CN109270012A - 一种基于相关性系数的植物滞尘能力检测方法 - Google Patents
一种基于相关性系数的植物滞尘能力检测方法 Download PDFInfo
- Publication number
- CN109270012A CN109270012A CN201811362056.6A CN201811362056A CN109270012A CN 109270012 A CN109270012 A CN 109270012A CN 201811362056 A CN201811362056 A CN 201811362056A CN 109270012 A CN109270012 A CN 109270012A
- Authority
- CN
- China
- Prior art keywords
- dust
- laying
- spectral reflectivity
- amount
- plant
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N21/00—Investigating or analysing materials by the use of optical means, i.e. using sub-millimetre waves, infrared, visible or ultraviolet light
- G01N21/17—Systems in which incident light is modified in accordance with the properties of the material investigated
- G01N21/25—Colour; Spectral properties, i.e. comparison of effect of material on the light at two or more different wavelengths or wavelength bands
- G01N21/31—Investigating relative effect of material at wavelengths characteristic of specific elements or molecules, e.g. atomic absorption spectrometry
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N21/00—Investigating or analysing materials by the use of optical means, i.e. using sub-millimetre waves, infrared, visible or ultraviolet light
- G01N21/17—Systems in which incident light is modified in accordance with the properties of the material investigated
- G01N21/55—Specular reflectivity
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N21/00—Investigating or analysing materials by the use of optical means, i.e. using sub-millimetre waves, infrared, visible or ultraviolet light
- G01N21/84—Systems specially adapted for particular applications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
- G06F17/10—Complex mathematical operations
- G06F17/14—Fourier, Walsh or analogous domain transformations, e.g. Laplace, Hilbert, Karhunen-Loeve, transforms
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N21/00—Investigating or analysing materials by the use of optical means, i.e. using sub-millimetre waves, infrared, visible or ultraviolet light
- G01N21/84—Systems specially adapted for particular applications
- G01N2021/8466—Investigation of vegetal material, e.g. leaves, plants, fruits
Landscapes
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Engineering & Computer Science (AREA)
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Chemical & Material Sciences (AREA)
- Analytical Chemistry (AREA)
- Biochemistry (AREA)
- General Health & Medical Sciences (AREA)
- Immunology (AREA)
- Pathology (AREA)
- Mathematical Physics (AREA)
- Mathematical Analysis (AREA)
- Mathematical Optimization (AREA)
- Computational Mathematics (AREA)
- Pure & Applied Mathematics (AREA)
- Spectroscopy & Molecular Physics (AREA)
- Data Mining & Analysis (AREA)
- Theoretical Computer Science (AREA)
- Algebra (AREA)
- Databases & Information Systems (AREA)
- Software Systems (AREA)
- General Engineering & Computer Science (AREA)
- Investigating Or Analysing Materials By Optical Means (AREA)
Abstract
本发明涉及一种基于相关性系数的植物滞尘能力检测方法,包括:获取植物的光谱反射率和滞尘量;计算各个波段的光谱反射率的一阶倒数;计算各个波段的光谱反射率的一阶倒数和对应的滞尘量数据的相关性系数;筛选出绝对值最大的相关性系数对应的波段,并确定该波段对应的光谱反射率的一阶倒数和滞尘量数据;拟合确定滞尘反演模型;获取待测植物在反演波段的光谱反射率的一阶倒数,并输入到滞尘反演模型中,获得滞尘量数据量。根据绝对值最大的相关性系数性系数筛选出最佳的单个反演波段,并拟合确定滞尘反演模型,最直观地表示光谱反射率的一阶倒数对滞尘量的响应程度,进而实现快速便捷地获得表征待测植物滞尘能力的滞尘量。
Description
技术领域
本发明涉及环境监测与评价技术领域,特别是涉及一种基于相关性系数的植物滞尘能力检测方法。
背景技术
随着工业化和城市化的迅速发展,城市大气污染日趋严重。粉尘是城市大气污染中的主要污染物,粉尘中除含有重金属外,还含有致癌物质和细菌病毒等,对人体健康造成极大的威胁。
城市绿化植物能够有效地阻滞空气中的粉尘,改善城市的生态环境质量。目前,植物的滞尘效应已成为筛选城市绿化植物的一个重要指标。因此,如何评估植物的滞尘能力已成为当前研究的重点。
发明内容
基于此,本发明的目的在于,提供一种基于相关性系数的植物滞尘能力检测方法,其具有可快速估算植物滞尘能力的优点。
一种基于相关性系数的植物滞尘能力检测方法,包括如下步骤:
获取植物的光谱反射率,并对光谱反射率进行预处理;
对预处理后的光谱反射率进行光谱变换,获得各个波段的光谱反射率的一阶倒数;
获取表征植物滞尘能力的滞尘量数据,并计算各个波段的光谱反射率的一阶倒数和对应的滞尘量数据的相关性系数;
筛选出绝对值最大的相关性系数,并将最大相关性系数对应的波段作为反演波段,且确定反演波段对应的光谱反射率的一阶倒数以及对应的滞尘量数据;
根据所述反演波段对应的光谱反射率的一阶倒数以及对应的滞尘量数据拟合确定滞尘反演模型;
获取待测植物在反演波段的光谱反射率的一阶倒数,并输入到滞尘反演模型中,获得滞尘量数据。
本发明通过计算各个波段的光谱反射率的一阶倒数和对应的滞尘量数据的相关性系数,进而根据绝对值最大的相关性系数筛选出最佳的单个反演波段,并通过单个反演波段对应的光谱反射率的一阶倒数和对应的滞尘量数据拟合确定滞尘反演模型,实现最直观地表示光谱反射率的一阶倒数对滞尘量数据的响应程度,进而通过滞尘反演模型实现快速便捷地获得表征待测植物滞尘能力的滞尘量数据。
在一个实施例中,所述计算各个波段的光谱反射率的一阶倒数和对应的滞尘量数据的相关性系数的方式为:
其中,rij为第i个样本中第j个波段的光谱反射率一阶导数;为第j个波段的光谱反射率一阶导数的平均值;xij为第i个样本中第j个波段的滞尘量数据;为第j个波段滞尘量数据的平均值;N为样本的数量,每个样本包括各个波段的光谱反射率的一阶倒数以及对应的滞尘量数据。
在一个实施例中,所述对光谱反射率进行预处理的步骤,包括:
获取植物的光谱反射率,并剔除误差超过第一设定阈值的光谱反射率,之后将剩余的光谱反射率数据求平均,以平均值作为植物的光谱反射率;其中,植物的光谱反射率为植物在各个波段的反射的光通量与入射到物体的光通量之比;
对所述植物的光谱反射率采用就近原则除以对应的白板值,作为植物的实际光谱反射率;
根据植物的实际光谱反射率,确定水汽吸收波段,并剔除水汽吸收波段对应的光谱反射率,再沿着光谱反射率的光谱曲线拟合补全获得预处理后的光谱反射率。
通过剔除误差数据再求平均值的方式可减少数据测量的误差;通过采用就近原则除以对应的白板值的方式,可使不同时间段、不同实验条件下获取的数据具有可比性,并同时消除实验环境背景所带来的误差;通过剔除水汽吸收波段,可方便之后的数据处理。
在一个实施例中,所述根据反演波段以及对应的滞尘量数据拟合确定滞尘反演模型的步骤,包括:
将反演波段对应的光谱反射率的一阶倒数以及对应的滞尘量数据输入到SPSS软件中;
通过SPSS软件拟合出多条拟合曲线模型,并计算各拟合曲线模型的确定系数;
获取确定系数最大的值对应的拟合曲线模型作为滞尘反演模型。
在一个实施例中,所述获得滞尘量数据的步骤之后,还包括:获得多组待测植物的滞尘量数据,并根据所述滞尘量数据在设定区域种植对应的植物。
本发明还提供一种基于相关性系数的植物滞尘能力检测装置,包括:
预处理模块,用于获取植物的光谱反射率,并对光谱反射率进行预处理;
光谱变换模块,用于对预处理后的光谱反射率进行光谱变换,获得各个波段的光谱反射率的一阶倒数;
相关性系数获取模块,用于获取表征植物滞尘能力的滞尘量数据,并计算各个波段的光谱反射率的一阶倒数和对应的滞尘量数据的相关性系数;
反演波段获取模块,用于筛选出绝对值最大的相关性系数,并将最大相关性系数对应的波段作为反演波段,且确定反演波段对应的光谱反射率的一阶倒数以及对应的滞尘量数据;
滞尘反演模型确定模块,用于根据所述反演波段对应的光谱反射率的一阶倒数以及对应的滞尘量数据拟合确定滞尘反演模型;
滞尘量数据获取模块,用于获取待测植物在反演波段的光谱反射率的一阶倒数,并输入到滞尘反演模型中,获得滞尘量数据。
本发明通过计算各个波段的光谱反射率的一阶倒数和对应的滞尘量数据的相关性系数,进而根据绝对值最大的相关性系数筛选出最佳的单个反演波段,并通过单个反演波段对应的光谱反射率的一阶倒数和对应的滞尘量数据拟合确定滞尘反演模型,实现最直观地表示光谱反射率的一阶倒数对滞尘量数据的响应程度,进而通过滞尘反演模型实现快速便捷地获得表征待测植物滞尘能力的滞尘量数据。
本发明还提供一种计算机可读存储介质,其上储存有计算机程序,该计算机程序被处理器执行时实现如上述任意一项所述的植物滞尘能力检测方法的步骤。
本发明还提供一种计算机设备,包括储存器、处理器以及储存在所述储存器中并可被所述处理器执行的计算机程序,所述处理器执行所述计算机程序时实现如上述任意一项所述的植物滞尘能力检测方法的步骤。
为了更好地理解和实施,下面结合附图详细说明本发明。
附图说明
图1为本发明植物滞尘能力检测方法的流程图;
图2为本发明对光谱反射率进行预处理的流程图;
图3为本发明剔除水汽吸收波段的前后比较图;
图4为本发明确定滞尘反演模型的流程图。
具体实施方式
请参阅图1,其为本发明植物滞尘能力检测方法的流程图。所述植物滞尘能力检测方法,包括如下步骤:
步骤S1:获取植物的光谱反射率,并对光谱反射率进行预处理。
其中,所述植物的光谱反射率为植物在各个波段的反射的光通量与入射到物体的光通量之比。具体在本实施例中所述植物的光谱反射率为所述植物在350nm-2500nm波段且间隔为1nm波段的反射通量与该波段的入射通量之比,即包括所述植物在350nm的反射通量与该波段的入射通量之比、所述植物在351nm的反射通量与该波段的入射通量之比…所述植物在2500nm的反射通量与该波段的入射通量之比。
步骤S2:对预处理后的光谱反射率进行光谱变换,获得各个波段的光谱反射率的一阶倒数。
其中,通过对预处理后的光谱反射率进行光谱变换,可压缩背景噪声对目标信息的影响,提高后续数据处理的精确度。
步骤S3:获取表征植物滞尘能力的滞尘量数据,并计算各个波段的光谱反射率的一阶倒数和对应的滞尘量数据的相关性系数。
步骤S4:筛选出绝对值最大的相关性系数,确定与绝对值最大的相关性系数对应的反演波段以及滞尘量数据。
步骤S5:根据所述反演波段对应的光谱反射率的一阶倒数以及对应的滞尘量数据拟合确定滞尘反演模型。
步骤S6:获取待测植物在反演波段的光谱反射率的一阶倒数,并输入到滞尘反演模型中,获得滞尘量数据。
本发明通过计算各个波段的光谱反射率的一阶倒数和对应的滞尘量数据的相关性系数,进而根据绝对值最大的相关性系数筛选出最佳的单个反演波段,并通过单个反演波段对应的光谱反射率的一阶倒数和对应的滞尘量数据拟合确定滞尘反演模型,实现最直观地表示光谱反射率的一阶倒数对滞尘量数据的响应程度,进而通过滞尘反演模型实现快速便捷地获得表征待测植物滞尘能力的滞尘量数据。
请参阅图2,其为本发明对光谱反射率进行预处理的流程图。
在一个实施例中,步骤S1中所述对光谱反射率进行预处理的步骤,包括:
步骤S11:获取植物的光谱反射率,并剔除误差较大的光谱反射率,之后将剩余的光谱反射率数据求平均,以平均值作为植物的光谱反射率
在一个实施例中,对于一种植物选取单个植株多个方位的叶片,每片叶子选取固定的某一点作为测量点,每个测量点重复测量5组光谱反射率,再剔除这5组光谱反射率中大于第一设定阈值内的值后,再将剩下的光谱反射率求平均,以平均值表征这片叶子的光谱反射率,进而减少数据测量的误差,提高数据测量的准确性。其中的多个方位可为单个植株的上、下、左、右等方位。所述第一设定阈值为根据测量的5组光谱反射率,通过经验选定的用于剔除与其他数据具有较大误差的数据的阈值。
在一个实施例中,植物的光谱反射率采用ASD Field-Spec 3光谱仪测定获得,由于测定的数据格式为.asp格式,这种格式的数据不能直接方便地读取和处理,因此,在测定获得植物的光谱反射率后进行数据处理之前,还利用View Spectral Pro软件光谱反射率的数据格式转换为.txt格式。
步骤S12:对所述植物的光谱反射率采用就近原则除以对应的白板值,作为植物的实际光谱反射率。
为使不同时间段、不同实验条件下获取的数据具有可比性,并同时消除实验环境背景所带来的误差,本申请在不同的时间段均获取不同的白板值,从而对于在某个时间段获取的植物的光谱反射率,则需要将该植物的光谱反射率处于该时间段的白板值,作为处理后的植物的光谱反射率。
步骤S13:根据植物的实际光谱反射率,确定水汽吸收波段,并剔除水汽吸收波段对应的光谱反射率,再沿着光谱反射率的光谱曲线拟合补全获得预处理后的光谱反射率。
由于光谱反射率的测定仪器本身的原因,测定出的光谱反射率会因水汽的吸收而对植物的光谱反射率影响较大,且该波段范围对植被光谱的研究也没有太大的意义,因此通过剔除水汽吸收波段,可方便之后的数据处理。请参阅图3,其为本发明剔除水汽吸收波段的前后比较图。具体的,将植物的实际光谱反射率数据拟合成光谱反射率曲线,通过观察光谱反射率曲线,将光谱反射率曲线中数据出现异常的波段作为水汽吸收波段;再将该水汽吸收波段中的光谱反射率剔除,再沿着光谱反射率的光谱曲线拟合补全获得预处理后的光谱反射率。
在一个实施例中,步骤S2中所述各个波段的光谱反射率的一阶倒数的计算方式为:
其中,λi+1,λi,λi-1为相邻波长,dR(λi)为波长λi的一阶导数光谱,R(λi+1),R(λi),R(λi-1)分别是波长为λi+1,λi,λi-1处的反射率。
在一个实施例中,步骤S3中所述表征植物滞尘能力的滞尘量数据的计算方式为:
D=ΔW/S
上述公式中,D为表征植物滞尘能力的滞尘量数据;滞尘量数据越大,则滞尘能力越大;ΔW为一段时间内植物叶片的滞尘量,S为叶片面积。
其中,植物的每个叶片的滞尘量数据是一致的,即每个叶片中各个波段的光谱反射率的一阶倒数对应的滞尘量数据相同的,即可以认为每个叶片对应一个样本,每个样本包括所述叶片的各个波段的光谱反射率的一阶倒数和对应的滞尘量数据。
在一个实施例中,步骤S3中所述计算各个波段的光谱反射率的一阶倒数和对应的滞尘量数据的相关性系数的方式为:
其中,rij为第i个样本中第j个波段的光谱反射率一阶导数;为第j个波段的光谱反射率一阶导数的平均值;xij为第i个样本中第j个波段的滞尘量数据;为第j个波段滞尘量数据的平均值;N为样本的数量;每个样本包括各个波段的光谱反射率的一阶倒数以及对应的滞尘量数据。
上述公式可衡量某个波段的光谱反射率的一阶倒数和对应的滞尘量数据这两个变量的线性指标,其取值范围是[-1,1]。而且上述公式计算出的相关性系数的绝对值越大,表示该波段的光谱反射率的一阶倒数和滞尘量数据的相关性越强,即该波段越能表征植物的滞尘量数据,可通过以下取值范围来判断两个变量的相关强度,具体请参阅表1-相关性系数与相关强度对应表。
表2-相关性系数与相关强度对应表
相关性系数(绝对值) | 相关性强度 |
0.8-1.0 | 极强相关 |
0.6-0.8 | 强相关 |
0.4-0.6 | 中等程度相关 |
0.2-0.4 | 弱相关 |
0.0-0.2 | 极弱相关或无相关 |
请参阅图4,其为本发明确定滞尘反演模型的流程图。
在一个实施例中,步骤S5中所述根据反演波段以及对应的滞尘量数据拟合确定滞尘反演模型的步骤,包括:
步骤S51:将反演波段对应的光谱反射率的一阶倒数以及对应的滞尘量数据输入到SPSS软件中;
SPSS软件,全称Statistical Product and Service Solutions,统计产品与服务解决方案软件
步骤S52:通过SPSS软件拟合出多条拟合曲线模型,并计算各拟合曲线模型的确定系数,
步骤S53:获取确定系数最大的值对应的拟合曲线模型作为滞尘反演模型。
本发明从总样本中随机抽取设定比例为70%的样本作为训练样本用于计算相关性系数,进而计算拟合曲线模型的确定参数,获取确定系数最大值对应的拟合曲线模型作为滞尘反演模型,再通过剩余的样本对该滞尘反演模型进行验证。
为验证反演模型的精度,将滞尘量的实际测量值与预测值进行比较。模型的精度验证采用定量精度评价指标来衡量,主要包括确定系数(the coefficient ofdetermination,R2)和均方根误差(the root-mean-square error,RMSE),其中R2表示两数据之间的线性相关程度,RMSE用来估计误差的整体水平。确定系数的计算公式如下:
其中,xi为第i个样本的实测滞尘量,xi′为第i个样本的模型预测的滞尘量,为所有实测滞尘量的平均值,为所有模型预测滞尘量的平均值,N为样本的数量。
在一个实施例中,步骤S6中所述获得滞尘量数据的步骤之后,还包括:获得多组待测植物的滞尘量数据,并根据所述滞尘量数据在设定区域种植对应的植物。具体的,根据滞尘量数据越大,说明待测植物的滞尘能力越强,根据设定区域如具有沙尘暴的地区可种植滞尘能力越强的待测植物。
本发明还提供一种基于相关性系数的植物滞尘能力检测装置,包括:
预处理模块,用于获取植物的光谱反射率,并对光谱反射率进行预处理;
光谱变换模块,用于对预处理后的光谱反射率进行光谱变换,获得各个波段的光谱反射率的一阶倒数;
相关性系数获取模块,用于获取表征植物滞尘能力的滞尘量数据,并计算各个波段的光谱反射率的一阶倒数和对应的滞尘量数据的相关性系数;
反演波段获取模块,用于筛选出绝对值最大的相关性系数,并将最大相关性系数对应的波段作为反演波段,且确定反演波段对应的光谱反射率的一阶倒数以及对应的滞尘量数据;
滞尘反演模型确定模块,用于根据所述反演波段对应的光谱反射率的一阶倒数以及对应的滞尘量数据拟合确定滞尘反演模型;
滞尘量数据获取模块,用于获取待测植物在反演波段的光谱反射率的一阶倒数,并输入到滞尘反演模型中,获得滞尘量数据。
本发明通过计算各个波段的光谱反射率的一阶倒数和对应的滞尘量数据的相关性系数,进而根据绝对值最大的相关性系数筛选出最佳的单个反演波段,并通过单个反演波段对应的光谱反射率的一阶倒数和对应的滞尘量数据拟合确定滞尘反演模型,实现最直观地表示光谱反射率的一阶倒数对滞尘量数据的响应程度,进而通过滞尘反演模型实现快速便捷地获得表征待测植物滞尘能力的滞尘量数据。
在一个实施例中,所述预处理模块包括:
平均值计算模块,用于获取植物的光谱反射率,并剔除误差超过第一设定阈值的光谱反射率,之后将剩余的光谱反射率数据求平均,以平均值作为植物的光谱反射率
实际光谱反射率计算模块,用于对所述植物的光谱反射率采用就近原则除以对应的白板值,作为植物的实际光谱反射率。
水汽吸收波段剔除模块,用于根据植物的实际光谱反射率,确定水汽吸收波段,并剔除水汽吸收波段对应的光谱反射率,再沿着光谱反射率的光谱曲线拟合补全获得预处理后的光谱反射率。
在一个实施例中,所述各个波段的光谱反射率的一阶倒数的计算方式为:
其中,λi+1,λi,λi-1为相邻波长,dR(λi)为波长λi的一阶导数光谱,R(λi+1),R(λi),R(λi-1)分别是波长为λi+1,λi,λi-1处的反射率。
在一个实施例中,所述表征植物滞尘能力的滞尘量数据的计算方式为:
D=ΔW/S
上述公式中,D为表征植物滞尘能力的滞尘量数据;滞尘量数据越大,则滞尘能力越大;ΔW为一段时间内植物叶片的滞尘量,S为叶片面积。
在一个实施例中,所述计算各个波段的光谱反射率的一阶倒数和对应的滞尘量数据的相关性系数的方式为:
其中,rij为第i个样本中第j个波段的光谱反射率一阶导数;为第j个波段的光谱反射率一阶导数的平均值;xij为第i个样本中第j个波段的滞尘量数据;为第j个波段滞尘量数据的平均值;N为样本的数量。
在一个实施例中,所述反演波段获取模块,包括:
输入模块,用于将反演波段对应的光谱反射率的一阶倒数以及对应的滞尘量数据输入到SPSS软件中;
确定系数计算模块,用于通过SPSS软件拟合出多条拟合曲线模型,并计算各拟合曲线模型的确定系数,
滞尘反演模型获取模块,用于获取确定系数最大的值对应的拟合曲线模型作为滞尘反演模型。
本发明还提供一种计算机可读存储介质,其上储存有计算机程序,该计算机程序被处理器执行时实现如上述任意一项所述的植物滞尘能力检测方法的步骤。
本发明可采用在一个或多个其中包含有程序代码的存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。计算机可读储存介质包括永久性和非永久性、可移动和非可移动媒体,可以由任何方法或技术来实现信息存储。信息可以是计算机可读指令、数据结构、程序的模块或其他数据。计算机的存储介质的例子包括但不限于:相变内存(PRAM)、静态随机存取存储器(SRAM)、动态随机存取存储器(DRAM)、其他类型的随机存取存储器(RAM)、只读存储器(ROM)、电可擦除可编程只读存储器(EEPROM)、快闪记忆体或其他内存技术、只读光盘只读存储器(CD-ROM)、数字多功能光盘(DVD)或其他光学存储、磁盒式磁带,磁带磁磁盘存储或其他磁性存储设备或任何其他非传输介质,可用于存储可以被计算设备访问的信息。
本发明还提供一种计算机设备,包括储存器、处理器以及储存在所述储存器中并可被所述处理器执行的计算机程序,所述处理器执行所述计算机程序时实现如上述任意一项所述的植物滞尘能力检测方法的步骤。
以上所述实施例仅表达了本发明的几种实施方式,其描述较为具体和详细,但并不能因此而理解为对发明专利范围的限制。应当指出的是,对于本领域的普通技术人员来说,在不脱离本发明构思的前提下,还可以做出若干变形和改进,这些都属于本发明的保护范围。
Claims (10)
1.一种基于相关性系数的植物滞尘能力检测方法,其特征在于,包括如下步骤:
获取植物的光谱反射率,并对光谱反射率进行预处理;
对预处理后的光谱反射率进行光谱变换,获得各个波段的光谱反射率的一阶倒数;
获取表征植物滞尘能力的滞尘量数据,并计算各个波段的光谱反射率的一阶倒数和对应的滞尘量数据的相关性系数;
筛选出绝对值最大的相关性系数,并将最大相关性系数对应的波段作为反演波段,且确定反演波段对应的光谱反射率的一阶倒数以及对应的滞尘量数据;
根据所述反演波段对应的光谱反射率的一阶倒数以及对应的滞尘量数据拟合确定滞尘反演模型;
获取待测植物在反演波段的光谱反射率的一阶倒数,并输入到滞尘反演模型中,获得滞尘量数据。
2.根据权利要求1所述的植物滞尘能力检测方法,其特征在于,所述计算各个波段的光谱反射率的一阶倒数和对应的滞尘量数据的相关性系数的方式为:
其中,rij为第i个样本中第j个波段的光谱反射率一阶导数;为第j个波段的光谱反射率一阶导数的平均值;xij为第i个样本中第j个波段的滞尘量数据;为第j个波段滞尘量数据的平均值;N为样本的数量;每个样本包括各个波段的光谱反射率的一阶倒数以及对应的滞尘量数据。
3.根据权利要求1所述的植物滞尘能力检测方法,其特征在于,所述对光谱反射率进行预处理的步骤,包括:
获取植物的光谱反射率,并剔除误差超过第一设定阈值的光谱反射率,之后将剩余的光谱反射率数据求平均,以平均值作为植物的光谱反射率;
对所述植物的光谱反射率采用就近原则除以对应的白板值,作为植物的实际光谱反射率;
根据植物的实际光谱反射率,确定水汽吸收波段,并剔除水汽吸收波段对应的光谱反射率,再沿着光谱反射率的光谱曲线拟合补全获得预处理后的光谱反射率。
4.根据权利要求1所述的植物滞尘能力检测方法,其特征在于,所述获取各个波段的光谱反射率的一阶倒数的方式为:
其中,λi+1,λi,λi-1为相邻波长,dR(λi)为波长λi的一阶导数光谱,R(λi+1),R(λi),R(λi-1)分别是波长为λi+1,λi,λi-1处的反射率。
5.根据权利要求1所述的植物滞尘能力检测方法,其特征在于,所述获取表征植物滞尘能力的滞尘量数据的计算方式为:
D=ΔW/S
其中,D为表征植物滞尘能力的滞尘量数据;ΔW为一段时间内植物叶片的滞尘量;S为叶片面积。
6.根据权利要求1所述的植物滞尘能力检测方法,其特征在于,所述根据反演波段以及对应的滞尘量数据拟合确定滞尘反演模型的步骤,包括:
将反演波段对应的光谱反射率的一阶倒数以及对应的滞尘量数据输入到SPSS软件中;
通过SPSS软件拟合出多条拟合曲线模型,并计算各拟合曲线模型的确定系数;
获取确定系数最大的值对应的拟合曲线模型作为滞尘反演模型。
7.根据权利要求1所述的植物滞尘能力检测方法,其特征在于,所述获得滞尘量数据的步骤之后,还包括:获得多组待测植物的滞尘量数据,并根据所述滞尘量数据在设定区域种植对应的植物。
8.一种基于相关性系数的植物滞尘能力检测装置,其特征在于,包括:
预处理模块,用于获取植物的光谱反射率,并对光谱反射率进行预处理;
光谱变换模块,用于对预处理后的光谱反射率进行光谱变换,获得各个波段的光谱反射率的一阶倒数;
相关性系数获取模块,用于获取表征植物滞尘能力的滞尘量数据,并计算各个波段的光谱反射率的一阶倒数和对应的滞尘量数据的相关性系数;
反演波段获取模块,用于筛选出绝对值最大的相关性系数,并将最大相关性系数对应的波段作为反演波段,且确定反演波段对应的光谱反射率的一阶倒数以及对应的滞尘量数据;
滞尘反演模型确定模块,用于根据所述反演波段对应的光谱反射率的一阶倒数以及对应的滞尘量数据拟合确定滞尘反演模型;
滞尘量数据获取模块,用于获取待测植物在反演波段的光谱反射率的一阶倒数,并输入到滞尘反演模型中,获得滞尘量数据。
9.一种计算机可读存储介质,其上储存有计算机程序,其特征在于,该计算机程序被处理器执行时实现如权利要求1至6中任意一项所述的植物滞尘能力检测方法的步骤。
10.一种计算机设备,其特征在于,包括储存器、处理器以及储存在所述储存器中并可被所述处理器执行的计算机程序,所述处理器执行所述计算机程序时实现如权利要求1至6中任意一项所述的植物滞尘能力检测方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811362056.6A CN109270012A (zh) | 2018-11-15 | 2018-11-15 | 一种基于相关性系数的植物滞尘能力检测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811362056.6A CN109270012A (zh) | 2018-11-15 | 2018-11-15 | 一种基于相关性系数的植物滞尘能力检测方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN109270012A true CN109270012A (zh) | 2019-01-25 |
Family
ID=65190140
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201811362056.6A Pending CN109270012A (zh) | 2018-11-15 | 2018-11-15 | 一种基于相关性系数的植物滞尘能力检测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN109270012A (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110579420A (zh) * | 2019-09-17 | 2019-12-17 | 北京大学深圳研究生院 | 一种基于无人机的整株乔木滞尘量测算方法 |
CN111650129A (zh) * | 2020-03-05 | 2020-09-11 | 广州地理研究所 | 一种荔枝叶片钙含量预测方法及预测装置 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103411846A (zh) * | 2013-08-16 | 2013-11-27 | 塔里木大学 | 基于高光谱技术的叶面降尘量测定方法 |
CN104374711A (zh) * | 2014-10-08 | 2015-02-25 | 中国林业科学研究院资源信息研究所 | 一种树木叶面尘土量的确定方法及系统 |
CN104897592A (zh) * | 2015-06-11 | 2015-09-09 | 石河子大学 | 基于高光谱技术的盐渍化土壤盐分离子含量监测方法 |
-
2018
- 2018-11-15 CN CN201811362056.6A patent/CN109270012A/zh active Pending
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103411846A (zh) * | 2013-08-16 | 2013-11-27 | 塔里木大学 | 基于高光谱技术的叶面降尘量测定方法 |
CN104374711A (zh) * | 2014-10-08 | 2015-02-25 | 中国林业科学研究院资源信息研究所 | 一种树木叶面尘土量的确定方法及系统 |
CN104897592A (zh) * | 2015-06-11 | 2015-09-09 | 石河子大学 | 基于高光谱技术的盐渍化土壤盐分离子含量监测方法 |
Non-Patent Citations (3)
Title |
---|
CHONGYANG WANG,ET AL: "ESTIMATION MODEL FOR DUST-RETENTION CONTENT OF MAIN GREEN PLANTS IN SOUTH CHINA BASED ON THE RED EDGE OF REFLECTANCE", 《IEEE XPLORE》 * |
WENLONG JING,ET AL: "Machine Learning for Estimating Leaf Dust Retention Based on Hyperspectral Measurements", 《HINDAWI JOURNAL OF SENSORS》 * |
肖慧玲 等: "园林植物滞尘能力分析及叶面滞尘高光谱定量遥感模型", 《长江流域资源与环境》 * |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110579420A (zh) * | 2019-09-17 | 2019-12-17 | 北京大学深圳研究生院 | 一种基于无人机的整株乔木滞尘量测算方法 |
CN110579420B (zh) * | 2019-09-17 | 2022-06-17 | 北京大学深圳研究生院 | 一种基于无人机的整株乔木滞尘量测算方法 |
CN111650129A (zh) * | 2020-03-05 | 2020-09-11 | 广州地理研究所 | 一种荔枝叶片钙含量预测方法及预测装置 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Thies et al. | Evaluation and future prospects of terrestrial laser scanning for standardized forest inventories | |
CN108921885A (zh) | 一种综合三类数据源联合反演森林地上生物量的方法 | |
Vehmas et al. | Using airborne laser scanning data for detecting canopy gaps and their understory type in mature boreal forest | |
Estrada et al. | Allometric models for aboveground biomass estimation of the mangrove Avicennia schaueriana | |
CN109270012A (zh) | 一种基于相关性系数的植物滞尘能力检测方法 | |
Kitahara et al. | Evaluation of data quality in Japanese national forest inventory | |
Coulibaly et al. | Spatial interpolation of annual precipitation in South Africa-Comparison and evaluation of methods | |
CN104198998B (zh) | 非均匀背景下基于聚类处理的恒虚警检测方法 | |
CN105116412B (zh) | 一种宽带雷达isar图像性能定量判别方法 | |
Hardy et al. | Towards a technique for determining basal cover in tufted grasslands | |
CN110672144A (zh) | 污染源检测方法和装置 | |
Royer-Gaspard et al. | PMR–a proxy metric to assess hydrological model robustness in a changing climate | |
RU2477039C1 (ru) | Способ измерения формы листьев у древесных растений | |
Ståhl et al. | Critical length sampling: a method to estimate the volume of downed coarse woody debris | |
CN109270010A (zh) | 一种基于随机森林算法的植物滞尘能力检测方法 | |
Bouin et al. | Using scintillometry to estimate sensible heat fluxes over water: first insights | |
CN116882625A (zh) | 一种岩溶山地乡村聚落用地空间脆弱性识别方法 | |
CN115239156B (zh) | 一种城镇化指标对水系结构的影响警示方法和装置 | |
Abatan et al. | Statistics of multi‐year droughts from the method for object‐based diagnostic evaluation | |
CN109270009A (zh) | 一种基于分类与回归树算法的植物滞尘能力检测方法 | |
Shao et al. | An explicit index for assessing the accuracy of cover-class areas | |
Horne et al. | Determining representative ranges of point sensors in distributed networks | |
CN105629254B (zh) | 一种目标微动特征相干激光探测效果量化评价方法 | |
de Siqueira et al. | Techniques for quality control in football field located in agricultural area | |
CN109270011A (zh) | 一种基于机器学习算法的植物滞尘能力检测方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
RJ01 | Rejection of invention patent application after publication | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20190125 |