1 华南农业大学电子工程学院(人工智能学院), 国家精准农业航空施药技术国际联合研究中心, 广东 广州 510642
2 华南农业大学电子工程学院(人工智能学院), 国家精准农业航空施药技术国际联合研究中心, 广东 广州 510642岭南现代农业科学与技术广东省实验室, 广东 广州 510642
3 华南农业大学电子工程学院(人工智能学院), 国家精准农业航空施药技术国际联合研究中心, 广东 广州 510642岭南现代农业科学与技术广东省实验室, 广东 广州 510642农业农村部华南智慧农业公共研发中心, 广东 广州 510520
随着杂交水稻育种技术的快速发展, 杂交水稻品种日益繁多, 品质与价格也千差万别, 利用智能化手段对杂交水稻种子进行快速分类、 分级和品质检测成为杂交水稻研究领域的热点。 首先研究了不同预处理方式对基于近红外光谱的一维卷积神经网络分类模型对杂交水稻种子的分类效果的影响, 研究结果表明利用Savitzky-Golay卷积平滑算法预处理后的一维卷积神经网络分类模型可获得最佳的分类效果, 其验证集与测试集的分类精度为95.4%和92.9%。 利用随机森林特征波长选择算法选取3个最重要的特征波长分别构建基于单波长灰度图像数据集和基于3波长重构的伪彩色图像数据集, 研究了基于图像数据集的卷积神经网络VGG和残差网络ResNet的杂交水稻种子分类模型, 其研究结果表明基于伪彩色图像数据集的VGG卷积神经网络模型能够获得最优的分类效果, 其验证集与测试集的分类精度分别为92.8%和92.8%, 相比基于伪彩色图像数据集的ResNet分类模型, 其验证集提升3.6%, 测试集提升4.9%。 为了进一步提高分类的精度, 提出了一种图像信息与光谱信息融合的杂交水稻种子分类方法, 该方法利用1D-CNN网络分支提取种子的光谱特征, 利用2D-CNN网络分支提取种子图像的空间维度特征, 最终构建基于图谱融合的2Branch-CNN卷积神经网络分类模型, 其验证集与测试集的分类精度都得到明显改善, 分别达到98%和96.7%。 并利用混淆矩阵评估了2Branch-CNN分类模型对于各个种类的杂交水稻种子的分类效果。 研究结果表明通过图谱融合能有效提升卷积神经网络模型的分类精度, 构建基于光谱与图像数据融合的二分支卷积神经网络模型将为杂交品种的种子快速筛选与分级提供新思路。
深度学习 近红外高光谱 杂交水稻种子 特征融合 Deep learning Near-infrared hyperspectrum Hybrid rice seeds Feature fusion 光谱学与光谱分析
2023, 43(9): 2935
山东理工大学农业工程与食品科学学院, 山东 淄博 255000
使用便携式近红外（901～1 650 nm）和可见光（400～900 nm）光谱仪结合多变量分析方法无损检测水稻水分含量, 选用100种不同品种的水稻并采集其光谱信息, 其中粳稻52种, 籼稻34种, 糯稻14种。 采用GB 5009.3—2016中的直接干燥法测定每种水稻样本的水分含量。 利用蒙特卡洛偏最小二乘法（MCPLS）剔除水稻样本中的异常值, 基于近红外和可见光光谱的数据集分别剔除8个和4个异常值。 采用基于联合X-Y距离的样本划分法（SPXY）按照3: 1的比例划分样品, 近红外和可见光数据集分别得到69、 72个校正集和23、 24个预测集。 采用正交信号校正（OSC）、 多元散射校正法（MSC）、 去趋势变换（De-trend）、 标准正态变换（SNV）、 基线校正（Baseline）、 Savitzky-Golay 卷积导数（S-G导数）、 标准化（Normalize）、 移动平均平滑(moving average)、 Savitzky-Golay卷积平滑处理法（S-G平滑）共9种算法对原始光谱数据进行预处理, 基于近红外和可见光光谱的OSC、 SNV和OSC、 Moving average预处理效果较好, 进行后续模型的处理。 选择特征波长以减小光谱信息冗余并提高模型检测效果, 基于近红外和可见光光谱的最佳波长选择方法分别为连续投影算法（SPA）和竞争性自适应重加权算法（CARS）, 分别保留15, 39个特征波长。 之后, 建立偏最小二乘回归（PLSR）、 主成分回归（PCR）模型。 结果表明, 基于近红外和可见光光谱的最优模型分别为SPA-PLSR和OSC-CARS-PCR, 其预测集相关系数（R2P）, 预测集均方根误差（root mean square error forprediction, RMSEP）和预测集归一化均方根误差（normalized root mean square error, NRMSEP）分别为0.810 3、 0.802 1, 0.412、 0.388和3.62%、 3.34%。 基于近红外光谱的SPA-PLSR模型预测效果更好, 鲁棒性更高, 预测效果好于可见光光谱。 本研究验证了便携式近红外和可见光光谱仪快速、 无损检测水稻中水分含量的可行性, 为水稻收获、 贮藏等过程水分含量的测定提供技术支持, 为后续便携式光谱仪的开发提供参考。
近红外光谱 可见光光谱 水稻 水分含量 便携式 快速检测 Near-infrared spectra Visible spectra Rice Moisture content Portable Rapid detection 光谱学与光谱分析
2023, 43(7): 2059
1 中国气象局沈阳大气环境研究所， 辽宁 沈阳 110166 太原理工大学矿业工程学院测绘科学与技术系， 山西 太原 030024
2 太原理工大学矿业工程学院测绘科学与技术系， 山西 太原 030024
3 中国农业大学资源与环境学院， 北京 100193
4 中国气象局沈阳大气环境研究所， 辽宁 沈阳 110166
5 中国气象科学研究院， 北京 100081中国气象科学研究院与郑州大学生态气象联合实验室， 河南 郑州 450001
快速准确获取水稻种植分布对于制定区域农业生产政策、 保护区域农业稳定具有科学意义。 以风云系列为代表的卫星资料在农业遥感方面已得到了广泛使用， 但目前鲜有基于国产风云遥感数据反演水稻种植空间分布的研究。 为快速准确获取水稻种植分布， 挖掘风云遥感资料在反演水稻种植信息领域的数据价值， 以盘锦市作为实验区域， 开展基于FY-3 MERSI卫星资料的水稻种植空间分布反演。 利用5景2019年研究区域水稻生育期风云三号中分辨率MERSI（Medium Resolution Spectral Imager）光谱成像仪数据计算归一化植被指数（NDVI)、 归一化水体指数（NDWI)、 两者之间的差值(NDWI-NDVI)及比值植被指数(RVI)， 对盘锦市水稻以及其他地物类型（建筑用地、 水体、 自然植被、 天然湿地和旱地）感兴趣区域进行植被指数时序分析， 利用NDVI、 NDWI、 RVI和NDWI-NDVI时间序列曲线确定最佳识别模式及其阈值， 发展水稻种植空间分布遥感反演算法。 首先根据水稻移栽期NDWI-NDVI>-0.14和抽穗期NDWI-NDVI<-0.4对水稻种植分布进行粗提取， 在此基础上依据水稻与其他地物类型NDVI、 NDWI和RVI曲线特征差异对其他地物类型进行掩膜， 得到2019年研究区域水稻种植空间分布。 基于实地调查数据对研究区域水稻种植空间分布反演结果开展验证评价， 总体精度为75%。 基于目视解译的水稻空间分布数据开展验证评价， 总体精度、 制图精度以及用户精度均达到了80%以上， Kappa值为0.61。 研究区域2019年水稻面积为116 618.75 hm2， 与2019年盘锦市统计年鉴公布数据基本一致。 研究表明， 基于风云三号卫星资料反演水稻种植空间分布能够满足区域农作物种植分布遥感监测的要求， FY-3 MERSI遥感数据在农作物种植空间分布提取中具有应用价值。 该研究丰富了农作物种植分布监测的遥感数据源， 对于深入风云卫星资料的实际应用具有重要科学意义。
遥感 水稻 植被指数 风云气象卫星 Remote sensing Paddy rice Vegetation indices FY meteorological satellite 光谱学与光谱分析
2023, 43(5): 1606
1 沈阳农业大学信息与电气工程学院， 辽宁 沈阳 110866
2 沈阳农业大学信息与电气工程学院， 辽宁 沈阳 110866 辽宁省农业信息化工程技术研究中心， 辽宁 沈阳 110866
为了快速、 准确的检测北方寒地水稻叶片的磷素含量， 分析水稻的长势情况， 为精准施肥以及稻田的科学管理提供依据， 以北方寒地水稻为研究对象， 以小区实验为基础， 使用海洋光学HR 2000+光谱仪获取水稻叶片高光谱反射率数据， 采用钒钼黄比色法对水稻叶片磷素含量进行测定。 采用SG平滑与多元散射校正（MSC）两种方法对水稻叶片高光谱数据进行预处理， 并将预处理后的光谱数据使用连续投影法（SPA）与无信息变量消除法（UVE）两种算法进行特征选择。 采用SPA算法筛选得到的特征共有11个， 其中位于可见光波段处的有6个， 分别为411、 420、 428、 442、 467和689 nm; 近红外波段处有5个， 分别为797、 850、 866、 965和976 nm; UVE算法筛选得到的特征共47个， 均位于可见光波段范围内， 分布在405~603 nm之间。 分别将这两种方法筛选出的特征波段的反射率作为输入， 构建极限学习机（ELM）， BP神经网络以及狼群算法优化的BP神经网络（WPA-BP）三种水稻叶片磷素含量反演模型并加以分析。 结果表明: 以UVE算法筛选的特征反射率为输入量构建的三种模型的验证集R2在0.705 2~0.724 5之间， RMSE在0.017 4~0.020 4之间; 在相同的反演模型的条件下， 使用SPA算法筛选的特征反射率为输入量构建的模型预测效果更好， 三种模型的验证集R2在0.726 4~0.829 3之间， RMSE在0.018 0~0.021 1之间; 另外， 在利用这两种算法筛选到的特征进行建模时， 对比三种模型的预测结果发现， 经过狼群算法优化后的BP神经网络模型的精度明显高于极限学习机和BP神经网络， 其验证集的决定系数R2为0.803 4， RMSE为0.018 0。 鉴于此， 结合连续投影算法和狼群算法优化后的BP神经网络模型在北方寒地水稻叶片磷素含量高光谱反演中具有一定的优势， 可作为水稻叶片磷素含量的检测以及精准定量施肥的参考和借鉴。
水稻 高光谱数据 磷素含量 狼群算法 反演模型 Rice Hyperspectral data Phosphorus content Wolf pack algorithm Inversion model 光谱学与光谱分析
2023, 43(5): 1442
吉林大学生物与农业工程学院, 吉林 长春 130022
利用高光谱反射率光谱的特征波段构建光谱指数, 建立叶绿素含量反演模型是实现水稻生产精准调控和科学管理的必要手段之一。 为了建立适用于拔节孕穗期水稻叶片叶绿素相对含量(SPAD)的高光谱反演模型, 分别获取了拔节孕穗期水稻叶片的高光谱和SPAD数据, 利用小波分析法对原始光谱反射率曲线进行降噪处理, 并对基于积分运算的光谱指数NAOC进行简化, 获得了基于双波段简化运算的优化光谱指数。 利用相关分析法计算由原始反射率光谱R和数学变换光谱LgR、 1/R和构建的优化光谱和变换光谱指数与水稻叶片SPAD的相关系数, 获得了以积分限(a, b)为横、 纵坐标的相关系数二维矩阵, 并绘制相关性等势图, 得到相关系数最高的3个波段组合: R(641, 790)(0.872 6), (653, 767)(0.871 7)和R(644, 774)(0.871 6), 计算出20个原始样本中3个积分波段组合所对应的60个优化光谱指数值, 按照2:1的比例划分为建模集和验证集, 建立了三种水稻叶片SPAD反演模型: 偏最小二乘回归(PLSR)、 支持向量机(SVM)和BP神经网络模型。 结果显示: 利用优化光谱和变换光谱指数建立的3种水稻叶片SPAD反演模型决定系数R2均大于0.79, 归一化均方根误差NRMSE则小于5.4%。 其中BP神经网络相对于其他两种模型具有较高的拟合度, 预测精度也相对较高, 建模集R2=0.842 6, NRMSE=5.152 7%; 验证集R2=0.857, NRMSE=4.829 9%。 总体来看, 基于双波段简化运算后的优化光谱和变换光谱指数建立拔节孕穗期水稻叶片SPAD反演模型是可行的; 对比分析3种模型反演结果发现, BP神经网络对水稻叶片SPAD的反演效果较好。 该工作对提高拔节孕穗期水稻精准调控技术和建立水稻生产的科学管理体系具有一定的参考价值。
水稻 优化光谱指数 高光谱 BP神经网络 Rice SPAD Optimized spectral index Hyperspectral BP neural network SPAD 光谱学与光谱分析
2022, 42(4): 1092
1 湖南农业大学 植物激素与生长发育湖南省重点实验室，长沙 410128
2 湖南农业大学 生物科学技术学院，长沙 410128
水稻是我国最重要的粮食作物之一，高垩白性状严重降低了稻米的食用与加工品质。水稻的垩白性状主要由遗传控制，并受环境因素的影响。降低稻米的垩白含量是水稻育种改良的重要目标。近年来，研究者们揭示了多个与垩白相关的遗传学机制。本文从能量产生、能量物质分配、淀粉合成和淀粉体堆积结构等途径综述了水稻垩白性状相关基因及其遗传特性的最新研究进展，从而为水稻垩白形成的机理研究与稻米品质遗传改良提供参考。
水稻 垩白 垩白相关基因 基因功能 育种 rice chalkiness chalkiness related genes gene function rice breeding
1 北京市农林科学院信息技术研究中心, 北京 100094
2 西安科技大学测绘科学与技术学院, 陕西 西安 710054
3 广东省农业科学院水稻研究所, 广东 广州 510640
利用高光谱遥感技术在水稻收获前对籽粒品质相关的蛋白质含量进行监测, 一方面可以及时调整栽培管理方式, 指导合理追肥, 另一方面, 有助于提前掌握籽粒品质信息, 明确市场定位。 该研究以广东省典型优质籼稻为研究目标, 基于2019年和2020年两年氮肥梯度实验, 以水稻分化期和抽穗期冠层尺度高光谱数据、 水稻氮素参数, 包括叶片氮素含量(LNC)、 叶片氮素积累量(LNA)、 植株氮素含量(PNC)、 植株氮素积累量(PNA)及籽粒蛋白含量数据为基础, 利用四种个体机器学习算法partial least square regression (PLSR)、 K-nearest neighbor (KNN)、 Bayesian ridge regression (BRR)、 support vector regression (SVR), 三种集成学习算法random forest (RF)、 adaboost、 bagging, 针对水稻不同生育期氮素状况进行监测建模, 在此基础上构建基于水稻冠层光谱信息、 光谱信息结合水稻农学氮素参数的籽粒蛋白含量的监测模型, 并对模型进行精度对比。 研究结果表明, 在水稻氮素营养监测方面, 利用水稻冠层454~950 nm波段信息, 采用RF及Adaboost算法, 在水稻分化期、 抽穗期及全生育期LNC、 LNA、 PNC及PNA模型R2均达到0.90以上, 同时也具有较低的RMSE和MAE。 在水稻籽粒蛋白品质监测方面, 采用全波段光谱信息进行籽粒蛋白含量监测时, RF具有最高的精确度与稳定性, 两生育期的RF模型对籽粒蛋白含量的监测结果R2分别为0.935和0.941, RMSE分别为0.235和0.226, MAE分别为0.189和0.152; 两生育期以全波段光谱信息结合长势参数进行籽粒蛋白监测时, Adaboost模型具有最高的精确度和稳定性, 其中分化期全波段光谱信息结合PNA作为输入参数, Adaboost模型R2为0.960, RMSE为0.175, MAE为0.150, 以抽穗期全波段光谱信息结合PNC作为输入参数, R2为0.963, RMSE为0.170, MAE为0.137。 研究结果表明, 与PLSR, KNN, BRR和SVR几种个体学习器算法相比, 集成算法RF, Adaboost和Bagging具备良好的处理多重共线性的能力, 适合用于高光谱数据的分析与处理, 在作物氮素营养监测及水稻品质的早期遥感监测方面具有明显优势。
高光谱遥感 水稻品质 机器学习 集成算法 Hyperspectral remote sensing Rice grain protein Machine Learning Ensemble algorithms Adaboost Random forest Adaboost Random forest 光谱学与光谱分析
2022, 42(6): 1956
1 云南师范大学物理与电子信息学院, 云南 昆明 650500
2 曲靖师范学院物理与电子工程学院, 云南 曲靖 655011
种子的萌发是种子生命历程中的主要组成部分之一, 了解种子萌发过程中经历的生理生化变化, 准确确定种子的活力, 对农业生产很重要, 因而, 研究种子萌发有重要意义。 采用傅里叶变换红外光谱结合曲线拟合研究不同萌发程度的水稻种子, 以探寻种子贮藏物质动员情况, 对不同萌发时间的水稻种子进行傅里叶变换红外光谱、 二阶导数光谱、 二维相关红外光谱和曲线拟合研究。 结果显示, 原始红外光谱整体相似, 光谱反映出水稻种子的主要贮藏物质为淀粉、 蛋白质和脂肪; 吸收峰强度比A1 659/A1 019, A1 740/A1 019, A1 157/A1 019, A1 157/A1 081随萌发时间的增加而降低。 814~1 000和1 028~1 340 cm-1范围内的二维相关红外光谱结果显示自动峰个数和最强自动峰的位置、 强度随种子萌发时间的增加而变化, 表明种子在萌发过程中糖类和蛋白质发生变化。 二阶导数光谱在1 200~950 cm-1范围内出现七个峰, 其中988 cm-1处的峰随萌发时间的增加向较高波数蓝移, 而1 053和1 158 cm-1处的峰向较低波数红移, 表明水稻种子在萌发过程中多糖的结构和含量可能发生了变化; 在1 700~1 600 cm-1范围内出现九个峰, 其中1 641和1 692 cm-1处的峰呈现随萌发时间的增加红移到较低波数的趋势, 表明水稻种子在萌发过程中蛋白质的结构和含量可能发生了变化; 在1 800~1 700 cm-1范围二阶导数光谱仅观察到1 712和1 744 cm-1处的两个峰, 其中1 744 cm-1由脂类物质C=O伸缩振动引起, 为脂肪的特征峰。 为进一步研究水稻种子萌发过程中贮藏物质的具体变化, 以二阶导数光谱确定的子峰位置和数目为依据, 对原始红外光谱的1 200~950与1 800~1 600 cm-1区域进行曲线拟合分析。 曲线拟合结果显示, 随萌发时间的增加, 多糖和蛋白质的相对含量总体上呈现下降趋势, 脂肪的相对含量先降后升。 研究表明, 傅里叶变换红外光谱结合曲线拟合可作为研究种子萌发的有效手段。
水稻种子 萌发 傅里叶变换红外光谱 二维相关红外光谱 曲线拟合 Rice seed Germination Fourier transform infrared spectroscopy Two-dimensional infrared correlation spectroscopy Curve fitting 光谱学与光谱分析
2022, 42(6): 1832
1 西安科技大学测绘科学与技术学院, 陕西 西安 710054
2 北京市农林科学院信息技术研究中心, 北京 100094
3 广东省农业科学院水稻研究所, 广东 广州 510640
水稻是我国的主要粮食作物, 利用高光谱遥感技术在水稻未成熟之前对水稻产量进行监测, 一方面可以及时调整栽培管理方式, 指导合理追肥, 另一方面, 可以准确掌握水稻的产量信息, 帮助政府提前做出决策。 以2019年—2020年广州市白云区钟落潭试验基地氮肥梯度实验为基础, 分别获取水稻分化期和抽穗期冠层高光谱数据、 作物群体长势参数(生物量、 叶面积指数)及作物养分吸收量, 利用贝叶斯岭回归(BRR)、 支持向量回归(SVR)、 偏最小二乘回归(PLSR)三种方法建立各生育期的产量监测模型并进行精度对比, 确定水稻产量的最优估算时期和最佳估测模型。 结果表明, 三种方法中, BRR和SVR方法更适合产量监测, 在不同时期及不同的参数组合下均有较好的表现(R2>0.82, NRMSE<8.22%); 基于2019年与2020年数据, 采用全波段光谱信息进行产量监测时, 分化期最佳监测模型为BRR模型, R2为0.90, 抽穗期最优监测模型为SVR模型, R2为0.87; 采用全波段光谱协同作物群体长势参数进行产量监测时, 两时期最佳监测模型均为BRR模型, R2分别达到0.90和0.92; 相较于BRR模型和SVR模型, PLSR模型在不同时期和不同参数组合下, 最高R2仅为0.75; 基于2020年数据, 以三种不同的参数组合作为输入时, 两时期估算结果均为BRR模型最优, 且分化期建模精度高于抽穗期(R2至少增加0.02, NRMSE至少降低0.61%); 当输入参数组合为全波段光谱协同作物群体长势参数、 作物养分吸收量时, BRR模型对产量的估算精度达到最高, R2为0.94。 分析认为产量的最优监测时期是分化期, 最优监测模型为BRR模型。 研究结果可为水稻产量的早期遥感监测提供参考。
高光谱遥感 水稻估产 贝叶斯岭回归 支持向量回归 Hyperspectral remote sensing Rice yield estimation Bayesian ridge regression Support vector regression 光谱学与光谱分析
2022, 42(5): 1620
为了研制一种高效防治水稻稻瘟病菌剂，本文以水稻稻瘟病病原菌高效拮抗内生菌株灰褐色链霉菌Ahn75为研究对象，分析了不同助剂，包括营养物质、润湿剂、分散剂、紫外保护剂和稳定剂等对孢子萌发和菌剂稳定性能的影响，并探讨了优良助剂协同生防菌株对水稻稻瘟病的防效。结果发现，叶面肥、酵母提取物、吐温80和糊精均能显著促进链霉菌Ahn75孢子的萌发，且糊精还可一定程度保护Ahn75孢子免受紫外线伤害，而稳定剂海藻酸钠对链霉菌Ahn75孢子萌发影响最小，且表现出比其他稳定剂更好的稳定性能。室外盆栽试验显示，各助剂与Ahn75孢子悬浮液复配均能显著降低水稻叶瘟的发病率和病情指数，其中混合助剂的协同防效最佳，叶瘟防效达38.06%。结合室内和室外试验结果，最终确定菌剂的最佳配方为: 孢子含量1×108 CFU/mL、营养物质酵母提取物的质量分数0.05%、润湿分散剂吐温80 0.05%、紫外保护剂糊精1.00%、稳定剂海藻酸钠0.15%。该研究为生防链霉菌Ahn75菌株的田间应用提供了重要的理论依据和支撑。
水稻稻瘟病 内生链霉菌 菌剂 助剂 生物防效 rice blast endophytic Streptomyces agent adjuvants biocontrol effect
