本文是一篇农业论文，本文通过进行近地面室内、外试验，获取了红枣单果和冠层尺度的高光谱数据以及试验样本的含水率和可溶性固形物含量数据，研究了红枣品质（含水率与可溶性固形物）信息与红枣单果及冠层红枣反射率之间的关系，建立红枣单果尺度及冠层尺度的品质检测模型。
第1章 绪论
1.1 研究背景与意义
红枣营养丰富，富含多种营养物质[1-2]，既可鲜食也可干制，有很高的食用和药用价值。南疆地区气候独特，有着光照时间长、昼夜温差大、年均降水量低的特点[3]，适宜红枣等特色林果的种植。红枣是南疆地区的重要经济作物，红枣产业更是兵团支柱产业之一。据国家统计局和兵团统计局相关数据，近10年来，全国红枣产量稳步上升，产量由422.49万吨增加到773.1万吨，其中新疆红枣产量占比逐年增加，2010年新疆红枣产量为62.73万吨，占全国红枣产量的14.85%，而到2020年，新疆红枣产量已达381.25万吨，占全国产量的49.31%，近10年内新疆红枣产量增幅高达508%。同时，随着新疆红枣产量的增加，兵团红枣产量的占比也随之上升，2010年兵团红枣产量为24.60万吨，占新疆产量的39.21%，2020年兵团红枣产量为208.06万吨，占新疆产量的54.57%。图1-2显示了新疆和兵团红枣种植面积的变化，近10年来，新疆红枣种植面积呈现先升后降的趋势，但整体上种植面积变化不大，近两年有下降趋势，兵团红枣种植面积趋于稳定。
农业论文怎么写.
..............................
1.2 国内外研究现状
1.2.1 高光谱成像技术在作物信息检测中的应用
高光谱成像技术能将图像信息和光谱信息融合，获得包含光谱信息的高光谱图像，图像中每个像元的光谱都可以分别提取，因此能获得包含更多信息的数据[13-14]。国内外有众多学者使用高光谱成像技术对作物的品质信息、养分信息等进行研究，杨佳等[15]研究了干燥胡萝卜片水分及类胡萝卜素与高光谱反射率之间的关系，发现400～1000 nm波段的光谱对于水分和类胡萝卜素较为敏感，建立的模型优于1000～2200 nm波段数据建立的模型，且水分和类胡萝卜素的最佳预测模型均为MSC-SVM，预测集决定系数分别为0.962和0.898。杨宝华等[16]采用高光谱成像技术对鲜桃可溶性固形物含量进行预测，提出了一种使用堆栈自动编码器-粒子群优化-支持向量机回归的建模方法，可以将光谱和空间信息进行融合，建立的模型决定系数达到0.8733，表明该方法能有效预测鲜桃的可溶性固形物。Xu等[17]提出使用变分模态分解方法对葡萄高光谱图像数据进行分解，采用滤波器对关键波长进行筛选并建立葡萄可溶性固形物含量预测模型，结果表明使用最小二乘-支持向量机建立的模型预测精度最高，决定系数为0.93，说明变分模态分解方法可以用于高维高光谱数据的处理。Li等[18]采集了黄瓜的高光谱数据，发现使用筛选出的29个硬度特征波长和42个水分特征波长即可实现对黄瓜硬度和失水特征的准确检测和可视化表达。Ayman等[19]采用反射式高光谱成像技术对两个品种红枣的含水率、干物质含量和硬度进行预测，并建立偏最小二乘回归模型，模型的剩余预测残差分别为3.65、3.69、3.42，说明建立的模型能很好的预测红枣品质信息。使用高光谱成像对作物养分信息、冠层含水率等进行检测是当前研究的热点，其中孙红等[20]获取了马铃薯冠层叶片不同水分梯度下的高光谱数据，发现使用蛙跳算法结合偏最小二乘回归建立的模型精度最高，预测集决定系数达到0.9471，将叶片含水率进行可视化后发现，随着水分的减少，叶肉部分颜色变化最为明显，叶茎部分颜色变化最为缓慢。李红等[21]使用高光谱成像技术对不同水分胁迫的生菜冠层含水率进行检测，发现使用蒙特卡罗结合最小绝对收缩和选择算法及连续投影算法建立的偏最小二乘模型预测效果最优，预测集相关系数为0.9015，可以实现对生菜冠层含水率的预测。Razieh等[22]使用偏最小二乘和神经网络算法建立番茄叶片氮含量的估算模型，模型相关系数均在0.96以上。
.....................................
第2章 数据获取及分析方法
2.2 试验数据获取
2.2.1 红枣单果尺度光谱数据获取
研究采用四川双利合谱科技有限公司的Image--N17E-N3型号增强型近红外高光谱相机和北京卓立汉光公司的Hyperspectral Sorting System推扫式高光谱分选系统采集红枣高光谱数据，高光谱相机采用透射光栅进行分光，以线性推扫式进行光谱数据采集，得到近红外范围的高光谱图像，高光谱相机详细技术参数见表2-1。高光谱分选系统内布置有均匀光源，内部涂有黑色吸光漆以降低外界环境干扰。计算机中安装高光谱数据采集软件，能够实现黑白校正、传送带移动速度、相机高度、曝光时间调整和高光谱数据的存储等功能。
农业论文怎么写
室内高光谱数据采集时，需要进行准备工作。将高光谱相机打开，预热光源30 min确保光谱发出的光稳定，不会对试验结果产生影响，之后进行黑白校正，进一步消除光源、仪器噪声对高光谱数据的影响。单果尺度数据采集于2020年10月1日，挑选出大小合适、表面无损伤的红枣样本135个，对样品进行标号，光谱数据采集时，设定高光谱相机高度为42 cm、传送带行程为30 cm、传送速度为1.6 cm/s，分多次采集红枣光谱。
...............................
第3章 单果尺度的红枣品质检测方法研究 .................. 19
3.1 红枣光谱数据采集及光谱特性分析 ............................ 19
3.2 红枣含水率与可溶性固形物含量统计 .......................... 19
3.3 光谱数据预处理及最优预处理方法选择 ................... 21
第4章 冠层尺度的红枣品质检测方法研究 .............................. 30
4.1 红枣冠层光谱数据采集及光谱特性分析 ............................ 30
4.2 冠层红枣含水率与可溶性固形物含量统计 .......................... 32
4.3 基于冠层光谱的红枣含水率及可溶性固形物含量预测模型构建 ...................... 33
第5章 无人机区域尺度的红枣品质检测方法研究 ................... 46
5.1 无人机多光谱图像获取 ..................................... 46
5.2 红枣样本含水率信息统计 .................................. 47
5.3 基于多光谱反射率的红枣含水率回归模型构建 ................. 48
第5章 无人机区域尺度的红枣品质检测方法研究
5.1 无人机多光谱图像获取
无人机数据采集时间为2021年11月9日和11日，时间为16:00至18:00，地点为第一师10团，坐标为东经81°18′，北纬40°35′。如图5-1所示，此时红枣处于完熟期，处于在树上自然风干的状态，冠层红枣不易受遮挡，无人机图像可以准确识别红枣，有利于红枣反射率的提取。使用大疆精灵PHANTOM 4采集红枣无人机多光谱图像，其配备了1个RGB彩色传感器，5个单色传感器，分别为蓝光波段（中心波长450 nm）、绿光波段（中心波长560 nm）、红光波段（中心波长650 nm）、红边波段（中心波长730 nm）以及近红外波段（中心波长840 nm）。使用无人机采集枣树多光谱图像时，需要提前采集标准白板数据以便后续进行校正。受无人机分辨率限制，控制无人机飞行高度为距离枣树冠层2~3 m，对红枣和枣树进行标记，以便后续采集红枣样本。
农业论文参考
.................................
第6章 结论与展望
6.1 结论与创新点
本文基于光谱分析技术，围绕近地面遥感果品品质空间分布特征和区域品质定量评价，以南疆地区重要经济作物红枣作为研究对象，分别对单果尺度、冠层尺度、无人机区域尺度下的红枣品质检测模型展开深入研究。通过进行近地面室内、外试验，获取了红枣单果和冠层尺度的高光谱数据以及试验样本的含水率和可溶性固形物含量数据，研究了红枣品质（含水率与可溶性固形物）信息与红枣单果及冠层红枣反射率之间的关系，建立红枣单果尺度及冠层尺度的品质检测模型。同时，使用无人机多光谱获取红枣的无人机多光谱数据，尝试对区域尺度下红枣的含水率进行反演。本文的研究结论如下：
（1）构建了室内单果尺度红枣品质检测模型。对比了Savitzky-Golay 卷积平滑法(SG)、多元散射校正（MSC）、变量标准化（SNV）、去趋势处理（De-trending）和一阶微分(1-Der)五种光谱预处理方法的建模效果，确定了单果尺度红枣含水率及可溶性固形物含量检测的最佳预处理方法分别是MSC和SG平滑。使用竞争性自适应重加权算法（CARS）、连续投影算法（SPA）和随机蛙跳算法（RF）算法选择红枣含水率及可溶性固形物特征波长，结果表明，使用RF算法选择的30个特征波长建立的红枣含水率预测模型性能最优，预测集相关系数为0.9658，RMCEP为0.6483。使用CARS算法选择的23个特征波长建立的红枣可溶性固形物含量预测模型性能最优，预测集相关系数为0.8682，RMCEP为1.3652。因此，红枣含水率检测的特征选取方法为RF，可溶性固形物检测的特征选取方法为CARS，可以实现单果尺度下红枣含水率及可溶性固形物含量的检测。
（2）构建了冠层尺度红枣品质检测模型。在野外环境下采集冠层红枣的光谱及角度信息，分别测定冠层红枣的含水率及可溶性固形物含量，建立基于冠层光谱的红枣含水率及可溶性固形物含量预测模型，发现受样品方位、光照角度和探测角度等因素影响，基于冠层原始光谱建立的红枣品质预测模型的预测性能相比于基于单果尺度数据建立的模型有所降低。探究使用BRDF模型反演空间特性光谱进而修正户外冠层光谱的可行性，结果表明Walthall、Shibayama、Ross-Li、Roujean及Rahman 5种模型均能较好的反演红枣空间特性光谱，平均反演误差均在3.55%左右。使用反演的空间特性光谱对冠层光谱进行修正，结果表明修正光谱中噪声得到有效消除，光谱曲线与室内光谱较为接近。利用修正光谱建立红枣品质预测模型，结果表明基于Shibayama模型得到的修正光谱结合SG平滑与CARS算法建立的红枣含水率预测模型最优，其预测集相关系数为0.9308，预测集RMSEP为1.0019，基于Walthall模型得到的修正光谱结合SNV及CARS算法建立的红枣可溶性固形物含量预测模型最优，其预测集R为0.8411，预测集RMSEP为1.5624。以上结果表明使用空间特性光谱对冠层光谱进行修正的方法是可行的，能够有效消除冠层光谱中的噪声，提高冠层红枣的检测精度，可为冠层红枣的品质检测提供一种新的方法。
参考文献（略）