检索结果-南通市图书馆

北方园艺 2021年第13期 19-25页

作者：尹艺璐钱婷婷李达仁熊鑫常丽英上海交通大学农业与生物学院上海200240 上海市农业科学院上海201403

以生菜为试材,采用营养液培养法,研究了4种不同施氮水平(T10mmol·L^(-1)、T2 3.25mmol·L^(-1)、T3 6.50mmol·L^(-1)、T4 9.25mmol·L^(-1))对水培生菜的地上部干质量及氮浓度的影响,构建了水培生菜的临界氮浓度曲线模型,并得出氮素... 详细信息

以生菜为试材,采用营养液培养法,研究了4种不同施氮水平(T10mmol·L^(-1)、T2 3.25mmol·L^(-1)、T3 6.50mmol·L^(-1)、T4 9.25mmol·L^(-1))对水培生菜的地上部干质量及氮浓度的影响,构建了水培生菜的临界氮浓度曲线模型,并得出氮素吸收模型、氮素亏缺模型和氮营养指数模型,以期为水培生菜的氮营养诊断提供参考依据。结果表明:水培生菜的地上部干质量和氮浓度满足幂函数关系,临界氮浓度稀释曲线模型为%N_c=3.769DW^(-0)_(max).^(343),决定系数R^(2)=0.903,同时得出最高和最低氮浓度稀释曲线,决定系数分别为R^(2)=0.891、R^(2)=0.906;水培生菜的氮吸收模型、氮亏缺模型和氮营养指数模型较好地实现了氮营养诊断。3种模型诊断结果基本一致,生育前期以6.50mmol·L^(-1)处理为宜,后期最适施氮水平应处于3.25~6.50mmol·L^(-1)。

关键词：水培生菜临界氮浓度曲线氮营养诊断

来源：

维普期刊数据库

同方期刊数据库评论

在线全文

学校读者我要写书评

暂无评论

基于临界氮浓度高光谱的水稻氮亏缺量反演方法研究

基于临界氮浓度高光谱的水稻氮亏缺量反演方法研究

引用

作者：白驹驰沈阳农业大学

学位级别：硕士

氮素是对水稻发育生长影响最大的元素,也是水稻田间施肥管理的重点。水稻氮营养状况的快速诊断是目前水稻精准施肥领域的研究重点,也是水稻数字化生产的实现难点之一。然而传统的氮营养诊断依主要通过田间采样来获取数据,在成本较高的... 详细信息

氮素是对水稻发育生长影响最大的元素,也是水稻田间施肥管理的重点。水稻氮营养状况的快速诊断是目前水稻精准施肥领域的研究重点,也是水稻数字化生产的实现难点之一。然而传统的氮营养诊断依主要通过田间采样来获取数据,在成本较高的同时效率较低。因此,利用无人机遥感技术实现对水稻田间光谱数据的快速、无损、大面积获取,并通过构建水稻光谱数据与氮营养数据间的数学联系的方式实现水稻氮营养信息规模化获取与快速诊断,就成为了目前重要的研究方向。临界氮浓度理论是目前对水稻氮营养状诊断的常用理论,根据临界氮浓度曲线可以实现对水稻氮亏缺情况的定量描述,是实现水稻规模化精准追肥的重要一环,但常规方法计算氮亏缺量需要同时反演水稻氮浓度与干物质量数据,反演难度较高,误差较大。本研究以东北水稻为主要研究对象,通过田间试验获取水稻氮浓度、干物质量与高光谱反射率数据,根据水稻氮浓度与干物质量构建东北水稻临界氮浓度曲线,并计算水稻氮亏缺量(N),同时尝试以同时期N≈0状态的水稻光谱为标准光谱,对其余光谱进行多种光谱变换,选取与氮亏缺量相关性最强的变换光谱作为模型输入,首先采用多种降维方法提取变换光谱特征,并将光谱特征作为模型输入,对比多种机器学习算法的反演结果,最终选取反演效果最佳的降维与建模方法构建水稻高光谱氮亏缺量反演模型。以实现水稻氮亏缺状况的定量反演,进而为水稻精准追肥技术提供数据支持。研究的主要成果如下:(1)根据水稻实测干物质量与氮浓度数据计算水稻临界氮浓度曲线,曲线参数a与b分别2.026、-0.460,曲线R为0.875,RMSE为0.383。曲线结果与相关研究结果相近。(2)对原始光谱与归一化差值光谱分别采用主成分分析法(PCA)、自编码器(AE)、竞争性自适应重加权采样法(CARS)、连续投影法(SPA)进行降维。综合来看,基于SPA算法的降维结果整体反演精度最好,基于SPA降维的NSGA-Ⅲ-ELM模型训练集R与RMSE分别为0.829、0.683。四种方法对不同输入光谱的特征提取能力各不相同,从原始光谱来看,基于CARS算法的反演精度整体上最好,其中RMSE普遍低于其余降维方法;从归一化差值光谱来看,基于SPA算法的反演精度整体最好。(3)为了确定反演效果最好的水稻氮亏缺量高光谱反演方法,本研究以原始光谱与归一化差值光谱降维结果与水稻氮亏缺量作为模型输入,分别构建基于随机森林(RF)、极限学习机(ELM)、蝙蝠优化极限学习机(BA-ELM)、第三代非支配排序遗传算法优化极限学习机(NSGA-Ⅲ-ELM)四种算法的水稻氮亏缺量反演模型。模型反演结果表明:基于归一化差值光谱与SPA特征选择的NSGA-Ⅲ-ELM模型取得了最好的反演结果,训练集与测试集的R分别为0.829、0.854,RMSE分别为0.683、0.618。从反演模型角度看,NSGA-Ⅲ-ELM模型反演结果略优于BA-ELM模型,其次是ELM模型与RF模型,其中RF模型过拟合情况较为严重。NSGA-Ⅲ模型与BA模型对ELM的优化效果较为明显,对反演模型的精度提升较大。以反演效果最优模型的氮亏缺量估测值与对应梯度的氮亏缺量实测值对比,发现氮亏缺状态水稻氮亏缺量反演效果较好,而氮丰富状态下水稻氮亏缺量反演效果明显较差。综上所述,本研究构建的水稻氮亏缺量反演模型可以实现对水稻氮亏缺量的快速诊断,对指导水稻精准追肥作业,降低氮肥消耗与农田氮污染具有重要意义。

关键词：水稻无人机高光谱机器学习氮亏缺量临界氮浓度曲线

来源：

同方学位论文库评论

在线全文

同方学位论文库

学校读者我要写书评

暂无评论

欢迎您,

建议与咨询留下您的常用邮箱和电话号码，以便我们向您反馈解决方案和替代方法

时间限定

文献类型

馆藏选择

核心期刊

语言

文献类型

帮助

文字说明：

检索规则说明：

检索范例：

分类表

所选分类

限定检索结果

文献类型

馆藏范围

日期分布

学科分类号

主题

机构

作者

语言

在线全文

在线全文

请选择保存的检索档案：

请选择收藏分类：

通借通还

欢迎您,

建议与咨询 留下您的常用邮箱和电话号码，以便我们向您反馈解决方案和替代方法

时间限定

文献类型

馆藏选择

核心期刊

语言

文献类型

帮助

文字说明：

检索规则说明：

检索范例：

分类表

所选分类

限定检索结果

文献类型

馆藏范围

日期分布

学科分类号

主题

机构

作者

语言

在线全文

在线全文

请选择保存的检索档案： 新增检索档案 确定 取消

请选择收藏分类： 新增自定义分类 确定 取消

通借通还

建议与咨询留下您的常用邮箱和电话号码，以便我们向您反馈解决方案和替代方法

请选择保存的检索档案：

请选择收藏分类：