基于光谱分析的温室黄瓜营养状态的研究_赵国富.pdf

基于光谱分析的温室黄瓜营养状态的研究 赵国富 张喜杰 山东理工大学 网络信息中心 山东 淄博 255049 摘 要 黄瓜在温室栽培面积中占有很大的比重 监测温室黄瓜营养状态非常重要 因此 利用光谱分析技术 对叶片所含的化学成分进行测量 主要包括建模与预测两步 采用基于 BP 算法的人工神经网络和支持向量机进 行光谱的定量分析 探索基于光谱分析的整株光谱判断温室黄瓜的营养状态 研究结果表明 基于 BP 算法的人 工神经网络和支持向量机所建立的回归模型 在一定程度上提高了模型的自预测能力和实际预测能力 关键词 温室 黄瓜 光谱分析 营养状态 中图分类号 TP202 7 文献标识码 A 文章编号 1003 188X 2013 08 0018 04 0 引言 黄瓜是我国温室的主要作物之一 在温室栽培面 积中占有很大的比重 当营养元素缺乏时 黄瓜产量 和品质都会受到损害 因此监测温室黄瓜营养状态非 常重要 传统的监测方法主要是基于土壤和植物组 织的试验室分析 不具有实时性 且需要耗费大量的 人力 物力和时间 光谱技术的发展与广泛应用 为快速 简单 实时 检测植物的叶绿素含量提供了可能 1 将数学的 统 计的 信息的分析方法应用到分析测量领域 可以方 便地利用全谱分析技术快速 准确 实时地检测黄瓜 的叶绿素含量 本文探索基于光谱分析的温室黄瓜整株光谱判 断黄瓜营养状态的可行性 采用基于 BP 算法的人工 神经网络和支持向量机进行光谱的定量分析 研究整 株温室黄瓜营养状态 1 光谱分析的一般流程 利用光谱分析技术对叶片所含的化学成分进行 测量 主要包括建模与预测两个步骤 其中 建模过 程的主要任务是根据已知的标准成分含量与叶片的 光谱反射率建立模型 并对模型进行检验 2 预测过 程则是要利用所建立的校正模型与未知的成分含量 样品的光谱信息对未知的成分含量进行预测 收稿日期 2012 07 24 基金项目 国家 863 计划 项目 2006AA10A302 作者简介 赵国富 1971 男 山东潍坊人 高级工程师 硕士 E mail 617652039 qq com 1 1 光谱校正模型的建立与检验 首先采样 利用化学分析方法测量出实际所含的 化学成分值 即标准值 然后 利用光谱仪测量出样品 的光谱数据 将所测得样品数据分为两个集合 即校 正集和预测集 对所测得的光谱信号和化学成分的标 准值进行预处理 3 通过校正集的光谱信号和所测得 化学成分标准值的相关分析 选择出需要的敏感波 长 利用各种多元校正方法 如人工神经网络 ANN 支持向量机 Support Vector Machine 和主成分回归 PCR 等 建立校正模型 通过预测集的光谱信号和 建立的校正集模型预测出对应的化学成分值 将预测 值与标准值进行对比 对校正模型进行检验 1 2 未知化学成分值的预测 建立光谱校正模型和对校正模型验证的目的是 利用校正模型 快速准确地预测未知的化学成分含量 值 2 首先 测量未知样品的光谱信号 然后 进行预 处理 选择适当的校正模型 利用该模型和未知样品 的光谱信号预测出化学成分含量 2 光谱的定量分析 利用光谱分析对样品组分含量进行定量分析是 光谱分析的一个重要应用 在本文中 所得的光谱一 般是由许多波长处的反射率构成的 每个波长所对应 的光谱反射率随样品不同而变化 因此光谱可以看作 是由许多光谱数据所构成的多变量数据 人工神经 网络分析 4 7 与支持向量机分析等新的分析方法不 仅适合于线性研究 而且适用于非线性研究 试验作物选择黄瓜 品种为京研迷你 1 号 采用 基质栽培方式 基质由蛭石和草炭混合而成 为了对 黄瓜实施养分胁迫 根据蛭石和草炭的不同配比制备 81 2013 年 8 月 农 机 化 研 究 第 8 期 了 5 种基质 5 种基质的蛭石 草炭比依次为 10 0 8 2 6 4 4 6 和 2 8 每种配比种植了 20 株秧苗 总 共种植了 100 棵秧苗 为了分析的需要 5 种不同的基质配比小区分别 标号为 A E 并分别赋予了它们一个营养值 用以代 表作物的营养状态 如表 1 所示 表 1 温室黄瓜的营养状态 标号 基质配比 草炭 蛭石 营养值 A 2 8 2 B 4 6 4 C 6 4 6 D 8 2 8 E 0 10 0 在黄瓜的生长期内 共做了 11 次试验 每次试验 在每个小区内采集 10 株黄瓜的整株光谱数据 然后将 10 株黄瓜的整株光谱进行平均 作为整个小区的光谱 数据值 2 1 相关分析 首先 将 11 次试验的 55 组试验数据分为两个集 合 即校正集和预测集 其中 校正集有 35 组试验数 据 预测集含有 20 组试验数据 图 1 显示了黄瓜的 整株光谱数据与其营养状态值在 400 900 nm 波段 范围内的相关系数图 图 1 整株光谱与其营养状态值的相关系数图 由图 1 可知 黄瓜的整株光谱数据与其营养状态 值的相关系数比较低 最大不超过 0 5 但是从图中 也可以看到 在可见光 500 710 nm 范围内 相关系 数是负值 而 710 nm 以上相关系数则为正 这说明 在可见光范围内与其营养状态值是负相关的关系 即 随着营养状态值的提高 其光谱反射率下降 而在近 红外范围内则是正相关的关系 这一结果与大田内 作物的光谱特性是一致的 为了进一步探索光谱数据与营养状态值的相关 关系 对光谱数据做了一阶微分处理后重新求在整个 波段范围内的相关系数 所得结果见图 2 所示 图 2 微分光谱与营养状态值的相关系数图 由图 2 可以看出 利用一阶微分后的光谱反射率 与营养状态值的相关系数由 0 4 提高到了 0 656 其原 因是 一阶微分处理消除了背景噪声的影响和系统误 差 提高了相关系数 2 2 基于 BP 算法的人工神经网络分析 人工神经网络 Artificial Neural Networks 是对人 脑或自然神经网络若干基本特性的抽象和模拟 实际 应用中神经网络模型大多采用 BP 网络及其变化形 式 BP 网络主要应用于函数逼近和模式识别等方 面 在本文中 用 BP 网络的函数逼近来建立模型 BP 网络是基于 BP 误差传播算法的多层前馈网 络 多层 BP 网络不仅有输入节点和输出节点 而且还 有一层或多层隐含节点 应用 BP 神经网络分析 首先需要确定网络的输 入函数与传递函数 其次 确定隐层神经元的个数 最 后确定学习速率 8 根据上述分析 选取微分后的 3 个敏感波长 736 688 506nm 作为 3 层 BP 网络的输入层中的神经元 中间层神经元个数选择为 20 个 所得 3 层 BP 网络结 构如图 3 所示 图 3 3 层 BP 网络的结构图 91 2013 年 8 月 农 机 化 研 究 第 8 期 神经网络的训练参数设置如表 2 所示 表 2 神经网络的参数设置表 结点数 输入层 隐含层 输出层 学习速率 学习误差 3 20 1 0 5 1 神经网络的训练仍然选用自适应修改学习率的算 法 网络的训练过程如图 4 所示 图 4 神经网络训练图 训练好网络后 首先利用训练的数据来校验网络 的性能 即利用网络的输出与目标输出进行线性回归 来分析网络输出和目标输出的关系 分析结果如图 5 a 所示 图 5 分析结果图 从图 5 a 可以看出 利用校正集所得到的网络的 实际输出与目标输出进行线性回归 所得的 R 值达到 了 0 937 说明网络具有比较高的自预测能力 完成网络的训练和校验后 下一步的工作便是利 用该网络进行预测 为了进一步检验该网络的预测 效果 用验证数据集合中的数据对上面所建网络进行 了验证 结果如图 5 b 所示 由图 5 b 可以看出 网 络的预测值与实际的测量值具有很高的相关性 其 R 值达到了 0 716 说明该网络具有比较好的性能 可以 用其去预测温室黄瓜营养状态 2 3 基于支持向量机的光谱分析 20 世纪 90 年代中期 支持向量机 5 9 11 统计学习 理论提出了结构风险最小化原则 总是采用具有最低 复杂度的函数集 该理论致力于寻找在小样本情况 下学习问题的最优解 使得统计学习理论在小样本下 同样能具有推广价值 支持向量机的回归原理与分类问题不同的是 回 归的样本点只有一类 所寻求的最优超平面不是使两 类样本点分的最开 而是使所有样本点离超平面的 总偏差 最小 这时样本点都在两条边界之间 求最 优回归超平面同样等价于求最大间隔 如图 6 所示 图 6 支持向量机回归原理图 根据相关分析 选取微分后的 3 个敏感波长 736 688 506nm 作为支持向量机回归的输入 用校正集 的 35 个样本进行 SVM 回归建模校正 用预测集的 20 个样本进行温室黄瓜营养状态值的预测 研究结果证明 取线性 不敏感损失函数 利用 anova 核函数进行的 SVM 回归模型 其预测能力最好 所采用的校正模型的参数见表 3 所示 同时 以所建 立的 SVM 回归模型对 15 个样本的温室黄瓜营养状态 值进行预测 表 3 支持向量机校正模型参数表 C 核函数 gamma degree 100 0 1 anova 2 4 用支持向量回归建模完成后 首先对模型的自预 测能力进行检验 结果如图 7 a 所示 相关系数达 到了 0 999 说明模型的自预测能力相当高 完全可以 满足需要 完成模型的自预测能力检验后 便要检验模型的 实际预测能力 结果如图 7 b 所示 利用支持向量 机模型的预测值与实测值之间具有较高的相关性 R 值为 0 778 说明此模型具有较好的预测能力 02 2013 年 8 月 农 机 化 研 究 第 8 期 图 7 预测结果 3 结束语 本文探索了基于温室黄瓜的整株光谱判断黄瓜 营养状态的可行性 研究结果表明 基于 BP 算法的 人工神经网络和支持向量机所建立的回归模型 在一 定程度上提高了模型的自预测能力和实际预测能力 由于整个研究过程中反射率的采集均是以自然光照 作为光源 因此会受到顶棚遮挡的影响 并且温室内 环境 包括温度等 也可能对采集的光谱反射率数据 产生影响 所以所得某些结果与大田中的研究结果并 不完全一致 参考文献 1 沈掌泉 王珂 王人潮 基于水稻生长模拟模型的光谱估 产研究 J 遥感技术与应用 1997 12 2 17 20 2 陆婉珍 袁洪福 徐广通 等 现代近红外光谱分析技术 M 北京 中国石化出版社 2000 3 王惠文 偏最小二乘回归方法及其应用 M 北京 国防 工业出版社 1999 4 祝诗平 近红外光谱品质检测方法研究 D 北京 中国农 业大学 2003 5 吴静珠 农产品品质检测中近红外光谱分析技术研究 D 北京 中国农业大学 2006 6 胡守仁 神经网络导论 M 长沙 国防科技大学出版社 1992 7 丛爽 面向 Matlab 工具箱的神经网络理论与应用 M 安 徽 中国科学技术大学出版社 1999 8 赵朋 基于 GIS 的苹果病虫害管理信息系统的研究与开 发 D 北京 中国农业大学 2005 9 V Vapnik Statistical Learning Theory M New York John Wiley Sons 1998 10 李晓宇 张新锋 沈兰荪 支持向量机 SVM 的研究进展 J 测控技术 2006 25 5 7 12 11 张录达 金泽宸 沈晓南 等 SVM 回归法在近红外光谱 定量分析中的应用研究 J 光谱学与光谱分析 2005 29 9 1400 1403 Study of Monitoring the Greenhouse Cucumber Nutritional Status Based on Spectral Analysis Zhao Guofu Zhang Xijie Network Information Center Shandong University of Technology Zibo 255049 China Abstract The monitoring of greenhouse cucumber nutrition status is very important account for a large proportion in the greenhouse area It is contained modeling and prediction two step by using spectral analysis to measure the chemical composition of leaves quantitative analysis of spectra is exercised by Artificial Neural Networks based on BP and support vector machine The methods is probed in the Study of monitoring the greenhouse cucumber nutritional status based on canopy reflectance The results showed regression model established based on BP algorithm artificial neural networks and support vector machine improved the self predictive ability of the model and actual predictive ability to some extent Key words greenhouse cucumber spectral analysis nutritional status 12 2013 年 8 月 农 机 化 研 究 第 8 期