何及时掌握幼龄檀香的水分、养分状况是进行合理经营的关键。

    磷是植物体内许多重要化合物的成分,有促进碳水化合物的合成及运输的作用,对作物的正常生长和稳定产量有重要作用[2]。不合理的施加磷肥会影响植株的光合性能,从而对叶片的颜色、形态及纹理特征产生影响[3]。连慧达等[4]指出,随着供磷量的增加,红小豆(Vigna angularis)叶面积和株高均呈现出先增高后降低的趋势;郑亚萍等[5]通过试验发现,花生(Arachis hypogaea)单株结果数、生物产量、经济系数均随着施磷量的增加而增加;赵霞等[6]对降香黄檀(Dalbergia odorifera)幼苗进行养分胁迫,结果表明,缺磷和磷过量的苗高分别比对照组下降64.5%和61.6%,叶面积下降95.1%和92.8%,同时缺磷会造成叶片变小变薄,叶色淡黄,而磷过量时嫩叶脉间出现黄化,出现明显的网状纹脉。目前,农林业使用磷肥大部分依据经验判断,导致施肥过多,造成环境污染。传统的营养诊断方法通常通过测定土壤中的养分含量来判断植物缺素与否,但该方法耗费大量的人力、物力和财力[7-9]。无损诊断技术在近20年迅猛发展,并在棉花(Gossypium spp.)、小麦(Triticum aestivum)等农作物以及蔬菜和水果方面进行了大量的研究。这些研究大部分针对氮素,磷、钾元素方面的研究较少。

    国内外学者对磷胁迫下的叶片光谱特征进行分析,早期Osborne等[10]指出在缺磷比较严重时,光谱信息可以表达植物体内的磷含量,但该方法无法做到早期预测,应用价值较小。后来研究者们分别进行方法改进,黄双萍等[11]使用偏最小二乘法(PLS)及支持矢量回归(SVR)分析算法,建立了柑橘(Citrus reticulata)叶片磷含量的估算模型,预测集的决定系数达到0.881。高洪燕等[12]使用联合区域偏最小二乘法(siPLS)、连续投影算法(SPA)、BP神经网络算法(BPNN)对生菜(Lactuca sativa var. ramosa)叶中的磷含量进行光谱定量分析,结果显示验证集的相关系数为0.911。李美清等[7]认为磷的光谱反射率受叶绿素和花青素的影响,提出了结合光谱特征和生理特征的番茄(Lycopersicon esculentum)磷营养水平诊断策略,为番茄磷素的快速诊断提供了新思路。

    由于磷在植物体内含量较少,植物对其含量反应不灵敏等特点,导致国内外对磷元素的定量反演研究较少。同时,大部分研究者使用光谱信息来表示植物体内的磷含量的多寡,并没有从多角度来分析植物对磷胁迫的响应。本文以幼龄檀香为研究对象,提取植株的形状特征,并从叶片角度分析光谱及植被指数特性及纹理的变化,使用不同的变量筛选方法,建立多种形式的全磷含量反演模型,并通过比较得出最佳模型。

    • 研究区设立在海南省文昌市龙楼镇的岛东林场(19°43′58″~19°44′58″N,110°57′34″~111°01′54″E)。该林场占地约1.9万hm2,属于沿海平原地带,最高海拔70 m。该地区属于热带海洋性气候,土壤类型为滨海沙壤土,试验地土壤pH 5.0~6.6,有效氮98.3~114.8 mg/kg,有效磷3.38~4.56 mg/kg,速效钾69.9~78.2 mg/kg。

    • 本研究所用檀香种子均采集于同一棵母树,在温室中进行育苗,生长2年后,与寄生树种一起移入林场。每株幼树之间相隔2 m,保证其有足够的生长空间。试验前期进行正常的田间管理,当幼树长至1 m高时,选择生长良好的植株进行试验。试验共设计4个水平,分别为0、20、50、100 g/棵,记为CK(不施加磷肥)、P1(低浓度)、P2(中浓度)、P3(高浓度)。每个水平下有10株幼树,于2017年4月和6月选择无风的中午进行两次重复。

      试验使用Canon EOS 700D(分辨率为5 184×3 456像素)获取野外檀香图像,从幼树的前后左右4个方向进行拍摄,对于所有的拍摄对象,保持三脚架的中心位置在幼树4个方向的轴线上,固定拍摄距离为1.5 m,相机高度1.5 m,调整脚架,保持水平,镜头的方向与地面保持平行。然后,在不同部位进行取叶(每株约5 g),迅速带到实验室,使用美国生产的MicaSense RedEdge 3多光谱相机(分辨率为1 280×960像素)获取叶片图像(叶片放置在白色背景纸上,相机平行于背景纸并距离其1 m进行拍摄),获取3次,取平均值。该相机有5个波段(蓝波段、绿波段、红波段、红边波段、近红外波段),其中心波段分别为475、560、668、717和840 nm;带宽分别为20、20、10、40、10 nm。将叶片放入暗箱中,光源为40 W的白炽灯,获取叶片图像前进行白板和黑板校正。各波段的光谱反射率计算公式为:

      $$ {I_{\rm{C}}} = \frac{{o - b}}{{w - b}} \times 100\% $$

      式中:IC为校正后的反射率,o代表目标物的颜色均值,b代表黑板的颜色均值,w代表白板的颜色均值。

      图像获取完成后,将叶片放入烘箱中70 ℃烘干24 h至恒质量,碾成粉末后采用H2SO4-H2O2消煮-钼锑抗吸光光度法测定全磷含量。

    • 野外图像分割算法在Matlab R2012a中完成,室内叶片图像使用PhotoShop 5.0进行处理。由于磷影响着植株的生长速度,所以檀香的形状特征可以较好地反映植物体内的全磷含量。同时,为不影响后续实验,本研究在上、中、下部位分别摘取叶片,计算叶片的纹理、光谱及植被指数特征,并使用叶片中的全磷含量代表整棵植株。

      由于本文提取的形状特征以植株为单位,几种常用的单特征形状因子在此条件下并不能很准确地表达其生长状态,例如,面积(即区域面积的像素数)可以表达植株叶片生长的旺盛程度,但在胁迫作用下,部分幼龄檀香表现出枝繁叶稀的情况,而与侧枝少、叶片生长紧凑的植株相比,面积并不能表达其不同的生长状态。从侧面图像中可以观察到,檀香植株(除枝干)表现为圆或椭圆,所以研究选择最小外接圆或椭圆作为参考,计算出5种有参考或多特征表述的形状特征因子,分别为面积凹凸比(区域面积与最小外接圆面积比值)、周长凹凸比(区域周长与最小外接圆周长比值)、偏心率(区域最下外接椭圆的长轴与短轴之比)、椭圆离心率(与区域具有相同标准二阶中心距的椭圆的离心率)、形状复杂度(区域周长的平方与面积的比值)。

      除形状特征外,其他特征分别为:5种波段反射率;23种植被指数(表 1);20种纹理特征,即各波段的能量、熵、对比度、相关性均值(分别代表图像的均匀程度、复杂度、清晰度和局部灰度相关性)。

      表 1  植被指数计算公式

      Table 1.  Calculation equations of vegetation indices

      植被指数
      Vegetation index
      计算公式
      Formula
      参考文献
      Reference
      比值植被指数1 Ratio vegetation index 1(RVI1) NIR/B [13]
      比值植被指数2 Ratio vegetation index 2(RVI2) NIR/G [14]
      比值植被指数3 Ratio vegetation index 3(RVI3) NIR/R [13]
      差值植被指数1 Difference vegetation index 1(DVI1) NIR-B [13]
      差值植被指数2 Difference vegetation index 2(DVI2) NIR-G [13]
      差值植被指数3 Difference vegetation index 3(DVI3) NIR-R [13]
      归一化差值植被指数1 Normalized difference vegetation index 1(NDVI1) (NIR-R)/(NIR+R) [14]
      归一化差值植被指数2 Normalized difference vegetation index 2(NDVI2) (NIR-G)/(NIR+G) [15]
      归一化差值植被指数3 Normalized difference vegetation index 3(NDVI3) (NIR-B)/(NIR+B) [14]
      重整化差值植被指数1 Renormalized difference vegetation index 1(RDVI1) (NIR-B)/(NIR+B)1/2 [16]
      重整化差值植被指数2 Renormalized difference vegetation index 2(RDVI2) (NIR-G)/(NIR+G)1/2 [16]
      重整化差值植被指数3 Renormalized difference vegetation index 3(RDVI3) (NIR-R)/(NIR+R)1/2 [16]
      叶绿素指数Chlorophyll index(CI) NIR/G-1 [17]
      宽动态范围植被指数1 Wide dynamic range vegetation index 1(WDRVI1) (0.12NIR-R)/(0.12NIR+R) [18]
      宽动态范围植被指数2 Wide dynamic range vegetation index 2(WDRVI2) (0.12NIR-G)/(0.12NIR+G) [18]
      宽动态范围植被指数3 Wide dynamic range vegetation index 3(WDRVI3) (0.12NIR-B)/(0.12NIR+B) [18]
      调整简单比值Modified simple ratio(MSR) (NIR/R-1)/(NIR/R+1)1/2 [19]
      植被指数简单比值Simple ratio vegetation index(SR) R/G×NIR [20]
      调整归一化差值植被指数1 Modified normalized difference vegetation index 1(MNDVI1) (NIR-R+2G)/(NIR+R-2G) [21]
      调整归一化差值植被指数2 Modified normalized difference vegetation index 2(MNDVI2) (NIR-R+2B)/(NIR+R-2B) [21]
      红边归一化植被指数Red edge normalized difference vegetation index(NDVIRE) (RE-R)/(RE+R) [22]
      改进红边比值植被指数Modified red edge simple ratio index(MSRIRE) (RE-B)/(RE+B) [22]
      改进红边归一化植被指数Modified red edge normalized difference vegetation index(MNDVIRE) (RE-R)/(RE+R-2B) [22]
      注:BGR、RE、NIR分别代表蓝、绿、红、红边、近红外波段校正后的光谱反射率。Note: B, G, R, RE, NIR represent the corrected spectral reflectance of blue band, green band, red band, red edge band and near infrared band.
    • BP神经网络(back propagation neural network, BPNN)是一种多层前馈神经网络,同时也是目前应用最广的神经网络技术,可以通过修改各层神经元的连接权值,使误差信号变小[23]。BPNN预测按梯度下降进行寻优,容易陷入全局最小,所以需要控制输入变量的显著性以及BPNN训练时权值阈值的选择。

      本文设计对比试验,分别使用显著性检验(significance test, ST)和平均影响值(mean impact value, MIV)进行变量筛选,其中ST通过Pearson系数的大小确定GA-BPNN的输入量。Pearson系数(ρ)的计算公式[20]为:

      $$ \rho = {\mathop{\rm Cor}\nolimits} (X, Y) = \frac{{{\mathop{\rm Cov}\nolimits} (X, Y)}}{{\sqrt {{\mathop{\rm Var}\nolimits} (X){\mathop{\rm Var}\nolimits} (Y)} }} $$

      式中:Cov(X, Y)代表XY的协方差,Var(X)和Var(Y)代表XY的方差。

      MIV筛选的具体步骤[24]:对BPNN进行网络训练,训练结束后将训练样本P中的每个自变量分别加减10%构造出两个新的训练样本P1、P2,将上述两种样本作为仿真样本利用已建立的网络进行仿真,结果记为A1、A2,其差值即为变动该自变量后对输出因变量产生的影响变化值(Impact value, Ⅳ)。将Ⅳ按观测例树平均得出该自变量对因变量预测输出的平均影响值(MIV),按照上述步骤依次计算出每个自变量的MIV值,最后根据MIV绝对值的大小对各变量进行排序,从而判断输入参数对于网络输出变量的影响程度。

      筛选完成后重建BPNN网络结构,使用遗传算法(genetic algorithm, GA)对权值阈值进行更新优化,具体过程参考文献[25-26]。

    • 试验共获取80组数据,随机抽取55个作为样本集,其余25个作为测试集。使用神经网络进行建模,模型的拟合优度以及预测精度评价指标的计算公式如下。

      决定系数(R2):

      $$ {R^2} = 1 - \frac{{\sum\limits_{i = 1}^n {{{\left( {{y_i} - {{y'}_i}} \right)}^2}} }}{{\sum\limits_{i = 1}^n {{{\left( {{y_i} - \bar y} \right)}^2}} }} $$

      平均残差(ME):

      $$ {\rm{ME}} = \frac{1}{n}\sum\limits_{i = 1}^n {\left( {{y_i} - y_i^\prime } \right)} $$

      均方根误差(RMSE):

      $$ {\rm{RMSE}} = {\left[ {\frac{1}{n}\sum\limits_{i = 1}^n {{{\left( {{y_i} - y_i^\prime } \right)}^2}} } \right]^{\frac{1}{2}}} $$

      式中:yi为第i个样本的全氮含量实测值,yi为第i个样本的全氮含量预测值,y为样本全氮含量实测平均值,n为样本总数。

    • 本研究从地面获取檀香侧面图像(图 1a)。相机获取的原始图像为RGB系统,虽然满足人的视觉美感,但无法实现复杂的图像分割。本研究通过大量实验发现,处理HSI颜色系统图像可以明显提高分割精度。其中,H通道使用Otsu法分割结果失败,该方法只将标识牌、花朵以及树叶缝隙中的天空与其他分割开。虽然S通道将绿色植物均划分为一类;Ⅰ通道将背景中的树叶以及檀香的伴生植物与檀香树叶分割开,其特点恰好弥补了使用S通道将其分为一类的缺点(图 1b~d)。本文结合S通道和Ⅰ通道对复杂背景下的檀香进行分割。

      图  1  不同通道图像Otsu分割结果

      Figure 1.  Images segmentation using Otsu method of different channels

      分割算法如下:

      (1) 使用Otsu法分别对图像的S通道和Ⅰ通道进行分割,阈值记为TSTI,并将S通道分割结果记为IS

      (2) 对分割结果IS进行模板为7×7的中值滤波处理。

      (3) 将步骤(2)得到的结果与原图进行掩膜,对掩膜图像提取Ⅰ通道,并使用阈值TI对其进行分割。

      (4) 将步骤(3)得到的图像使用7×7模板中值滤波进行平滑处理,然后使用半径为2的圆形结构元素腐蚀膨胀各3次。

      (5) 使用超G因子[27]将图像中的非绿色植被去除。

      复杂背景下檀香图像分割过程及结果如图 2所示。

      图  2  复杂背景下檀香图像分割过程及结果

      Figure 2.  Segmentation process and result of sandalwood image in complex background

      算法所用的模板和结构元素均为大量的对比试验后得到的最佳方案。将使用本文提出算法(编号为①)、ENVI 5.1软件中的支持向量机分类法(编号为②)和Photoshop CS5处理(编号为③)得到的结果进行比较(其中PS处理为评价基准),随机抽取3张图像展示结果(表 2)。从表 2中可以看出:①在像素数和颜色误差方面均要优于②的处理结果,这是因为支持向量机算法对土壤和叶片的分割效果较差,易出现误分割,导致像素误差较大,绿波段均值降低,红波段均值和蓝波段均值升高。

      表 2  分割方法评价

      Table 2.  Segmentation method evaluation proposed in this paper

      编号
      No.
      处理方法
      Treating method
      像素数误差
      Pixel number error/%
      红波段(R)均值
      Mean value of red band (R)
      ER/% 绿波段(G)均值
      Mean value of green band (G)
      EG/% 蓝波段(B)均值
      Mean value of blue band (B)
      EB/%
      2.76 140.9 1.294 158.9 1.732 84.82 3.007
      图像1 Image 1 3.94 143.1 2.876 156.4 3.278 89.09 1.875
      0.00 139.1 0.000 161.7 0.000 87.45 0.000
      3.37 118.4 1.743 154.8 0.781 89.99 3.036
      图像2 Image 2 4.45 121.5 0.830 149.1 2.930 94.05 2.710
      0.00 120.5 0.000 153.6 0.000 92.24 0.000
      2.05 124.8 0.319 173.5 0.459 86.75 2.250
      图像3 Image 3 2.46 122.3 2.316 178.1 2.180 82.31 2.486
      0.00 125.2 0.000 174.3 0.000 84.46 0.000
      注:①代表本文提出算法;②代表支持向量机算法;③代表Photoshop CS5处理;ER、EG、EB分布代表R、G、B波段的均值误差。Notes: ① stands for the algorithm presented in this paper; ② stands for support vector machine algorithm; ③ stands for image processing used photoshop CS5; and ER, EG and EB stand for mean value error of band R, G and B, respectively.
    • 将样本按不同施磷梯度进行划分,每个梯度取叶片全磷含量平均值,分析不同梯度下的特征变化,如图 3所示。从图 3a中可以看出:其趋势符合典型植被光谱特征,即在蓝光和红光波段出现两个吸收谷;在绿光波段形成反射峰,从700 nm附近(即红边波段)出现陡坡,到近红外又出现下降。这一趋势符合绿色植物光谱曲线的一般规律。在高浓度施磷水平下,可见光和红边波段反射率均为最大,而近红外波段的反射率最小;中浓度施磷水平则出现与高浓度完全相反的情况,即可见光和红边波段的反射率最小,近红外反射率最大;低浓度和对照组反射率相差较小,在蓝波段、绿波段、红边波段,对照组反射率大于低浓度,而在红波段和近红外波段中,对照组反射率小于低浓度。这说明合适的磷肥浓度可以降低可见光区域内的反射率,叶色变浓绿,叶绿素含量增加;过量则对叶绿体造成了破坏,反射率升高,叶片出现黄化现象,该结论与前人研究相符[28]。近红外波段反射率与叶片的组织构造有关,所以可以猜测过量的磷破坏了部分叶肉器官,造成反射率急剧下降。

      图  3  不同磷含量下光谱反射率变化趋势

      Figure 3.  Variation trend of spectral reflectance under different phosphorus content

      在纹理变化中,各通道的特征变化趋势是相同的,本文以蓝波段为例,可以看出能量、对比度和相关性值先上升后下降,熵值则先下降后上升,转折点均在中浓度区间(图 3b),说明适量磷肥使得纹理变得更均匀清晰,而过量磷肥则会导致叶片出现网状脉纹,增加了复杂程度。在形状变化中,随着施磷量的增加,面积和周长凹凸比以及形状复杂度上升、偏心率及椭圆离心率下降(图 3g),说明磷肥促进了植株的生长。

    • 本研究分别对不同类型的特征进行筛选,结果如表 3所示。从表 3中可以看出:两种方法筛选出来的变量有一定差异,但在纹理特征中,各波段的相关性表现良好,说明全磷含量的多寡影响了空间灰度共生矩阵元素在行或列方向上的相似程度。

      表 3  ST及MIV筛选结果

      Table 3.  Selection results of ST and MIV

      方法
      Method
      形状特征
      Shape feature
      纹理特征
      Texture feature
      光谱及植被指数
      Spectrum and vegetation index
      ST 面积凹凸比、偏心率
      Area concavo-convex ratio, eccentricity ratio
      B能量、R相关性、G相关性、近红外对比度、近红外相关性
      Energy(B), correlation(R), correlation(G), contrast(NIR), correlation(NIR)
      MNDVI1、MSRIRE、B、DVI2、RNDVI2
      MIV 面积凹凸比、形状复杂度
      Area concavo-convex ratio, shape complexity
      B能量、B相关性、近红外相关性、G能量、R相关性
      Energy(B), correlation(B), correlation(NIR), energy(G), correlation(R)
      MNDVI1、MSRIRE、B、DVI2、NDVI3
      注:表中各变量出现的顺序代表其在不同类别特征中的重要性。Note: the order of variables in this table represents its importance in different categories.
    • 本研究根据BP神经网络隐函数节点数经验公式[29],通过多次试验,确定隐函数层的结点个数为8,建立12-8-1的神经网络。设置隐含层和输出层传递函数分别为tansig和logsig,训练函数为trainlm,学习率为0.01,最大训练次数为100。使用GA算法获取BPNN初始化时的最优权值阈值,其中种群规模为20,进化次数为80,交叉概率设定为0.2,变异概率为0.1。

      将ST和MIV筛选得到的结果以及全部变量分别进行输入,拟合和预测结果分别如表 4图 5所示。从表 4图 5中可以看出,不显著变量的参与使得BPNN出现了“过拟合”现象,相比之下,ST和MIV处理均提高了各评价指标。综合各指标可以得出MIV筛选出的变量对结果的影响更显著的结论。这是由于全磷含量与各参数之间存在复杂的非线性过程,所以仅靠分析方差与协方差的比值不足以很好地表达变量之间的关系,而MIV与BPNN相结合,通过多次迭代得到最终影响值,更好地解释了其中的非线性关系,提高了精度。

      表 4  不同输入变量筛选方法下GA-BPNN神经网络模型拟合结果

      Table 4.  Fitting results of GA-BPNN neural network models with different input variables

      筛选方法
      Selection method
      样本集(n=55)
      Sample set (n=55)
      R2 ME/(g·kg-1) RMSE/(g·kg-1)
      ST 0.790 0.103 0.482
      MIV 0.815 -0.021 0.433
      未处理Undisposed 0.726 -0.110 0.592

      图  4  预测集的预测值与实测值散点图

      Figure 4.  Scatter plots between measured and predicted values with different selection method in prediction set

    • 在农作物营养诊断方面,研究者们认为冠层图像可以很好地反映植株的营养状态,但林业中冠层获取难度较大,若使用无人机设备必定降低分辨率,不适用于幼龄期的珍贵树种,因此本文采用地面拍摄方法获取侧面图像。通过大量试验发现HSI系统中S通道与Ⅰ通道使用Otsu法分割后形成优势互补效果,并利用该特点提出了一种方便快捷且满足精度要求的分割方法。通过对磷胁迫下的幼龄檀香图像特征进行分析得出,适当增加施磷量有利于促进叶绿素的形成,使得纹理更均匀清晰,增快叶片生长;当过量时则会破坏叶绿体,造成叶片组织出现变化,导致叶片黄化,叶片出现网状脉纹,增加了纹理复杂程度。同时,研究利用ST和MIV方法对获取的形状、纹理、光谱及植被指数变量进行筛选,作为GA优化后BPNN的输入层,结果显示使用MIV筛选出的变量对结果的影响程度更大,说明该方法更适合分析变量之间复杂的非线性关系,所以MIV处理下得到的拟合优度和预测精度都得到了较大的提高,可以很好地预测幼龄檀香的全磷含量,为合理调控磷肥施用量提供了依据。

    • 植物营养诊断是智慧农业一种极有应用价值的体现,从扫描仪、数码相机到如今的高光谱遥感、手持光谱仪技术,该领域的发展使经营者可以实时掌握植物生长状况并合理规划田间的水肥管理。由于树木生长缓慢且周期长,所以林业营养诊断很难进行。但对于数量稀缺的珍贵或濒危树种,有必要对其生长状况进行长期观测及诊断。本文以幼龄檀香作为研究对象,提出了一套基于可见光-近红外光谱的全磷含量预测方法,但观测周期较短,后期试验还将定期观测,并讨论季节对其吸收情况是否产生影响。

参考文献 (29)

目录

    /

    返回文章
    返回