檀香(Santalum album)是一种典型的珍贵树种,具有极高的经济价值和药用价值。它原产于澳大利亚、印度尼西亚等国家,近些年来在我国海南省推广种植,但由于管理模式粗放,同时也缺乏实时的营养诊断技术,使得檀香的成活率和生长率较低。本研究以幼龄檀香为研究对象,提出了一套基于可见光-近红外图像的幼龄檀香全氮全铁含量预测方法。本文分析了实验期间,不同程度的氮胁迫和铁胁迫对幼龄檀香地茎、树高和冠幅生长的影响。重点讨论了植株和叶片两种尺度上的全氮和全铁含量模型构建,其中在植株尺度上使用单反相机,在叶片尺度上使用多光谱相机。在植株尺度上,首先提出了一种可见光图像分割方法,通过将原始图像转换到L~*a~*b~*颜色空间,再结合大津法和形态学运算得到前景图像;然后在该方法的基础上,又提出了一种结合冠幅数据判断新老叶的方法,主要目的是为了突出铁胁迫对叶片产生分区域影响的特点;最后在构建植株尺度的全氮和全铁模型时,主要讨论了不同的优化方法对BP神经网络预测结果的影响,同时在全铁模型的构建中,比较了不同区域的颜色值作为自变量时对模型预测结果产生的影响。在叶片尺度上,首先分析了不同水平的氮胁迫和铁胁迫对叶片多光谱反射率产生的影响;然后提取了植被指数、纹理参数均值和纹理参数方差特征,通过与养分含量计算得到的Pearson相关系数比较上述参数对氮、铁胁迫的指示程度;最后选择使用遗传算法优化的BP神经网络作为预测模型,讨论不同的变量筛选方法对预测模型结果的影响。得到的主要结论如下:(1)氮胁迫与铁胁迫对幼龄檀香的生长产生了一定的影响。在氮胁迫试验中,随着施氮量的增加,树高和冠幅生长迅速,地茎的生长相对较慢,但低氮施肥水平对树高的影响最大,而高氮施肥水平下冠幅和地茎生长较明显。在铁胁迫试验中,低铁水平和中铁水平下,树高、地茎和冠幅生长量均持续上升,但铁肥过量时,树高、冠幅生长减缓,但地茎生长量持续增大。(2)在分割复杂背景下的檀香图像时,与RGB和HSI相比,L~*a~*b~*颜色模型可以得到更好的结果。通过对比RGB、HSI和L~*a~*b~*颜色模型发现,L~*a~*b~*颜色系统下,各通道的大津法分割效果要优于其他模型,而且L~*通道与b~*通道经大津法分割后形成优势互补,通过结合形态学运算,可以有效的将背景去除。(3)在植株尺度上反演全铁含量时,使用新叶与老叶的颜色比值作为自变量得到的模型拟合与验证精度最高,而使用植株整体或新叶颜色特征时得到的结果对全铁含量的指示程度较差。同样在植株尺度上,使用遗传算法(genetic algorithm,GA)优化BP神经网络预测模型得到的全氮全铁含量的预测精度大。通过对不同优化算法进行比较发现,遗传算法和粒子群算法(particle swarm optimization,PSO)对BPNN的优化效果相似,但PSO-BPNN预测值比GA-BPNN得到的结果明显偏大,对缺氮、缺铁状态的指示性较差,容易造成误判,不适合指导实际田间施肥工作。(4)植被指数可以用来指示氮胁迫程度,纹理参数可以用来指示铁胁迫程度。在氮胁迫中,由红边和近红外波段计算得到的植被指数与全氮含量的相关关系最大,其次是绿和近红外波段。在铁胁迫中,纹理参数均值和纹理参数方差均与叶片全铁含量具有较高的相关性,但纹理参数方差在相关性方面略优于纹理参数均值。二者的最优波段均为蓝和红波段,最佳参数则是方差和对比度。(5)在叶片尺度上,使用遗传算法筛选的自变量作为输入层时,所得到的全氮全铁预测精度较高。通过对比相关性分析法、遗传算法和平均值影响法三种方法,将其筛选出的变量作为BP神经网络的输入层,再使用遗传算法进行优化,结果显示,虽然遗传算法筛选得到的评价指标并非全部最佳,但在养分含量的关键区间,遗传算法所得的结果更接近真实值,从而减小了追肥不足和过量的概率。