水稻氮磷钾的高光谱遥感诊断毕业论文(编辑修改稿)

水稻氮磷钾的高光谱遥感诊断毕业论文(编辑修改稿)内容摘要：

络是一种具有三层或三层以上的神经网络，由输入层、隐含层和输出层构成。 相邻层之间各神经元进行全连接，而每层各神经元之间无连接，学习过程由信号的正向传播与误差的逆向传播两个过程组成，当一对学习模式提供给网络后，各神经元获得网络的输入响应产生连接权值。 然后按照减小期望输出与实际输出之间误差的方向，从输出层经过各中间层 逐层修正各连接权，回到输入层。 此过程反复交替进行，直至网络的全局误差趋向给定的极小值，即完成学习的过程 [21]。 所有的光谱数据在输入网络进行计算前都先经过归一化处理，模型计算结果也经过反归一化得到。 传递函数分别为 tansig和 purelin，训练函数为 trainlm。 模型精度验证 本研究将样本数据分为独立的两个部分，其中一部分作为分析与建模数据集。 另一部分作为模型的独立检验数据集。 模型精度根据均方根误差 ( Root Mean Square Error) 和相关系数 ( R)两个指标来分析与验证。 nyyRM SEni ii 12)( (1)  niiniiiyyyyR1212)()(1 (2) 式中 , n为样本数 , yi 为样本 i 的测定值 , iy为利用模型预测出的组分浓度， y 表示的为所有样本的平均值。 RMSE 值越小 ,说明该方程的精度越高。 7 高光谱数据的预处理在 Excel中进行，红边参数、 siPLS以及 BP 人工神经网络模型的建立采用 软件进行编程实现。 3 结果与讨论 水稻氮磷钾含量的基本统计 表 1 水稻氮磷钾含量的基本统计 (单位为 %) 营养元素 最小值 最大值 平均值 标准差 N P K 水稻叶片氮磷钾含量的基本统计特征如表 1 所示。 从表中可看出，水稻叶片氮磷钾含量的平均值分别为 %、 %、 %，标准差分别为 %、 %、 %。 水稻叶片光谱反射率与叶片氮磷钾含量的相关分析 水稻叶片光谱反射率与叶片氮含量的相关关系 将水稻氮素高光谱反射率数据与氮含量进行单相关分析，如图 1 所示。 查生物统计表可知，相关系数95%置信度显著相关的临界值为 （水稻氮含量 39 个样本）、 99%置信度显著相关的临界值为 （水稻氮 含量 39 个样本）。 从图中可以看出，在 4701300nm 范围内，水稻氮含量与叶片光谱反射率的相关性很明显。 在 11101140nm范围内，最大相关系数为 ，表现出明显的正相关；在 680720nm 范围内，表现出极明显的负相关，最大值为。 叶片总氮含量 (LNC)与 叶片光谱反射率的 相关系数越高 ,那么入选为估测模型自变量的机会就越大 ,但还要综合分析氮素影响植物叶片光谱反射率的机理。 8 0 500 1000 1500 20xx 2500波段/nm相关系数 图 1 水稻 叶片光谱反射率与叶片总氮含量的相关关系 水稻叶片光谱反射率与叶片磷含量的相关关系 将水稻 磷素高光谱反射率数据与磷含量进行单相关分析，如图 1 所示，查生物统计表可知， 95%置信度显著相关的临界值： （水稻磷含量 40 个样本）； 99%置信度显著相关的临界值： （水稻磷含量40 个样本）。 从图中可以看出，在 350730nm和 14801580nm范围内，水稻磷含量与叶片光谱反射率的相关性很明显。 在 9201020nm 范围内，最大相关系数为 ，表现出明显的正相关；在 510620nm范围内，表现出极明显的负相关，最大值为。 0 500 1000 1500 20xx 2500波段/nm相关系数 图 2 水稻叶片光谱反射率与叶片总磷含量的相关关 系 水稻叶片光谱反射率与叶片钾含量的相关关系 将水稻钾素高光谱反射率数据与钾含量进行单相关分析，如图 1 所示，查生物统计表可知， 95%置信度显著相关的临界值： （水稻钾含量 39 个样本）； 99%置信度显著相关的临界值： （水稻钾含量 9 39 个样本）。 从图中可以看出，在 350430nm， 460530nm， 6001130nm 和 13501800nm 范围内，水稻钾含量与叶片光谱反射率的相关性很明显。 在 730820nm范围内，最大相关系数为 ，表现出明显的正相关；在 580710nm 范围内，表现出极明显的负相关，最大值为。 0 500 1000 1500 20xx 2500波段/nm相关系数 图 3 水稻叶片光谱反射率与叶片总钾含量的相关关系 水稻氮含量的高光谱估测 利用红边比值参数估测水稻叶片总氮含量 表 2 水稻不同氮素水平下红边参数的变化规律 氮水平 红边位置 (nm) 红谷 (nm) 红边振幅 最小振幅 比值 N1 720 667 N2 719 665 N3 726 662 N4 726 664 表 2表明氮素水平在完全缺氮和缺氮时红边位置基本相同，在正常氮水平和氮过量时，红边位置向长波方向移 动。 不同氮水平在红谷位置处基本相同。 红边振幅与比值的数值在不同氮水平下逐渐增大，最小振幅在完全缺氮与缺氮情况下数值增大，在正常氮和氮完全过量水平时数值减小。 这个规律与前人研究结果基本一致 [18]。 为了利用红边参数更精确的估算水稻叶片氮素含量，本研究依据相关性最好的比值作为自变量。 模型建立前，将样本分成两个数据集，一个是训练样本集（ Train），另一个是测试样本集（ Test）。 用训练样本集进行建模，利用测试样本集对建立的模型进行模型精度检验。 结果表明，所有红边参数中，比值的精度优于红边位置、红谷等其他模型。 利用红边比值建立的线性模型如图 4 所示。 10 y = + R2 = 比值氮含量/% 图 4 水稻氮含量与红边比值间的关系 通过该模型可知，训练集的均方根误差 RMSE 为 ，训练集的相关系数 R 为。 而检验集的均方根误差 RMSE 为 ，检验集的相关系数 R 为。 虽然水稻叶片总氮含量与红边比值间的相关系数较高，但是通过线性拟合发现，样本点均集中在直线的两端，而且线性模型的估测误差较大。 利用 siPLS对水稻氮含量的估测 利用水稻叶片光谱反射率建立 siPLS模型。 先将高光谱波段分成 12个间隔，通过比较不同波段间隔与氮含量的模型精度，从中选取训练集中均方根误差 RMSEtrain 最小的模型。 通过筛选最终从 66个模型中选择间隔为 [1 4]，相应的波长范围分别为 350502nm 和 812964nm的 siPLS模型作为最优模型，并利用测试数据对模型的精度进行验证，结果如图 5 所示。 通过该模型可知，训练集的均方根误差 RMSE 为 ，训练集的相关系数 R 为。 而检验集的均方根误差 RMSE 为 ，检验集的 相关系数 R 为。 由此可见，基于 siPLS 的水稻叶片氮含量的预测精度高于基于红边参数的水稻氮含量预测精度。 r= RMSEP= Bias=2 2 测量值/%预测值/% 图 5 siPLS 模型检验数据的测量值与模型估计值间的关系 11 利用 BP人工神经网络对水稻叶片氮含量的估测 根据水稻叶片氮含量与叶片光谱反射率的相关性特征，在具有显著相关性的波长范围内选择相关系数的峰值点所对应的波长作为 BP 模型的自变量，这些波段分别为 556nm， 702 nm， 806 nm， 923 nm 和1123nm。 利用 BP 人工神经网络建立水稻叶片氮含量和光谱反射率之间的非线性模型。 模型建立前，将样本分成两个数据集，一个是训练样本集（ Train），另一个是测试样本集（ Test）。 用训练样本集进行建模，利用测试样本集对建立的模型进行反演与模型精度检验。 由此模型计算出的水稻叶片氮含量的实测值与估计值相关关系如图 6 所示。 此外，通过测试样本集的分析， BP 模型的均方根误差 RMSE 为 ，相关系数 R 为。 R2 = 测量值/%估计值/% 图 6 人工神经网络模型氮素检验数据的测量值与模型估计值间的关系 表 3是分别对基于红边参数、 siPLS 和 BP 人工神经网络方法的水稻叶片总氮含量估测能力的比较。 从表中可知，除了红边参数外，无论是训练集还是检验集数据，基于 siPLS 和 BP 人工神经网络的估测模型的相关系数接近或大于 ，均方根误差 RMSE 都在 到。 但是，基于 siPLS的估测精度还是略优于 BP 人工神经网络模型。 表 3 基于三种算法的水稻叶片氮含量估测精度的比较 均方根误差 相关系数 N RMSEtrain RMSEtest Rtrain Rtest 红边参数 siPLS BP 人工神经网络 注： RMSEtrain 为训练样本的均方根误差； RMSEtest 为测试样本的均方根误差； Rtrain 为训练集中叶片营养元素 含量实测值与预测值的相关系数； Rtest为测试集中叶片营养元素含量实测值与预测值的相关系数。 水稻磷含量的高光谱诊断。