基于支持向量機(jī)的水稻葉面積測(cè)定

孫玉婷 楊紅云 王映龍 周瓊 孫愛珍 楊文姬

摘要：本研究探討了水稻葉長(zhǎng)、葉寬與葉面積之間的關(guān)系。應(yīng)用改進(jìn)網(wǎng)格搜索算法參數(shù)優(yōu)化后的支持向量機(jī)對(duì)計(jì)算機(jī)圖像處理技術(shù)測(cè)量所得到的樣本數(shù)據(jù)進(jìn)行訓(xùn)練，以水稻葉片長(zhǎng)度（L），葉片最大寬度（W）、葉面積回歸擬合值（S）作為輸入變量對(duì)水稻葉面積進(jìn)行預(yù)測(cè)。結(jié)果表明，在不同的水稻品種下，相比于其他模型本研究提出的支持向量機(jī)Ⅲ模型預(yù)測(cè)結(jié)果的均方根誤差和平均相對(duì)誤差最低，均方根誤差分別為1.882 1（兩優(yōu)培9），1.387 3（金優(yōu)458）和1.348 2（中早35），平均相對(duì)誤差分別為2.901 4%（兩優(yōu)培9），5.273 5%（金優(yōu)458）和4.929 3%（中早35）。該模型能較真實(shí)地反映水稻葉面積的實(shí)際大小，滿足農(nóng)業(yè)科學(xué)研究的需求，為植物葉面積的預(yù)測(cè)提供了一種新的方法。

關(guān)鍵詞： 葉長(zhǎng);葉寬;葉面積;網(wǎng)格搜索算法;支持向量機(jī)

中圖分類號(hào)：TP751

文獻(xiàn)標(biāo)識(shí)碼：A

文章編號(hào)： 1000-4440（ 2018）05-1027-09

植物葉片是植物進(jìn)行光合作用和蒸騰作用的重要器官，其葉面積的大小決定了植物光合面積的大小，對(duì)植物的生理生態(tài)、作物栽培、作物產(chǎn)量都具有十分重要的意義。傳統(tǒng)的葉片面積的測(cè)量方法主要有網(wǎng)格法，復(fù)印稱質(zhì)量法、系數(shù)法和葉面積儀器測(cè)量法等。但是上述方法存在破壞植株生長(zhǎng)，費(fèi)工費(fèi)時(shí)或價(jià)格昂貴等缺點(diǎn)，不利于相關(guān)工作的開展。不少學(xué)者為能簡(jiǎn)便、準(zhǔn)確、迅速地測(cè)量植物的葉面積做了大量研究，分別對(duì)藍(lán)莓、番茄、香梨、木菠蘿和節(jié)瓜等植物葉面積進(jìn)行了回歸分析，得到了相關(guān)葉面積的擬合方程。隨著計(jì)算機(jī)技術(shù)的高速發(fā)展又衍生出了基于數(shù)字圖像處理技術(shù)的測(cè)量方法，楊勁峰等通過平臺(tái)掃描儀獲得葉片數(shù)字圖像并建立了運(yùn)用數(shù)字圖像處理測(cè)定蔬菜葉面積的方法，并與目前較為常用的葉面積測(cè)量方法進(jìn)行比較分析，得到圖像處理方法與上述方法測(cè)定結(jié)果顯著的線性相關(guān)。趙英等利用數(shù)碼相機(jī)獲取杧果葉片的數(shù)字圖像，并利用Photoshop圖像處理軟件計(jì)算其葉面積，測(cè)定結(jié)果與傳統(tǒng)的方法結(jié)果差異不顯著。高君亮等通過3種不同的方法（方格法、稱質(zhì)量法和數(shù)字圖像處理法）對(duì)3種楊樹（小葉楊、新疆楊和二白楊）的葉面積進(jìn)行測(cè)定，分析得到數(shù)字圖像處理法與其他2種方法的測(cè)定結(jié)果具有顯著正線性相關(guān)。崔世鋼等采用基于Photoshop圖像處理法對(duì)數(shù)碼相機(jī)所獲取得油菜葉片圖像進(jìn)行分析測(cè)定，將所得到的油菜葉面積與葉面積儀測(cè)定法、方格法的測(cè)量結(jié)果進(jìn)行回歸分析，結(jié)果存在極顯著線性相關(guān)。雖已有人對(duì)水稻的葉面積指數(shù)進(jìn)行了大量的研究，但是利用機(jī)器學(xué)習(xí)方法預(yù)測(cè)單株水稻葉面積還鮮見報(bào)道。本研究通過機(jī)器學(xué)習(xí)的方法建立水稻葉長(zhǎng)、葉寬及葉面積回歸擬合值與葉面積的模型，探求一種方便、快捷、誤差小且不影響水稻植株生產(chǎn)的測(cè)量方法，從而實(shí)現(xiàn)簡(jiǎn)便、快速、正確估算水稻葉面積，為研究水稻高產(chǎn)栽培技術(shù)和生產(chǎn)管理提供參考。

1 材料與方法

1.1 試驗(yàn)設(shè)計(jì)

水稻田間試驗(yàn)于2015 - 2017年在江西農(nóng)業(yè)大學(xué)農(nóng)學(xué)試驗(yàn)站和江西省成新農(nóng)場(chǎng)進(jìn)行，供試品種為秈型兩系雜交稻品種兩優(yōu)培九（LYP9），秈型三系雜交水稻品種金優(yōu)458（JY458）、常規(guī)稻品種中早35（ZZ35）。分別采集兩優(yōu)培九水稻品種l 360組葉片，金優(yōu)458水稻品種720組葉片以及中早35水稻品種680組葉片作為觀測(cè)樣本。

1.2 數(shù)據(jù)獲取與分析

1.2.1 水稻葉片數(shù)字圖像獲取水稻取樣后，掃描4種不同施氮水平下水稻樣品的頂三葉的數(shù)字圖像。選擇平板掃描儀MRS-9600TFU2，分辨率設(shè)置為600 dpi，縮放比例為100%，RGB格式進(jìn)行掃描，并以JPG格式存儲(chǔ)于計(jì)算機(jī)中。植株活體剪下葉片取樣后，整齊地平放在掃描儀工作臺(tái)面上，盡快掃描避免水稻葉片因蒸騰水分變形造成誤差。

1.2.2 圖像預(yù)處理 由于多種因素的影響，圖像在生成、傳輸和變換的過程中會(huì)造成圖像質(zhì)量下降，為了避免圖像的分析誤差，首先對(duì)圖像進(jìn)行增強(qiáng)處理，然后將其轉(zhuǎn)化為二值化圖像。采用開運(yùn)算和閉運(yùn)算去除二值化圖像上由于光照過強(qiáng)所形成的光斑，最后對(duì)圖像進(jìn)行邊緣提取，得到水稻葉片的輪廓。

1.2.3 水稻葉片長(zhǎng)度和寬度的獲取 采用mIn-boundrect函數(shù)可以得到水稻葉片最小外接矩形的4個(gè)頂點(diǎn)（c1r1），（C2，r2），（C3，r3），（C4，r4），根據(jù)2點(diǎn)間的距離公式，可以獲得水稻葉片的長(zhǎng)Ln，寬Wo。

將水稻葉片長(zhǎng)、寬的像素值與真實(shí)值之間進(jìn)行轉(zhuǎn)換。轉(zhuǎn)換公式如下。

公式（3）、（4）中，Ln、Wo分別為葉片長(zhǎng)、寬的像素值，L、W分別為葉片長(zhǎng)、寬的真實(shí)值。

1.2.4 水稻葉面積的獲取數(shù)字圖像由許多像素點(diǎn)組成，每個(gè)像素點(diǎn)代表一定的實(shí)際面積值，為了確定掃描儀采集的樣本圖片像素代表的實(shí)際面積大小，在掃描圖片時(shí)引入了一個(gè)已知面積大小的參考物。

公式（5）中S1為水稻的葉面積，S2為參照物的實(shí)際面積（本研究中S2定為2.5cmx2.5cm），P1為水稻葉片圖像所包含的像素點(diǎn)，P2為參照物圖像所包含的像素點(diǎn)。

1.3 數(shù)據(jù)預(yù)處理

為了提高運(yùn)行效率和建模的精度，將不同量綱的數(shù)據(jù)歸一化至區(qū)間，采用的歸一化原理如公式（6）。

公式（6）中x表示樣本數(shù)據(jù)，Xmax和Xmin分別表示樣本數(shù)據(jù)中的最大值和最小值，y表示歸一化后的數(shù)據(jù)，），ymax和）ymin分別表示歸一化后數(shù)據(jù)的最大值和最小值。

1.4 改進(jìn)網(wǎng)格搜索算法

支持向量機(jī)是建立在統(tǒng)計(jì)學(xué)習(xí)理論的VC維理論和結(jié)構(gòu)風(fēng)險(xiǎn)最小原則基礎(chǔ)上的新型機(jī)器學(xué)習(xí)方法。它在解決小樣本、非線性和高維模式識(shí)別問題中表現(xiàn)出許多特有的優(yōu)勢(shì)，并在一定程度上克服了“維數(shù)災(zāi)難”和“過學(xué)習(xí)”等問題。支持向量機(jī)應(yīng)用于實(shí)際問題時(shí)能否取得良好的預(yù)測(cè)結(jié)果，取決于能否成功地設(shè)置該算法的關(guān)鍵參數(shù)，其主要參數(shù)為懲罰系數(shù)c和核函數(shù)參數(shù)g。網(wǎng)格搜索算法的原理是讓c和g在一定的范圍劃分網(wǎng)格并遍歷網(wǎng)格內(nèi)所有點(diǎn)進(jìn)行取值，對(duì)于選定的c和g利用K-CV方法得到此組c和g的預(yù)測(cè)誤差，最終選擇使訓(xùn)練集交叉驗(yàn)證分類準(zhǔn)確率最高的那組c和g作為最優(yōu)參數(shù)組合。傳統(tǒng)的網(wǎng)格搜索算法搜索對(duì)于較小的步距會(huì)影響尋優(yōu)效率，而對(duì)于較大的步距容易陷入局部最優(yōu)。本研究采用改進(jìn)的網(wǎng)格搜索算法優(yōu)化支持向量機(jī)不僅具有良好的效果，還能大幅度減少參數(shù)的尋優(yōu)時(shí)間。其算法原理是先在較大范圍內(nèi)采用大步距粗搜獲得局部最優(yōu)參數(shù)組合，再在這組參數(shù)附近選擇一個(gè)小區(qū)間，采用傳統(tǒng)的小步距進(jìn)行二次精搜，得到最后的最優(yōu)參數(shù)組合。

2 結(jié)果與分析

2.1 水稻葉長(zhǎng)、葉寬誤差

以試驗(yàn)觀測(cè)到的兩優(yōu)培九水稻數(shù)據(jù)為分析樣本，隨機(jī)選取20組，采用人工和計(jì)算機(jī)圖像處理技術(shù)對(duì)水稻葉長(zhǎng)、葉寬進(jìn)行測(cè)量，其測(cè)量結(jié)果對(duì)比見表1。

從表l可以看出，與人工測(cè)量相比，采用計(jì)算機(jī)圖像處理測(cè)量水稻葉長(zhǎng)最大相對(duì)誤差為0.97%，平均相對(duì)誤差為0.40%，而水稻葉寬最大相對(duì)誤差為5.88%，平均相對(duì)誤差為3.10%，能夠滿足本研究的要求。

2.2 不同尋優(yōu)方法優(yōu)化支持向量機(jī)參數(shù)

以試驗(yàn)觀測(cè)到的兩優(yōu)培九水稻的1 360組數(shù)據(jù)為分析樣本，對(duì)樣本數(shù)據(jù)進(jìn)行歸一化處理，選擇其中1 020組數(shù)據(jù)為訓(xùn)練集.340組數(shù)據(jù)為測(cè)試集，水稻的葉長(zhǎng)和葉寬為模型的輸入變量，水稻葉面積為模型的輸出變量。

采用改進(jìn)的網(wǎng)格搜索算法對(duì)懲罰系數(shù)c和RBF核參數(shù)g尋優(yōu)，設(shè)定初始網(wǎng)格搜索c和g的范圍均為[2-8，28]，搜索步距均設(shè)為l，采用K-CV方法對(duì)訓(xùn)練集進(jìn)行測(cè)試，其中K=5，得到局部最優(yōu)參數(shù)組合，在得到的局部最優(yōu)參數(shù)附近重新定義搜索范圍和步距，其c和g搜索范圍均為[2-2，22]，搜索步距均為0.1。二次尋優(yōu)的結(jié)果如圖l、圖2所示。

選擇好最優(yōu)參數(shù)組合[c，g]后，對(duì)訓(xùn)練集進(jìn)行訓(xùn)練，模型回歸結(jié)果顯示相關(guān)系數(shù)為0.979 942，表明該模型的回歸能力較好，為了進(jìn)一步測(cè)試該模型的精度，對(duì)測(cè)試集進(jìn)行預(yù)測(cè)，本研究分別采用了傳統(tǒng)網(wǎng)格搜索算法，與改進(jìn)網(wǎng)格搜索算法進(jìn)行比較，包括最終模型參數(shù)、均方根誤差（反歸一化后）以及尋優(yōu)時(shí)間的相關(guān)系數(shù)，其對(duì)比結(jié)果見表2。

由表2可知，采用改進(jìn)的網(wǎng)格搜索算法尋優(yōu)時(shí)間約為傳統(tǒng)網(wǎng)格搜索算法的1/53，但由于其在二次尋優(yōu)的區(qū)間選擇上含有較多的經(jīng)驗(yàn)成分，所以均方根誤差略低于傳統(tǒng)網(wǎng)格搜索算法。犧牲了一點(diǎn)均方根誤差而節(jié)省了大量的尋優(yōu)時(shí)間是可以接受的，因此應(yīng)用改進(jìn)的網(wǎng)格搜索算法建立水稻葉面積模型是有效可行的。

2.3 不同水稻品種葉面積的預(yù)測(cè)

本研究以試驗(yàn)觀測(cè)到的3種不同水稻葉片數(shù)據(jù)為依據(jù)，采用參數(shù)優(yōu)化后的支持向量機(jī)算法對(duì)水稻葉面積進(jìn)行訓(xùn)練和預(yù)測(cè)。采用歸一化法將觀測(cè)數(shù)據(jù)處理到（0，1）區(qū)間，兩優(yōu)培九水稻品種選取1 020組數(shù)據(jù)為訓(xùn)練樣本，340組數(shù)據(jù)為預(yù)測(cè)樣本。金優(yōu)458水稻品種選取540組數(shù)據(jù)為訓(xùn)練樣本，180組數(shù)據(jù)為預(yù)測(cè)樣本，中早35水稻品種選取510組數(shù)據(jù)為訓(xùn)練樣本，170組數(shù)據(jù)為預(yù)測(cè)樣本。

2.3.1 兩優(yōu)培九水稻品種葉面積的預(yù)測(cè) 以試驗(yàn)觀測(cè)到的兩優(yōu)培九水稻的1 020組數(shù)據(jù)為分析樣本，以葉長(zhǎng)、葉寬為自變量，以圖像處理所得到的葉面積為因變量進(jìn)行回歸分析（圖3），回歸方程達(dá)到顯著水平（P<0.05），水稻的葉長(zhǎng)、葉寬與葉面積呈線性關(guān)系，其回歸方程為：

SLYP9= -45.370 1+1.336 6/+26.664 7W

（7）

公式（7）中，L為葉長(zhǎng)，W為葉寬，s為葉面積，回歸方程的決定系數(shù)為0.960 5。

將水稻葉長(zhǎng)、葉寬的觀測(cè)值代入公式（7）中，求出對(duì)應(yīng)的葉面積回歸擬合值（S），將水稻葉長(zhǎng)（L）、葉寬（W）、葉面積回歸擬合值（S）作為模型的三維輸入變量，水稻葉面積作為模型的輸出變量，其樣本訓(xùn)練如圖4所示。

圖4顯示，水稻品種的模型在樣本訓(xùn)練過程中表現(xiàn)出了良好的數(shù)據(jù)泛化能力，在訓(xùn)練集上驗(yàn)證模型的回歸效果，結(jié)果顯示平方相關(guān)系數(shù)為98.017%.根據(jù)訓(xùn)練后獲得的最優(yōu)模型參數(shù)，并對(duì)剩余的340組樣本數(shù)據(jù)進(jìn)行預(yù)測(cè)，其預(yù)測(cè)結(jié)果如圖5所示，為了對(duì)比本研究提出的模型在葉面積測(cè)量上的效果，分別用其他3種不同的模型對(duì)相同的數(shù)據(jù)進(jìn)行葉面積預(yù)測(cè)，其一以水稻葉長(zhǎng)（L）、葉寬（W）為二維輸入變量，葉面積為輸出變量建立支持向量機(jī)模型，其二以水稻葉長(zhǎng)（L）、葉寬（W）、葉長(zhǎng)葉寬乘積（/x W）為三維輸入變量，葉面積為輸出變量，建立支持向量機(jī)模型，其三以水稻葉長(zhǎng)（L）、葉寬（W）為二維輸入變量，葉面積為輸出變量，建立線性回歸模型。為了定量分析4種模型的預(yù)測(cè)效果，本研究引入均方根誤差和平均相對(duì)誤差2個(gè)評(píng)價(jià)指標(biāo)，評(píng)價(jià)結(jié)果如表3所示。

通過比較分析，4種模型的預(yù)測(cè)精度均比較高，本研究提出的支持向量機(jī)Ⅲ模型均方根誤差和平均相對(duì)誤差均小于其他3個(gè)模型，考慮到不完全抽樣的性質(zhì)，本研究需要進(jìn)一步對(duì)差異進(jìn)行顯著性檢驗(yàn)，原假設(shè)為配對(duì)樣本無顯著性差異，本研究利用SPSS軟件對(duì)上述4種模型的預(yù)測(cè)結(jié)果進(jìn)行Wilcoxon檢驗(yàn)，得到結(jié)果如表4所示。

從Wilcoxon檢驗(yàn)結(jié)果來看，除了支持向量機(jī)I（L、W）一支持向量機(jī)Ⅱ（L、W、Lx W）與支持向量機(jī)I（L、W）-支持向量機(jī)Ⅲ（L、W、S），其他配對(duì)樣本的檢驗(yàn)結(jié)果顯著性P值均小于給定的顯著性水平0.05，拒絕原假設(shè)，判定模型之間存在顯著性差異。

2.3.2 金優(yōu)458、中早35水稻品種葉面積的預(yù)測(cè)為了驗(yàn)證本研究提出的模型的普適性，采用另外2種不同的水稻品種金優(yōu)458和中早35進(jìn)行驗(yàn)證。分別取試驗(yàn)觀測(cè)到的金優(yōu)458的540組數(shù)據(jù)以及中早35的510組數(shù)據(jù)為分析樣本，均以水稻葉長(zhǎng)、葉寬為自變量，以圖像處理所得到的葉面積為因變量進(jìn)行回歸分析（圖6、圖7），回歸方程達(dá)到顯著水平（P<0.05），水稻的葉長(zhǎng)、葉寬與葉面積呈線性關(guān)系，其回歸方程為：

SJY458= -21.333 6+0.781 9/+18.455 9W （8）

S2235= -22.496 0+0.904 6/+17.775 W （9）

公式（8）、公式（9）中，L為葉長(zhǎng)，W為葉寬，S為葉面積，JY458水稻品種回歸方程的決定系數(shù)為0.951 6.2235水稻品種回歸方程的決定系數(shù)為0.967 5。將水稻葉長(zhǎng)、葉寬的觀測(cè)值代入公式（8）、公式（9）中，求出對(duì)應(yīng)的葉面積回歸擬合值（S），將水稻葉長(zhǎng)（L）、葉寬（W）、葉面積回歸擬合值（S）作為模型的三維輸入變量，水稻葉面積作為模型的輸出變量，其樣本訓(xùn)練如圖8、圖9所示。

從圖8、圖9可以看出，2種水稻品種的模型在樣本訓(xùn)練過程中表現(xiàn)出了良好的數(shù)據(jù)泛化能力.2種水稻品種的葉面積均穩(wěn)定在0—60，基于參數(shù)優(yōu)化后的支持向量機(jī)回歸對(duì)于2種不同水稻品種訓(xùn)練樣本的平方相關(guān)系數(shù)分別為97.15%（JY458）和98.62%（2235），根據(jù)訓(xùn)練后獲得的最優(yōu)模型參數(shù)，對(duì)剩余的180組（JY458）、170組（2235）樣本數(shù)據(jù)進(jìn)行預(yù)測(cè)，其預(yù)測(cè)結(jié)果如圖10、圖11所示，為了對(duì)比本研究提出的支持向量機(jī)Ⅲ模型在葉面積測(cè)量上的效果，分別用其他3種不同的模型對(duì)相同的數(shù)據(jù)進(jìn)行葉面積預(yù)測(cè)，其一以水稻葉長(zhǎng)（L）、葉寬（W）為二維輸入變量，以葉面積為輸出變量建立支持向量機(jī)模型，其二以水稻葉長(zhǎng)（L）、葉寬（W）、葉長(zhǎng)葉寬乘積（L×W）為三維輸入變量，以葉面積為輸出變量，建立支持向量機(jī)模型，其三以水稻葉長(zhǎng)（L）、葉寬（W）為二維輸入變量，以葉面積為輸出變量，建立線性回歸模型。引入均方根誤差和平均相對(duì)誤差2個(gè)評(píng)價(jià)指標(biāo)定量分析4種模型的預(yù)測(cè)效果，其評(píng)價(jià)結(jié)果如表5所示。

通過比較分析，2個(gè)水稻品種在本研究提出的支持向量機(jī)Ⅲ模型預(yù)測(cè)下，其結(jié)果的均方根誤差和平均相對(duì)誤差均小于其他3個(gè)模型，考慮到不完全抽樣的性質(zhì)，本研究需要進(jìn)一步對(duì)差異進(jìn)行顯著性檢驗(yàn)，原假設(shè)為配對(duì)樣本無顯著性差異，利用SPSS軟件對(duì)上述4種模型的預(yù)測(cè)結(jié)果進(jìn)行檢驗(yàn)，2種水稻的顯著性檢測(cè)結(jié)果如表6、表7所示。

從Wilcoxon檢驗(yàn)結(jié)果來看，金優(yōu)458水稻品種中除了支持向量機(jī)I（L、W）-支持向量機(jī)Ⅱ（L、W、Lx W）與支持向量機(jī)I（L、W）-支持向量機(jī)Ⅲ（L、W、S），其他配對(duì)樣本的P值均小于給定的顯著性水平0.05，拒絕原假設(shè)，判定其他模型之間存在顯著性差異。而在中早35水稻品種中，除了線性回歸一支持向量機(jī)Ⅱ（L、W、L×W）和支持向量機(jī)Ⅱ（L、W、L×W）-支持向量機(jī)Ⅲ（L、W、S），P值小于給定的顯著性水平0. 05，模型間具有顯著性差異，其他模型間顯著性差異不明顯。

3 討論

本研究建立的4種葉面積模型均可以實(shí)現(xiàn)水稻葉面積的快速、無損測(cè)定。通過改進(jìn)網(wǎng)格搜索算法參數(shù)優(yōu)化后的支持向量機(jī)建立水稻葉面積模型并預(yù)測(cè)葉面積，模型的輸人參數(shù)為水稻葉長(zhǎng)（L）、葉寬（W）以及回歸擬合值（S），試驗(yàn)樣本為3種水稻品種的數(shù)據(jù)。結(jié)果表明，水稻葉長(zhǎng)、葉寬、回歸擬合值與葉面積之間存在顯著的相關(guān)性，模型預(yù)測(cè)結(jié)果誤差小，可以較好地應(yīng)用于葉面積的測(cè)定，具有較好的使用價(jià)值和應(yīng)用前景。

目前關(guān)于圖像處理以及支持向量機(jī)方法應(yīng)用于農(nóng)產(chǎn)品的研究已有一些進(jìn)展。程洪等使用圖像處理技術(shù)以及傳統(tǒng)網(wǎng)格搜索算法參數(shù)優(yōu)化后的支持向量機(jī)建立樹上蘋果早期模型，模型的預(yù)測(cè)效果較好。鑒于前期研究成果得到利用圖像處理技術(shù)對(duì)水稻葉片面積的計(jì)算誤差小于5%，本研究通過圖像處理技術(shù)求取目標(biāo)物的最小外接矩形以獲得水稻葉長(zhǎng)、葉寬，葉長(zhǎng)的平均相對(duì)誤差為0.40%，葉寬的平均相對(duì)誤差為3.1O%。本研究還采用了改進(jìn)的網(wǎng)格搜索算法對(duì)支持向量機(jī)參數(shù)進(jìn)行尋優(yōu)，雖然犧牲了均方根誤差，但大大縮減了大量的樣本空間下支持向量機(jī)參數(shù)尋優(yōu)的時(shí)間，為模型的預(yù)測(cè)提供了一定的實(shí)時(shí)性。

水稻葉面積是水稻株型研究通常需要測(cè)量的形態(tài)指標(biāo)。關(guān)于植物葉面積的測(cè)量方法較為常見的有：復(fù)印稱質(zhì)量法，長(zhǎng)寬矯正法，葉面積儀測(cè)定法等。這些方法各有利弊，尤其對(duì)于野外測(cè)量，需要消耗大量的時(shí)間與精力，而且操作復(fù)雜影響測(cè)量精度。本研究通過圖像處理技術(shù)對(duì)水稻葉片進(jìn)行簡(jiǎn)單測(cè)量，采用多元線性回歸和改進(jìn)網(wǎng)格搜索算法參數(shù)優(yōu)化的支持向量機(jī)建立模型預(yù)測(cè)水稻葉面積。3種水稻品種基于支持向量機(jī)預(yù)測(cè)水稻葉面積模型的均方根誤差和平均相對(duì)誤差均小于多元線性回歸方法，且其中2種水稻品種（兩優(yōu)培9、金優(yōu)458）基于支持向量機(jī)的模型與線性回歸模型之間具有顯著差異（P<0.05），表明支持向量機(jī)模型能更好地預(yù)測(cè)水稻葉面積，具有較強(qiáng)的預(yù)測(cè)精度。

模型變量的選擇會(huì)影響模型的精度和復(fù)雜性。不少研究通過圖像處理技術(shù)對(duì)植物葉片進(jìn)行長(zhǎng)、寬、面積的測(cè)算，發(fā)現(xiàn)葉面積與葉長(zhǎng)、葉寬、長(zhǎng)寬乘積顯著相關(guān)。本研究不僅證明了上述結(jié)論，還利用支持向量機(jī)模型對(duì)葉面積進(jìn)行預(yù)測(cè)，預(yù)測(cè)效果良好。本研究還提出了一種新的思路，通過多元線性回歸建立數(shù)學(xué)模型，得到3種水稻品種的葉面積回歸方程，將水稻葉片長(zhǎng)寬的實(shí)測(cè)值代入回歸方程中得到葉面積回歸擬合值，并將擬合值與葉長(zhǎng)、葉寬構(gòu)成一個(gè)三維輸入變量，建立支持向量機(jī)模型預(yù)測(cè)水稻葉面積，模型的預(yù)測(cè)效果良好，相比于其他模型，對(duì)于兩優(yōu)培9、金優(yōu)458、中早35 3種水稻品種，本研究提出模型的均方根誤差和平均相對(duì)誤差均為最低。Wilcoxon檢驗(yàn)結(jié)果表明，在統(tǒng)計(jì)學(xué)意義上，本研究提出的支持向量機(jī)Ⅲ模型與其他2種支持向量機(jī)模型的預(yù)測(cè)結(jié)果具有較高一致性，顯示本研究提出的支持向量機(jī)Ⅲ模型具有較強(qiáng)的適用性和有效性，與支持向量機(jī)Ⅱ相比，顯著性差異明顯，說明本研究提出的支持向量機(jī)Ⅲ模型預(yù)測(cè)水稻葉面積更為準(zhǔn)確，為水稻葉面積的測(cè)定提供了一種新的方法。