数据资源: 中文期刊论文

基于可见光—近红外图像的幼龄檀香全磷含量诊断



编号 zgly0001656129

文献类型 期刊论文

文献题名 基于可见光—近红外图像的幼龄檀香全磷含量诊断

作者 陈珠琳  王雪峰  孙汉中 

作者单位 中国林业科学研究院资源信息研究所  内蒙古得耳布尔林业局 

母体文献 北京林业大学学报 

年卷期 2019年02期

年份 2019 

分类号 S792.28 

关键词 檀香  可见光  近红外  全磷含量  图像分割 

文摘内容 【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。

相关图谱

扫描二维码