Identification of pests in cotton field based on hyperspectral data
-
摘要:目的
快速、准确、无损伤地鉴别棉花虫害类别，以便针对性制定植保施药方案。
方法对棉花叶片高光谱数据进行采集和分析。采用波段范围为350~2 500 nm的FieldSpec®3便携式光谱分析仪，分别获取受蚜虫和红蜘蛛危害的棉花叶片以及正常棉花叶片的高光谱数据。采用K−近邻和SVM算法区分受红蜘蛛和蚜虫侵害的叶片以及正常叶片。为进一步优化虫害识别模型、提高识别精度，利用主成分分析方法(PCA)进行特征降维，并利用网格搜索法进行参数寻优。
结果使用K−近邻算法和SVM算法构建了虫害识别模型，2种模型的识别率分别为86.08%和89.29%；引入PCA进行特征降维并使用网格搜索进行参数寻优后，可以提高虫害识别率，K−近邻算法和SVM算法的识别精度分别达到88.24%和92.16%。
结论利用高光谱数据可以区分受蚜虫和红蜘蛛侵害以及正常的棉花叶片；结合PCA降维和网格搜索法，能够提高识别率且不需要获得具体的特征波段；对于受蚜虫和红蜘蛛侵害以及正常的叶片识别，基于径向基核函数的SVM算法优于K−近邻算法。
Abstract:ObjectiveTo identify cotton pests quickly and accurately without destruction, and formulate pertinently a plant protection spraying plan.
MethodHyperspectral data of cotton leaves were collected and analyzed. FieldSpec®3 portable spectrum analyzer with a wavelength range of 350−2 500 nm was used to obtain hyperspectral data of cotton leaves including normal leaves and leaves infected by aphids and red spiders.K-nearest neighbor and SVM algorithm were used to distinguish above leaves. In order to further optimize pest identification of the model and improve the recognition accuracy, the principal component analysis method (PCA) was used for feature dimension reduction, and the grid search method was used for parameter optimization.
ResultThe models of pest identification were constructed by K-nearest neighbor algorithm and SVM algorithm, and recognition rates of two models were 86.08% and 89.29% respectively. Recognition rate increased after introducing PCA for feature dimension reduction and using grid search for parameter optimization. The recognition accuracies of K-nearest neighbor algorithm and SVM algorithm reached 88.24% and 92.16% respectively.
ConclusionHyperspectral data can be used to distinguish aphid or red spider-infected leaves and normal cotton leaves. Using PCA dimensionality reduction and grid search method, the recognition rate can increase without obtaining specific characteristic bands. For identifying aphid- or red spider-infected leaves and normal leaves, SVM algorithm based on radial basis kernel function is better than K-nearest neighbor algorithm.
-
土壤有机碳是土壤肥力评价的一项重要指标[1]。Lefroy等[2]将能被333 mmol·L–1 KMnO4氧化的有机碳称为活性有机碳，不能被氧化的称为非活性有机碳，并提出用土壤碳库管理指数(CPMI)来表征土壤管理措施引起的土壤有机碳变化。活性有机碳是占土壤有机碳中比例较小而周转速率较快的部分，在土壤有机碳中对环境的变化最敏感，可以指示土壤有机碳的早期变化[3]。因此土壤有机碳和活性有机碳在维持土壤肥力及土壤碳贮量变化方面具有重大意义[4]。
由于大量施用化学氮肥，加快了土壤原有有机碳的消耗，使积累在土壤中的有机碳总量减少[5]。土壤水分会影响土壤有机碳的变化，当土壤水分不足时，会导致土壤通气性加强，促进土壤呼吸作用和有机碳矿化分解，从而降低土壤有机碳含量[6-7]。唐首锋等[8]研究表明，在0~15和15~30 cm土层，3种灌溉处理土壤有机碳含量表现为滴灌>渗灌>沟灌。此外，土壤酶参与了土壤有机碳的分解和转化过程，其活性高低可反映土壤有机碳转化强弱[9]。
广西赤红壤面积达503万hm2，占土地总面积的21.25%[10]。广西大部分地区虽然年降雨量充沛，但是常出现季节性干旱，而滴灌施肥是将施肥与滴灌结合在一起的一项农业新技术，已被广泛应用[11]。赤红壤的酸碱缓冲能力相对较弱，邓兰生等[12]在研究滴灌施氮对赤红壤酸化的影响中发现，滴施尿素、硫酸铵、硝酸铵后赤红壤各土层pH均有一定程度地下降，下降幅度为：硫酸铵>硝酸铵>尿素。徐明岗等[13]研究发现，施肥对红壤活性有机质组分的影响显著。因此，在不同水肥条件下，研究赤红壤有机碳的变化对土壤碳库的影响有重要意义。
为探索有利于赤红壤碳库管理的滴灌施氮模式，本研究通过模拟滴灌系统的盆栽试验，研究了不同滴灌方式和施氮处理对土壤有机碳和活性有机碳含量、碳库管理指数和酶活性的影响，并分析土壤有机碳含量、活性有机碳含量、碳库管理指数和酶活性的关系，以期为赤红壤农田固碳的水肥管理提供依据。
1. 材料与方法
1.1 试验地点与材料
试验在广西大学农学院网室进行，该网室可以透光、通风、遮雨，网室内光照、温度和湿度等环境因素与室外基本一致。供试土壤为赤红壤，采自广西大学农科教学实习基地，经风干、碾碎，过5 mm筛，pH5.32，碱解氮31.55 mg·kg–1(1 mol·L–1NaOH扩散法)，速效磷33.26 mg·kg–1(0.5 mol·L–1NaHCO3法)，速效钾100.32 mg·kg–1(0.5 mol·L–1 NH4OAc法)，田间持水量为29.5%。供试玉米Zea mays L. 品种为‘家甜糯11’。
1.2 试验方法
在聚乙烯塑料桶(上部开口内径35 cm，底部内径26 cm，高29 cm)中部用塑料薄膜隔开，以防两侧水分交换，薄膜两侧各装风干土10 kg，每桶共装风干土20 kg，塑料桶上缘薄膜中部各剪一个小口，种植已催芽的玉米。
设3种滴灌方式和5种施氮处理，完全方案设计，共15个处理，每个处理重复3次，共45盆，随机区组排列。滴灌方式设常规滴灌(CDI，每桶2个滴头分别对玉米植株两侧土壤灌水或灌水施肥)、交替滴灌(ADI，本次用1个滴头对植株其中一侧土壤灌水或灌水施肥，下次用另一个滴头对植株另一侧土壤进行灌水或灌水施肥，如此交替进行)和固定滴灌(FDI，每次用1个滴头固定对玉米植株一侧土壤灌水或灌水施肥，另一侧土壤则不灌水或不灌水施肥)。试验期间，加肥料时，事先按设计要求配好肥料溶液，肥料溶液注入模拟滴灌系统的输液袋，将输液袋挂在距地面2 m高处，溶液由塑料软管导出，经软管由滴头滴入土壤中，滴头距离植株根系15 cm，流速为0.7 L·h–1。不加肥料时，按上述方法只灌自来水。
试验设5个施氮处理，分别用N0、N1、N2、N3和N4表示，除N0处理不施氮肥外，N1~N4处理总施氮量均为0.20 g·kg–1，追施氮量依次按0、100%、90%、80%和70%的总施氮肥比例进行，具体追施氮量分别为0、0.20、0.18、0.16、0.14 g·kg–1。除N0不追施氮肥外，其余处理按上述灌水施肥方法，通过输液袋进行滴灌施氮。其中苗期施氮占滴灌施氮量的30%，穗期占40%，花粒期占30%，每个时期平均分2次施入，共计6次。N肥作追肥的比例、方式和日期按表1实施。N2、N3和N4处理中，部分氮肥用作基肥，所有处理的P肥(0.15 g·kg–1)和K肥(0.20 g·kg–1)全部作基肥，装盆时与土壤混匀。氮肥用尿素(N质量分数为46%)，磷肥用磷酸二氢钾(P2O5质量分数为 52%)，钾肥用磷酸二氢钾(K2O质量分数为 34%)和氯化钾(K2O质量分数为 60%)。
表 1 甜糯玉米各处理滴灌施氮情况Table 1. Drip nitrogen fertigation of different treatments for sweet-waxy maize处理
Treatment滴灌施 N 量/(g·kg–1)
Amount of drip
irrigated N占 N 总量比例/%
Percentage of drip irrigated
N in total N applied各追肥日期的 N 肥比例1)/%
Percentage of N applied at different topdressing dates04-30 05-20 05-31 06-07 06-17 06-26 N0 0 0 0 0 0 0 0 0 N1 0.20 100 15 15 20 20 15 15 N2 0.18 90 15 15 20 20 15 15 N3 0.16 80 15 15 20 20 15 15 N4 0.14 70 15 15 20 20 15 15 1) 04-30、05-20：拔节期；05-31、06-07：孕穗期；06-17、06-26：花粒期
1) 04-30, 05-20: Jointing stage; 05-31, 06-07: Booting stage; 06-17, 06-26: Flowering-maturing stage1.3 试验管理
4月6日，按照试验设计将土壤、部分氮肥和全部P、K肥混匀装入试验桶，4月7日每桶播4粒已催芽的玉米种子，长到“四叶一心”时，间苗定苗，每桶留长势均匀的玉米苗1株。4月27日(播后20 d)，对供试玉米进行控水处理，常规滴灌土壤水分下限为田间持水量的70%，上限为田间持水量的80%，当含水量降至或接近该处理水分下限时进行灌水，灌水至水分控制上限。根据作物生长和天气情况，每隔1~2 d于下午称量CDI处理桶质量，用水量平衡法确定所需的灌水量。ADI和FDI各施N处理每次灌水量按常规滴灌相应施N处理灌水量的80%进行滴灌。每次灌水量用量筒量取，并记录各处理灌水量。7月11日试验结束。
1.4 测定项目及方法
1.4.1 土壤碳库测定
土壤有机碳(SOC)用高温外加热重铬酸钾氧化−容量法测定[14]；土壤活性有机碳(LOC)用浓度333 mmol·L–1的高锰酸钾氧化土样，并测D565 nm值[15]。
本试验将不施N肥处理土壤(N0)作为对照土壤。碳库指数及碳库管理指数等相关指标参照徐明岗等[16]的方法计算，计算公式如下：
非活性有机碳含量 = 有机碳含量−活性有机碳含量， (1)
碳库指数 (ICP) = 土壤有机碳含量/参考土壤有机碳含量， (2)
碳库活度 (A) = 活性有机碳含量/非活性有机碳含量， (3)
碳库活度指数 (IA) = 碳库活度/参考碳库活度， (4)
碳库管理指数 (ICPM) = 碳库指数/碳库活度指数×100。 (5)
1.4.2 土壤酶活性测定
过氧化氢酶活性用高锰酸钾滴定法测定，脲酶活性用苯酚−次氯酸钠比色法测定，转化酶活性用3,5−二硝基水杨酸比色法测定[17]。
1.5 数据处理
显著性检验用方差分析法，方差分析包括不同施氮处理、滴灌方式以及两者间的交互效应，分析结果用P值表示(P<0.05，显著；P<0.01，极显著；P>0.05，不显著)，用SPSS 20.0软件进行分析。多重比较采用Duncan’s法。用Pearson法分析了土壤有机碳含量、活性有机碳含量和碳库管理指数与酶活性的相关性系数。
2. 结果与分析
2.1 不同滴灌方式和施氮处理对土壤碳库的影响
2.1.1 有机碳含量
由表2可知，滴灌方式对土壤有机碳(SOC)含量的影响极显著。与常规滴灌(CDI)相比，N2处理下，交替滴灌(ADI)土壤SOC含量比CDI方式提高9.7%，差异显著；与固定滴灌(FDI)相比，N1和N2处理下，ADI方式土壤SOC含量比FDI方式分别提高15.4%和18.8%，差异显著。
表 2 不同滴灌方式和施氮处理对土壤碳库的影响1)Table 2. Effects of different drip irrigation methods and nitrogen treatments on soil carbon pool施氮处理
Nitrogen treatment
(N)滴灌方式
Drip irrigation method
(DIM)w/(g·kg–1) 碳库活度
Activity of carbon
pool (A)碳库活度指数
Activity index of
carbon pool (IA)碳库指数
Carbon pool
index
(ICP)碳库管理指数
Carbon pool management
index (ICPM)有机碳
Soil organic carbon活性有机碳
Labile organic carbonN0 CDI 10.62±0.04h 0.85±0.06fgh 0.09±0.01cdefg 1.00±0bc 1.00±0g 100.00±0g ADI 10.94±0.10gh 0.97±0.05def 0.10±0.01bcde 1.00±0bc 1.00±0g 100.00±0g FDI 10.43±0.04h 0.76±0.02h 0.08±0efg 1.00±0bc 1.00±0g 100.00±0g N1 CDI 12.92±0.07cdef 1.10±0.01cde 0.09±0bcdef 1.09±0.09abc 1.22±0.01cdef 132.20±11.40cde ADI 14.20±0.84bc 1.33±0.03b 0.10±0.01bcd 1.08±0.14abc 1.30±0.08bcd 138.54±9.80bcd FDI 12.30±0.16efg 0.92±0.03fgh 0.08±0.01efg 1.03±0.05bc 1.18±0.02def 120.99±4.72cdef N2 CDI 15.02±0.03b 1.49±0.06b 0.11±0.01ab 1.27±0.05a 1.41±0ab 179.50±6.96a ADI 16.48±0.42a 1.80±0.05a 0.12±0a 1.27±0.04a 1.51±0.05a 190.49±6.95a FDI 13.87±1.16bcd 1.16±0.06c 0.09±0bcdef 1.17±0.09ab 1.33±0.12bc 154.44±3.65b N3 CDI 13.49±0.60cde 1.13±0.10cd 0.09±0.01cdefg 1.06±0.06bc 1.27±0.05cd 133.77±2.31cde ADI 13.82±0.41bcd 1.34±0.02b 0.11±0abc 1.10±0.04abc 1.26±0.04cd 139.63±8.93bc FDI 12.78±0.07def 0.89±0.06fgh 0.07±0.01g 0.95±0.06c 1.23±0cde 116.61±7.15efg N4 CDI 11.61±0.10fgh 0.95±0.04efg 0.09±0defg 1.02±0.05bc 1.09±0.01efg 112.01±5.25fg ADI 12.15±0.20efg 1.15±0.08c 0.10±0.01bcd 1.08±0.03abc 1.11±0.01efg 119.49±2.42defg FDI 11.32±0.10gh 0.80±0.04gh 0.08±0fg 0.96±0.05bc 1.09±0.01fg 104.87±6.38fg P N < 0.001 < 0.001 <0.001 <0.001 <0.001 <0.001 DIM < 0.001 < 0.001 <0.001 0.104 0.045 <0.001 N×DIM 0.042 0.053 0.914 0.978 0.607 0.319 1) 表中数据为平均值±标准误，同列数据后的不同小写字母表示差异显著 (P<0.05，Duncan’s 法)
1) The values in the table are mean ± standard error, and different lowercase letters in the same column indicate significant difference (P<0.05, Duncan’s test)施氮处理对SOC含量的影响极显著。与N0相比，N1~N3处理的SOC含量均显著提高。CDI方式下，N2处理的SOC含量比其他施氮处理提高11.3%~41.4%；ADI方式下，N2处理的SOC含量较其他施氮处理提高16.1%~50.6%；FDI方式下，N2处理的SOC含量较N0、N1和N4处理分别提高33.0%、12.8%和22.5%。
施氮处理与滴灌方式的交互作用对SOC含量的影响显著，此外，不同处理相比，以N2-ADI处理的SOC含量最高。
2.1.2 活性有机碳含量
表2表明，滴灌方式对土壤活性有机碳(LOC)含量有极显著的影响。与CDI方式相比，N1~N4处理时ADI方式的土壤LOC含量提高18.6%~21.1%，差异显著；与CDI方式相比，N1~N3处理时FDI方式的土壤LOC含量降低16.4%~22.1%，差异显著。
施氮处理对土壤LOC含量的影响极显著。与N0处理相比，CDI方式时N1~N3处理的土壤LOC含量提高29.4%~43.0%，FDI方式时N2处理的土壤LOC含量提高52.6%，ADI方式时N1~N4处理的LOC含量提高18.6%~85.6%，差异均显著。
施氮处理与滴灌方式的交互作用对土壤LOC含量的影响不显著。
此外，不同处理相比，以N2-ADI处理的土壤LOC含量最高。
2.1.3 碳库管理指数
由表2可知，滴灌方式对碳库活度指数的影响不显著，而对碳库活度、碳库指数和碳库管理指数的影响显著或极显著。与FDI方式相比，N1~N3处理时ADI方式的土壤碳库活度提高25.0%~57.1%，N2和N3处理时ADI方式的碳库管理指数分别提高23.3%和19.7%。
施氮处理对碳库活度、碳库活度指数、碳库指数和碳库管理指数均有极显著的影响。与N0处理相比，ADI方式时N2处理的土壤碳库活度提高20.0%，CDI方式时N1~N3处理的碳库管理指数提高32.2%~79.5%，ADI方式时N1、N2和N3处理的碳库管理指数分别提高38.5%、90.5%和39.6%，FDI方式时N1和N2处理的碳库管理指数分别提高21.0%和54.4%，均达显著水平。
此外，不同处理相比，N2-ADI处理的土壤碳库管理指数最高。
2.2 不同滴灌方式和施氮处理对土壤酶活性的影响
2.2.1 过氧化氢酶活性
由表3可知，滴灌方式和施氮处理对土壤过氧化氢酶活性均有极显著的影响。与CDI方式相比，N2处理时ADI方式的土壤过氧化氢酶活性提高12.3%，差异显著。
表 3 不同滴灌方式和施氮处理对土壤酶活性的影响1)Table 3. Effects of different drip irrigation methods and nitrogen treatments on enzyme activities in soil施氮处理
Nitrogen treatment
(N)滴灌方式
Drip irrigation method
(DIM)过氧化氢酶活性/
(mL·g–1)
Catalase activity脲酶活性/
(mg·kg–1·d–1)
Urease activity转化酶活性/
(mg·g–1·d–1)
Invertase activityN0 CDI 1.45±0.04c 0.69±0.09bc 11.18±1.88bc ADI 1.58±0.03bc 0.73±0.03abc 11.88±0.80abc FDI 1.44±0.04c 0.61±0.02c 9.80±0.74c N1 CDI 1.60±0.01bc 0.77±0.05abc 13.83±1.34abc ADI 1.74±0.12b 0.84±0.05ab 14.38±1.07ab FDI 1.57±0.06bc 0.70±0.04bc 12.91±0.25bc N2 CDI 1.79±0.07b 0.82±0.01abc 16.03±1.79abc ADI 2.01±0.04a 0.92±0.01a 17.26±1.11a FDI 1.72±0.08b 0.77±0.04abc 14.43±1.07abc N3 CDI 1.63±0.07bc 0.72±0.11abc 15.06±1.30abc ADI 1.74±0.03b 0.77±0.09abc 15.71±0.98abc FDI 1.62±0.03bc 0.71±0.10abc 13.48±1.21abc N4 CDI 1.47±0.10c 0.67±0.06bc 13.41±1.69bc ADI 1.58±0.14bc 0.70±0.08bc 14.37±0.62bc FDI 1.43±0.04bc 0.63±0.06bc 13.21±1.33bc P N <0.001 0.016 <0.001 DIM <0.001 0.043 0.054 N×DIM 0.983 0.997 0.999 1) 表中数据为平均值±标准误，同列数据后的不同小写字母表示差异显著 (P<0.05，Duncan’s 法)
1) The values in the table are mean ± standard error, and different lowercase letters in the same column indicate significant difference (P<0.05, Duncan’s test)与N0相比，CDI方式时N2处理的土壤过氧化氢酶活性提高23.4%，ADI方式时N2处理的土壤过氧化氢酶活性提高27.2%，FDI方式时N2处理的土壤过氧化氢酶活性提高19.4%，均差异显著。
此外，不同处理相比，以N2-ADI处理的土壤过氧化氢酶活性最高。
2.2.2 脲酶活性
由表3可知，滴灌方式和施氮处理均对土壤脲酶活性的影响显著。其中，N2-ADI处理的土壤脲酶活性较N0-CDI显著提高33.3%。不同处理相比，以N2-ADI处理的土壤脲酶活性最高。
2.2.3 转化酶活性
由表3可知，施氮处理对土壤转化酶活性的影响极显著，而滴灌方式对土壤转化酶活性的影响不显著。N2-ADI处理的土壤转化酶活性较N0-CDI处理显著提高54.4%。不同处理相比，以N2-ADI处理土壤转化酶活性最高。
2.3 土壤碳库和土壤酶活性的关系
由表4可知，土壤有机碳、活性有机碳含量和碳库管理指数与3种土壤酶活性之间的相关性均达0.01显著水平，说明土壤碳库的变化与土壤酶活性大小关系密切。
表 4 土壤碳库指标与土壤酶活性的相关性1)Table 4. Correlation between carbon pool index and enzyme activity in soil指标
Index过氧化氢酶活性
Catalase activity脲酶活性
Urease activity转化酶活性
Invertase activity土壤有机碳含量 Soil organic carbon content (SOC) 0.669** 0.595** 0.628** 活性有机碳含量 Labile organic carbon content (LOC) 0.755** 0.533** 0.651** 碳库管理指数 Carbon pool management index (ICPM) 0.750** 0.545** 0.620** 1) “**” 表示相关性达到 0.01 的显著水平，r0.01=0.372 1，n=45
1) “**” indicates significant correlation at P<0.01 level,r0.01=0.372 1, n=453. 讨论与结论
3.1 施氮处理对土壤碳库的影响
土壤碳库的微小变化对整个大气的CO2浓度甚至全球的碳平衡产生重大影响，在某种程度上甚至可以认为，大气CO2浓度的高低取决于土壤碳库的变化[18]，因此正向培育土壤碳库具有重大的现实意义。有研究表明，适量施用无机氮肥较不施肥处理使土壤碳储量平均增加21 t·hm–2[19]。李亚杰[20]发现，滴灌条件下适量增施氮肥可以增加土壤SOC含量。李玲等[21]研究表明，6年单施氮肥能明显提高坡旱地土壤有机碳含量，比不施肥平均增加14.8%，因为施氮促进了作物生长并因此带来了更多的土壤碳输入[22]。此外，Russell等[23]研究表明，施用氮肥一方面可以促进土壤中作物残体的腐殖化作用，以此来增加土壤有机碳含量，另一方面也可以加速碳的矿化作用，以减少土壤有机碳的含量。与以往研究结果相似，本试验表明，与不施氮处理N0相比，ADI方式时N1~N4处理的LOC含量提高18.6%~85.6%，差异均显著，N1~N3处理的SOC含量均显著提高，N4处理有所提高，但未达显著水平，表明不同滴灌施氮量对土壤碳库有一定的影响。这可能是因为滴灌施氮影响了土壤微生物的活性与功能，也有可能是不同滴灌施氮量对土壤碳的矿化程度不同，改变了土壤中碳的循环与转化，但其生物学机理还需要进一步研究。
3.2 滴灌方式对土壤碳库的影响
本研究表明，与常规滴灌相比，交替滴灌能显著提高土壤活性有机碳含量。以往研究也发现，交替滴灌有利于土壤有机碳的积累[24]和可溶性有机碳的活性[25]。王金凤等[26]研究发现，由于交替灌溉使两侧根区土壤处于交替干燥和湿润状态，在提供生命活动所需水分的同时，使根区土壤处于良好的通气状态，为土壤微生物提供了有益的生存条件，与本研究结果相对应，因此交替滴灌方式较常规滴灌和固定滴灌更有利于土壤碳的固持。
3.3 土壤碳库与酶活性的相关性
土壤酶活性是评价土壤肥力状况的重要指标[27]。脲酶对土壤氮素循环的促进作用具有重要意义；过氧化氢酶可以氧化对生物体(包括土壤)有危害的具有很强氧化作用的过氧化氢，常用以表征土壤的氧化强度；转化酶又称蔗糖酶，对土壤中碳素转化以及土壤有机碳含量的变化均有重要的作用[28-29]。有研究显示，与常规滴灌相比，交替滴灌在不同时期可提高其湿润区土壤转化酶、脲酶和过氧化氢酶活性[30-31]。
张笑培等[32]发现，土壤有机碳含量与土壤脲酶、蔗糖酶和过氧化氢酶活性呈极显著或显著相关。张静等[33]在不同土地利用方式下赤红壤生物学性状及其与土壤肥力的关系研究中发现，土壤有机碳含量与脲酶和转化酶活性均呈极显著正相关，与本研究的结果相似。然而，文月荣[34]在不同植被恢复模式下煤矿排土场土壤碳库管理指数与土壤酶活性的研究结果显示，土壤有机碳含量与脲酶活性之间关系不显著，土壤有机碳含量与过氧化氢酶活性呈极显著的负相关关系，与本试验结果有所不同。这可能是不同土壤类型下土壤酶活性不同，或交替滴灌条件下3种土壤酶活性总体较高的缘故，此外，还可能是土壤有机碳库变化较为缓慢，本研究前后时间相对较短造成的，因此，需要进一步研究。
3.4 结论
本试验条件下，与N0-CDI相比，N2-ADI处理土壤有机碳含量提高55.2%，活性有机碳含量提高111.8%，土壤碳库管理指数提高90.5%。此外，土壤有机碳含量、活性有机碳含量和碳库管理指数与土壤过氧化氢酶、脲酶、转化酶活性之间的关系显著。因此，滴灌施氮量0.18 g·kg–1结合交替滴灌处理是赤红壤碳库管理的最佳滴灌施氮模式。
-
![]()
图 1 数据采集地和棉花叶片
a：采集地；b：正常叶片；c：红蜘蛛叶片；d：蚜虫叶片
Figure 1. Data collection sites and cotton leaves
a: Collecting site; b: Normal leaves; c: Leaves with red spiders; d: Leaves with aphids
表 1 样本的选取
Table 1 Sample selection
项目
Item虫害
Pest标记
Label样本数
Sample number训练集
Training set正常 Normal –1 60 蚜虫 Aphid 0 19 红蜘蛛 Red spider 1 90 测试集
Test set正常 Normal –1 20 蚜虫 Aphid 0 10 红蜘蛛 Red spider 1 21 
下载: 导出CSV
表 2 2种算法模型参数寻优后的识别率和混合矩阵精度
Table 2 Hybrid matrix precisions and identification rates of two models after parameter optimization
模型
Model虫害
Pest识别率/%
Identification rate混合矩阵精度/%
Hybrid matrix precision使用者精度
User’s accuracy生产者精度
Procuder’s accuracy总体精度
Overall accuracy正常
Normal蚜虫
Aphid红蜘蛛
Red spider网格+PCA+K-近邻
Grid+PCA+
K-nearest neighbor正常 Normal 95.00 82.61 88.24 95.00 5.00 0.00 蚜虫 Aphid 60.00 75.00 40.00 60.00 0.00 红蜘蛛
Red spider95.23 100.00 0.00 4.76 95.23 网格+PCA+SVM
Grid+PCA+SVM正常 Normal 100.00 87.00 92.16 100.00 0.00 0.00 蚜虫 Aphid 80.00 100.00 40.00 60.00 0.00 红蜘蛛
Red spider85.71 95.23 0.00 0.00 100.00
下载: 导出CSV
-
[1] 雒珺瑜, 张帅, 任相亮, 等. 近十年我国棉花虫害研究进展[J]. 棉花学报, 2017, 29(增刊): 100-112. [2] 崔金杰, 陈海燕, 赵新华, 等. 棉花害虫综合防治研究历程与展望[J]. 棉花学报, 2007, 19(5): 385-390. doi: 10.3969/j.issn.1002-7807.2007.05.009 [3] 张海娜, 钱玉源, 刘祎, 等. 蚜虫防治研究及在棉花上的应用[J]. 农学学报, 2015, 5(8): 36-39. [4] 冯国民. 棉花红蜘蛛的发生与防治[J]. 北京农业, 2010(25): 41. [5] 白敬, 徐友, 魏新华, 等. 基于光谱特性分析的冬油菜苗期田间杂草识别[J]. 农业工程学报, 2013, 20(29): 128-133. [6] 孙俊, 张梅霞, 毛罕平, 等. 基于高光谱图像桑叶农药残留种类鉴别研究[J]. 农业机械学报, 2015, 46(6): 251-255. [7] 黄双萍, 齐龙, 马旭, 等. 基于高光谱成像的水稻稻瘟病害程度分级方法[J]. 农业工程学报, 2015, 31(1): 212-217. [8] PIRON A, LEEMANS V, KLEYNEN O, et al. Selection of the most efficient wavelength bands for discriminating weeds from crop[J]. Comput Electron Agric, 2008, 62(2): 689-699.
[9] 田有文, 李天来, 张琳, 等. 高光谱图像技术诊断温室黄瓜病害的方法[J]. 农业工程学报, 2010, 26(5): 202-205. [10] 刘波, 方俊永, 刘学, 等. 基于成像光谱技术的作物杂草识别研究[J]. 光谱学与光谱分析, 2010, 30(7): 1830-1833. doi: 10.3964/j.issn.1000-0593(2010)07-1830-04 [11] 邓巍, 张录达, 何雄奎, 等. 基于支持向量机的玉米苗期田间杂草光谱识别[J]. 光谱学与光谱分析, 2009, 29(7): 1906-1910. doi: 10.3964/j.issn.1000-0593(2009)07-1906-05 [12] 陈树人, 贾移新, 毛罕平, 等. 基于光谱分析技术的作物中杂草识别研究[J]. 光谱学与光谱分析, 2009, 29(2): 463-466. doi: 10.3964/j.issn.1000-0593(2009)02-0463-04 [13] 谢传奇, 王佳悦, 冯雷, 等. 应用高光谱图像光谱和纹理特征的番茄早疫病早期检测研究[J]. 光谱学与光谱分析, 2013, 33(6): 1603-1607. doi: 10.3964/j.issn.1000-0593(2013)06-1603-05 [14] 薛龙, 黎静, 刘木华, 等. 基于高光谱图像技术的水果表面农药残留检测试验研究[J]. 光学学报, 2008, 28(12): 2277-2280. doi: 10.3321/j.issn:0253-2239.2008.12.007 [15] 朱文静, 毛罕平, 周莹, 等. 基于高光谱图像技术的番茄叶片氮素营养诊断[J]. 江苏大学学报(自然科学版), 2014, 35(4): 290-294. [16] 洪添胜, 乔军, NGADI M O, et al. 基于高光谱技术的雪花梨品质无损检测[J]. 农业工程学报, 2007, 23(2): 151-154. doi: 10.3321/j.issn:1002-6819.2007.02.030 [17] 刘雪梅, 章海亮. 基于DPLS和LS-SVM的梨品种近红外光谱识别[J]. 农业机械学报, 2012, 43(9): 160-164. doi: 10.6041/j.issn.1000-1298.2012.09.030 [18] 吴迪, 黄凌霞, 何勇, 等. 作物和杂草叶片的可见–近红外反射光谱特性[J]. 光学学报, 2008, 28(8): 1618-1622. doi: 10.3321/j.issn:0253-2239.2008.08.034 [19] 王立国, 赵亮, 刘丹凤, 等. SVM在高光谱图像处理中的应用综述[J]. 哈尔滨工程大学学报, 2018, 39(6): 973-980. [20] 袁建清, 苏中滨, 贾银江, 等. 基于高光谱成像的寒地水稻叶瘟病与缺氮识别[J]. 农业工程学报, 2016, 32(13): 155-158. doi: 10.11975/j.issn.1002-6819.2016.13.022 [21] JIMENEZL O, LANDGREBE D A. Supervised classification in high dimensional space: Gemetrical, statistical, and a symptotical properties of nultivariate data[J]. IEEE Trans Syst Man Cybean C: Appl Rev, 1998, 28(1): 39-54. doi: 10.1109/5326.661089
[22] 岳学军, 全东平, 洪添胜, 等. 柑橘叶片叶绿素含量高光谱无损检测模型[J]. 农业工程学报, 2015, 31(1): 294-300. doi: 10.3969/j.issn.1002-6819.2015.01.039 [23] 孙俊, 金夏明, 毛罕平, 等. 高光谱图像技术在掺假大米检测中的应用[J]. 农业工程学报, 2014, 30(21): 301-305. doi: 10.3969/j.issn.1002-6819.2014.21.036 [24] 祝志慧, 刘婷, 马美湖. 基于高光谱信息融合和相关向量机的种蛋无损检测[J]. 农业工程学报, 2015, 31(15): 285-290. doi: 10.11975/j.issn.1002-6819.2015.15.039 [25] HARRINGTON P. 机器学习实战[M]. 李锐, 李鹏, 曲亚东, 等译. 北京: 人民邮电出版社, 2013: 15-110. [26] 李航. 统计学习方法[M]. 北京:清华大学出版社, 2017: 95-133. [27] CHEN T, ZENG R, ZHANG L. Detection of stress in cotton (Gossypium hirsutum L.) caused by aphids using leaf level hyperspectral measurements[J]. Sensors, 2018, 18(9): 2798. doi: 10.3390/s18092798
[28] 牛鲁燕, 郑纪业, 张晓艳, 等. 基于成像高光谱的苹果叶片叶绿素含量估测模型研究[J]. 江西农业学报, 2018, 30(2): 100-104. [29] RAVINDER R, GIRIDHAR M. Spectral reflectance from the tomato crop canopy under controlled condition by using spectroradiometer[C]// LANE C, BAEAR S. NCWES. Hyderabad: BS Publications, 2017: 392-397.
[30] 梁守真, 施平, 马万栋, 等. 植被叶片光谱及红边特征与叶片生化组分关系的分析[J]. 中国生态农业学报, 2010, 18(4): 804-809. [31] 孙林, 程丽娟. 植被叶片生化组分的光谱响应特征分析[J]. 光谱学与光谱分析, 2010, 30(11): 3031-3035. doi: 10.3964/j.issn.1000-0593(2010)11-3031-05 -
期刊类型引用(2)
1. 张晓龙，杨倩楠，李祥东，陈静，王超，张池，刘科学. 基于主成分和聚类分析的赤红壤区不同土地利用方式土壤肥力综合评价. 江苏农业科学. 2023(09): 247-254 . 
百度学术
2. 陈思静，杜爱林，李伏生. 不同滴灌施肥处理对种植马铃薯土壤有机碳组分和酶活性的影响. 华南农业大学学报. 2022(03): 34-41 . 本站查看
其他类型引用(1)
计量
- 文章访问数: 1570
- HTML全文浏览量: 1
- PDF下载量: 1417
- 被引次数: 3
