基于高光谱的番茄氮磷钾营养水平快速诊断

合集下载

应用高光谱图像光谱和纹理特征的番茄早疫病早期检测研究

延［３］。病重时会引起落叶和落果，可使产量降低２０～
国内主要有田有文等［ＴＪ应用高光谱成像技术诊断黄瓜病害；
张东彦等研究了病害胁迫下小麦叶片的高光谱图像特征；国外主要有Ｗｉｌｌｉａｍｓ等『８利用高光谱成像技术检测玉米镰刀菌病害；Ｂａｕｒｉｅｇｅｌｌ。］利用高光谱成像技术早期检测小麦镰刀菌病害；Ｆｉｏｒｅ等Ｌ１。。利用高光谱成像技术对玉米真菌病害进
摘
要
提出了应用光谱和纹理特征的高光谱成像技术早期检测番茄叶片早疫病的方法。利用高光谱图像
采集系统获取３８０￣１０３０ｎｎｌ范围内７１个染病和８８个健康番茄叶片的高光谱图像，同时采用主成分分析法
（ＰＣＡ）对高光谱图像进行处理。选取染病和健康叶片感兴趣区域（ｒｅｇｉｏｎｏｆｉｎｔｅｒｅｓｔ，ＲＯＤ的光谱反射率值，同时分别从前８个主成分的每幅主成分图像的ＲＯＩ中提取对比度（Ｃｏｎｔｒａｓｔ）、相关性（ｏｒＣｒｅｌａｔｉｏｎ）、熵（Ｅｎ — ｔｒｏｐｙ）和同质性（Ｈｏｍｏｇｅｎｅｉｔｙ）４个灰度共生矩阵的纹理特征值，再通过ＰＣＡ和连续投影算法（ＳＰＡ）结合最
３０，甚至达到５Ｏ［４］，严重影响番茄果实的产量和品质。因此，及时有效地检测出早疫病害，并采取有效的应对措施

基于高光谱成像技术的番茄叶片叶绿素含量检测

马　玲，杜明华，孟　露，等．基于高光谱成像技术的番茄叶片叶绿素含量检测［Ｊ］．江苏农业科学，２０２３，５１（１３）：１６７－１７４．ｄｏｉ：１０．１５８８９／ｊ．ｉｓｓｎ．１００２－１３０２．２０２３．１１．０２４基于高光谱成像技术的番茄叶片叶绿素含量检测马　玲，杜明华，孟　露，杨　甜，吴龙国（宁夏大学农学院，宁夏银川７５０００１）摘要：叶绿素是植物生长发育必不可少的色素，可用来衡量植物生长状况，为实现番茄叶片叶绿素含量快速、无损检测，以番茄为试验材料，通过高光谱无损检测方法，对番茄叶片叶绿素含量进行监测。

提取出８２个叶片样本的平均光谱反射率数据（４００～１０００ｎｍ），对原始光谱数据分别进行７种预处理（平均平滑、高斯滤波、中值滤波、卷积平滑、归一化、基线校准（ｂａｓｅｌｉｎｅ）、标准正态化（ｓｔａｎｄａｒｄｎｏｒｍａｌｖａｒｉａｔｉｏｎ，ＳＮＶ），建立ＰＬＳＲ模型，建模结果显示：ＳＮＶ预处理光谱的建模效果最优。

用β权重系数、无信息变量消除变换法（ｕｎｉｎｆｏｒｍａｔｉｏｎｖａｒｉａｂｌｅｅｌｉｍｉｎａｔｉｏｎ，ＵＶＥ）、竞争自适应重加权法（ｃｏｍｐｅｔ－ｉｔｉｖｅａｄａｐｔｉｖｅｗｅｉｇｈｔｅｄｓａｍｐｌｉｎｇ，ＣＡＲＳ）及连续投影算法（ｓｕｃｃｅｓｓｉｖｅｐｒｏｊｅｃｔ－ｉｏｎａｌｇｏｒｉｔｈｍ，ＳＰＡ）等提取特征波长，并建立了ＰＬＳＲ模型，建模结果表明：ＣＡＲＳ法提取特征波长所建立的模型最优，ＣＡＲＳ法提取了８个特征波长（７３２、７９６、９４６、９５３、９５７、９６８、９８３、９９４ｎｍ）被应用于建立番茄叶片叶绿素定量预测模型。

为选出最优的建模方法，使用ＭＬＲ、ＰＣＲ、ＰＬＳＲ与ＳＶＲ方法分别对ＣＡＲＳ提取的特征波长进行模型对比，优选出的ＭＬＲ模型用于预测番茄叶绿素含量，最优预测模型ＭＬＲ的相关系数Ｒｃ、Ｒｃｖ分别为０．８３０、０．７４３，均方根误差ＲＭＳＥＣ、ＲＭＳＥＣＶ分别为２．１２６、２３６５。

基于叶片微观结构变化的番茄磷水平检测方法

基于叶片微观结构变化的番茄磷水平检测方法李青林;毛罕平;左志宇;张晓东;孙俊【摘要】以温室番茄为研究对象,借助扫描电镜技术(SEM)和透射电镜技术(TEM)研究了不同磷养分水平下的叶片表面和断面显微结构以及叶肉细胞超微结构变化.结果表明:正常磷水平下的番茄叶片厚度为(124 +2.14) μm,表面气孔和绒毛密度分别为(233.0±5.5)个/mm2和(34.2±1.33)根/ram2,绒毛高度为(97.0±2.83) μm,气孔大小为(13.91±0.85) μm.缺磷会造成叶片厚度明显变薄,引起叶片表面气孔密度、绒毛密度和绒毛高度明显降低,并且会破环叶绿体结构的完整性,但对气孔大小的影响不明显;磷过量,会使气孔大小、绒毛密度和维管束数量显著增加,并引起细胞壁厚度增加,但对气孔密度、绒毛高度和叶绿体结构影响不明显.【期刊名称】《农业机械学报》【年(卷),期】2014(045)010【总页数】6页(P282-287)【关键词】番茄;微结构;磷水平;快速检测【作者】李青林;毛罕平;左志宇;张晓东;孙俊【作者单位】江苏大学现代农业装备与技术教育部重点实验室,镇江212013;江苏大学现代农业装备与技术教育部重点实验室,镇江212013;江苏大学现代农业装备与技术教育部重点实验室,镇江212013;江苏大学现代农业装备与技术教育部重点实验室,镇江212013;江苏大学电气信息工程学院,镇江212013【正文语种】中文【中图分类】S24;Q946.91+2引言现阶段我国设施作物养分实时、无损检测多以光谱检测为主，现有光谱技术虽能精确测量氮营养水平［1-2］，但在磷营养检测方面应用却很少。

Milton等研究结果表明，植物磷营养元素对光谱特性有较大影响，但其影响不像氮营养水平那样一致［3］。

韩小平等利用光谱技术对不同施磷水平下番茄叶片光谱信息的变化规律进行了研究，结果表明检测精度较低［4］。

基于可见_近红外高光谱成像技术的番茄表面农药残留无损检测

第３０卷第１期２０１４年１月Ｖｏｌ．３０，Ｎｏ．１Ｊａｎ．２０１４基于可见／近红外高光谱成像技术的番茄表面农药残留无损检测Ｄｅｔｅｃｔｉｏｎｏｆｐｅｓｔｉｃｉｄｅｒｅｓｉｄｕｅｏｎｃｈｅｒｒｙｔｏｍａｔｏｅｓｂｙｈｙｐｅｒｓｐｅｃｔｒａｌｉｍａｇｅｔｅｃｈｎｏｌｏｇｙ张令标１ＺＨＡＮＧＬｉｎｇ－ｂｉａｏ１何建国１ＨＥＪｉａｎ－ｇｕｏ１贺晓光１ＨＥＸｉａｏ－ｇｕａｎｇ１刘贵珊１ＬＩＵＧｕｉ－ｓｈａｎ１王伟２ＷＡＮＧＷｅｉ２王松磊１ＷＡＮＧＳｏｎｇ－ｌｅｉ１（１〃宁夏大学农学院，宁夏银川７５００２１；２〃宁夏大学物理电气信息学院，宁夏银川７５００２１）（１〃ＳｃｈｏｏｌｏｆＡｇｒｉｃｕｌｔｕｒｅ，ＮｉｎｇｘｉａＵｎｉｖｅｒｓｉｔｙ，Ｙｉｎｃｈｕａｎ，Ｎｉｎｇｘｉａ７５００２１，Ｃｈｉｎａ；２〃ＳｃｈｏｏｌｏｆＰｈｙｓｉｃｓａｎｄＥｌｅｃｔｒｏｎｉｃｓＩｎｆｏｒｍａｔｉｏｎＥｎｇｉｎｅｅｒｉｎｇ，ＮｉｎｇｘｉａＵｎｉｖｅｒｓｉｔｙ，Ｙｉｎｃｈｕａｎ，Ｎｉｎｇｘｉａ７５００２１，Ｃｈｉｎａ）摘要：以番茄为研究对象，应用可见／近红外高光谱成像技术对水果表面农药残留的无损检测研究。

用蒸馏水将嘧霉胺农药稀释成１∶２０，１∶１００，１∶５００３个梯度，将不同浓度的溶液分别滴到６０个洗净的番茄表面，形成３×３矩阵。

放置在通风阴凉处１２ｈ后，应用高光谱系统（４００～１０００ｎｍ）采集光谱图像信息。

利用主成分分析法获得主成分图像（ＰＣ），并根据第二主成分图像（ＰＣ－２）的权重系数选取特征波长５６４，８０９，９６７ｎｍ。

采用波段比（５６４ｎｍ／８０９ｎｍ）结合适当的图像处理方法对番茄表面的农药残留进行检测。

高浓度（１∶２０，１∶１００）农药点检测率为１００％，而低浓度（１∶５００）农药点的检测率为０。

结果表明，高光谱成像技术对高浓度农药残留具有较好的检测效果。

关键词：高光谱成像技术；无损检测；主成分分析；农药残留Ａｂｓｔｒａｃｔ：Ｂａｓｅｄｔｈｅｃｈｅｒｒｙｔｏｍａｔｏｅｓａｓｔｈｅｒｅｓｅａｒｃｈｏｂｊｅｃｔ，ａｐｐｌｉｅｄｔｈｅｖｉｓｉｂｌｅｎｅａｒｉｎｆｅａｒｅｄｈｙｐｅｒｓｐｅｃｔｒａｌｉｍａｇｅｔｅｃｈｎｏｌｏｇｙｎｏｎｄｅｓｔｒｕｃ－ｔｉｖｅｔｏｔｅｓｔｔｈｅｐｅｓｔｉｃｉｄｅｒｅｓｉｄｕｅｓｏｎｆｒｕｉｔｓｕｒｆａｃｅ．Ｔｈｅｐｅｓｔｉｃｉｄｅｗａｓｄｉｌｕｔｅｄｔｏ１∶２０，１∶１００ａｎｄ１∶５００ｓｏｌｕｔｉｏｎｗｉｔｈｄｉｓｔｉｌｌｅｄｗａｔｅｒ．Ｔｈｅｎａ３×３ｍａｔｒｉｘｏｆｄｉｌｕｔｉｏｎｓｗａｓａｐｐｌｉｅｄｔｏ６０ｃｌｅａｎｅｄｓａｍｐｌｅｗｉｔｈｔｈｒｅｅｄｉｆｆｅｒｅｎｔｓｏｌｕｔｉｏｎｓ．Ａｆｔｅｒ１２ｈ，ｔｈｅｈｅｐｅｒｓｐｅｃｔｒａｌｓｙｓｔｅｍｗａｓｕｓｅｄｔｏｏｂｔａｉｎｔｈｅｉｍａｇｅｓｂｅｔｗｅｅｎ４００ｎｍａｎｄ１０００ｎｍ．Ｔｈｅｐｒｉｎｃｉｐａｌｃｏｍｐｏｎｅｎｔ（ＰＣ）ｉｍａｇｅｓｗａｒｅａｃｈｉｅｖｅｄｂｙｐｒｉｎｃｉｐａｌｃｏｍｐｏ－基金项目：国家科技支撑计划（编号：２０１２ＢＡＦ０７Ｂ０６）；国家自然科学基金资助项目（编号：３１０６０２３３）；２０１１年度宁夏回族自治区科技攻关计划项目作者简介：张令标（１９８９－），男，宁夏大学在读硕士研究生。

大量元素水溶肥料番茄上的肥效试验

大量元素水溶肥料番茄上的肥效试验
最近，我对大量元素水溶肥料在番茄作物上的肥效进行了一系列试验。

这种肥料含有
多种重要的营养元素，包括氮、磷、钾等。

我选择了番茄作为研究对象，因为它是一种广
泛种植的蔬菜作物，且对养分需求较高。

我将试验分为不同组别，每组都用不同浓度的大量元素水溶肥料进行施肥。

我还设置
了对照组，不进行任何施肥处理。

每个组别都设置了5个重复样本，以确保实验结果的准
确性。

在试验过程中，我对番茄植株的生长情况进行了观察和记录。

我关注了植株的株高、
叶片数量和叶绿素含量等指标。

我还收集了番茄的产量数据，比较了不同组别的产量差
异。

在观察期结束后，我对数据进行了统计分析。

结果表明，使用大量元素水溶肥料可以
显著提高番茄的生长和产量。

植株在施肥后的生长速度明显提高。

与对照组相比，大量元素水溶肥料处理组的番茄
植株生长更加健壮，株高更高，叶片数量更多。

这表明，大量元素水溶肥料可以有效地促
进植物的生长发育。

大量元素水溶肥料的施用还可以提高番茄的养分吸收能力。

叶绿素含量是植物养分状
态的重要指标之一，较高的叶绿素含量意味着植物对养分的吸收能力更强。

结果显示，使
用大量元素水溶肥料的番茄植株叶绿素含量明显高于对照组，说明这种肥料可以促进番茄
对养分的吸收。

大量元素水溶肥料在番茄作物上具有良好的肥效。

它可以促进番茄植株的生长和发育，提高养分吸收能力，进而增加产量。

这一研究结果对于促进番茄产业的发展具有积极意义，为农民们提供了一种高效的施肥方法。

基于光谱遥感技术的作物营养诊断研究进展

林业工程学报，２０２３，８（６）：１３－２３ＪｏｕｒｎａｌｏｆＦｏｒｅｓｔｒｙＥｎｇｉｎｅｅｒｉｎｇＤＯＩ：１０．１３３６０／ｊ．ｉｓｓｎ．２０９６－１３５９．２０２２１２０１６收稿日期：２０２２－１２－１１㊀㊀㊀㊀修回日期：２０２３－０３－１６基金项目：江苏省现代农机装备与技术示范推广项目（ＮＪ２０２２－１２）；江苏省科技计划专项资金（重点研发计划现代农业）项目（ＢＥ２０２２３７４）㊂作者简介：蒋雪松，男，教授，研究方向为农林产品品质诊断㊂Ｅ⁃ｍａｉｌ：ｘｓｊｉａｎｇ＠ｎｊｆｕ．ｅｄｕ．ｃｎ基于光谱遥感技术的作物营养诊断研究进展蒋雪松，黄林峰，贾志成，戎子凡（南京林业大学机械电子工程学院，南京２１００３７）摘㊀要：营养元素在作物生长的各个阶段都具有重要作用，其含量的丰缺直接影响作物正常生理活动，如叶绿素㊁蛋白质的合成，根系的生长等㊂准确的作物营养诊断可以保证施肥量与作物本身营养需求量相匹配，保证作物的正常生长㊂随着无人机㊁直升机和卫星等遥感平台，多光谱和高光谱相机等光学传感器以及相关技术发展成熟之后，光谱遥感技术逐渐应用于农林业营养诊断㊂光谱遥感技术利用反射光谱数据估计叶片理化参数，是获取作物营养元素含量的一种有效手段，具有成本低㊁作业范围大㊁劳动量需求性低等优点㊂分析了物理与化学营养诊断技术的方法与手段，指出光谱遥感技术的先进性，归纳了光谱遥感技术的基本分析步骤，重点综述了近年来该技术在诊断作物氮㊁磷㊁钾等必需营养元素方面的具体应用和理论研究方面的不足，提出了微量元素含量检测的必要性，推动多营养元素光谱数据库建立㊁数字孪生技术应用和算法优化，以期提高作物大面积营养诊断的准确度和便利性㊂关键词：作物；遥感；营养元素；营养诊断；光谱诊断中图分类号：ＴＰ７９㊀㊀㊀㊀㊀文献标志码：Ａ㊀㊀㊀㊀㊀文章编号：２０９６－１３５９（２０２３）０６－００１３－１１ＲｅｓｅａｒｃｈａｎｄｐｒｏｇｒｅｓｓｏｆｃｒｏｐｎｕｔｒｉｔｉｏｎｄｉａｇｎｏｓｉｓｂａｓｅｄｏｎｓｐｅｃｔｒａｌｒｅｍｏｔｅｓｅｎｓｉｎｇｔｅｃｈｎｏｌｏｇｙＪＩＡＮＧＸｕｅｓｏｎｇ，ＨＵＡＮＧＬｉｎｆｅｎｇ，ＪＩＡＺｈｉｃｈｅｎｇ，ＲＯＮＧＺｉｆａｎ（ＣｏｌｌｅｇｅｏｆＭｅｃｈａｎｉｃａｌａｎｄＥｌｅｃｔｒｏｎｉｃＥｎｇｉｎｅｅｒｉｎｇ，ＮａｎｊｉｎｇＦｏｒｅｓｔｒｙＵｎｉｖｅｒｓｉｔｙ，Ｎａｎｊｉｎｇ２１００３７，Ｃｈｉｎａ）Ａｂｓｔｒａｃｔ：Ｎｕｔｒｉｅｎｔｅｌｅｍｅｎｔｓｐｌａｙａｎｉｍｐｏｒｔａｎｔｒｏｌｅｉｎａｌｌｓｔａｇｅｓｏｆｃｒｏｐｇｒｏｗｔｈ，ａｎｄｔｈｅｉｒａｂｕｎｄａｎｃｅｏｒｄｅｆｉｃｉｅｎｃｙｄｉ⁃ｒｅｃｔｌｙａｆｆｅｃｔｓｎｏｒｍａｌｐｈｙｓｉｏｌｏｇｉｃａｌａｃｔｉｖｉｔｉｅｓｏｆｃｒｏｐｓ，ｓｕｃｈａｓｃｈｌｏｒｏｐｈｙｌｌａｎｄｐｒｏｔｅｉｎｓｙｎｔｈｅｓｉｓ，ｒｏｏｔｇｒｏｗｔｈ，ｅｔｃ．Ｔｈｅｃｕｒｒｅｎｔｃｒｏｐｐｒｏｄｕｃｔｉｏｎｐｒｏｃｅｓｓｉｓｃｈａｒａｃｔｅｒｉｚｅｄｂｙｉｒｒａｔｉｏｎａｌｓｉｔｕａｔｉｏｎｓｓｕｃｈａｓｏｖｅｒ⁃ｆｅｒｔｉｌｉｚａｔｉｏｎ，ｗｈｉｃｈａｆｆｅｃｔｓｃｒｏｐｇｒｏｗｔｈａｎｄｃａｕｓｅｓｅｎｖｉｒｏｎｍｅｎｔａｌｐｒｏｂｌｅｍｓ．Ｗｉｔｈｐｅｏｐｌｅｓｃｏｎｃｅｒｎｓａｂｏｕｔｉｓｓｕｅｓｏｆｅｎｖｉｒｏｎｍｅｎｔａｌｐｒｏｔｅｃｔｉｏｎａｎｄｈｕ⁃ｍａｎｈｅａｌｔｈ，ｔｈｅｐｒｅｃｉｓｅａｐｐｌｉｃａｔｉｏｎｏｆｆｅｒｔｉｌｉｚｅｒｈａｓｂｅｃｏｍｅａｒｅｓｅａｒｃｈｈｏｔｓｐｏｔ．Ａｃｃｕｒａｔｅｎｕｔｒｉｅｎｔｄｉａｇｎｏｓｉｓｃａｎｅｎｓｕｒｅｔｈａｔｔｈｅｆｅｒｔｉｌｉｚｅｒａｐｐｌｉｃａｔｉｏｎｍａｔｃｈｅｓｔｈｅｃｒｏｐｓｏｗｎｎｕｔｒｉｅｎｔｒｅｑｕｉｒｅｍｅｎｔｓｗｉｔｈｏｕｔｂｅｉｎｇｗａｓｔｅｄａｎｄｄｏｉｎｇｈａｒｍｔｏｔｈｅｅｎｖｉｒｏｎｍｅｎｔ．Ａｓｔｈｅｍａｉｎｉｎｄｉｃａｔｏｒｏｆｎｕｔｒｉｅｎｔａｂｕｎｄａｎｃｅａｎｄｄｅｆｉｃｉｅｎｃｙ，ｔｈｅｃｒｏｐｓｏｗｎｎｕｔｒｉｔｉｏｎａｌｓｔａｔｕｓｃａｎｂｅｊｕｄｇｅｄｂｙｔｒａｉｔｓｓｕｃｈａｓｌｅａｆｃｏｌｏｒ，ｃｕｒｌａｎｄｄｒｙｎｅｓｓ．Ｌｏｗｎｉｔｒｏｇｅｎｃｏｎｔｅｎｔｗｏｕｌｄｌｅａｄｔｏａｓｌｏｗｅｒｒａｔｅｏｆｃｈｌｏｒｏｐｈｙｌｌｓｙｎｔｈｅｓｉｓｉｎｃｒｏｐｌｅａｖｅｓａｎｄａｙｅｌｌｏｗｃｏｌｏｒｉｎｔｈｅｃｅｎｔｅｒｏｆｔｈｅｌｅａｆａｎｄｔｈｅｖｅｉｎａｒｅａ；ｔｏｏｍｕｃｈｎｉｔｒｏｇｅｎｗｏｕｌｄｌｅａｄｔｏｔｈｉｎｎｉｎｇｏｆｔｈｅｃｅｌｌｗａｌｌｓａｎｄｓｕｄｄｅｎｇｒｏｗｔｈｏｆｓｔｅｍｓａｎｄｂｒａｎｃｈｅｓ．Ｐｈｏｓｐｈｏｒｕｓｃｏｎｔｅｎｔｉｓｓｅｃｏｎｄｏｎｌｙｔｏｎｉｔｒｏｇｅｎａｎｄｐｏｔａｓｓｉｕｍ，ｏｆｔｅｎｉｎｔｈｅｆｏｒｍｏｆｏｒｇａｎｉｃｍａｔｔｅｒｉｎｖｏｌｖｅｄｉｎｔｈｅｍｅｔａｂｏｌｉｃｐｒｏｃｅｓｓｏｆｖｅｇｅｔａｔｉｏｎ，ｐｒｏｍｏｔｉｎｇｔｈｅｇｒｏｗｔｈｏｆｅａｒｌｙｐｌａｎｔｒｏｏｔｓａｎｄｉｍｐｒｏｖｅｃｒｏｐｙｉｅｌｄ．Ｐｏｔａｓｓｉｕｍｃｏｎｔｅｎｔｉｓｃｏｍｐａｒａｂｌｅｔｏｔｈａｔｏｆｎｉｔｒｏｇｅｎａｎｄｅｘｉｓｔｓｍａｉｎｌｙｉｎｔｈｅｆｏｒｍｏｆｉｎｏｒｇａｎｉｃｓａｌｔｓ．Ｉｎｐｏｔａｓｓｉｕｍｄｅｆｉｃｉｅｎｃｙ，ｃａｒｂｏｈｙｄｒａｔｅｍｅｔａｂｏｌｉｓｍｉｓｄｉｓｔｕｒｂｅｄ，ｃｈｌｏｒｏｐｈｙｌｌｉｓｄｅｓｔｒｏｙｅｄ，ｌｅａｆｍａｒｇｉｎｓａｒｅｓｃｏｒｃｈｅｄａｎｄｒｕｆｆｌｅｄ，ａｎｄｔｒａｎｓｐｉｒａｔｉｏｎｒａｔｅｉｓｓｕｂｓｅｑｕｅｎｔｌｙａｆｆｅｃｔｅｄ．Ｓｐｅｃｔｒａｌｒｅｍｏｔｅｓｅｎｓｉｎｇｔｅｃｈｎｏｌｏｇｙｃａｎｂｅｕｔｉｌｉｚｅｄｔｏｓｔｕｄｙｔｈｅｒｅｆｌｅｃｔａｎｃｅｐｒｏｐｅｒｔｉｅｓｏｆｃｒｏｐｌｅａｖｅｓ．Ｓｐｅｃｔｒａｌｒｅｍｏｔｅｓｅｎｓｉｎｇｔｅｃｈｎｏｌｏｇｙｉｓｇｒａｄｕａｌｌｙａｐ⁃ｐｌｉｅｄｔｏｔｈｅａｇｒｏｆｏｒｅｓｔｒｙａｓｒｅｍｏｔｅｓｅｎｓｉｎｇｐｌａｔｆｏｒｍｓ，ｏｐｔｉｃａｌｓｅｎｓｏｒｓａｎｄｒｅｌａｔｅｄｔｅｃｈｎｏｌｏｇｉｅｓｄｅｖｅｌｏｐｉｎｇ．Ｉｔｉｓａｎｅｆ⁃ｆｅｃｔｉｖｅｍｅａｎｓｔｏｏｂｔａｉｎｎｕｔｒｉｅｎｔｅｌｅｍｅｎｔｉｎｆｏｒｍａｔｉｏｎｗｈｉｃｈｕｓｅｓｒｅｆｌｅｃｔａｎｃｅｓｐｅｃｔｒａｌｄａｔａｔｏｅｓｔｉｍａｔｅｌｅａｆｐｈｙｓｉｃｏｃｈｅｍｉ⁃ｃａｌｐａｒａｍｅｔｅｒｓ，ｗｉｔｈｌｏｗｃｏｓｔ，ｌａｒｇｅｏｐｅｒａｔｉｎｇｒａｎｇｅａｎｄｌｏｗｌａｂｏｒｄｅｍａｎｄ．Ｔｈｅｍｅｔｈｏｄｓａｎｄｍｅａｎｓｏｆｔｈｅｐｈｙｓｉｃａｌａｎｄｃｈｅｍｉｃａｌｎｕｔｒｉｅｎｔｄｉａｇｎｏｓｉｓｔｅｃｈｎｏｌｏｇｙａｒｅａｎａｌｙｚｅｄ，ｔｈｅａｄｖａｎｃｅｍｅｎｔｏｆｓｐｅｃｔｒａｌｒｅｍｏｔｅｓｅｎｓｉｎｇｔｅｃｈｎｏｌｏｇｙｉｓｐｏｉｎｔｅｄｏｕｔ，ａｎｄｔｈｅｂａｓｉｃｓｔｅｐｓｏｆｔｈｅｓｐｅｃｔｒａｌｒｅｍｏｔｅｓｅｎｓｉｎｇａｎａｌｙｓｉｓｔｅｃｈｎｏｌｏｇｙａｒｅｓｕｍｍａｒｉｚｅｄ，ｆｏｃｕｓｉｎｇｏｎｒｅｖｉｅ⁃ｗｉｎｇｔｈｅｓｐｅｃｉｆｉｃａｐｐｌｉｃａｔｉｏｎｓａｎｄｔｈｅｏｒｅｔｉｃａｌｒｅｓｅａｒｃｈｓｈｏｒｔｃｏｍｉｎｇｓｏｆｔｈｅｔｅｃｈｎｏｌｏｇｙｉｎｄｉａｇｎｏｓｉｎｇｅｓｓｅｎｔｉａｌｎｕｔｒｉｅｎｔｓ林业工程学报第８卷ｓｕｃｈａｓｎｉｔｒｏｇｅｎ，ｐｈｏｓｐｈｏｒｕｓａｎｄｐｏｔａｓｓｉｕｍｉｎｃｒｏｐｓｉｎｒｅｃｅｎｔｙｅａｒｓ．Ｔｈｅｎｅｃｅｓｓｉｔｙｏｆｔｒａｃｅｎｕｔｒｉｅｎｔｅｌｅｍｅｎｔｄｅｔｅｃｔｉｏｎｉｓｐｒｏｐｏｓｅｄ，ａｎｄｔｈｅｍｕｌｔｉ⁃ｎｕｔｒｉｅｎｔｓｐｅｃｔｒａｌｄａｔａｂａｓｅａｎｄａｌｇｏｒｉｔｈｍｏｐｔｉｍｉｚａｔｉｏｎａｒｅｐｒｏｐｏｓｅｄｔｏｐｒｏｍｏｔｅｔｈｅｅｓｔａｂｌｉｓｈ⁃ｍｅｎｔｏｆｍｕｌｔｉ⁃ｎｕｔｒｉｅｎｔｓｐｅｃｔｒａｌｄａｔａｂａｓｅｓａｎｄａｌｇｏｒｉｔｈｍｓｉｎｏｒｄｅｒｔｏｉｍｐｒｏｖｅｔｈｅａｃｃｕｒａｃｙａｎｄｃｏｎｖｅｎｉｅｎｃｅｏｆｎｕｔｒｉｅｎｔｄｉａｇｎｏｓｉｓｉｎｌａｒｇｅａｒｅａｓｏｆｃｒｏｐｓ．Ｋｅｙｗｏｒｄｓ：ｃｒｏｐ；ｒｅｍｏｔｅｓｅｎｓｉｎｇ；ｎｕｔｒｉｅｎｔｅｌｅｍｅｎｔ；ｎｕｔｒｉｅｎｔｄｉａｇｎｏｓｉｓ；ｓｐｅｃｔｒａｌｄｅｔｅｃｔｉｏｎ㊀㊀我国是传统农林业大国，作物种植面积和产量皆居世界前列［１］㊂氮磷钾等主要营养元素与作物的生长密切相关，合理施用可使产量增加２．４６倍以上［２］㊂当前作物在生长过程中存在过量施肥等不合理情况，既影响作物生长，也易引发环境问题㊂实现作物生长各个阶段的实时营养诊断可以为农林业从业人员及时调节施肥用量，进而优化种植模式㊁减少环境污染提供参考㊂目前的作物营养诊断技术尚未达到大面积实时诊断的要求㊂笔者介绍了作物营养诊断的基本手段，对比当前主流物理与化学诊断技术的特点，对其优缺点进行分析，指出光谱遥感技术是较理想的诊断手段，并从主流的多光谱和高光谱遥感技术入手，重点综述了光谱遥感技术在常见作物氮磷钾等必需元素的营养诊断中的应用成果及研究进展，最后分析存在的问题与挑战，为后续研究提供技术参考㊂１㊀作物营养诊断技术研究现况目前，主流的作物营养诊断技术包括化学诊断和物理诊断两大类㊂化学诊断常见手段包括植株化学㊁土壤养分和酶学诊断，物理诊断则包括声学㊁电学和光学诊断㊂１．１　现有作物营养诊断技术１．１．１㊀化学诊断技术化学诊断是通过化学反应测定植株体内的营养元素含量水平，与正常或异常植株标本进行直接比较而作出丰缺判断的诊断技术㊂其包括植株化学诊断㊁土壤养分诊断和酶学诊断［３－５］等，通过在田间㊁林间采集样本并在实验室环境下对植株以及土壤的营养元素进行理化分析㊂植株营养诊断技术包括凯氏定氮法［３］，即通过氧化剂消煮分解样品有机含氮化合物进行测定；微量元素测定则可以通过原子吸收光谱法，能直接反映作物的营养状况，是判断营养丰缺最可靠的手段㊂作物通过汲取土壤中营养元素供给自身生长所需，土壤养分诊断［４，６］通过比色分析法检测生长地域土壤配比的土壤浸提液中的养分情况，间接判断作物营养状况，有一定的滞后性㊂酶学诊断技术［５］则是通过检测植株酶促反应代谢产物含量，判断植株酶含量与活性情况，以此进行作物营养元素含量水平的诊断㊂大多数作物不同生长阶段和不同组织器官的营养元素含量临界值已基本研究确定㊂化学诊断技术能有效进行早期营养诊断和潜在性的缺素判断，但存在损伤植株，不同地域生长环境差异性较大，标准环境的临界值无法对不同地域的作物营养状况进行科学诊断，且操作烦琐，消耗大量检测时间等一系列问题，在农林业方面的推广存在限制㊂１．１．２㊀物理诊断技术物理诊断是指通过声学㊁电学和光学等物理手段对作物的营养状况进行诊断㊂其中，声学诊断主要是通过发射超声波进入作物内部探测缺陷［７］，抑或利用振动声学技术，通过物体撞击作物本身产生声信号进行物质检测［８］㊂电学诊断主要根据作物的介电特性，利用电极片对其物理成分进行检测［９］㊂目前主流的作物营养光学诊断技术主要是叶片及冠层尺度和区域尺度的光谱诊断，利用作物叶片细胞㊁色素㊁含水量对光线的吸收和反射的程度不同进行光谱分析和营养诊断㊂叶片及冠层尺度的光谱采集主要利用地面便携式光谱仪（如ＦｉｅｌｄＳｐｅｃ４光谱仪），但易受外界光照强度变化影响，易用性差，尤其是面对高大经济林木局限性较大㊂区域尺度的光谱遥感诊断主要是通过机载或星载式光谱仪（如ｎａｎｏ⁃Ｈｙｐｅｒｓｐｅｃ成像光谱仪，高分五号卫星）进行远程㊁大面积的检测，可以克服地面便携式光谱仪诊断的局限性㊂主要在粮食估产［１０］㊁病虫害识别［１１］㊁作物种类识别［１２］㊁作物长势监测［１３］等领域有广泛应用㊂综合比较，如表１所示，化学诊断操作复杂，成本高，耗时长；物理诊断中的声学诊断受噪声影响大；电学诊断对检测仪器精度要求高；叶片及冠层尺度的光谱诊断效率低，受作物立地条件和生长状态影响；区域尺度的光谱遥感诊断能克服其他营养诊断技术存在的弊端，具有作业覆盖面积大㊁效率高等优点［１４－１５］㊂４１㊀第６期蒋雪松，等：基于光谱遥感技术的作物营养诊断研究进展表１㊀不同作物营养元素诊断法的优缺点Ｔａｂｌｅ１㊀Ａｄｖａｎｔａｇｅｓａｎｄｄｉｓａｄｖａｎｔａｇｅｓｏｆｄｉｆｆｅｒｅｎｔｃｒｏｐｎｕｔｒｉｅｎｔｄｉａｇｎｏｓｔｉｃｍｅｔｈｏｄｓ方法尺度优点缺点化学诊断法适用于多种营养元素复合诊断，缺素早期预防操作难度大，存在破坏性，不适大面积诊断声学诊断法能同时获取样本力学性能存在较小破坏性，外界噪声对声音信号的检测影响大电学诊断法操作简单，能获取样本内部整体信息电极测量仪属敏感仪器，对测量精度要求高光学诊断法叶片及冠层尺度成本较低，响应迅速冠层高度等因素限制使用场区域尺度适于大面积的缺素诊断和早期预防机载与星载平台成本高，星载光谱仪空间分辨率较低，不利于实验推广１．２㊀作物光谱遥感技术根据数据采集方式的不同，光谱遥感技术可以分为非成像式和成像式㊂非成像式通常是对计算光谱探头采集的视场角之内平均光谱进行研究［１６］，涉及光谱范围通常包括可见光（ＶＩＳ）至短波红外线（ＳＷＩＲ）（４００２５００ｎｍ）㊂成像式主要包括推扫式和快照式，获取光谱信息和图片信息二合一的光谱图像［８］，相较于非成像式，其额外的图片信息反映的作物信息更加丰富㊂主流的光谱遥感技术根据采集的波段个数也可分为多光谱遥感技术和高光谱遥感技术㊂多光谱遥感技术采集的图像波段较少（红波段㊁绿波段㊁蓝波段㊁可见光㊁热红外㊁近红外波段等）㊂高光谱图像一般是将全波段分割成１５ｎｍ的连续波段，分辨率更高，能够获取更多样本信息，相对而言数据处理难度也较大㊂光谱遥感技术通常包括采集冠层遥感光谱数据㊁遥感信息预处理㊁筛选敏感波段和特征植被指数㊁建立模型和评估模型等典型步骤，其流程如图图１㊀光谱遥感诊断流程Ｆｉｇ．１㊀Ｓｐｅｃｔｒａｌｒｅｍｏｔｅｓｅｎｓｉｎｇｄｉａｇｎｏｓｉｓｆｌｏｗｃｈａｒｔ１．２．１㊀光谱数据预处理方法实际实验操作过程中，叶片及冠层尺度光谱图像与区域尺度光谱图像在数据预处理步骤上稍有不同，由于区域尺度图像传感器与目标距离远，光谱仪易受空间辐射和云层干扰，预处理第一步需进行辐射校正㊁大气校正和正射校正操作，剔除大气㊁太阳反射对目标区域反射率的干扰，提高目标的目视效果㊂而对于叶片及冠层尺度光谱图像，则无须进行辐射校正㊁大气校正等操作，可以直接提取光谱图像感兴趣区（ＲＯＩ）内光谱反射率谱线进行后续处理㊂预处理第二步是剔除光谱采集过程中光强不均㊁传输噪声等因素的干扰，常用处理方法有基线校正㊁散射校正㊁平滑处理和尺度缩放４类［１７］㊂基线校正可以消除噪声和漂移对有效信号的影响，将光谱基线人为拉回０基线上，常用方法有一阶导㊁二阶导等㊂散射校正用来消除散射水平不同带来的光谱差异对诊断结果的影响，可以有效增强光谱与数据的相关性，常用方法包括多元散射校正（ＭＳＣ）和标准正态变量变换（ＳＮＶ）［１８］等㊂平滑处理进行平滑滤波，可以提高光谱信息的平滑性，提高信噪比，常用方法包括ＳＧ平滑法和移动窗口平滑等㊂尺度缩放可以缩小数据尺度之间的差异性，常用方法包括：中心化㊁最大最小归一化和标准化等㊂同时，为了解决光谱遥感技术中空间分辨率与光谱分辨率相互制约的问题：学者也采用空⁃谱遥感信息融合技术，将不同空间㊁光谱分辨率的遥感图像进行融合，获得同时具有高空间㊁谱分辨率的遥感影像［１９］，主要包括全色⁃多光谱融合㊁全色⁃高光谱融合㊁多光谱⁃高光谱融合等技术，可以有效提高光谱遥感数据质量㊂１．２．２㊀光谱遥感特征提取方法在光谱数据的处理过程中，对遥感数据进行加工，获得的各类型光谱参数能增强作物营养诊断能力，如基于光谱位置的特征参数（三边参数），基５１林业工程学报第８卷于光谱波段的植被指数以及敏感波段组合㊂这能使筛选出来的光谱特征与样本化学成分之间有较强的相关性，同时提高处理速度㊂光谱数据特征提取的方法主要有逐步回归（ＳＲ）㊁无信息变量消除法（ＵＶＥ）㊁偏最小二乘法（ＰＬＳ）㊁主成分分析（ＰＣＡ）㊁人工神经网络（ＡＮＮ）㊁独立成分分析（ＩＣＡ）和连续投影算法（ＳＰＡ）［２０］等，可以有效降低后期建模的复杂程度，提高鲁棒性㊂同时，学者也尝试提取光谱遥感图像的空间特征（如纹理特征㊁形态学特征等）进一步提升光谱遥感信息的处理能力，提高数据处理的可靠性［２１］㊂１．２．３㊀建模分析方法回归模型将建立作物样本化学元素含量数值与光谱反射率数据之间的对应关系㊂常用机器学习算法有多元线性回归（ＭＬＲ）㊁偏最小二乘法（ＰＬＳ）㊁主成分回归（ＰＣＲ）等定量模型；人工神经网络（ＡＮＮ）㊁支持向量机（ＳＶＭ）㊁ｋ⁃近邻算法（ＫＮＮ）等定性模型；同时由于深度学习回归模型具有较强非线性拟合能力，如深度森林（ＤＦ）也被尝试用于小数据量高光谱数据建模［２２］１．２．４㊀模型评价指标评估回归模型的过程中，通常会用到一些统计参数，如均方根误差（ＲＭＳＥ）㊁决定系数（Ｒ２）或相关系数（Ｒ）等㊂通常情况下，预测模型的ＲＭＳＥ越小，相关系数或决定系数越大，模型的性能越好㊂２㊀光谱遥感技术在作物营养诊断方面的具体应用㊀㊀由于施肥水平㊁作物生长土壤基质和作物生长阶段等差异性因素的影响，作物对于必需营养元素的需求也具有时间性和地域性的差异［２３］㊂作物的叶片作为主要的营养元素丰缺指示器，通过叶片的颜色㊁卷曲和干枯程度等性状可以对作物本身的营养状况进行判断㊂通过光谱遥感技术可对作物叶片的反射率特性进行研究（图２）㊂由于地面的光谱信息采集能力有限，光谱遥感技术能从高空视角实现作物营养元素含量信息的快速获取，便于掌握作物缺素情况，从而指导农林业从业人员科学施肥㊂图２㊀叶片的光谱反射率特性Ｆｉｇ．２㊀Ｓｐｅｃｔｒａｌｒｅｆｌｅｃｔａｎｃｅｐｒｏｐｅｒｔｉｅｓｏｆｌｅａｆｂｌａｄｅｓ２．１㊀必需营养元素营养诊断氮㊁磷㊁钾是植物生长发育的三大必需营养元素，其含量的丰缺直接影响作物生长和产量等㊂在光谱遥感技术对氮磷钾三大营养元素的诊断研究中，王人潮等［２４］在２０世纪９０年代测定了水稻（Ｏｒｙｚａｓａｔｉｖａ）冠层营养元素光谱特征及其敏感波段，为后续研究提供参考㊂近年来对磷和钾元素的研究也逐渐增多，且朝着多种营养元素共同作用场景下的诊断㊁诊断过程高效便利安全等方向快速发展㊂基于光谱遥感技术作物营养诊断主要包括基于直接光谱和基于植被指数㊂基于植被指数根据地面植被中叶绿素㊁水分等不同物质的光谱差异，可以减少土壤㊁大气等无关特性等信息对诊断的影响，更精确反映植被特征㊂基于直接光谱则是利用全波段高光谱数据或通过筛选与营养元素相关性高的光谱敏感波段进行建模和营养诊断㊂２．１．１㊀氮元素的光谱诊断分析氮元素是植物细胞蛋白质的主要成分，也是叶绿素㊁酶㊁激素等重要代谢有机化合物的组成成分，在生命活动过程中占据重要地位㊂氮含量过少将导致作物叶片叶绿素合成速率变缓，叶片中心与叶脉区域颜色呈黄色；过多则导致细胞壁变薄，茎枝骤长，抗逆性差，严重影响作物长势㊁产量及品质［２５］㊂６１㊀第６期蒋雪松，等：基于光谱遥感技术的作物营养诊断研究进展由于氮元素含量与叶绿素密切相关，叶绿素在红光和蓝光波段有较强的吸收率，同时红边波段的形状和位置会随氮元素的丰缺而改变，可以据此进行作物氮含量的光谱营养诊断㊂基于直接光谱是通过筛选与氮含量相关的光谱敏感特征波长来进行建模与预测，学者多使用高光谱遥感进行数据的采集并进行敏感波段的筛选㊂Ｈｕ等［２６］应用ＰＬＳ⁃ＤＡ㊁ＳＶＭ㊁极限学习机（ＥＬＭ）和卷积神经网络（ＣＮＮ）模型构建橡胶树（Ｈｅｖｅａｂｒａ⁃ｓｉｌｉｅｎｓｉｓ）氮含量估算模型，敏感波段为８３９，１６７９，１８２９，２０５９，２１８４，２３７０ｎｍ，准确率达９７．７３％㊂Ｃｈｅｎ等［２７］证明非线性建模方法优于线性方法，提取苹果（Ｍａｌｕｓｐｕｍｉｌａ）树冠层氮元素敏感波段并建模，Ｒｆｒｏｇ⁃ＥＬＭ的模型获得最佳结果（Ｒ２＝０．８４３）㊂基于植被指数的氮含量检测中较常见的做法是通过拍摄光谱遥感影像，获取可见光㊁红边和近红外等波段的光谱信息，筛选已有植被指数（表２）或自我构建合适的植被指数，研究与氮元素之间的相关性㊂Ｏｓｃｏ等［２８］使用基于无人机传感器获取的柑橘（Ｃｉｔｒｕｓｒｅｔｉｃｕｌａｔａ）多光谱图像中约３３个光谱指数，其中ＳＲ７５０／５５０和ＴｒｉＶＩ指数与其冠层氮元素相关性较好，随机森林算法在预测氮含量方面的性能最好（Ｒ２＝０．９０）㊂李美炫等［２９］则证明绿光和红光波段为苹果树冠层氮含量敏感波段（Ｒ２＝０．７７４）㊂同时也有学者对比叶片尺度与区域尺度的营养诊断技术，在冬小麦（Ｔｒｉｔｉｃｕｍａｅｓｔｉｖｕｍ）重要生长阶段推荐使用叶片尺度的光谱诊断手段以避免区域尺度的星载传感器易受的云层影响［３０］㊂表２㊀常见光谱指数及其计算公式Ｔａｂｌｅ２㊀Ｃｏｍｍｏｎｓｐｅｃｔｒａｌｉｎｄｉｃｅｓａｎｄｔｈｅｉｒｃａｌｃｕｌａｔｉｏｎｆｏｒｍｕｌａｅｓ光谱指数计算公式参考文献差值植被指数（ＤＶＩ，ＩＤＶ）ＩＤＶ＝Ｒｎｉｒ－Ｒｒｅｄ［３１］绿色归一化差值植被指数（ＧＮＤＶＩ，ＩＤＮＤＶ）ＩＧＮＤＶ＝（Ｒｎｉｒ－Ｒｇｒｅ）／（Ｒｎｉｒ＋Ｒｇｒｅ）［３２］植被衰减指数（ＰＳＲＩ，ＩＰＳＲ）ＩＰＳＲ＝（Ｒ６８０－Ｒ５００）／Ｒ７５０［３３］再归一化差植被指数（ＲＤＶＩ，ＩＲＤＶ）ＩＲＤＶ＝（ＲＮＤＶＩˑＲＤＶＩ）１／２［３４］归一化植被指数（ＮＤＶＩ，ＩＮＤＶ）ＩＮＤＶ＝（Ｒｎｉｒ－Ｒｒｅｄ）／（Ｒｎｉｒ＋Ｒｒｅｄ）［３１］比值植被指数（ＲＶＩ，ＩＲＶ）ＩＲＶ＝Ｒｎｉｒ／Ｒｒｅｄ［３５］土壤调节植被指数（ＳＡＶＩ，ＩＳＡＶ）ＩＳＡＶ＝［（Ｒｎｉｒ－Ｒｒｅｄ）／（Ｒｎｉｒ＋Ｒｒｅｄ＋Ｌ）］ˑ（１＋Ｌ）［３６］三角植被指数（ＴＶＩ，ＩＴＶ）ＩＴＶ＝０．５ˑ［１２０ˑ（Ｒｎｉｒ－Ｒｇｒｅ）－２００ˑ（Ｒｒｅｄ－Ｒｇｒｅ）］［３７］简化冠层叶绿素含量指数（ＳＣＣＣＩ，ＩＳＣＣＣ）ＩＳＣＣＣ＝ＲＮＤＲＥ／ＲＮＤＶＩ［３８］㊀注：Ｒｎｉｒ为近红波段光谱反射率；Ｒｒｅｄ为红光波段光谱反射率；Ｒｇｒｅ为绿光波段光谱反射率；Ｒ５００㊁Ｒ６８０㊁Ｒ７５０分别为波长为５００，６８０和７５０ｎｍ的光谱反射率；ＲＮＤＶＩ为归一化植被指数光谱反射率；ＲＤＶＩ为差值植被指数光谱反射率；Ｌ为土壤调节系数，范围为０１；ＲＮＤＲＥ为归一化差异红边植被指数光谱反射率㊂㊀㊀此外，由于受成像设备与外部环境等因素的影响，光谱遥感数据在采集㊁转换㊁ＲＯＩ划分和信息处理等过程中容易产生误差及噪声㊂国外学者研究发现，与ＶＩ⁃ＳＬＲ和ＳＭＬＲ回归方法相比，ＲＦ回归方法可以显著提高无人机遥感的估计精度［３９］㊂Ｌｉ等［４０］开发了一种修正相关系数方法（ＭＣＣＭ）来筛选氮元素敏感波段，同时证明归一化差分冠层阴影指数（ＮＤＣＳＩ）可以去除无人机高光谱图像中的阴影，得到冠层光谱信息㊂同时通过筛选预处理方法也可提高氮含量诊断的准确度㊂使用ＳＧ和一阶导数组合对原始光谱进行预处理，适合用于后续苹果树冠层氮元素敏感波段的筛选工作［４１］㊂由于作物叶片氮元素与叶绿素含量相关性强，含量丰缺的表现明显，使得基于直接光谱与植被指数的估算模型性能在三大必需营养元素中拟合效果最好，利用多光谱数据进行回归即可达到高精度㊂但作物叶片氮元素在不同生长阶段呈规律性变化，原有高相关性植被指数难以适应作物的时间性变化㊂对于不同应用场景，模型的通用性将大打折扣㊂因此，必须在诊断过程中充分考虑作物生长环境和生长周期的变化性，使用大跨度和高时间分辨率的数据做支撑，分别建立氮元素估算模型㊂２．１．２㊀磷元素的光谱诊断分析磷元素在作物中的含量仅次于氮和钾，常以有机物形态参与植被代谢过程，促进早期植物根系的生长，并能提高抗逆性，提高作物产量［４２］㊂相比缺氮叶片，缺磷叶片光谱反射率另受花青素含量影响，同时作物的磷元素含量随生长周期的变化较大［４３］，作物间敏感波段存在较大差异性（表３），增加了磷元素含量的诊断难度㊂由于多光谱遥感光谱分辨率较低，在磷含量的研究方面实验的准确度表现不尽如人意，现有对于磷元素含量的监测研究主要基于高光谱遥感技术㊂Ｍａｈａｊａｎ等［４４］提出了用于遥感诊断磷元素的新植７１林业工程学报第８卷被指数：ＶＩＰ＿６７０＿１２６０检索水稻冠层磷元素含量㊂Ｐｉｎｉｔ等［４５］发现泰国水稻叶片磷酸盐（Ｐｉ）含量与近红外（７２０７９０ｎｍ）和可见光波段（绿黄边和红边）相关性较强（Ｒ２＞０．７０）㊂也有学者通过改进算法提高准确度，Ｇｕｏ等［４６］提出将ＭＣ⁃ＵＶＥ与ＳＰＡ算法相结合估计橡胶树叶片磷元素含量的模型，筛选出２４４９，２２４３，１６８６，１４０５，１１４４，７１３和４３７ｎｍ为其敏感波段㊂Ｎｏｇｕｅｒａ等［４７］使用ＰＬＳ㊁ＡＮＮ㊁ＳＶＭ和高斯过程回归对橄榄树（Ｃａｎａｒｉｕｍａｌｂｕｍ）叶片磷元素含量进行检测，其中ＡＮＮ方法效果最佳（Ｒ２＝０．８９）㊂对于三大营养元素之间的相互作用，Ｗａｎｇ等［４８］创新性地建立了甘蔗（Ｓａｃ⁃ｃｈａｒｕｍｏｆｆｉｃｉｎａｒｕｍ）多因子三次多项式ＰＬＳ和ＭＬＲ回归模型，提高了模型的性能㊂表３㊀常见作物磷元素敏感波段Ｔａｂｌｅ３㊀Ｐｈｏｓｐｈｏｒｕｓｓｅｎｓｉｔｉｖｉｔｙｂａｎｄｓｆｏｒｃｏｍｍｏｎｃｒｏｐｓ作物波段／ｎｍȡ３８０５００ȡ５００６２０ȡ６２０７６０ȡ７６０１５００＞１５００文献玉米（Ｚｅａｍａｙｓ）ɿɿɿ［４９］柑橘（Ｃｉｔｒｕｓｒｅｔｉｃｕｌａｔａ）ɿɿ［５０］苹果（Ｍａｌｕｓｐｕｍｉｌａ）ɿɿ［５１］水稻（Ｏｒｙｚａｓａｔｉｖａ）ɿɿ［５２］小麦（Ｔｒｉｔｉｃｕｍａｅｓｔｉｖｕｍ）ɿɿ［５３］番茄（Ｌｙｃｏｐｅｒｓｉｃｏｎｅｓｃｕｌｅｎｔｕｍ）ɿɿɿɿ［５４］㊀注：ɿ为作物的敏感波段㊂㊀㊀此外，筛选对比不同预处理方法和建模方法也能在一定程度上提高磷元素含量诊断的准确性㊂全东平［５５］发现采用小波去噪处理后，基于原始光谱建立的ＰＬＳＲ估算模型对柑橘叶片磷含量的建模效果较不经过小波去噪处理的估算模型有一定精度提升㊂Ｗａｎｇ等［５６］发现ＳＮＶ在预测磷元素和钾元素含量方面都显示出优于其他变量的模型性能㊂Ｏｓｃｏ等［５７］使用机器学习及反射率／一阶导数数据评估常量营养素和微量营养素含量，发现随机森林（ＲＦ）最适合用于建立大多数作物的磷元素含量估算模型㊂与氮元素模型研究相比，作物之间磷元素敏感波段的差异较大，导致不同作物敏感波段之间的可参考性较低，模型转移的难度系数高㊂如何建立稳定㊁适用性高的估算模型是磷元素营养诊断的关键㊂２．１．３㊀钾元素的光谱诊断分析虽然钾含量与氮元素相当，主要以无机盐的形式存在，在光合作用㊁碳水化合物的转运和储存㊁蛋白质的合成等过程中占重要作用㊂缺钾时，碳水化合物代谢会受到干扰，叶绿素被破坏，叶缘焦枯㊁褶皱，蒸腾速率也会随之受到影响［５８］㊂钾元素通过影响叶片化合物含量间接改变光谱反射率，无法像氮元素含量能直接通过叶绿素含量进行基本判断㊂与磷元素情况类似，针对钾元素的光谱特性研究相对较少㊂植被指数仅在区分作物严重缺钾（ＳＰＤ）和钾供应充足（ＡＳＰ）处理方面有效，而无法辨识中度钾缺乏（ＭＰＤ）［５９］㊂同时钾元素在特征光谱上存在相当明显的漂移现象，作物在各个生长阶段的光谱敏感波段分布情况不同，随着作物从萌芽向成熟结果的生长阶段推移，钾元素反射光谱会有部分相关性高的敏感波段向高波段偏移［６０］㊂针对此类情况，黄双萍等［６１］研究发现，在柑橘树不同物候期特征光谱漂移情况下，使用支持矢量回归（ＳＶＲ）建立全生育期钾元素含量估算能力良好，决定系数Ｒ２为０．９９４㊂同时Ｌｕ等［６２］实验证明短波红外区域的光谱反射率与水稻钾元素含量相关性较高㊂除了基于传统的直接光谱和植被指数营养诊断，石吉勇等［６３］利用缺钾元素叶片叶绿素含量偏低区域为叶片边缘的图像特征，对比黄瓜（Ｃｕｃｕｍｉｓｓａｔｉｖｕｓ）缺钾叶片及正常叶片高光谱图像的叶绿素分布情况，进行钾元素丰缺判断，正确率达９５％㊂同时也有学者将气象因素纳入考虑范畴［６４］，证明将日平均气温与湿度作为输入特征进行回归建模可以提高水稻钾元素营养诊断水平（Ｒ２＞０．７４）㊂钾元素对于作物的水汽运输和代谢作用有着深远影响，但现阶段对于作物钾元素的研究仍然较少，基于植被指数与敏感波段的统计模型存在精度低的问题㊂而钾元素缺乏的叶片表型性状明显，基于图像识别的钾元素诊断精度较高，笔者认为尝试光谱特征和图像纹理特征融合分析是下一阶段对作物钾元素诊断的关键方向㊂２．２㊀其他营养元素营养诊断随着植物营养学的不断研究发展，除了氮磷钾三大营养元素，国内外学者探索出更多与作物生长８１㊀第６期蒋雪松，等：基于光谱遥感技术的作物营养诊断研究进展发育相关的必需营养元素，其在调节树体酸度㊁合成叶绿素㊁激素运转和植物代谢等方面有重要的调节功能［６５］㊂目前，作物养分遥感监测研究主要集中在氮磷钾三大主要营养元素的估计上，只有少数尝试诊断其他营养元素，如钙㊁镁㊁硼㊁铁㊁锰等㊂近年来，使用光谱技术诊断作物其他营养元素含量的研究逐渐深入，但大多基于叶片和冠层尺度，而基于区域尺度的研究较少㊂早在２０世纪７０年代，国外学者就发现使用光谱的近红外波段能对作物体内部分含量较高的元素进行准确诊断［６６］㊂之后利用ＰＬＳＲ建模，估算豇豆（Ｖｉｇｎａｕｎｇｕｉｃｕｌａｔａ）Ｓ㊁Ｃａ㊁Ｎａ㊁Ｍｇ的元素含量［６７］㊂对于微量元素的敏感波段筛选和建模，瞿余红等［６８］采用ＳＲ和ＰＣＡ两种方法构建核桃树（Ｃａｒｙａｃａｔｈａｙｅｎｓｉｓ）叶片铁元素含量估测模型，其中以光谱７２５７３０，１１４０，１１４１，１４４３，１４４４和１４４５ｎｍ作为敏感波段构建的ＰＣＡ模型精度最佳㊂Ｔｈｕｍ等［６９］研究葡萄（Ｖｉｔｉｓｖｉｎｉｆｅｒａ）藤叶不同微量元素的光谱反射率特征（Ｒ２＞０．６），并以此验证利用微量元素含量区分葡萄产地与品种的可行性㊂而在光谱预处理和建模方面，ｄｅＯｌｉｖｅｉｒａ等［７０］对多种营养元素进行诊断，发现一阶导数可更准确地预测硫元素含量（Ｒ２＝０．８５），使用对数变换可以更准确估计钙（Ｒ２＝０．８１）和镁（Ｒ２＝０．２２）元素含量㊂同时Ｒａｍｄａｓ等［７１］对芒果（Ｍａｎｇｉｆｅｒａｉｎｄｉｃａ）叶常量和微量营养元素进行研究，发现使用ＰＬＳＲ组合机器学习模型的方法是预测大多数营养素的最佳方法，铁㊁铜㊁硼元素的预测精度良好（Ｒ２ȡ０．９５）㊂Ｈａｒｉｈａｒａｎ等［７２］则开发了一种使用有限差分近似（ＦＤＡ）和双变量相关（ＢＣ）分析高光谱数据的新方法，以区分健康鳄梨（Ｐｅｒｓｅａａｍｅｒｉｃａｎａ）枯萎病㊁氮元素和铁元素丰缺㊂国内外的作物微量元素研究较少，且大多基于便携式高光谱仪，同时微量元素缺乏所导致的表型症状较小，多光谱遥感技术诊断难度大㊂笔者认为基于高光谱遥感技术的微量元素营养诊断潜力巨大，是下一阶段的研究重点㊂３㊀问题与展望尽管在作物营养元素含量诊断过程中，与化学计量学相互结合的光谱遥感技术在作物常量与微量元素诊断等方面表现良好，具有相当广阔的应用前景与市场，但在其实际应用时仍存在问题有待解决㊂１）在检验的营养元素方面，采用单一生长阶段的单一营养元素敏感波段探讨整个生育期作物生理状态和营养状况的研究较多㊂然而，随着作物生长阶段的推移，叶片的光谱反射率将伴随叶片的含水量㊁细胞结构等生化参数变化而发生变化，从而导致光谱反射率与叶片营养元素含量的统计学模型改变，所建立的估算模型难以适用到其他生育时期㊂因此亟须筛选作物不同生长阶段的敏感波段，并利用敏感波段构建光谱指数，以此提高不同生育时期的营养元素含量光谱模型的精度㊂同时，现阶段的作物营养元素研究大多是针对单一营养元素的诊断，对于作物多种营养元素之间的相互作用对光谱特性影响机理的研究较少，对于作物的营养元素丰缺情况缺乏较全面的了解㊂２）对于作物中微量元素含量的光谱诊断研究较为鲜见㊂微量元素在作物代谢过程中起着重要作用，对植物光谱特征的影响与氮㊁磷㊁钾等必要营养元素具有相似性，但丰缺影响差异性大㊂作物微量营养元素的定量化诊断更为少见，根据研究作物样本所建立的微量元素估算模型精度是否能满足后续营养元素补给的需要仍有待进一步研究㊂３）相较于多光谱遥感技术，高光谱遥感技术受制于高昂的设备成本以及缓慢的图像处理速度，应用场景局限性较大，而多光谱遥感技术在诊断估算精度上表现稍差㊂由于高光谱数据变量多，因此基于高光谱遥感的营养诊断在分析时需要比较多种算法和获取大量训练样本才能达到较高的识别精度，这将极大地增加田间作业的工作量和诊断难度㊂４）国内外研究大多只是建立了统计学模型，并未探寻微量元素缺乏所导致的植株生理形态变化与光谱反射率变化之间的因果关系，没有真正揭示微量元素的光谱响应机理㊂其受限于地面实测数据，具有一定的时间和对象局限性，无法反映作物生长全过程，普适性不高，不利于全面推广应用㊂数字孪生技术可以模拟㊁验证㊁预测作物全生育期变化过程［７３］，有效解决统计学模型的局限性，但技术尚未应用于作物营养诊断领域㊂综上所述，光谱遥感技术在作物营养诊断的后续研究可以从以下几个方面入手：１）目前利用地物光谱仪诊断作物营养元素的研究较为深入，而对于无人机遥感或卫星遥感的研究仍然较少㊂因此，如何实现从地面光谱到遥感光谱数据的同化，加速作物营养元素诊断研究进程十分关键㊂２）开发建立各类作物营养元素的光谱信息数９１。

基于高光谱植被指数的加工番茄生长状况监测研究

ｄｉ１．９９ｊｉｎ１０一３７．０２０．０ｏ：０３６／．ｓ．０Ｏ１７２１．５０５ｓ
中图分类号：７ＴＰ９
文献标识码：Ａ
文章编号：００１７２１）２ — ０２ —０１０ —３７（０２１３０６５
（石河子大学新疆生产建设兵团绿洲生态农业重点实验室，河子８２０；石河子大学农学院，河子８２０） ① 石３０３② 石３０３
摘要：用ＡＳ利Ｄ地物非成像高光谱仪，获取２个加工番茄品种４平施氮量和３配置种植方式６关键生水种个育时期冠层的反射光谱数据，过计算得到归一化植被指数（ＤＩ、通ＮＶ）比值植被指数（ＶＩ、改型二次土壤调节Ｒ）修植被指数（Ａ１）红边归一化植被指数（ＥＤＩ，分别与其冠层叶绿素密度（Ｈ．、面积指数ＭＳＶ２和ＲＮＶ）并ＣＤ）叶（Ａ）地上鲜生物量（ＦＭ）地上千生物量（ＤＭ）行相关分析，检验，关系数均达到１的极显著水ＬＩ、ＡＢ和ＡＢ进经相
第２７卷第５期
２１年１月０２Ｏ
遥感信息
ＲＥＭ０ＴＥＳＥＮＳＮＧＮＦ０ＲＭＡＴ１ＩＩ０Ｎ
Ｖｏ｜７，Ｏ．ｌ２Ｎ５

氮磷钾浓度对番茄产量及番茄红素含量的影响

ＥｆｆｅｃｔｓｏｆＮｉｔｒｏｇｅｎ，ＰｈｏｓｐｈｏｒｕｓａｎｄＰｏｔａｓｓｉｕｍ
ＣｏｎｃｅｎｔｒａｔｉｏｎｏｎＴｏｍａｔｏＹｉｅｌｄａｎｄＬｙｃｏｐｅｎｅＣｏｎｔｅｎｔ
ＡｂｓｔｒａｃｔＵｓｉｎｇｔｈｅｑｕａｄｒａｔｉｃｏｔｈｒｏｇｏｎａｌｒｅｇｒｅｓｓｉｖｅｄｅｓｉｇｎｗｉｔｈｔｈｒｅｅｆａｃｔｏｒｓ，ａｓｏｉｌｌｅｓｓｃｕｌｔｕｒｅｅｘｐｅｒｉ — ｍｅｎｔｗａｓｃｏｎｄｕｃｔｅｄｔｏｓｔｕｄｙｔｈｅｅｆｆｅｃｔｓｏｆｎｉｔｒｏｇｅｎ，ｐｈｏｓｐｈｏｒｕｓａｎｄｐｏｔａｓｓｉｕｍｃｏｎｃｅｎｔｒａｔｉｏｎｓｏｎｔｏｍａｔｏｙｉｅｌｄａｎｄｌｙｃｏｐｅｎｅｃｏｎｔｅｎｔ．ＴｈｅｒｅｇＴｅｓｓｉｏｎｍｏｄｅｌｓｗｅｒｅｅｓｔａｂｌｉｓｈｅｄ，ａｎｄｔｈｅｓｉｎｇｌｅａｎｄｃｏｕｐｌｉｎｇｅｆｆｅｃｔｓｏｆｔｈｅｔｈｒｅｅｅｘｐｅｒｉｍｅｎｔａｌｆａｃｔｏｒｓｗｅｒｅｓｔｕｄｉｅｄ．Ｔｈｅｒｅｓｕｌｔｓｓｈｏｗｅｄｔｈａｔｒａｔｉｏｎａｌｆｅｒｔｉｌｉｚａｔｉｏｎｃｏｕｌｄｅｆｆｅｃｔｉｖｅｌｙｉｎｃｒｅａｓｅｔｏｍａ —

基于高光谱的加工番茄可溶性固形物检测方法研究

基于高光谱的加工番茄可溶性固形物检测方法研究引言：加工番茄是一种重要的蔬菜产品，具有丰富的营养成分和广泛的应用价值。

其中可溶性固形物（soluble solids，SS）是评价加工番茄品质的重要指标之一。

传统的测定方法通常使用手持式折光仪，但这种方法操作繁琐且测量结果受人为因素影响较大。

因此，研究高效准确的可溶性固形物检测方法对促进加工番茄品质控制具有重要的理论与实践意义。

方法：本研究采用基于高光谱的方法，尝试建立一种用于加工番茄可溶性固形物检测的新技术。

首先，收集了一批加工番茄样本，并测量了其可溶性固形物浓度。

然后，利用高光谱成像技术获取番茄样本的光谱数据。

在数据采集过程中，考虑了不同采集角度和距离对光谱信号的影响，并进行了合理的归一化处理以去除无关变量。

接着，利用主成分分析（principal component analysis，PCA）对高光谱数据进行降维处理，提取出重要的特征波段。

最后，采用偏最小二乘回归（partial least squares regression，PLSR）建立模型，并将模型应用于其他番茄样本的SS含量预测。

结果与讨论：通过对一批加工番茄样本进行测定，得到了高光谱数据和相应的可溶性固形物浓度。

经过PCA降维处理，选取出一组具有代表性的主成分，包含的信息量较多，能较好地反映样品的光谱特性。

利用这组主成分，通过PLSR方法建立了SS含量与高光谱数据的非线性预测模型。

通过与实际测定值的比对，发现该模型在加工番茄可溶性固形物检测方面表现出了较高的准确性和稳定性。

结论：本研究通过采用基于高光谱的方法，成功建立了一种用于加工番茄可溶性固形物检测的新技术，并验证了该方法的有效性和可行性。

该方法具有操作简便、结果准确、无需重复采集等优点，为实现加工番茄品质控制提供了一种新的技术手段。

未来的研究可进一步扩大样本规模，提高模型的可迁移性，并探索将该方法应用于其他农产品的质量检测中。

基于光谱特征和生理特征的番茄磷营养诊断方法

基于光谱特征和生理特征的番茄磷营养诊断方法李美清;李晋阳;毛罕平【摘要】为提高番茄磷营养水平检测精度,针对目前基于光谱分析的作物磷营养水平检测精度较低以及磷的光谱反射率受叶绿素和花青素影响的问题,提出了结合番茄样本光谱特征和生理特征的番茄磷营养水平诊断策略.以自行培育的25％、50％、75％、100％、150％ 5个梯度水平的磷营养胁迫水培番茄样本为研究对象,分别利用光谱分析仪和叶绿素仪采集不同磷营养水平番茄叶片的光谱数据和SPAD值,并对叶片花青素含量进行测定,提取各样本在不同波长下的光谱反射率和生理特征(SPAD值和花青素含量)作为番茄磷营养诊断的特征变量,基于最小二乘支持向量机建立诊断模型,通过改进粒子群优化算法获取支持向量机的最优参数.将120个番茄样本随机分为训练集和测试集分别进行实验.结果表明,采用本文的建模方法结合番茄样本光谱特征和生理特征能够建立精度较高的番茄磷营养水平预测模型,高于对比的其他方法,其相关系数和均方根误差分别为0.961 1和0.461,诊断效果较好,为番茄磷素的快速检测提供了新思路.【期刊名称】《农业机械学报》【年(卷),期】2016(047)003【总页数】6页(P286-291)【关键词】番茄;磷;光谱;营养诊断;支持向量回归【作者】李美清;李晋阳;毛罕平【作者单位】江苏大学现代农业装备与技术教育部重点实验室,镇江 212013;江苏大学现代农业装备与技术教育部重点实验室,镇江 212013;江苏大学现代农业装备与技术教育部重点实验室,镇江 212013【正文语种】中文【中图分类】S123;TP79磷是番茄生长所需的大量元素之一，是植物生长代谢过程中不可缺少的元素，它以多种方式参与作物体内的生理过程，对作物的正常生长和稳定产量有重要作用[1]。

番茄是深受全球消费者喜爱的农产品之一，其生长过程中若对植株营养情况误判，会造成缺素或营养过剩，降低作物品质，同时传统施肥方式又会导致肥料浪费或者环境面源污染[2]。

基于高光谱图像技术的番茄叶片氮素营养诊断

基于高光谱图像技术的番茄叶片氮素营养诊断朱文静;毛罕平;周莹;张晓东【摘要】通过提取番茄叶片高光谱图像的灰度、纹理特征将高光谱数据立方体转化成二维特征曲线,再利用特征选择方法CFS对所有波长进行筛选,确定灰度特征的特征波长:549,669,742,830 nm和纹理特征的特征波长:482,684 nm.每个样本共有12个特征变量,对这12个变量进行主成分分析,提取9个主成分因子作为模型的输入向量,采用支持向量机建立番茄氮素营养水平诊断模型,得到4个梯度氮素水平(N1,N2,N3,N4)番茄叶片的正确识别率为96％,88％,92％,92％.研究结果表明高光谱图像技术对番茄氮素营养水平具有较好的诊断作用.【期刊名称】《江苏大学学报（自然科学版）》【年(卷),期】2014(035)003【总页数】5页(P290-294)【关键词】番茄叶片;高光谱图像;灰度特征;纹理特征;特征选择;支持向量机【作者】朱文静;毛罕平;周莹;张晓东【作者单位】江苏大学现代农业装备与技术省部共建教育部/江苏省重点实验室,江苏镇江212013;江苏大学现代农业装备与技术省部共建教育部/江苏省重点实验室,江苏镇江212013;泰州机电高等职业技术学院,江苏泰州225300;江苏大学现代农业装备与技术省部共建教育部/江苏省重点实验室,江苏镇江212013【正文语种】中文【中图分类】S123;TP391.4植物生理学原理认为，叶片是对氮素营养状况反映最敏感的部位之一，氮素的多寡都会导致番茄叶片灰度、纹理等特征发生变化，所以以作物叶片为研究对象判断氮营养状况也成为近年来研究的热点［1-4］.目前，基于光谱技术的无损诊断方法，受背景和环境因素影响较大，通常采用点源采样方式，难以体现整个叶片区域的光反射特性差异，且无法充分表征作物营养亏缺时叶片丰富的外在特征信息.基于计算机视觉技术的诊断方法虽能很好地表征叶片的外在特征，但是无法获取反映叶片内部组织生理生化特性的信息.因此，无论光谱检测技术还是计算机视觉技术，在进行作物营养检测时，精度较低，不少研究主要是对某种营养元素缺或不缺的识别，很难实现养分胁迫的准确定量评价［1-2］.高光谱图像不仅包含样本在每个波段下的二维图像信息，还包含样本每个像素点的光谱信息.因此，高光谱图像技术是集图像与光谱信息于一身的新技术，兼有这两种技术的优势，既能对番茄氮素亏缺引起的灰度、纹理变化等特征进行可视化分析，又能对番茄叶片光谱特性的各向异性分布进行评价.因此本研究提出基于高光谱图像技术的番茄氮素营养诊断方法以提高番茄氮素营养诊断的全面性、可靠性和灵敏度，为氮营养水平快速诊断提供参考.1 材料与方法1.1 样本准备试验于2011年3月至2011年8月在江苏大学现代农业装备与技术教育部重点实验室Venlo型温室进行，供试番茄品种为美国朗姆斯.为保证样本培养不受土壤等因素的影响，采用珍珠岩盆栽的方式进行样本培育.在保证其他营养元素均衡的情况下，对氮素进行精确控制，以获取不同氮素胁迫的样本.营养液采用山崎配方，按4个氮素水平(N1，N2，N3，N4)处理，每 20 株为 1 个水平组，4 个水平组氮元素的质量分数依次为正常配方的0%，50%，100%，150%，其中100%是番茄正常生长所需要的量.1.2 全氮质量分数测定叶片样本全氮测定采用凯氏定氮法.称取80℃恒温烘后的样本1 g，加入5 mL浓硫酸加热至380℃消煮4 h，采用英国 SEAL公司AutoAnalyzer3式中:N为测试样本的全氮质量分数，%;c为样品液仪器观测值，mg;m为测试样本的质量，mg;w为测试样本的含水率，%.1.3 试验装置利用高光谱成像系统采集番茄叶片高光谱图像，系统主要由基于图像光谱仪的高光谱相机、150 W卤钨灯直流可调光源、二分支光纤线光源、位移台、控制器和计算机等部件组成.1.4 图像采集与处理在高光谱图像数据采集前，预先确定可见-近红外相机的曝光时间以保证图像的清晰，确定位移台的速度以避免图像尺寸和空间分辨率的失真.经过分析比较确定曝光时间为20 ms，位移台的移动速度为1.25 mm·s-1.数据采集时，首先进行黑场和白场标定，设定反射率范围，进而利用二阶巴特沃茨滤波器进行数字滤波，去除噪声干扰.高光谱图像数据的采集基于Spectral Cube软件平台;采集的光谱范围为390～1 050 nm，光谱分辨率为2.8 nm，采样间隔为1.2 nm，一次采集可获取512幅独立的高光谱图像.高光谱图像的处理基于 ENVI V.4.5 和 Matlab V.7.10.0 软件平台进行.型连续流动分析仪对测试样本进行分析.按照下式计算样本全氮质量分数:2 结果与分析番茄叶片在390～1 050 nm范围内的光谱曲线在450 nm以下和900 nm以上区域存在着明显的噪声，因此在后期的数据处理过程中，选取450～900 nm范围内的高光谱图像进行分析.高光谱图像数据立方体是由波长390～1 050 nm范围的512幅图像构成.如图1a 所示，x和y轴代表图像的空间位置，λ轴代表光谱的波长.当λ取某一固定值，可以得到λ波长下的图像，如图1b所示.高光谱图像数据包含的数据量比二维图像和一维光谱的数据量都要大得多.数据量过大影响后期数据处理的速度.因此，必须对其进行降维.提取λ轴上所有图像的灰度、纹理特征，并与对应的λ值表示成散点图，得到灰度特征曲线图1c和纹理特征曲线图1d，这样就将三维的数据立方体转化为二维特征曲线，从而实现降维.图1 高光谱图像数据块2.1 特征提取2.1.1 灰度特征叶片作为光合作用的主要器官，氮素的多寡导致番茄叶片灰度特征发生变化.当植株缺氮时，直接影响植株叶绿素的合成，使叶色褪淡，呈淡绿、黄绿.当植株氮素过剩时，叶片大而深绿，柔软披散，植株陡长［5］.因此由植株叶片颜色的变化而直接导致的图像灰度值的变化是表征作物营养水平的重要信息，并且具有一定的稳定性，对大小、方向都不敏感，表现出相当强的鲁棒性.不同氮素胁迫水平下的灰度特征曲线见图2，由图可知，在可见光区域内随着氮素水平的提高，灰度均值下降，而在近红外区域灰度均值的变化规律与可见光区域恰恰相反.这一结论与中国农科院的王克如等［6］对棉花叶片的研究结果一致.图2 不同氮素胁迫下番茄叶片灰度特征曲线2.1.2 纹理特征番茄生长过程中，不同氮素胁迫会对番茄叶片的叶脉纹路粗细和深浅、灰度分布等产生影响，叶片上这种有规则的纹路和颜色变化形成了纹理现象，正常与非正常营养状态叶片在纹理的粗细、分布走向上有较大差别.纹理特征是反映宏观意义上灰度变化规律的重要特征，是对图像象素灰度级在空间上分布模式的描述［7］.纹理特征作为高光谱图像分析的一个重要辅助信息源，能更好地兼顾图像宏观性质与细微结构2个方面，识别准确率更高.本研究采用灰度共生矩阵提取叶片图像区域的纹理特征，熵、二阶矩、协同性、相异性、对比度以及相关性，见图3.图3 不同氮素胁迫下番茄叶片纹理特征曲线由图3可知，在可见光区域内熵、二阶矩、协同性、相异性的特征曲线对不同氮素胁迫的番茄叶片的区分度较好，有利于识别，而对比度和相关性的区分度相对较差，提取特征时不予考虑.而在近红外区域内纹理特征对氮素营养水平的区分均不明显.因此，在后期的处理中选取前4个纹理特征的可见光波段区域进行分析. 2.2 特征波长的提取由灰度、纹理特征曲线(图2，3)可知，不同波长下的灰度、纹理特征值对不同氮素胁迫番茄叶片的区分度不同，且相邻波段的特征值之间具有较强的相关性，会造成大量的冗余信息.因此，对所有波长进行筛选，在不影响分类精度的前提下，去除多余特征，并选出最利于区分番茄叶片氮素胁迫的特征波长，以提高后期数据处理速度.特征选择方法(CFS)是根据基于相关性的启发式评价函数来选择属性子集，CFS不仅能过滤掉与类别相关性差，对预测结果无关联的特征，又能根据特征之间的高度相关性，剔除子集中冗余的特征.Merit是根据属性间相关测度对属性子集进行评价的函数，在特征选择过程中，作为子集的评价标准［3］，计算公式如下:式中:Merit值是包含k个特征的子集的评分是特征与类别之间的平均相关系数是特征与特征之间的平均相关系数.利用CFS方法并配合分散搜寻Scatter Search搜索方法分别提取灰度、纹理特征的特征波长，结果见表1.表1 CFS法提取灰度、纹理特征的特征波长Merit灰度 549，669，742，特征特征波长子集/nm 830 0.578 4纹理 482，684 0.325 0在表1列出的特征波长子集中，482，549 nm属绿光区域，669，684 nm属于红光区域，830 nm属于近红外区域.这主要由于叶绿素是含氮化合物，植株缺氮必然引起叶绿素减少，其他色素增多，叶片不同部位的颜色差异加剧，引起绿光区域的反射率发生变化，直接影响叶片高光谱图像灰度值的变化;同时叶绿素的分子结构又决定了对红光的强烈吸收作用，导致红光区域的反射率也发生变化;而缺氮致使叶片内部栅栏组织、海绵体退化，表面产生不均匀非线性分布的纹理，叶片内部结构多次散射，近红外区域反射率相对较高［8］.2.3 模型建立与结果支持向量机是目前应用比较广泛的分类方法，兼顾训练误差和泛化能力，在解决小样本、非线性、高维数、局部极小值等模式识别问题中表现出许多特有的优势［9］.本研究采用支持向量机对番茄氮素营养水平进行识别.根据所提取的特征波长，每个样本共有12个特征变量.这些特征变量之间存在一定的相关性，并且过多的特征变量也会影响支持向量机的学习速度.首先采用主成分分析对特征变量进行压缩，前9个主成分所对应的累积方差贡献率已到达99%，能解释原始数据99%的信息，且它们之间相互独立，消除了冗余信息，提高了模型的稳定性，因此，将提取的前9个主成分因子作为模型的输入变量.SVM的分类性能受到下面2个因素影响:①核函数形式;② 误差惩罚参数C以及核函数参数g.而误差惩罚参数以及核函数参数对分类结果的影响尤为突出［10］. 常用的核函数有线性核函数、多项式核函数、径向基核函数和Sigmoid核函数.线性核函数只有在样本数据线性可分的情况下才能得到较好的分类效果;多项式核函数当其阶次较高时会导致数值计算困难，耗费大量时间和资源;Sigmoid核函数收敛速度很慢.而在没有先验知识指导的情况下，采用径向基核函数往往能够得到较好的分类结果［10-11］，因此本研究选用径向基函数作为核函数.确定径向基核函数为核函数后，此时需要确定最重要的2个参数即惩罚因子C与核函数参数g.文中选用网格搜索法、基于遗传算法的寻优算法和基于粒子群算法的寻优算法选取最佳参数，见表2.表2 不同参数寻优方法选取的最优参数参数网格搜索法遗传算法粒子群算法C 48.765 3 12.658 1 5.619 7 g 0.128 1 1.692 9 0.856 3平均正确率/% 95.66 90.12 86.03由表2可以看出网格搜索法参数寻优效果最佳，与另2种方法相比其避免了陷入局部最优.惩罚因子为 48.765 3，核函数参数为 0.128 1.选取200个不同氮素胁迫的番茄叶片样本，将其中的100个样本作为训练集，其余的100个样本作为测试集，根据前文的讨论结果，设置模型参数，利用SVC法对样本集进行训练和模型预测精度分析.表3为番茄各氮素营养水平的预测结果，从中可以看出，总识别率为92%，番茄各氮素营养水平的正确识别率分别为96%，88%，92%，92%.表3 不同氮素胁迫番茄叶片的预测集识别结果施氮水平样本总识别率/数目判别结果N1 N2 N3 N4%N125 24 1 0 0 N2 25 3 22 0 0 N3 25 0 1 23 1 N4 92 25 00 2 23如表3所示，N1水平的样本最容易辨别出来，说明N1与其他3个水平的特征差异性最大，即极缺氮状态下的番茄叶片的特征性最强，其次是N3和N4，而N2水平样本的识别率相对较低，较容易被误判为N1.3 结论1)利用高光谱成像技术获得番茄叶片高光谱图像，提取高光谱图像的灰度、纹理特征，将高光谱数据立方体转化成二维特征曲线，再通过特征选择方法CFS对所有波长进行筛选，选取了4个灰度特征的特征波长和2个纹理特征的特征波长，实现高光谱数据的有效降维.2)根据所提取的特征波长，每个样本共有12个特征变量，对这12个变量进行主成分分析，提取前9个主成分因子数作为模型的输入向量，利用支持向量机建立番茄氮素营养水平诊断模型，模型的总识别率为92%，N1，N2，N3，N4正确识别率分别为96%，88%，92%，92%，说明利用高光谱图像技术对番茄氮素营养水平进行诊断是可行的.3)文中只对番茄氮素营养水平进行了诊断，今后将进一步利用高光谱图像技术对氮素含量进行无损检测，建立数学模型，给出番茄氮素营养水平综合评价，为作物营养水平快速诊断仪的开发提供参考.参考文献(References)【相关文献】［1］Graeff S，Claupein W，Schubert e of reflectance measurement for the early detection of N，P，Mg and Fe deficiencies in Zea mays［J］.Plant Nutr Soil，2001，164:445-450.［2］Pagola M，Ortiz R，Irigoyen I，et al.New method to assess barley nitrogen nutrition status based on image color analysis:comparison with SPAD-502［J］.Computers and Electronics in Agriculture，2009，65(3):213-218.［3］Hall Mark A.Correlation-based feature selection for machine learning［D］.Hamilton，New Zealand:The University of Waikato，1999.［4］石媛媛.基于数字图像的水稻氮磷钾营养诊断与建模研究［D］.杭州:浙江大学环境与资源学院，2011.［5］祝锦霞，邓劲松，石媛媛，等.基于水稻扫描叶片图像特征的氮素营养诊断研究［J］.光谱学与光谱分析，2009，29(8):2171-2175.Zhu Jinxia，Deng Jinsong，Shi Yuanyuan，etal.Diagnoses of rice nitrogen status based on characteristics of scanning leaf［J］.Spectroscopy and Spectral Analysis，2009，29(8):2171-2175.(in Chinese)［6］王克如，潘文超，李少昆，等.不同施氮量棉花冠层高光谱特征研究［J］.光谱学与光谱分析，2011，31(7):1868-1872.Wang Keru，Pan Wenchao，Li Shaokun，et al.Different nitrogencotton canopy spectral characteristics［J］.Spectroscopy and Spectral Analysis，2011，31(7):1868-1872.(in Chinese)［7］甘露萍，谢守勇，邹大军.基于计算机视觉的烤烟鲜烟叶含水量无损检测及Matlab实现［J］.西南大学学报:自然科学版，2009，31(7):167-170.Gan Luping，Xie Shouyong，Zou puter visionbased non-destructive determination of water content in fresh tobacco leaves of flue-cured tobacco and its implementation in Matlab［J］.Journal of Southwest Agricultural University:Natural Science Eidtion，2009，31(7):167-170.(in Chinese)［8］潘瑞炽.植物生理学［M］.北京:高等教育出版社，2001.［9］边肇祺，张学工.模式识别［M］.北京:清华大学出版社，2002.［10］奉国和.SVM分类核函数及参数选择比较［J］.计算机工程与应用，2011，47(3):123-124.Feng Guohe.Parameter optimizing for support vector machines classification［J］.Computer Engineering and Applications，2011，47(3):123-124.(in Chinese)［11］彭彦昆，黄慧，王伟，等.基于 LS-SVM 和高光谱技术的玉米叶片叶绿素含量检测［J］.江苏大学学报:自然科学版，2011，32(2):125-128.Peng Yankun，Huang Hui，Wang Wei，et al.Rapid detection of chlorophyll content in corn leaves by using least squares-support vector machines and hyperspectral images［J］.Journal of Jiangsu University:Natural Science Edition，2011，32(2):125-128.(in Chinese)。

转基因番茄的可见近红外光谱快速无损检测方法

转基因番茄的可见近红外光谱快速无损检测方法一、本文概述随着生物技术的快速发展，转基因技术在农业领域的应用日益广泛，转基因作物的商业化种植已经成为全球趋势。

然而，转基因作物的安全性和品质问题一直备受公众关注。

为了实现对转基因作物的有效监管和品质评估，无损检测技术的研究和应用显得尤为重要。

本文旨在探讨利用可见近红外光谱技术，对转基因番茄进行快速无损检测的方法，以期为转基因作物的品质控制和安全监管提供新的技术手段。

转基因番茄作为转基因作物的一种，其基因结构的改变可能导致光谱特性的变化。

可见近红外光谱技术作为一种非破坏性的检测方法，能够反映物质内部的结构信息，因此在转基因作物的检测中具有潜在的应用价值。

本文将详细介绍可见近红外光谱技术在转基因番茄检测中的应用原理、实验方法、数据处理以及结果分析等方面，为相关领域的研究提供参考和借鉴。

本文首先介绍转基因技术的背景、发展现状及其在农业领域的应用，然后阐述可见近红外光谱技术在作物检测中的应用原理和优势。

接着，本文将详细介绍实验材料、光谱采集设备、光谱预处理方法和数据分析方法，并通过实验验证可见近红外光谱技术在转基因番茄检测中的可行性和准确性。

本文将对实验结果进行讨论，分析可见近红外光谱技术在转基因番茄检测中的优势和局限性，并提出未来研究方向和建议。

通过本文的研究，希望能够为转基因作物的无损检测提供新的技术手段，为转基因作物的品质控制和安全监管提供科学依据，同时推动可见近红外光谱技术在农业领域的应用和发展。

二、文献综述转基因技术在现代农业中的应用越来越广泛，特别是在提高作物产量、增强抗病性、优化营养品质等方面发挥着重要作用。

然而，随着转基因作物的普及，其安全性和消费者接受度问题也日益受到关注。

因此，发展快速、无损的转基因作物检测方法对于确保食品安全、保护消费者权益具有重要意义。

近红外光谱技术作为一种快速、无损的检测方法，在农业和食品领域的应用逐渐受到重视。

该技术利用物质在近红外区域内的光谱特性，结合化学计量学方法，可以快速获取样品内部成分和结构信息。

基于高光谱漫透射成像整体检测番茄可溶性固形物含量

基于高光谱漫透射成像整体检测番茄可溶性固形物含量基于高光谱漫透射成像整体检测番茄可溶性固形物含量张若宇1,2，饶秀勤1,3，高迎旺1,3，胡栋1,3，应义斌1,3※【摘要】为了实现番茄可溶性固形物含量（soluble solids content，SSC）的有效检测，提出高光谱漫透射成像检测方法，对比该成像方式下不同姿态（果脐端面姿态BS、赤道圆周3姿态C1、C2、C3以及组合姿态C1C2C3）的检测效果。

首先对采集的不同姿态光谱图像，通过剪裁消除图像边缘噪声。

针对圆周赤道面姿态C1、C2和C3，进行了拼接处理，获得组合姿态图像C1C2C3。

其后对以上5种姿态图像进行单波段背景分割，获取目标区域，并统计不同姿态下番茄漫透射平均光谱。

最后利用漫透射光谱结合偏最小二乘回归（partial least squares，PLS）方法，对番茄SSC分别在450～720、720～990、450～990 nm 3个波段进行定量分析。

结果表明，组合姿态C1C2C3在3个波段区域上整体检测效果优于单个姿态的检测效果，其模型验证集均方根误差（root mean squared error of prediction，RMSEP）分别为0.299%、0.133%、0.151%；相关系数rp分别为0.42，0.89，0.90。

说明利用高光谱漫透射成像，获取组合姿态光谱图像，可以有效检测番茄SSC。

【期刊名称】农业工程学报【年(卷),期】2013(000)023【总页数】6【关键词】图像技术，光谱分析，果实，高光谱漫透射成像，成像姿态，番茄，可溶性固形物0 引言番茄（Lycopersicu mesculentum Mill.）因其营养丰富，又具药用价值[1]，。

基于显微高光谱成像技术的番茄叶片抗氧化酶活性检测研究

基于显微高光谱成像技术的番茄叶片抗氧化酶活性检测研究基于显微高光谱成像技术的番茄叶片抗氧化酶活性检测研究摘要：番茄被广泛栽培且具有重要的经济和营养价值。

为了了解番茄植物对环境胁迫的响应，本研究采用了基于显微高光谱成像技术的方法，研究了番茄叶片抗氧化酶活性的检测方法。

首先，我们收集了不同品种、生长期和处理条件下的番茄叶片样本。

然后，利用显微高光谱成像技术获取了叶片的高分辨率光谱图像。

在处理过程中，我们使用了酚类、过氧化物酶、超氧化物歧化酶等常用的抗氧化酶活性测定方法。

通过分析显微高光谱成像图像，可以直观地观察到番茄叶片在不同处理条件下的活性酶分布情况。

比较不同处理条件下抗氧化酶的活性水平，我们发现在环境胁迫下，番茄叶片中的抗氧化酶活性显著增加。

这表明番茄叶片能够通过调节抗氧化酶的活性来应对环境胁迫，维持细胞的稳定。

进一步分析显微高光谱成像图像，我们发现不同品种和生长期的番茄叶片在抗氧化酶活性上存在差异。

这些差异可能与植物基因型和生长阶段有关。

因此，了解番茄不同品种和生长期的抗氧化酶活性特征，对于选育和优化番茄品种具有重要意义。

除了抗氧化酶活性的研究，我们也注意到显微高光谱成像技术还能提供其他有关番茄叶片的信息。

例如，我们发现在光谱图像中，番茄叶片的色素含量和叶绿素荧光热点的分布也会受到环境胁迫的影响。

这些结果为我们深入研究番茄植物对于环境胁迫的响应机制提供了线索。

综上所述，本研究利用显微高光谱成像技术，研究了番茄叶片抗氧化酶活性的检测方法，并发现了抗氧化酶在番茄叶片中的分布特征与环境胁迫的关系。

这些结果对于番茄的品种改良和环境胁迫的应对机制研究具有一定的理论和实际意义。

关键词：番茄叶片；显微高光谱成像技术；抗氧化酶活性；环境胁迫；品种特综合以上研究结果，我们得出以下结论：通过显微高光谱成像技术研究发现，在环境胁迫下，番茄叶片中抗氧化酶的活性水平显著增加，表明番茄叶片能够通过调节抗氧化酶的活性来应对环境胁迫，维持细胞的稳定。

基于近红外光谱的番茄农药残留无损检测方法研究

基于近红外光谱的番茄农药残留无损检测方法研究摘要、以湖北地区番茄样品为研究对象，对获取的光谱特征信息进行分析。

确定了矢量归一化法为最优光谱预处理方法、对各个信息的主成分因子进行了优化，通过主成分分析提取主成分得分向量构成模式识别的输入，利用BP神经网络方法建立番茄有机磷农药残留的无损检测模型。

结果表明，当光谱信息主成分因子数为3时，建立的模型最优，预测的识别率达到0.96，训练误差为0.015，相关系数达到0.971。

关键词、番茄；近红外光谱；农药残留；神经网络中图分类号、0657.33；TS207.5+3 文献标识码、A 文章编号、0439-8114(2010)04-0961-03番茄是茄科中最重要的经济作物，以多汁浆果为产品。

它甜酸可口，味道鲜美，是人们较喜爱的果蔬之一。

番茄等鲜食农产品，在生长过程中易发生病虫害，使农药施用量加大。

所使用的农药并不能全部被植物吸收，大部分仍残留在果实表面，加之采摘后立即食用，其残留的农药对人们身体健康的影响和危害更直接和严重。

因此，研究农药残留的快速检测技术，在水果蔬菜上市之前对农药残留进行大量的快速抽检，确保人市产品安全无害具有重要意义。

目前，对果蔬等农产品农药残留的检测主要采用化学方法，一般是破坏性检测，它具有耗用有机试剂、制样繁琐且检测成本高等不利特点。

而近红外光谱技术是近年来快速发展的一种新型光谱分析技术，具有快速、准确、无污染及非破坏性等优点。

周小芳等用激光波长为1064nm的近红外傅立叶变换拉曼光谱仪对常见水果和常用农药进行拉曼测试并获得了农药的特征拉曼谱，周向阳等首次采用傅立叶变换近红外光谱法(FT－NIR)对十字花科、旋药科、菊科、伞形花科、苋科等二十余种叶菜类中有机磷农药残留的鉴别进行了研究。

但在基于近红外光谱的农药残留快速无损检测方面还存在很大研究空间。

该文通过对番茄整果样品的光谱分析，确定最优的光谱预处理方法，采用BP神经网络建立番茄整果有机磷农药残留的无损定性分析模型，并对该模型进行验证，为果蔬的无损检测提供依据。

1、下载文档前请自行甄别文档内容的完整性，平台不提供额外的编辑、内容补充、找答案等附加服务。
2、"仅部分预览"的文档,不可在线预览部分如存在完整性等问题,可反馈申请退款(可完整预览的文档不适用该条件!)。
3、如文档侵犯您的权益，请联系客服反馈,我们会尽快为您处理(人工客服工作时间：9:00-18:30)。

第31卷增刊1 农业工程学报V ol.31 Supp.1212 2015年1月Transactions of the Chinese Society of Agricultural Engineering Jan. 2015 基于高光谱的番茄氮磷钾营养水平快速诊断刘红玉，毛罕平※，朱文静，张晓东，高洪燕（1. 江苏大学农业工程研究院，镇江212013； 2. 江苏大学现代农业装备与技术省部共建教育部/江苏省重点实验室,镇江 212013）摘要：为了精确、快速和稳定的对番茄氮、磷、钾3种元素的营养水平进行诊断，该文提出利用反射光谱技术诊断方法，选用遗传算法优选波段；采用主成分分析方法提取敏感波长下的纹理特征；通过逐步回归、主成分回归、偏最小二乘法回归分别建立基于光谱和图像特征的番茄叶片氮、磷、钾素模型。

针对单一技术不能全面反映叶片营养信息的问题，采用人工神经网络对光谱和图像技术进行特征层的信息融合，建立了多信息融合的诊断模型，求得氮、磷、钾的相关系数R分别为0.9651、0.9216、0.9353；均方根误差RMSE分别为0.19、0.33、0.29。

结果表明采用光谱与图像的融合技术模型比单一光谱模型提高的精度分别为6.25%、3.97%、7.92%，比单一图像模型提高的精度为3.80%、5.43%、3.26%，有更好的诊断作用，能够实现对番茄作物氮、磷、钾素营养水平的高精度快速检测。

关键词：图像处理；光谱分析；信息融合；人工神经网络；番茄叶片；氮、磷、钾doi：10.3969/j.issn.1002-6819.2015.z1.025中图分类号：S123；TP79 文献标志码：A 文章编号：1002-6819(2015)- Supp.1-0212-09刘红玉，毛罕平，朱文静，等.基于高光谱的番茄氮磷钾营养水平快速诊断[J]. 农业工程学报，2015，31(增刊1)：212－220.Liu Hongyu, Mao Hanping, Zhu Wenjing, et al. Rapid diagnosis of tomato N-P-K nutrition level based on hyperspectral technology [J]. Transactions of the Chinese Society of Agricultural Engineering (Transactions of the CSAE), 2015, 31(Supp.1): 212－220. (in Chinese with English abstract)0 引言设施栽培作物生长周期短、产出量大、需肥量多，从而要求土壤肥力供给具有高消耗、高补充的特点[1]。

生产中设施栽培作物很容易出现氮、磷、钾等营养元素亏缺状况，严重影响了作物的产量和经济效益，迫切需要对其进行精确监测和诊断，实现养分的精确管理。

近几十年来，以无损技术为基础的营养诊断发展迅速，已成为园艺施肥的重要依据。

光谱诊断技术主要是利用叶绿素及内部有机组织的变化导致的光谱反射率特征的改变来反演作物的营养状况。

Read等发现棉花叶片的红边位置与近红外波段的比值与氮素具有较高收稿日期：2014-09-21 修订日期：2014-12-22基金项目：国家自然科学基金重点项目（61233006）；“十二五”国家科技支撑计划资助项目（2014BAD08B03）；江苏省高校自然科学基础研究重大项目（10KJA210010）作者简介：刘红玉，女，湖南湘潭人，研究方向为农作物营养检测。

镇江江苏大学现代农业装备与技术省部共建教育部/江苏省重点实验室，212013。

Email：hongyu1015@※通信作者：毛罕平，男，浙江宁波人，教授，博士，主要从事现代农业装备和设施农业环境控制技术的研究。

镇江江苏大学现代农业装备与技术省部共建教育部重点实验室，212013。

Email：maohp@ 的相关性[2]。

OiWahLiew等采集油菜叶片的光谱数据，对磷、铁素亏缺进行了预判[3]。

Fitzgerald 等利用光谱诊断对小麦氮素水平进行预测，所建立的小麦氮素模型预测的相对系数达到0.97，均方差为0.65[4]。

王磊等的研究表明350～730 nm 和1420～1 800 nm是玉米磷素营养的光谱敏感波段[5]，550 nm和720 nm 波段均能较好地反映作物氮素营养状况[6]。

毛罕平等对不同氮营养水平油菜的光谱响应进行了一些探索，使预测精度有一定的提高[7]。

张瑶等利用光谱分析技术建立苹果叶片氮素预测模型,结果表明采用支持向量机建立的氮素回归模型，其测定和验证绝对系数达到0.74以上 [8]。

黄双萍等对反射光谱进行各种形式预处理的基础上对柑橘叶片磷含量进行建模和磷含量预测取得最佳模型决定系数分别为0.905、0.881[9]。

邢东兴等对红富士苹果树氮、磷、钾含量与光谱反射率及其多种变式进行了相关性分析，并建立了偏最小二乘回归模型[10]。

图像技术利用作物营养缺乏所引起的生理特性和形态特征的变化，对纹理变化进行可视化分析。

Guatam和Panigrahi利用作物冠层图像和人工神经网络在植物营养亏缺的判断方面给出了多样化的研究手段和方法[11]；徐贵力和毛罕平等对无土增刊1 刘红玉等：基于高光谱的番茄氮磷钾营养水平快速诊断方法213栽培的番茄缺氮和缺钾叶片彩色图像进行分析,提取的颜色特征识别缺素番茄叶片的准确率在67%以上[12]；孙瑞东和于海业通过图像处理技术对黄瓜叶片含水量进行无损检测研究，并建立了叶片含水量与图像特征参数的Log-Modified回归模型[13]；毛罕平、张晓东等针对油菜水分胁迫的无损探测，研究了利用多光谱图像对油菜含水率进行定量分析的方法[14]；孙俊等用高光谱图像测量生菜叶片含水率，发现发棵期的PLS-ANN网络模型的生菜叶片水分预测平均误差率达到9.323%[15]。

国内外利用光谱和图像对农作物磷、钾元素含量的检测的研究已陆续开展，但与氮相比，该研究进展较缓慢，本研究以番茄为研究对象，对番茄叶片进行氮、磷、钾的营养检测。

本文采用反射光谱技术和图像技术分别建立番茄氮、磷、钾营养胁迫模型，精度偏低，误差有待改善，针对单一探测技术不足以准确、全面反映番茄营养胁迫的信息，利用高光谱兼有光谱技术和图像技术的优势，对植株营养亏缺引起的颜色、纹理、形态变化等特征进行可视化分析，结合对植株叶片光谱特性的各向异性分布进行评价，兼顾到叶片内外综合信息的检测。

选用信息融合进行综合分析处理，采用BP（back propagation）神经网络，即多层前馈式误差反向传播神经网络，对番茄的氮、磷、钾素胁迫水平进行诊断，突破不少研究只针对营养元素缺乏症状的识别和诊断的技术，有望建立番茄营养胁迫程度的识别模型，提高定量分析模型的精度、稳定性和灵敏度。

1 材料和方法1.1 样本培育与采集本研究以温室栽培作物番茄为研究对象，为了对氮、磷、钾营养水平进行精确控制，采用珍珠岩盆栽方式进行番茄样本的培育。

试验于2012年5月至2013年6月在江苏大学现代农业装备与技术教育部共建重点实验室Venlo型温室进行。

番茄品种为长江一号，采用“山崎”配方配制营养液，选用珍珠岩为基质进行无土栽培，培育纯正的缺氮、缺磷、缺钾样本，依次按标准配方的25%、50%、75%、100%和150%共5个营养水平进行处理，每个水平6株，通过调节营养液中氮、磷、钾离子的浓度，实现对番茄样本的营养水平的精确控制。

分别采集壮苗期、开花期、结果初期、结果中期和采收期的番茄叶片，在每个营养水平的样本中随机采集4株，由于不同层级的叶片营养元素含量差别较大，因此采取同一层级上相同叶龄（倒七叶）的叶片，采摘番茄倒七叶的羽状复叶叶轴左右两侧的3枚小叶，并装入自封袋中，立即送回光谱实验室采集数据，试验中为防止外界光环境的干扰，整个系统与外界隔离，开始光谱和图像采集测量，试验过程在暗室中进行。

1.2 仪器设备高光谱的光谱和图像数据采集基于Spectral Cube软件平台，由高光谱图像摄像仪、光源、高精密电控位移单元、光箱和计算机5个主要部分组成。

高光谱图像摄像仪（ImSpector V10E，SpectralImaging Ltd.，Oulu，Finland），由摄像机和光谱仪2部分组成，图像分辨率设置为672像素×512像素，光谱分辨率为2.8nm，光谱范围是390～1 050 nm，共512个波段。

光源系统由内含直流可调光源（2900-ER+9596-E，Illumination Technologies， Inc.，East Syracuse，NY，USA）和二分支光纤线型灯（PIN9145+9530，Illumination Technologies，Inc.，East Syracuse，NY，USA）构成。

电控位移台（MTS120，北京光学仪器厂，中国）和控制箱（SC100，北京光学仪器厂，中国），位移台行程为200 mm。

光箱的尺寸为800 mm(L) ×800 mm(W) × 1 000 mm(H)，此装置密闭以避免外界光线对数据采集的干扰。

1.光箱2.光源3.位移台控制器4.计算机5.可见-近红外相机6.成像光谱仪7.镜头8.光纤灯9.位移平台 10.番茄叶片1. Light Box2. The light source3. Stages Controller4. Computer5. Visible - Near Infrared Camera6. Imaging Spectrometer7. Lens8. Fiber optic lights9. displacement platform 10. tomato leaves图1 高光谱系统结构示意图Fig.1 Hyper-spectral collecting system schematic diagram1.3 光谱采集高光谱数据采集前，需提前30 min打开光源预热，预先确定近红外相机的曝光时间20 ms以保证图像的清晰，确定位移台的速度1.25 mm/s，以避免图像尺寸和空间分辨率的失真。

先用校正白板固定照明设备读取全白画面，然后将镜头盖上读取暗画面。

将番茄叶片平铺在电控位移台载农业工程学报 2015年214物台的白纸上逐个进行测定，采集样本的高光谱图像。

1.4 氮、磷、钾营养元素的化学值测定将采集完数据的番茄叶片，立即放入烘箱100 ℃杀青后，80℃烘干至恒重，置于干燥器内以备化学值测定之用。

番茄叶片全氮的测定采用凯氏定氮法，称取恒温烘干后的样本 1 g ，加入 5 mL 浓硫酸加热至380 ℃消煮4 h ，采用英国SEAL 公司AutoAnalyzer3型连续流动分析仪对测试样本进行分析。