多光谱作物生长传感器温度特性试验

第30卷 第21期 农 业 工 程 学 报 Vol.30 No.21

2014年 11月 Transactions of the Chinese Society of Agricultural Engineering Nov. 2014 157

·农业信息与电气技术·

多光谱作物生长传感器温度特性试验

刘乃森1,2，倪 军1，董继飞1，曹卫星1，姚 霞1，田永超1，朱 艳1※

（1. 南京农业大学国家信息农业工程技术中心，江苏省信息农业高技术研究重点实验室，南京 210095；

2. 淮阴师范学院江苏省环洪泽湖生态农业生物技术重点实验室，淮安 223300）

摘 要：基于光谱的作物无损监测技术可实时地获取作物生长信息，进而为作物的生长调控提供数据支持，为推广该技术在农业生产中的应用，南京农业大学国家信息农业工程技术中心研制了低成本的多光谱作物生长传感器。传感器监测作物720和810nm光谱反射率，根据反射率反演作物的叶层氮含量、叶层氮积累量、叶面积指数和叶干重等作物生长信息。为提高传感器田间应用的温度稳定性，该文研究了温度对传感器输出特性的影响，并利用符号回归技术构建了传感器反射率的温度补偿。试验于恒温恒湿试验箱中进行，试验温度分别设定为6、11、15、20、25、30、35、40，44、49、54、62℃，相对湿度保持为40%不变，以40%和60%反射率标准灰度板为传感器的监测对象。研究结果表明，在光强不变的情况下，传感器输出电压随温度的升高呈增加趋势，反射率则表现为下降趋势。构建的温度补偿模型使反射率因温度影响产生的波动由1%～2.6%下降到0.45%以下，成对t检验结果表明反射率的温度补偿模型可显著降低温度对传感器反射率的影响(P=0.015<0.05)。该文传感器温度补偿模型的构建方法具有一定的普适性，可为其他传感器的温度补偿研究提供参考。 关键词：传感器；监测；温度；多光谱作物生长传感器；反射率；温度补偿 doi：10.3969/j.issn.1002-6819.2014.21.019 中图分类号：S237; TP732 文献标志码：A 文章编号：1002-6819(2014)-21-0157-08 刘乃森，倪 军，董继飞，等. 多光谱作物生长传感器温度特性试验[J]. 农业工程学报，2014，30(21)：157－164.

Liu Naisen, Ni Jun, Dong Jifei, et al. Test on temperature characteristics of multi-spectral sensor for crop growth[J]. Transactions of the Chinese Society of Agricultural Engineering (Transactions of the CSAE), 2014, 30(21): 157－164. (in Chinese with English abstract)

0 引 言

快速、准确地获取作物生长信息对作物生长发育调控具有重要的指导意义。传统的田间采样、室内分析测试获取作物生长信息的方法，尽管结果可靠，但时效性差，难以满足现代精准农业发展的需要。作物体内生化组分及组织结构的不同，会引起某些特定反射光谱显著变化，利用高光谱遥感技术监测这些特定光谱，进而可以精确地感知作物多种生长信息，如叶面积指数[1-4]、叶绿素含量[5-10]、生物量[11-14]、氮含量[15-18]、糖氮比[19-20]等。为了在生产一线推广作物长势光谱监测技术，南京农业大学国家信息农业工程技术中心根据多年来关于稻麦

收稿日期：2014-09-29 修订日期：2014-10-23

基金项目：国家“863”高技术研究发展计划资助项目（2011AA100703）；江苏省农业科技自主创新资金资助项目（SCX(12)3272）；江苏高校优势学科建设工程资助项（PADA）。

作者简介：刘乃森，博士，主要从事农业信息技术研究。南京 南京农业大学国家信息农业工程技术中心，江苏省信息农业高技术研究重点实验室，210095。Email：boomzip@http://wendang.chazidian.com

※通信作者：朱 艳，教授，博士生导师，主要从事农业信息技术研究。南京 南京农业大学国家信息农业工程技术中心，江苏省信息农业高技术研究重点实验室，210095。Email：yanzhu@http://wendang.chazidian.com

长势敏感波段的研究成果[21-26]，研制了一种多光谱

作物生长传感器[27]，该传感器通过测量太阳光辐照度和作物冠层辐亮度以获取作物冠层反射率，根据反射率反演作物叶层氮含量、叶层氮积累量、叶面积指数和叶干重。田间应用中，随季节温度变化及阳光照射，传感器的内部温度可达10℃～60℃，温度对传感器输出信号产生明显影响，这种现象称为温漂，温漂是传感器的固有特性，因此传感器在使用时需做温度补偿，以消除或降低温度对传感器的影响。通过设计相应的硬件电路可实现温度补偿，但该方法硬件电路复杂、补偿精度低。与硬件补偿相比，软件补偿成本低，精度高，如人工神经网络[28-30]、最小二乘支持向量机[31-33]等智能算法已得到广泛应用。Peirs等[34]在研究利用近红外反射率检测苹果可溶性固形物含量时构建了各温度专用以及全温度范围通用的温度补偿模型。该类算法所构建温度补偿模型尽管精度高，但模型过于复杂，难以集成到运算能力有限的单片机中，进而限制了在智能传感器和智能仪器中的应用。

本文利用符号回归技术构建了运算量低、精度高的多光谱作物生长传感器温度补偿模型，提高了

158

农业工程学报 2014年

传感器田间应用的温度稳定性。传感器的反射率是由传感器中相同波段的下行光传感器和上行光传感器的输出电压相除得到。温度对反射率的影响其本质是温度影响了传感器的输出电压。因此本文首先研究了多光谱作物生长传感器的温度特性，在此基础上构建了传感器输出电压的温度预测模型。

1 多光谱作物生长传感器

多光谱作物生长传感器采集作物冠层720和810 nm光谱反射率，耦合作物生长指标监测模型，反演作物长势信息。传感器以日光为光源，采用滤光片分光。反射率定义为物体的反射能量与入射能量之比，光谱反射率则为特定波长下的物体反射

率。作物冠层对波长为λ的太阳光谱反射率ρλ为：

ρLλ

λ=

πE （1） λ

式中：Lλ为作物冠层λ波长的光谱反射辐射亮度，W/(sr·m2)，Eλ为λ波长的太阳光谱平行入射到作物冠层上的辐照度，W/m2[35]。由式（1）可知，利用

Lλ和Eλ可计算得到作物冠层的光谱反射率。

为了获取Lλ和Eλ，

多光谱作物生长传感器在结构上分为上行光传感器和下行光传感器，共有4个通道。上行光传感器接收720和810 nm的入射光，并进行余弦纠正；下行光传感器用于接收对应波段作物冠层反射辐射亮度。传感器的光阑孔径为12.8 mm，孔深26 mm，视场角27°，光谱滤光片带宽10 nm，透过率为65%～70%。传感器所用光电探测器灵敏

度为0.55 A/W，

光谱响应度为0.011 A/(W·cm2)。传感器采用铝制机壳封装，孔径38 mm，高50 mm，体积小、重量轻、携带方便，极其适合田间应用。

2 试验设计

本文的试验共有2部分，试验1的数据用于构建反射率的温度补偿模型，试验2的数据用于检验模型。试验现场见图1。

试验1：利用可程控式恒温恒湿箱RP-80(广东

宏展科技有限公司)控制测试温度，

RP-80温度调节范围为?20～150℃，控制精度为±0.5℃，相对湿度调节范围为20%～98%，控制精度为±2.5%；以美国Labsphere 公司标准灰度板（反射率为40%）为多光谱作物生长传感器的监测对象；将RP-80箱外卤钨灯（PHILIPS公司，12V /20W GU5.3）的光通过光纤引入箱内积分球，作为试验光源。利用可编程直流电源为卤钨灯供电，电源电压稳定为10 V，可保证光源的光强不变。试验中标准灰度板置于恒温恒湿箱内，上行光传感器和下行光传感器固定于标准灰度板中心处垂直上方10 cm处；光源置于多

光谱传感器左上方45°，与多光谱作物生长传感器

相距15 cm处；上行光传感器接收光源辐射信息，下行光传感器接收标准灰度板反射光辐射信息。恒温恒湿箱内温度分别设置为6、11、15、20、25、30、35、40、44、49、54、62℃，相对湿度保持为40%不变。每个温度条件下采集720和810 nm上行光传感器和下行光传感器的输出电压200次，取平均，数据采集周期为3 s。

试验2：温度设置同试验1，光源的电源电压为11V，从而得到与试验1不同的光强，并分别以40%和60%反射率的标准灰度板为监测对象。

①恒温恒湿箱 Temperature and humidity control chamber ②积分球 Integrating sphere ③传感器 Sensor ④光纤 Fiber ⑤标准反射率灰度板 Standard reflectance gray board ⑥卤钨灯 Halogen lamp⑦可编程直流电源 Programmable DC power supply ⑧信号采集器 Instrument of signal acquisition

图1 试验仪器装置图

Fig.1 Experiment instrument equipment diagram

3 结果与分析

3.1 温度对传感器输出特性的影响

光强保持不变，不同温度下传感器的输出电压见图2。由图2可知，传感器的输出电压均随温度升高呈增加趋势，这表明温度对传感器4个通道的影响规律一致，其原因为传感器720和810 nm通道监测原理相同。传感器的输出电压越高，则随温度升高其增幅就越大，本文用平均变化率Δk表示温度对传感器输出电压的影响程度，Δk=(V62?V6)/ (62?6)，V62和V6分别为62℃和6℃时传感器的输出电压。相同温度下，传感器某波段通道的输出电压越高说明该通道的光电探测器接收的入射光能量E越大，因此?k的不同应为温度与E共同作用的结果，即温度和E存在着交互作用。

利用图2数据计算得720和810 nm反射率（图3）。由图3可见，随温度升高反射率呈非线性下降趋势，在5～40℃范围内反射率的下降较快，随后趋缓。试验中下行光传感器的输出电压小于相同波段上行光传感器的输出，随温度升高上行光传感器的输出电压增幅将大于下行光传感器的增幅，所以反射率表现为下降趋势。图2中传感器的输出电

第21期 刘乃森等：多光谱作物生长传感器温度特性试验

159

压随温度升高呈近似线性增加，可简单的用y=a+bx表示，y为传感器输出电压（V），x为温度（℃）。上行光传感器和下行光传感器的输出电压可分别表示为y1=a1+b1x和y2=a2+b2x，

a1、a2表示截距，b1、b2表示斜率。反射率R（%）

可表示为：

R=

y1y=a1+b1xa （2） 22+b2x

R′=

a2b1?a1b2

(a2

（3）

2

+b2x)由式（3）可知，随温度升高反射率的导数R′将趋向于0，反射率的变化将趋缓。

注：Δk为平均变化率，mV/℃。

Note: Δk is the average rate of change，mV/℃.

图2 温度对传感器输出电压的影响 Fig.2 Effect of temperature on sensor output voltage

图3 温度对传感器反射率的影响

Fig.3 Effect of temperature on reflectance of sensor

3.2 传感器温度补偿模型构建

传感器反射率随温度变化的根本原因为温度对上行光传感器和下行光传感器输出电压的影响，因此通过对传感器输出电压做温度补偿，进而可实

现反射率的温度补偿。本文构建基于温度的同时适用于720和810 nm上行光传感器和下行光传感器输出电压的预测模型，通过预测模型得到上行光传感器与下行光传感器的温度补偿模型；根据温度补偿后的输出电压计算反射率实现对多光谱作物生长传感器反射率的温度补偿。

3.2.1 传感器输出电压温度预测模型构建

因温度对传感器不同波段输出电压的影响规律一致，所以本文以图2中720 nm上行光传感器和下行光传感器的输出电压构建基于温度的传感器输出电压预测模型，将810 nm的上行光和下行光传感器输出电压做验证数据。多光谱作物生长传感器的输出电压受入射光能量影响，在环境条件不变的情况下，入射光能量越高则传感器的输出电压越大。因此相同温度下，传感器的输出电压代表了其接收到的相应波段的入射光能量，本文以室温25℃时上行光和下行光传感器不同波段的输出电压V25λ代表接收到的λ波段入射光能量。

根据3.1节的分析，构建的模型中应有温度的主效应及温度与V25λ的交互作用项。由图2可见，温度对传感器输出电压的影响规律明显，温度的主效应可用多项式来模拟。利用多项式逼近某函数时，一般情况下，多项式的次数越高函数拟合就越精确，但有时会在函数的两个端点处发生剧烈波动，造成较大的误差，这就是龙格现象。为避免龙格现象，本文多项式仅考虑一次项、二次项、三次项和四次项。则传感器输出电压温度预测模型的原型如式（4）所示。

VTλ=a+bV25λ+cT+dT2+

eT3

+fT4

+gT?V （4）

25λ

式中：a、b、c、d、e、f、g分别为待定的系数；T为摄氏温度，℃；VTλ为温度T下λ波段上行光或下行光传感器的输出电压，V。利用建模数据和SPSS16.0的非线性回归功能可得式（4）的系数，其中e=0，f=0，因此模型剔除温度的三次项和四次项得公式（5）。

VTλ=0.041+0.909V25λ?0.002T+

10?5

T2

+0.004T?V （5）

25λ

将720和810 nm的V25λ代入式（5）得到不同温度下传感器的预测值，并计算反射率，预测值与

实测值的吻合情况见图4。

由图4可见，模型对720 nm建模数据和810 nm验证数据均呈现很高的拟合度，模型的决定系数R2=0.9998，相对均方根误差relative root mean-squared error，RRMSE）为2.31%。

（

160

农业工程学报 2014年

a. 传感器输出电压的预测值和实测值

a. Predicted and measured values of sensor output voltage

b. 反射率的预测值与实测值

b. Predicted and measured values of reflectivity

图4 模型预测的传感器输出电压及反射率与实测数据的

对比图

Fig.4 Comparison chart of model predicted and measured

values of sensor output voltage and reflectivity

3.2.2 传感器反射率温度补偿模型构建

对式（5）做形式上的转换，得式（6）。公式6）可将不同温度条件下的上行、下行光传感器的输出电压VTλ补偿到25℃对应的电压V25λ。

V5VTλ?0.041+0.002T?10?T2

25λ=

0.909+0.004T

（6）利用V25λ计算反射率即可实现多光谱作物生长传感器反射率的温度补偿。本试验反射率温度补偿前后对比见图5，可见经温度补偿后，在5～60℃

范围内720 nm反射率的波动范围由3%下降到0.1%，820 nm的由7.7%下降到0.4%，且这2个波段温度补偿后的反射率均接近实测数据25℃时的反射率29.59%和18.01%，表明反射率的温度补偿模型精度高，适用性好。

a. 720 nm反射率温度补偿前后对比图

a. Comparison chart of 720 nm reflectance before and after temperature

compensation

b. 810 nm反射率温度补偿前后对比图

b. Comparison chart of 810 nm reflectance before and after temperature

compensation

图5 反射率温度补偿前后对比图

Fig.5 Comparison chart of reflectance before and after

temperature compensation

3.3 模型检验

利用试验2数据计算反射率，并对反射率做温度补偿，结果见图6。由图6可见，以40%和60%反射率标准灰度板为监测对象，随温度变化传感器720和810 nm反射率的变化幅度为1.0%～2.6%，温度补偿后反射率的波动范围变小，最大波动范围不超过0.45%。对温度补偿前和补偿后反射率的波动范围做成对t检验，得P=0.015<0.05，表明反射率的温度补偿模型可显著的降低温度对反射率的影响。

（

第21期

刘乃森等：多光谱作物生长传感器温度特性试验

161

图6 温度补偿前后检验数据反射率的变化

Fig.6 Comparison chart of reflectance before and after temperature compensation by inspection data

4 结 论

1）研究发现，在光强保持恒定不变的情况下，国家信息农业工程技术中心研制的多光谱作物生长传感器在5～60℃范围内，随温度升高传感器的输出电压表现为上升趋势，而反射率则呈非线性下降趋势，在5～40℃范围内下降较快，随后趋缓。

2）利用符号回归技术构建了传感器输出电压的温度预测模型，基于传感器正常工作温度（25℃）下的输出响应预测得到不同温度下传感器的输出，模型的决定系数R2=0.9998，相对均方根误差（relative root mean-squared error，RRMSE）为2.31%。在此基础上，将模型做形式上的转换，进而构建了反射率的温度补偿模型，模型将反射率因温度影响产生的波动范围由1.0%～2.6%降低到0.45%以下，成对t检验结果表明所构建的模型可显著地降低温度对传感器反射率的影响（P=0.015<0.05）。

利用符号回归技术构建传感器温度补偿模型的方法立足于传感器的温漂规律，因此在模型的构建上具有普适性的方法指导意义。该方法全面考虑传感器的工作温度范围，建立的模型鲁棒性好，可解释性强，且运算量低，补偿精度高，特别适用于嵌入式智能传感器内核运行。该方法可针对不同传

感器自身温漂规律建立适合该传感器的温度补偿模型，以实现较好的温度补偿效果。

[参 考 文 献]

[1] Xue Lihong, Cao Weixing, Luo Weihong, et al.

Monitoring leaf nitrogen status in rice with canopy spectral reflectance[J]. Agronomy Journal, 2004, 96(1):

135－142.

[2] Delalieux S, Somers B, Hereijgers S, et al. A near-infrared

narrow-waveband ratio to determine Leaf Area Index in orchards[J]. Remote Sensing of Environment, 2008,

112(10): 3762－3772.

[3] Brantley Steven T, Zinnert Julie C, Young Donald R.

Application of hyperspectral vegetation indices to detect variations in high leaf area index temperate shrub thicket canopies[J]. Remote Sensing of Environment, 2011,

115(2): 514－523.

[4] Darvishzadeh Roshanak, Skidmore Andrew, Schlerf

Martin, et al. LAI and chlorophyll estimation for a heterogeneous grassland using hyperspectral measurements[J]. ISPRS Journal of Photogrammetry and

Remote Sensing, 2008, 63(4): 409－426.

[5] Gitelson A A, Merzlyak M N. Remote estimation of

chlorophyll content in higher plant leaves[J]. International Journal of Remote Sensing, 1997, 18(12):

2691－2697.