基于ST-PCA-BP神经网络的檀香叶片全氮含量无损检测

氮素是植物生长需要的大量元素之一,生产经营者在植物生长过程中往往施加大量的氮肥,但过量的肥料会造成地下水污染.本文针对珍贵树种檀香,提出了一种基于ST-PCABP神经网络的檀香叶片全氮含量无损检测方法,为檀香的经营培育提供参考.结果表明:将野外获取到的檀香图像由RGB转换到L~*a~*b~*系统,可以较好地完成自然图像中的檀香分割.这是由于L~*a~*b~*系统色域宽,受光照变化的影响较小.ST-PCA-BP神经网络的特点是通过显著性检验(ST)筛选变量,使用方差膨胀因子和条件指数分析筛选结果的共线性,主成分分析法(PCA)消除共线性.该处理方法有效地减小了BP神经网络陷入局部最小值的概率,与原始数据、ST处理和PCA处理相比,决定系数最高,平均残差和均方根误差最小,是檀香叶片全氮含量无损、实时检测的最佳方法.     

水胁迫下多角度幼龄檀香图像颜色变化分析及含水率反演

干旱与水淹胁迫是植物遭受的主要非生物胁迫,对植物的生理活动造成严重影响.本研究基于单反相机获取幼龄檀香的纵向和冠层叶片图像,使用分割算法提取叶片和颜色特征,然后讨论两种胁迫条件下多角度檀香叶片颜色变化及含水率反演.结果表明:干旱组在胁迫前期(前6d)叶片亮度降低,绿色分量增加,之后叶片亮度增加,绿色分量降低;水淹组叶片在整个胁迫周期亮度持续降低,黄色分量增加;对照组则与干旱组的变化趋势类似,但拐点出现的时间较晚.当叶片含水率在50%~70%时,随着含水率的增加,彩色图像的红(R)、绿(G)、蓝(B)通道值均会减小;但当叶片含水率小于40%时,会出现R通道值大于G通道值的现象.在使用极限学习机反演含水率时,校正后的颜色分量对拟合优度及预测精度均有所提高.纵向图像更适合用来反演叶片的含水量,决定系数和平均绝对百分比误差分别为0.8352和2.3%;而冠层图像对叶片等效水厚度的表达更准确,上述指标分别为0.7924和9.3%.