基于多尺度因子苹果树叶片氮含量预测研究

所属分类：电子论文阅读次时间：2021-08-23 10:16

本文摘要：摘要：为了精准预测开花期、幼果期和果实膨大期不同尺度苹果树叶片的氮含量，提出一种基于多尺度因子苹果树叶片氮含量预测模型。首先，获取苹果树叶片图像并提取R、G、B单色分量及14种色彩组合参数共计17种色彩特征，通过主成分分析提取不同时期苹果树叶片氮

高端学术服务项目

　　摘要：为了精准预测开花期、幼果期和果实膨大期不同尺度苹果树叶片的氮含量，提出一种基于多尺度因子苹果树叶片氮含量预测模型。首先，获取苹果树叶片图像并提取R、G、B单色分量及14种色彩组合参数共计17种色彩特征，通过主成分分析提取不同时期苹果树叶片氮含量关键影响因子，消除原始变量之间的相关性，降低模型输入向量维度;其次，对建立的PCA-SVM、PCA-BP、PCA-ELM预测模型在不同时期对苹果树叶片氮含量预测效果与精度进行对比，得到不同时期最佳的预测模型;最后，利用最佳预测模型对不同时期苹果树叶片氮含量进行预测，并通过自适应遗传算法对最佳预测模型参数进行优化。试验结果表明：在不同生长时期，PCA-SVM模型的预测精度均高于PCA-BP、PCA-ELM模型;优化后PCA-SVM预测模型在开花期、幼果期和果实膨大期的平均绝对误差分别为0.640、0.558、0.544，平均绝对百分误差分别为0.057、0.050、0.064，均方根误差分别为0.800、0.747、0.737，优于优化前预测模型。该模型具有良好的预测性能和泛化能力，可以为果园精准施肥管理、提升果品品质、避免资源浪费和环境污染提供理论依据。

　　关键词：多尺度因子;色彩特征;苹果树叶片;氮含量预测

苹果种植

　　0引言

　　中国是世界上最大的苹果生产国和消费国，总种植面积及总产量均占全世界50%以上[1-2]。氮元素是苹果树体内一种重要的必需元素，它影响果树体内各种生理生化过程、果树抗性、果品产量、品质以及储藏性状[3-4]。合理施用氮肥可以促进苹果树健康生长，提高果实产量及果品品质，减少农田环境污染与资源浪费。因此，精准预测果树氮含量对指导果树健康成长有重要作用[5-7]。

　　叶片是整个树体上对土壤矿质营养反应最敏感的器官，苹果叶片营养分析、诊断技术可以作为苹果树氮素营养盈亏并指导精准施肥的依据[8-9]。传统的作物氮素检测方法主要有田间采样室内化学分析测定法和叶色卡法，虽然结果准确可靠，但分析成本高、检验周期长、时效性差[10]。近年来，机器学习及数字图像处理技术的快速发展为作物氮素营养快速、无损和准确监测提供了有效的方法与手段[11]。目前，国内外学者针对作物氮含量预测方法已经进行了大量的研究[12-14]，取得了一定成果。

　　LEE等[15]发现水稻叶片绿色分量G与其氮素累积量有显著相关性;SU等[16]和RICCARDI等[17]综合考虑RGB空间下的各颜色分量，基于最小二乘法建立了微藻和藜麦氮素含量的多元线性回归模型(Multivariatelinearregression,MLR);CLEVERS等[18-19]研究表明指数Clgreen、Clred-edge估测作物冠层氮素含量具有较好的鲁棒性。蒋金豹等[20]研究表明以微分指数SDr/SDb构建的对数模型能很好地估测冬小麦叶片全氮含量;岳学军等[21]提出了一种基于流形学习算法的柑橘叶片氮含量光谱快速检测方法，该方法能有效地用于柑橘叶片氮含量预测;刘双喜等[22]基于叶片色调差建立了果树叶片氮含量预测模型，利用色调差测定苹果叶片含氮量为实时、准确地监控苹果树整个生长过程中叶片含氮量的变化以及合理地施用氮肥提供科学理论基础。

　　近年一些学者尝试将支持向量机方法[23-25]应用到植被理化参数的反演中，梁栋等[26]利用SVM回归方法估测冬小麦叶面积指数LAI，且估测精度优于传统模型。何汝艳等[27]联合应用连续小波变换与支持向量机方法对条锈病胁迫下冬小麦叶片全氮含量进行反演，且具有较高的估测精度。综合国内外研究成果，一些学者对作物的叶片氮含量进行了研究，大部分植物叶片氮含量预测研究都是基于光谱数据，其优点是预测精度较高，但是成本昂贵、操作难度大，难以推广使用。

　　本研究通过提取图像特征结合机器学习对苹果树叶片进行氮素营养预测，具有成本低、可操作性高、实时监测的优点。本文以不同时期的田间试验为基础，通过主成分分析提取出不同时期的关键影响因子，对比根据支持向量机、BP神经网络和ELM神经网络3种方法建立不同生长时期苹果树叶片氮含量预测模型，以期建立不同时期不同因子最佳苹果树叶片氮含量预测模型，为苹果营养诊断、指导精准施肥提供信息支持。

　　1材料与方法

　　1.1试验区域

　　试验样本采集自山东万林农场试验园，试验品种为4年树龄的烟台红富士。试验园分为A、B两个区域，A区域采集的样本作为测试集，B区域采集的样本作为验证集。该试验园位于山东省泰安市宁阳县葛石镇，是集“果树种植新技术的研发推广、果树种植销售、农产品销售、农业休闲观光”等功能为一体的综合性基地。该地区海拔62.2m，位于东经经度116°49′、北纬35°45′，属于温带大陆性半湿润季风气候，年平均气温13℃，年平均降水量697mm。

　　1.2数据采集

　　1.2.1样本采集与叶片图像获取

　　分别于4月3日(萌芽开花期)、4月12日(萌芽开花期)、5月18日(幼果期)、6月3日(幼果期)、6月22日(果实膨大期)、7月9日(果实膨大期)在A区域试验园随机选取50株苹果树作为试验本体，标号1~50，并在每株试验本体的树冠外围新梢中间部位4个方位各摘取5片充分展开、无损伤、无病虫害的健康功能叶片作为试验样本[28-29]。在4个不同方位选取平整的、便于色彩采集的10片叶片放置在光学标定板上，将佳能EOS80D型相机(焦距35mm)安装于深圳市优捷虎电子科技有限公司生产的卓美z-888型三脚架上，利用水平仪调节相机，使镜头与标定板垂直进行图像采集，图像尺寸为6000像素×4000像素。

　　1.2.2样本处理与氮素营养测定

　　本文采用凯氏定氮法对苹果树叶片全氮含量进行测定。将带回实验室的叶片放在自来水下冲洗干净，用95：5的盐酸溶液清洗1~2min，再用无离子水冲洗两次，放入105℃高温烘箱杀青30min，再调至80℃持续烘干至样品质量恒重，使用研钵将干燥样品研磨至粉末状后，称取0.1g干样，用H2SO4-H2O2消解，冷却后采用海能公司生产的K9860型全自动凯氏定氮仪测定苹果树叶片的全氮含量，测3次取平均值作为最终氮含量。

　　1.3数据预处理

　　首先获取苹果树叶片原始图像。其次对单片叶片分割提取，将图像背景标定板去掉后的图像，分割后得到单片叶片。对苹果树叶片根据多尺度Retinex理论(Multiscaleretinex,MSR)进行去光照处理，MSR的优点是不仅可以增强图像对比度还可以对图像在动态范围内进行压缩，并且，在一定条件下，MSR可以克服单尺度Retinex理论(Singlescaleretinex,SSR)算法的缺点，保持图像色彩恒常性的同时，同时实现图像全局、部分动态范围压缩以及图像色彩的增强。

　　2预测模型构建

　　2.1主成分分析法

　　主成分分析(Principalcomponentanalysis,PCA)是一种重要的数据统计方法，其设法从众多原始变量中找出几个综合性强的变量来替代原始变量，新的综合变量之间不仅互不相关，而且保留了原始变量的绝大部分信息，最终实现降维目的，使问题得到最佳综合[30-32]。

　　2.2对比模型

　　2.2.1支持向量机

　　支持向量机(Supportvectormachine,SVM)是机器学习领域最重要的方法之一，是借助于统计与优化方法解决机器学习问题的强有力的工具。针对苹果树叶片在RGB空间下各单色分量及各单色分量多种色彩组合参数检测过程的随机波动性，采用在小样本、非线性问题的拟合上有一定优势的SVM回归模型来构建苹果树叶片在RGB空间下17种色彩特征与苹果树叶片氮含量的预测模型。

　　2.2.2BP神经网络

　　反向传播(Backpropagation,BP)神经网络在复杂的非线性系统中具有较高的建模能力，并对数据具有良好的拟合能力，在预测方面应用广泛。研究表明，这种简单的网络结构可以逼近任意非线性函数，是一种典型函数映射关系。

　　2.2.3极限学习机

　　极限学习机(Extremelearningmachine,ELM)是一种简单易用、有效的单隐层前馈神经网络。与传统的前馈神经网络训练速度慢、容易陷入极小值点、学习率选择敏感等缺点相比，ELM算法随机产生输入层与隐含层的连接权值w及隐含层神经元的阈值b，且在训练过程中无需整。只要设置隐含层神经元的个数，便可以获得唯一的最优解，具有学习速度快、泛化能力强等优点。

　　2.3基于多尺度因子的苹果叶片氮含量预测模型

　　基于上述算法，为了提高预测模型精度，本文将多种算法相结合，构建了基于多尺度因子的苹果叶片氮含量预测模型。主要包括RGB空间下各单色分量及单色分量多种图像色彩组合参数的提取、不同时期苹果叶片氮含量关键因子的筛选、多尺度预测模型的选择、训练、参数优化、模型应用。

　　(1)调研国内外数字图像处理与机器学习技术在农业方面的应用，尤其是对作物氮素营养预测方面的研究;(2)采集开花期、幼果期、果实膨大期3个不同尺度苹果树叶片样本和图像;(3)利用化学方法对叶片进行氮素营养测定，对叶片图像进行中值滤波、去光照等预处理，在RGB空间下提取苹果树叶片17种色彩特征;(4)利用主成分分析对苹果树叶片图形色彩特征进行优化，提取不同尺度关键影响因子;(5)建立PCA-SVM、PCA-BP、PCA-ELM预测模型，对比筛选出不同尺度最佳预测模型;调整优化最佳模型参数，构建基于多尺度因子的苹果树叶片氮含量预测模型;通过田间试验验证苹果树叶片氮含量预测模型性能，实现对不同生长时期苹果树叶片氮含量的精准预测。

　　2.4模型评价指标

　　使用预处理后的数据作为模型的输入，对基于多尺度因子的预测模型进行训练和测试。本文选用的预测模型性能评价指标有平均绝对误差(Meanabsoluteerror,MAE)、均方根误差(Rootmeanrquareerror,RMSE)和平均绝对百分误差(Meanabsolutepercentageerror,MAPE)。

　　3试验结果与分析

　　3.1数据集

　　以山东省泰安市宁阳县万林农场某试验田A区域中苹果树叶片的氮含量为研究对象。采用已经预处理过的试验数据，主要包括RGB空间中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个单色分量色彩像组合参数，最终实现开花期、幼果期和果实膨大期苹果树叶片氮含量的精准预测。

　　3.2平台和环境

　　试验所使用计算机的配置如下：处理器为Intel(R)Xeon(R)Silver4210RCPU@2.40Hz;机带内存为64GB;操作系统为Windows10(64位);图像分割、图像去光照处理与获取苹果树叶片RGB空间下各单色分量及单色分量多种色彩组合参数由Matlab实现;SVM、BP神经网络和ELM回归模型均在Matlab中完成。

　　试验结果表明，开花期，苹果树叶片预测氮含量与实测氮含量的相对误差在-6%~9.84%之间;幼果期，苹果树叶片预测氮含量与实测氮含量的相对误差在-9%~9.51%之间;果实膨大期，苹果树叶片预测氮含量与实测氮含量的相对误差在-10%~9.86%之间。

　　说明开花期和幼果期基于多尺度因子模型预测苹果树叶片氮含量相对误差较小，总体来说，模型预测值与试验结果基本相符合，不同时期苹果树叶片氮含量真实值与预测值相对误差在10%以内，验证了所建基于多尺度因子的苹果树叶片氮含量预测模型的准确性。通过机器视觉与图像处理的方式获取苹果树叶片在RGB空间下各单色分量及各单色分量多种色彩组合参数，预测不同生长时期苹果树叶片氮含量，与传统方法相比，本文方法具有无损伤、效率高、成本低、操作简单的优势。准确地预测苹果树叶片氮含量也可为果园精准化管理，合理施肥、定时定量施肥提供理论依据。

　　苹果种植论文范例：有机肥在苹果生产中的应用效果研究

　　4结论

　　(1)采集不同生长时期的苹果树叶片并通过图像处理获取RGB空间下各单色分量与14种色彩组合参数，采用PCA筛选出不同尺度的苹果树叶片氮含量不同的关键影响因子，开花期选用的关键影响因子为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，幼果期选用的关键影响因子为R-B、G/(R+G+B)、(R-B)/(R+G+B)、R/(R+G-B)、(R-G)/(R+G+B)、G、R+G+B，果实膨大期选用的关键影响因子有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，以此构建苹果树叶片氮含量预测模型的输入样本，输出参数为苹果树叶片氮含量，实现了模型输入的降维，消除了变量之间的冗余性和相关性。

　　(2)本文提出PCA-SVM、PCA-ELM、PCA-BP3种预测模型，在不同生长时期，由MAE、RMSE和MAPE作为模型评价指标确定多尺度预测模型。

　　(3)利用自适应遗传算法对多尺度因子模型中惩罚参数C和RBF核函数宽度σ进行优化，优化后PCA-SVM预测模型在开花期、幼果期和果实膨大期的平均绝对误差分别为0.640、0.558、0.544，平均绝对百分误差分别为0.057、0.050、0.064，均方根误差分别为0.800、0.747、0.737，优于优化前预测模型，能够拟合苹果树叶片氮含量与RGB空间下各单色分量及各单色分量多种色彩组合参数之间的非线性关系，解决了传统预测方法预测精度低、鲁棒性差等问题，该模型具有良好的预测性能和泛化能力，可以为果园精准施肥管理、提升果品品质、避免资源浪费和环境污染提供理论依据。

　　参考文献

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

　　[2]王璇，刘军弟，邵砾群，等.我国苹果产业年度发展状况及其趋势与建议[J].中国果树，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]李文庆，张民，束怀瑞.氮素在果树上的生理作用[J].山东农业大学学报(自然科学版)，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刘雪梅1刘双喜1,2权泽堃1徐春保1江浩1