本發(fā)明屬于農(nóng)業(yè)生產(chǎn)領(lǐng)域，尤其涉及一種基于SVM和回歸分析的玉米葉片葉綠素含量及表型參數(shù)測定方法。

背景技術(shù)：

葉綠素是植物進(jìn)行光合作用的重要色素，對植物的生長有不可替代的作用。葉綠素的含量與植物生物量、作物產(chǎn)量有很高的相關(guān)性，可通過葉綠素含量檢測作物生長狀態(tài)和進(jìn)行產(chǎn)量預(yù)測。葉綠素含量對土壤中的氮素含量相當(dāng)敏感，監(jiān)測葉綠素含量變化對指導(dǎo)用肥、避免盲目投入有重要意義。葉綠素的分布與作物的營養(yǎng)狀況息息相關(guān)，作物缺水、缺素、病蟲害都能影響葉綠素分布，可及早發(fā)現(xiàn)，積極補(bǔ)救，挽回產(chǎn)量。植物葉片表型性狀是遺傳特性與環(huán)境適應(yīng)性的綜合體現(xiàn)。表型特征與植物營養(yǎng)和其他生理、生物與非生物因子以及植物的繁殖密切相關(guān)。相關(guān)文獻(xiàn)顯示，已有學(xué)者采用葉片表型性狀比較法選擇并確定優(yōu)良品種。丁永軍等為提高基于近紅外光譜的溫室番茄葉綠素含量預(yù)測精度，采用小波變換消除光譜中的隨機(jī)噪聲，引入平滑指數(shù)(SD)和時移指數(shù)(TSD)對去噪效果進(jìn)行量化以控制變換尺度，獲得最佳變換效果。實驗表明TSI<0.001且SI>0.1004時，在去噪的同時，也能保留反映葉綠素含量變化的特征波段。周洪亮等提出了一種結(jié)合時序方法的自優(yōu)化RBF神經(jīng)網(wǎng)絡(luò)智能預(yù)測模型，對判斷藻類水華的重要指標(biāo)葉綠素a濃度進(jìn)行預(yù)測。當(dāng)樣本量為105，SPREAD值為10時，預(yù)測效果最好，精度較高，預(yù)測值與實測值的相關(guān)系數(shù)達(dá)到0.982。盧志娟等選擇合適的小波基和分解尺度對西湖水體葉綠素a進(jìn)行小波分析，將原序列分解成一個低頻概貌分量和多個高頻細(xì)節(jié)分量，再通過BP網(wǎng)絡(luò)建立西湖葉綠素a濃度短期預(yù)測模型。李樹強(qiáng)等研究表明，使用BP神經(jīng)網(wǎng)絡(luò)和RBF神經(jīng)網(wǎng)絡(luò)模型對車載系統(tǒng)動態(tài)預(yù)測單點位置葉綠素含量具有一定預(yù)測效果，平均決定系數(shù)約為0.8。姜偉杰等提出了基于多光譜圖像技術(shù)，利用敏感波長下番茄葉片的灰度值來預(yù)測其葉綠素含量的研究方法。利用多元線性回歸分析、主成分分析和偏最小二乘回歸分析等方法建立了預(yù)測模型。取得較好的預(yù)測效果。許曉毅等采用遺傳算法結(jié)合BP神經(jīng)網(wǎng)絡(luò)的方法對回水區(qū)葉綠素a濃度變化進(jìn)行動態(tài)模擬預(yù)測，通過灰色關(guān)聯(lián)法確定了對葉綠素a濃度有顯著影響的指標(biāo)與網(wǎng)絡(luò)輸入變量。模擬結(jié)果表明，遺傳－BP神經(jīng)網(wǎng)絡(luò)預(yù)測值和實測值吻合較好，其相對誤差約為9.8％。武倩雯等采用線性和非線性法對玉米葉綠素含量與近紅外波段光譜反射率及植被指數(shù)之間的關(guān)系進(jìn)行分析，建立葉綠素含量預(yù)測模型。結(jié)果表明：在近紅外波段，光譜反射率與玉米葉綠素含量的相關(guān)性較大；葉綠素含量與RVI、RSI、NDVI、NDSI、CCI等植被指數(shù)均達(dá)到顯著相關(guān)，其中與NDVI的相關(guān)系性最大，為0.91.王倩等運用聚類回歸分析方法，先通過相關(guān)矩陣、主分量的變量聚類分析，將番茄葉片正面和背面各27個顏色特征變量分別組成4個和5個類分量，再通過所得類分量的多元回歸分析，構(gòu)造由番茄葉片正面、反面顏色特征確定其葉綠素濃度的多元線性回歸模型。實驗真實數(shù)據(jù)均落在基于模型預(yù)測值的95％置信限內(nèi)。

W.K.Taia和W.M.EI-Ghanem研究了阿拉伯半島利雅得地區(qū)五種野生植物的十四種表型性狀，數(shù)據(jù)顯示當(dāng)物種的生化組分受棲息地和季節(jié)變動影響較大時，可以利用葉子的表型性狀對植物快速分類。為研究菊苣不同來源、不同類型種植材料的表型變異特征及其原因，通過變異系數(shù)、相關(guān)性、聚類和主成分分析對80份菊苣屬材料表型性狀進(jìn)行多元統(tǒng)計分析。結(jié)果表明菊苣表型性狀可以有效鑒定不同生態(tài)型菊苣并進(jìn)行分組。張元燕等以28個麻櫟地理種源為研究對象，分析了6個表型性狀的變異狀況，表明麻櫟種源間的極端差異程度有明顯不同，而表型性狀間的極端差異程度不大。劉青海等通過對同一時期不同番茄品種表型性狀分析發(fā)現(xiàn)，青果期番茄品種HL108在固度、延伸度、偏心距等方面同其他品種存在顯著性差異?？蔀榉延N提供一定的依據(jù)。宗澤等基于最小二乘法和遺傳算法相結(jié)合，提出了一種用于計算作物表型參數(shù)的骨架提取方法。能夠有效得到玉米作物的平滑骨架，為提高作物表型參數(shù)尤其是株型參數(shù)精度提供了參考。楊萬能制作全自動數(shù)字化考種機(jī)樣機(jī)，系統(tǒng)樣機(jī)性狀參數(shù)提取相對誤差均值均在5％以內(nèi),系統(tǒng)整體運行穩(wěn)定,測量效率達(dá)到720株/天,約為人工測量效率的70倍，有利的突破了國外表型測量技術(shù)封鎖。方偉等提出一種用于高通量植株株型性狀參數(shù)獲取的快速三維重建方法，使單株重建時間縮減到10秒左右。翟鵬從理論方法和實驗研究等方面對葡萄器官的特征測量進(jìn)行系統(tǒng)化的研究,.針對復(fù)雜背景下的葡萄果實表型特征獲取問題，提出了基于Zernike矩分水嶺算法的圖像分割方法，配合數(shù)字圖像處理形態(tài)學(xué)算法等，去除虛假邊界，使輪廓邊界最終收斂于目標(biāo)真實邊界，從而獲得葡萄果實輪廓的精確信息。王豐青等對地黃11個主栽品種、3個變異類型和4個野生種源的18個表型性狀進(jìn)行了觀測和分析，研究結(jié)果顯示，地黃種質(zhì)間存在較大的表型變異,基于表型性狀的聚類分析結(jié)果可用于鑒別地黃種質(zhì)間的親緣關(guān)系。劉志齋等以730份地方品種為材料,采用隨機(jī)區(qū)組設(shè)計,對研究材料進(jìn)行包括生育期性狀在內(nèi)的31個農(nóng)藝性狀進(jìn)行了多年鑒定。研究結(jié)果表明，中國的玉米地方品種對本土具有良好的適應(yīng)性與自身的特點,所劃分的9個玉米種族各自具有不同的表型特征與育種利用價值。

技術(shù)實現(xiàn)要素：

與現(xiàn)有技術(shù)比較，本發(fā)明針對玉米作物生長過程的參數(shù)變化進(jìn)行規(guī)律研究。本發(fā)明實施例的目的在于提供一種玉米葉片葉綠素含量及獲得其生長表型參數(shù)測定方法及規(guī)律，旨在解決實現(xiàn)對玉米葉片葉綠素含量及分布的精確預(yù)測和，建立玉米葉片葉形的數(shù)學(xué)表達(dá)式，以對玉米健康生長表型進(jìn)行評價。

本發(fā)明是這樣實現(xiàn)的，一種基于SVM和回歸分析的玉米葉片葉綠素含量及表型參數(shù)測定方法包括：

步驟一、利用多光譜照相機(jī)拍攝玉米葉片多光譜圖像，在光譜照相機(jī)配套的光譜圖像處理軟件中進(jìn)行處理，獲取玉米葉片光譜信息；用葉綠素計測量樣本點葉綠素值；

步驟二、基于支持向量機(jī)對玉米的生長時期進(jìn)行精確分類，建立分時期的光譜與葉綠素含量間關(guān)系模型；

步驟三、利用光譜與葉綠素含量關(guān)系模型對葉綠素含量進(jìn)行預(yù)測，計算在整片玉米葉片上葉綠素的分布情況；

步驟四、利用光譜與葉綠素含量間關(guān)系模型計算玉米葉片葉綠素含量的分布圖，并對玉米葉片葉綠素含量的分布圖進(jìn)行偽彩色處理，分析玉米葉片沿葉片生長長度和寬度方向上的葉綠素分布規(guī)律；

步驟五、對玉米葉片輪廓進(jìn)行曲線擬合和葉形的數(shù)學(xué)表達(dá)。

進(jìn)一步，對苗期、穗期、花粒期采用二次回歸方程對葉綠素含量進(jìn)行預(yù)測，苗期的經(jīng)驗回歸方程為：

Y＝50.2889+0.5119X₄-0.5099X₈+0.0010X₁·X₃-0.0049X₁·X₄+0.0030X₇·X₈+0.0022X₁²-0.0018X₇²

穗期的經(jīng)驗回歸方程為：

Y＝29.6786+0.4534X₁-0.5209X₂+0.4108X₃+0.0088X₂·X₃-0.0112X₃·X₅+0.0075X₃·X₆+0.0025X₄·X₈

花粒期的經(jīng)驗回歸方程為：

Y＝-8.4855+0.5547X₆-0.0048X₃·X₄+0.0016X₄·X₈+0.0053X₃²；

式中，葉綠素計采集的葉綠素值為Y，八個光譜頻段的光譜信息為X₁，X₂，X₃，……X₈。

進(jìn)一步，苗期玉米葉片葉綠素含量從葉基至葉尖逐漸增大，穗期葉綠素含量在長度方向平均分布，花粒期葉綠素含量在葉片上部有最高值，葉尖葉綠素含量較低；寬度方向上，玉米葉片葉綠素含量對稱分布。

進(jìn)一步，采用一元二次曲線方程作為玉米葉形的數(shù)學(xué)表達(dá)：

y＝ax²+bx+c；

x表示玉米葉片長度方向，y表示玉米葉片相應(yīng)長度處的寬度值。

本發(fā)明建立了多光譜信息與玉米葉片葉綠素含量的關(guān)系模型，對玉米葉片葉綠素含量進(jìn)行了預(yù)測，預(yù)測誤差小于3％。利用模型，計算玉米葉片葉綠素含量的分布圖，并進(jìn)行偽彩色處理，可直觀的看到玉米葉片葉綠素含量分布情況，分別分析了葉綠素沿葉片生長長度和寬度方向上的分布規(guī)律，證明在苗期玉米葉片葉綠素含量從葉基至葉尖逐漸增大；穗期葉綠素含量在長度方向較平均；在花粒期葉綠素含量在葉片上部有一個明顯的峰值，葉尖葉綠素含量較低；寬度方向上，玉米葉片葉綠素含量基本對稱；對玉米葉片輪廓進(jìn)行了曲線回歸逼近，結(jié)果表明，玉米葉片輪廓符合二次曲線，可用二次方程表達(dá)玉米葉型。

附圖說明

圖1是本發(fā)明實施例提供的基于SVM和回歸分析的玉米葉片葉綠素含量及表型參數(shù)測定方法流程圖；

圖2是本發(fā)明實施例提供的苗期葉綠素非線性回歸曲線；

圖3是本發(fā)明實施例提供的穗期葉綠素非線性回歸曲線；

圖4是本發(fā)明實施例提供的花粒期葉綠素非線性回歸曲線；

圖5是本發(fā)明實施例提供的苗期第一組葉綠素數(shù)據(jù)在葉片長度方向上的變化趨勢；

圖6是本發(fā)明實施例提供的苗期第二組葉綠素數(shù)據(jù)在葉片長度方向上的變化趨勢；

圖7是本發(fā)明實施例提供的穗期第一組葉綠素數(shù)據(jù)在葉片長度方向上的變化趨勢；

圖8是本發(fā)明實施例提供的穗期第二組葉綠素數(shù)據(jù)在葉片長度方向上的變化趨勢；

圖9是本發(fā)明實施例提供的花粒期第一組葉綠素數(shù)據(jù)在葉片長度方向上的變化趨勢；

圖10是本發(fā)明實施例提供的花粒期第二組葉綠素數(shù)據(jù)在葉片長度方向上的變化趨勢；

圖11是本發(fā)明實施例提供的玉米葉片輪廓二次回歸曲線。

具體實施方式

為了使本發(fā)明的目的、技術(shù)方案及優(yōu)點更加清楚明白，以下結(jié)合實施例，對本本發(fā)明進(jìn)行進(jìn)一步詳細(xì)說明。應(yīng)當(dāng)理解，此處所描述的具體實施例僅僅用以解釋本本發(fā)明，并不用于限定本發(fā)明。

本發(fā)明實施例的基于SVM和回歸分析的玉米葉片葉綠素含量及表型參數(shù)測定方法利用多光譜照相機(jī)拍攝玉米葉片多光譜圖像，獲取玉米葉片光譜信息；用葉綠素計測量樣本點葉綠素值；基于支持向量機(jī)對玉米的生長時期進(jìn)行分類預(yù)測；建立分時期的光譜與葉綠素含量間關(guān)系模型，利用光譜與葉綠素含量關(guān)系模型對葉綠素含量進(jìn)行預(yù)測，三個時期的預(yù)測相關(guān)系數(shù)分別為0.8224、0.7868、0.8092；計算在整片玉米葉片上葉綠素的分布情況，并尋找玉米葉片沿生長長度和寬度方向上的葉綠素分布規(guī)律。

下面結(jié)合附圖對本發(fā)明的應(yīng)用原理作詳細(xì)的描述。

請參閱圖1至圖11：

一種基于SVM和回歸分析的玉米葉片葉綠素含量及表型參數(shù)測定方法，包括：

S101、利用多光譜照相機(jī)拍攝玉米葉片多光譜圖像，在配套的軟件中進(jìn)行處理，獲取玉米葉片光譜信息；用葉綠素計測量樣本點葉綠素值；(用光譜照相機(jī)配套的光譜圖像處理軟件)

S102、基于支持向量機(jī)對玉米的生長時期進(jìn)行精確分類，建立分時期的光譜與葉綠素含量間關(guān)系模型；

S103、利用光譜與葉綠素含量關(guān)系模型對葉綠素含量進(jìn)行預(yù)測，計算在整片玉米葉片上葉綠素的分布情況；

S104、利用光譜與葉綠素含量間關(guān)系模型計算玉米葉片葉綠素含量的分布圖，并對玉米葉片葉綠素含量的分布圖進(jìn)行偽彩色處理，分析玉米葉片沿葉片生長長度和寬度方向上的葉綠素分布規(guī)律；

S105、對玉米葉片輪廓進(jìn)行曲線擬合和葉形的數(shù)學(xué)表達(dá)。

下面結(jié)合具體實施例對本發(fā)明的應(yīng)用原理作進(jìn)一步的描述。

實施例一

分別于2014年玉米的苗期(5月10日)，穗期(6月22日)，花粒期(7月22日)對玉米葉片進(jìn)行光譜信息采集。在黑暗的環(huán)境下，用多光譜照相機(jī)自帶的光源照明，將采摘的葉片完全展開固定，用光譜照相機(jī)對葉片進(jìn)行成像。采集樣本共600個，其中苗期200個，穗期200個，花粒期200個。

本實施例采用多光譜照相機(jī)拍攝425nm、475nm、550nm、575nm、615nm、675nm、775nm、850nm八個波長的圖像；

將完全展開的玉米葉片，從葉基至葉尖，使用SPAD-502葉綠素計進(jìn)行相對葉綠素含量(SPAD值)測定，將相對葉綠素含量測量位置與上述光譜數(shù)據(jù)測量位置對應(yīng)。每個測量點測量3次取平均值。

分別于6月22日、7月22日、8月23日，采摘呼和浩特市郊區(qū)農(nóng)田玉米葉片共30片。

沿葉片根部剪下，放在保鮮袋中。為防止葉片枯萎，盡快測量。為研究玉米葉片葉綠素分布情況，沿玉米葉片生長長度方向，每6cm將葉片剪開。沿每段葉片生長寬度方向，四次測量葉綠素含量。

沿著葉片葉脈，每兩厘米用筆在葉片上作標(biāo)記。在每個標(biāo)記處，與葉脈方向垂直，量取葉片的寬度，精確到mm并作記錄。

本實施例應(yīng)用libSVM仿真平臺進(jìn)行玉米生長時期分類的支持向量機(jī)建模和參數(shù)尋優(yōu)。

本實施例將每個生長時期數(shù)據(jù)的前200組共600組數(shù)據(jù)，作為訓(xùn)練集樣本，將每個時期后100組共300組數(shù)據(jù)作為測試樣本集。每個樣本屬性個數(shù)為8，即8個光譜頻段值，屬性數(shù)據(jù)沒有缺失。類別數(shù)目為3，為苗期數(shù)據(jù)設(shè)置分類標(biāo)簽為1，穗期數(shù)據(jù)分類標(biāo)簽為2，花粒期數(shù)據(jù)標(biāo)分類簽為3。選擇高斯核函數(shù)，用網(wǎng)格搜索算法進(jìn)行參數(shù)尋優(yōu)，得到的最優(yōu)參數(shù)和分類正確率曲線圖，輸出的最優(yōu)參數(shù)C為0.5，g為0.0019531。在測試集上的分類正確率為87.982％。

對葉綠素含量進(jìn)行多元線性回歸分析及顯著性檢驗和多元非線性回歸分析及顯著性檢驗，非線性回歸結(jié)果比線性回歸結(jié)果相關(guān)系數(shù)更高，均方根誤差更小，因此采用二次回歸方程對葉綠素含量進(jìn)行預(yù)測。

對苗期、穗期、花粒期采用二次回歸方程對葉綠素含量進(jìn)行預(yù)測，苗期的經(jīng)驗回歸方程為：

Y＝50.2889+0.5119X₄-0.5099X₈+0.0010X₁·X₃-0.0049X₁·X₄+0.0030X₇·X₈+0.0022X₁²-0.0018X₇²

穗期的經(jīng)驗回歸方程為：

Y＝29.6786+0.4534X₁-0.5209X₂+0.4108X₃+0.0088X₂·X₃-0.0112X₃·X₅+0.0075X₃·X₆+0.0025X₄·X₈

花粒期的經(jīng)驗回歸方程為：

Y＝-8.4855+0.5547X₆-0.0048X₃·X₄+0.0016X₄·X₈+0.0053X₃²；

式中，葉綠素計采集的葉綠素值為Y，八個光譜頻段的光譜信息為X₁，X₂，X₃，……X₈。

以每個時期后100組共300組數(shù)據(jù)作為測試集，把測試集數(shù)據(jù)代入二次回歸公式中，得到測試集數(shù)據(jù)相關(guān)系數(shù)和均方根誤差如表1和表2所示。

表1

表2

圖2至圖4分別為苗期、穗期、花粒期葉綠素的非線性擬合曲線，圖中散點表示葉綠素測量值，實線表示非線性回歸得到的擬合曲線。玉米葉片葉綠素含量的測量值與依據(jù)模型得到的預(yù)測值之間的誤差較小，相對誤差在5％以內(nèi)，因此，可利用該模型進(jìn)行玉米葉片葉綠素含量的預(yù)測。

由于在每段玉米葉片沿葉片寬度方向分四次進(jìn)行葉綠素含量檢測，因此每片葉子沿葉片長度方向可繪制出四條曲線，依據(jù)這四條曲線的變化可判斷出玉米葉片沿生長長度方向葉綠素變化規(guī)律。

玉米苗期兩組不同葉綠素數(shù)據(jù)沿長度方向變化趨勢如圖5、圖6所示。圖中雖有少數(shù)點葉綠素含量相對減小，但曲線呈增大趨勢，表明苗期玉米葉片葉綠素含量由葉根部至葉尖呈逐漸增大趨勢；

玉米穗期兩組不同葉綠素數(shù)據(jù)沿長度方向變化趨勢如圖7、圖8所示。四條曲線相互交織，方向較為平坦。可知穗期玉米葉片葉綠素含量較平均，從葉根至葉尖差異不大。穗期葉綠素含量較苗期相對更高。

圖9和圖10為花粒期兩組不同葉綠素數(shù)據(jù)延生長長度方向變化趨勢圖。由圖可知花粒期玉米葉片葉綠素含量沿生長長度方向有一個明顯峰值，葉尖和葉片中部葉綠素含量較小。

將玉米葉片每6cm剪成段，每一段沿寬度方向四次測量葉綠素含量。將葉片左側(cè)邊緣的葉綠素含量取平均值，與右側(cè)邊緣的葉綠素平均值作差，差的絕對值大小可代表出玉米葉片邊緣葉綠素含量的左右對稱性。同理，將葉片左側(cè)中部的葉綠素含量取平均值，與右側(cè)中部葉綠素含量的平均值作差，可分析出玉米葉片中部葉綠素含量的左右對稱性。

在本實施例中，沿長度方向每兩厘米測量玉米葉片寬度，邊緣點連接可以組成輪廓，采用最小二乘回歸法來進(jìn)行邊緣點的二次曲線擬合。在matlab中編寫程序，對其中一組數(shù)據(jù)進(jìn)行回歸分析。得到參數(shù)估計表和顯著性檢驗的

方差分析表如表3所示。擬合曲線如圖11所示。

表3

方程總體p值和各變量p值均小于0.05，表明整個回歸方程和自變量都是顯著的。按照此方法，對其他數(shù)據(jù)進(jìn)行回歸分析，每個時期前五組數(shù)據(jù)處理結(jié)果，如表4所示。

表4

30組數(shù)據(jù)一元二次回歸相關(guān)系數(shù)均超過0.9，說明玉米葉片葉形是符合一元二次曲線的，可用一元二次方程描述玉米葉片輪廓。

本發(fā)明建立了多光譜信息與玉米葉片葉綠素含量的關(guān)系模型，對玉米葉片葉綠素含量進(jìn)行了預(yù)測，預(yù)測誤差小于3％。利用模型，計算玉米葉片葉綠素含量的分布圖，并進(jìn)行偽彩色處理，可直觀的看到玉米葉片葉綠素含量分布情況，分別分析了葉綠素沿葉片生長長度和寬度方向上的分布規(guī)律，證明在苗期玉米葉片葉綠素含量從葉基至葉尖逐漸增大；穗期葉綠素含量在長度方向較平均；在花粒期葉綠素含量在葉片上部有一個明顯的峰值，葉尖葉綠素含量較低；寬度方向上，玉米葉片葉綠素含量基本對稱；對玉米葉片輪廓進(jìn)行了曲線回歸逼近，結(jié)果表明，玉米葉片輪廓符合二次曲線，可用二次方程表達(dá)玉米葉型。

以上所述僅為本發(fā)明的較佳實施例而已，并不用以限制本發(fā)明，凡在本發(fā)明的精神和原則之內(nèi)所作的任何修改、等同替換和改進(jìn)等，均應(yīng)包含在本發(fā)明的保護(hù)范圍之內(nèi)。