1、農業(yè)物聯(lián)網技術作為當代農業(yè)信息化發(fā)展的新方向，是提高資源利用率和生產力水平，加快我國農業(yè)由傳統(tǒng)農業(yè)向現代農業(yè)轉型的關鍵和核心技術。農業(yè)物聯(lián)網的應用主要體現在建立對農作物田間及溫室環(huán)境控制和信息反饋的農業(yè)精準控制系統(tǒng)。這種精細化管理要求對作物生長狀況的快速準確獲取，以實現田間信息的實時動態(tài)監(jiān)測。然而傳統(tǒng)的實驗室化學測量分析和農田信息監(jiān)測方法耗時費力，不適合農業(yè)物聯(lián)網技術的發(fā)展需要。本論文針對農作物生長信息快速無損檢測技術的需要，應用高光譜

2、成像技術，結合多種光譜和圖像處理技術及化學計量學方法，以油菜為研究對象，研究油菜生長過程中養(yǎng)分信息的快速獲取方法、養(yǎng)分分布可視化以及在較早生長階段對油菜籽產量的快速預測方法。為制定油菜大田變量作業(yè)處方提供主要數據源和參數，為油菜生長的實時監(jiān)測系統(tǒng)提供技術支撐。本研究主要內容和結論如下:
　　(1)探討了基于高光譜成像技術對油菜苗期、花期、角果期和苗-花-角果生命期葉片氮含量的快速檢測和氮素在葉片中分布的可視化方法。對每個時期葉片高

3、光譜數據提取可見/近紅外波段(380-1030nm)光譜信息，在經過最優(yōu)預處理后，通過分析比較利用RC和SPA算法提取的特征波長所建立的PLS和LS-SVM模型，得到在油菜苗期、花期、角果期和苗-花-角果生命期對葉片氮含量的預測結果相關系數Rp分別為0.793、0.891、0.772和0.852;基于特征波長圖像，利用二階概率統(tǒng)計濾波方法提取圖像紋理特征和特征光譜信息一并作為模型自變量，苗期、花期和角果期的葉片氮含量分別作為模型因變量，

4、建立預測模型，在各時期得到0.752、0.863和0.747的Rp;利用苗-花-角果生命期葉片光譜信息提取的12個特征波長和建立的SPA-PLS模型，對油菜三個不同生長期的葉片氮含量情況進行可視化表達，得到直觀具體的氮素營養(yǎng)信息分布圖。
　　(2)研究建立了油菜葉片磷含量快速檢測模型和實現磷在葉片中的可視化表達?？梢?近紅外波段光譜經過SNV預處理后，基于5個特征波長的SPA-BPNN模型獲得了最優(yōu)預測效果（Rp為0.762，RM

5、SEP為0.030）;利用二階概率統(tǒng)計濾波算法分別提取特征波長圖像和主成分圖像的紋理特征，并與特征波長信息結合，建立PLS、LS-SVM和BPNN模型，基于特征波長圖像的最優(yōu)模型BPNN預測結果Rp=0.740，RMSEP=0.032，基于主成分圖像的最優(yōu)模型BPNN預測結果Rp=0.757，RMSEP=0.032;利用SPA提出的5個特征波長和SPA-PLS模型回歸系數，對葉片高光譜圖像中的每個像素點進行磷含量預測，將采自不同施肥梯度

6、的葉片樣本磷素含量差異進行了可視化表達。
　　(3)研究建立了油菜葉片鉀含量快速檢測模型和實現鉀在葉片中的可視化表達。在可見/近紅外波段，利用GA、RC和SPA三種方法對原始光譜數據進行特征波長提取，通過PLS、LS-SVM和BPNN三種預測模型的比較得出RC-BPNN模型預測性能最優(yōu)，對預測集樣本預測的Rp為0.759，RMSEP為0.158;分別使用概率統(tǒng)計濾波和二階概率統(tǒng)計濾波方法對特征波長圖像提取紋理特征值，將紋理特征融合

7、光譜特征建模分析比較，得到基于概率統(tǒng)計濾波紋理特征提取方法建立的最優(yōu)BPNN模型，其中Rp=0.730，RMSEP=0.171;基于主成分灰度圖像提取紋理特征，結合光譜特征信息后建立不同模型，其中最優(yōu)模型BPNN模型的Rp為0.726，RMSEP為0.179;基于RC提取的5個特征波長和對應RC-PLS模型，對高光譜圖像中葉片區(qū)域內每個像素點進行鉀含量的預測，從而獲得葉片鉀含量的可視化分布圖，實現同一樣本內或不同樣本間鉀素水平差異的可視

8、化。
　　(4)應用高光譜成像技術，實現了油菜籽產量的早期快速預測。在油菜較早生長階段（苗期、抽薹期、花期和角果期）獲取葉片高光譜圖像數據，通過比較基于各時期光譜數據建立的PLS模型預測效果，確定在初花期（3月份）獲得的光譜數據最適宜準確預測油菜籽產量;利用基于載荷系數法提取的6個產量預測敏感波段分別建立線性模型（PLS和MLR）與非線性模型（LS-SVM和BPNN），結果表明LS-SVM模型（Rp=0.887，RMSEP=22.