基于光谱分析的农作物生化成分含量反演方法的研究[范文]

第1章 绪论

1.1课题背景及研究的目的和意义

1.1.1 课题背景

粮食安全问题是一个永恒的话题，随着社会的发展，人们不仅关注农业生产的产量问题，对于农作物的营养成分、生产管理的效率等都提出新要求。精准农业的新世纪农业技术发展的重要方向，它科技含量高，并且集各学科知识于一体。它的发展将会带动整个农业领域的发展，对于提高缺水地区灌溉效率、严格把控施肥量、控制作物营养成分等有很大作用。这其中随着光谱技术的发展，为使用光谱反射数据反演农作物生化成分带来契机，如能准确反演农作物生化成分，这将为农业工作者提供进行田间管理提供有效信息。

神经网络拓扑结构

传统生化成分测量方法是实验室的化学方法，这种方法具有破坏性，最重要的是耗时。因此利用现代农业科技对农作物生化成分含量进行实时、快速的监测，是实施精准农业的重要保证。随着光谱技术的发展，光谱分辨率提高，光谱反射数据由原先离散的点成为一条光滑曲线，不同物质的光谱反射特征更加明显的显示出来，使对不同物质微弱光谱差异进行定量分析变成现实，因此使用农作物的光谱反射率数据建立模型反演其生化成分含量，将为精准农业发展提供帮助。

1.1.2 研究目的和意义

总体方案流程图

（1）研究目的

中国社科院曾有报告称中国农业“一条腿长一条腿短”，“长腿”指的是通过精耕细作单产高，“短腿”指的是农业科技水平低，生产效率低。精准农业发展成为中国农业未来，这其中实时监测农作物生化成分含量，能够精确为作物提供合理养护，定量施肥。论文研究目的就是通过建立模型从光谱反射率数据得到生化成分信息，为精准施肥提供信息。

（2）研究意义

农作物在整个整个生产环节受到很多因素影响，早些年农业人员在生产作物的过程中通常是根据经验来对农作物进行施肥、灌溉等管理，这样不仅效率低，而且对经验丰富度要求很高。农作物的生化成分含量不仅对于作物的品质起作用，更是反应了农作物的生长状况。因此，在农作物的生长的各个阶段，准确掌握农作物的生化成分含量，对于提高农业生产效率，指导农业人员田间管理、精准施肥是十分必要的。基于光谱分析的农作物生化成分含量反演方法相比于传统的实验室测试方法，具有无破坏性、实时快速的优点，受到了广泛的关注。

1.2 国内外研究现状

传统农作物生化成分含量测量以实地采样进行实验室测量为主，这种测量方法有破坏性并且时效性差，光谱技术的发展为使用光谱反射率反演农作物生化成分含量打下坚实基础。传统光谱分析反演农作物生化成分含量的方法主要有多元统计分析方法、基于特征光谱位置变量的分析方法以及非线性拟合能力极强的反向传播（Back-Propagation,BP）神经网络方法。卷积神经网络（Convolutional Neural Network,CNN）具有很强的细部特征提取能力，而不同植物生化成分含量差异体现在光谱细部特征之中，因此提出了使用卷积神经网络模型用于光谱信息定量反演农作物生化成分。

1.2.1 光谱技术的发展

地物光谱仪技术在20世纪80年代进入快速发展的阶段，具体表现为光谱采样间隔的减小，光谱分辨率不断提高，之前因光谱分辨率低而丢失的特征也得以重现，由于光谱数据的这些特点，为基于光谱分析的物质生化成分定量反演奠定了基础。

光谱技术的不断成熟,使以光谱分析技术精确获取作物生化信息成为可能，也给精准农业的发展提供研究新的研究方向。如何利用光谱反射数据精确反演农作物体内生化成分含量，从而为农作物田间管理提供有效信息，是光谱分析的研究方向之一。

1.2.2 生化成分反演常用方法

（1）多元统计分析方法

基于光谱分析的农作物生化成分含量反演最常用的方法是多元统计分析方法，该方法以农作物的光谱反射率数据作为自变量，以反演目标成分作为因变量，然后建立自变量与因变量的函数模型。一般包括如下几种方法：

多元线性回归方法建立了各波段反射率与农作物生化成分含量的线性关系，通过训练样本数据得到模型预测值与实际值之间的误差，最小化误差平方和的前提下去寻找各波段反射率的最佳权值。

偏最小二乘回归分析方法首先要提取自变量组和因变量组的第一成分，这有点类似于主成分分析的功能，其次要求自变量与因变量第一成分相关性尽可能大，这是典型相关分析的特点，最后会做因变量对于第一成分的回归分析，因此又具有回归分析的功能，如果精度达不到要求还会提取第二成分，然后依次类推。该方法对解决光谱分析这种波段多，实测样本较少的问题具有很好的效果。

（2）基于特征光谱位置变量的分析技术

基于特征光谱位置变量的分析技术，是以农作物光谱特征位置变量为自变量，以农作物生化成分含量为因变量进行建模。所谓光谱特征位置变量，如：“红边幅值”指的是红边（680nm-760nm）内最大的一阶导数值，“红边位置”指红边幅值对应的波长。这类方法没有多元统计分析方法使用的普遍，但是也利用了多元统计分析方法的原理。如：Tarpley等人使用多个光谱特征位置变量对棉花氮元素含量进行反演，得出红边位置与近红外波段的比值反演结果是最优的。

（3）BP神经网络

BP神经网络因1986年BP算法的出现而成名。BP神经网络是一种多层网络，一般分为前馈计算输出和后向传播误差两个过程，因其具有良好非线性拟合能力和从数据中学习等特点，因此被广泛的应用于各个研究领域。把光谱反射率作为BP神经网络的输入，农作物生化成分含量作为神经网络的输出，BP网络通过已有的实测数据对神经网络进行训练得到合适的网络参数。这样就可以把测到光谱反射率数据输入到训练好的BP神经网络模型中得到预测的生化成分含量。如：杨可明等人利用多元线性回归法、反向传播神经网络对玉米叶片叶绿素含量进行反演得出神经网络模型的反演效果好于多元线性回归模型。

  论文写好后想知道重复率是多少？点击“知网论文查重入口”直连中国知网查重检测系统