CN111650129B - 一种荔枝叶片钙含量预测方法及预测装置 - Google Patents

Abstract

本发明公开了一种荔枝叶片钙含量预测方法及装置，该方法主要包括对所获取到的光谱数据进行预处理，去除水分和噪声影响波段范围的反射信息；利用波段平均方法对预处理后的光谱数据进行降维处理；对降维处理后的光谱数据进行一阶微分处理，得到一阶导数光谱数据DR；对DR进行光谱植被指数迭代计算，获得光谱植被指数集；根据实测钙含量数据和光谱植被指数集，并根据皮尔逊相关系数绝的大小，选择出相关系数最大的那个植被指数和相关系数最小的那个植被指数，并得到叶片钙含量的预测模型，通过预测模型即可得到预测数据集的钙含量。本发明能够快速、有效、准确地预测出荔枝关键生长期叶片钙含量信息，以指导荔枝施肥，减少荔枝裂果。

Description

一种荔枝叶片钙含量预测方法及预测装置

技术领域

本发明测量技术，具体涉及一种荔枝叶片钙含量预测方法及预测装置。

背景技术

钙是对果实发育有重要影响的元素之一，许多生理病害和生理失调症于组织中钙水平密切相关。裂果是一种生理失调症，研究表明荔枝裂果的多少于果实中钙含量有有关。果实快速生长期，增加叶片和果皮中钙含量有利于减少荔枝裂果。

快速、有效的获取荔枝关键生长期叶片钙含量信息，对指导荔枝施肥具有重要意义。传统的化学分析方法，往往具有时滞性，难以满足快速、高效的养分监测需求。遥感技术具有实时、高效等优点，成为当前研究的热点。但有关植物叶片钙含量与光谱关系的研究很少。

发明内容

为了解决现有技术无法快速、有效地获取荔枝关键生长期叶片钙含量信息，本发明提供了一种荔枝叶片钙含量预测方法及预测装置。

为实现上述目的，本发明的技术方案是：

第一方面，本发明实施例提供了一种荔枝叶片钙含量预测方法，包括：

利用光谱仪对荔枝冠层预测，获得荔枝冠层反射光谱数据；并同步采集荔枝冠层叶片样本，并对叶片样本进行化学分析，获得叶片样本的实测钙含量数据；

对所获取到的光谱数据进行预处理，去除水分和噪声影响波段范围的反射信息，获得预处理后的光谱数据；

利用波段平均方法对预处理后的光谱数据进行降维处理，获得降维处理后的光谱数据；

对降维处理后的光谱数据进行一阶微分处理，得到一阶导数光谱数据DR；

对所得到的一阶导数光谱数据DR进行光谱植被指数迭代计算，获得光谱植被指数集；

根据实测钙含量数据和光谱植被指数集来分别计算各光谱指数与钙含量的皮尔逊相关系数，并根据皮尔逊相关系数绝对值的大小，选择出相关系数最大的那个植被指数和相关系数最小的那个植被指数；

将相关系数最大的那个植被指数和相关系数最小的那个植被指数共同作为自变量，叶片钙含量作为因变量，进行多元回归，得到叶片钙含量的预测模型；

对预测数据集分别求出其相关系数最大的那个植被指数和相关系数最小的那个植被指数，并将对应的指数代入叶片钙含量的预测模型，得到预测数据集的钙含量。

第二方面，本发明实施例提供了一种荔枝叶片钙含量预测装置，包括：

数据存储器，其存储有光谱仪对荔枝冠层测量所获得荔枝冠层反射光谱数据以及存储有光谱仪所测量的那一荔枝冠层的叶片样本的实测钙含量数据；

第一数据处理单元，其用于对数据存储器所存储的光谱数据进行预处理，去除水分和噪声影响波段范围的反射信息，获得预处理后的光谱数据；并利用波段平均方法对预处理后的光谱数据进行降维处理，获得降维处理后的光谱数据；并对降维处理后的光谱数据进行一阶微分处理，得到一阶导数光谱数据DR；并对所得到的一阶导数光谱数据DR进行光谱植被指数迭代计算，获得光谱植被指数集；

第二数据处理单元，其用于查找数据存储器所存储的实测钙含量数据以及接收第一数据处理单元所传输来的光谱植被指数集，以根据实测钙含量数据和光谱植被指数集来分别计算各光谱指数与钙含量的皮尔逊相关系数，并根据皮尔逊相关系数绝对值的大小，选择出相关系数最大的那个植被指数和相关系数最小的那个植被指数；并将相关系数最大的那个植被指数和相关系数最小的那个植被指数共同作为自变量，叶片钙含量作为因变量，进行多元回归，得到叶片钙含量的预测模型；还用于接收所输入的预测数据集，并对预测数据集分别求出其相关系数最大的那个植被指数和相关系数最小的那个植被指数，并将对应的指数代入叶片钙含量的预测模型，得到预测数据集的钙含量。

本发明与现有技术相比，其有益效果在于：

通过采用本实施例提供的荔枝叶片钙含量预测方法能够快速、有效、准确地预测出荔枝关键生长期叶片钙含量信息，以指导荔枝施肥，减少荔枝裂果。

附图说明

图1为本发明实施例1提供的荔枝叶片钙含量预测方法的流程图；

图2为降维之后的冠层反射率数据的示意图；

图3为对降维处理后的光谱数据进行一阶微分处理，得到一阶导数光谱数据DR的示意图；

图4为叶片钙含量预测模型的示意图；

图5为预测数据集的结果示意图；

图6为本发明实施例2提供的荔枝叶片钙含量预测装置的组成示意图。

具体实施方式

下面结合附图和具体实施方式对本发明的内容做进一步详细说明。

实施例1：

参阅图1所示，本实施提供的荔枝叶片钙含量预测方法，包括：

101、选择某一地区的荔枝园实验地，基于ASD FieldSpec@3测量荔枝冠层反射光谱数据，获得对应的光谱数据；并同步采集冠层叶片样本，叶片放入采样袋，送至实验室化学分析，获得叶片样本的实测钙含量数据；其中，共采集91组样本，分为预测集(预测集样本数量为13)和建模集(建模集样本数量为78)。

102、对所获取到的光谱数据进行预处理，去除水分和噪声影响波段1350-1450nm，1800-1960nm，2350-2500nm范围的反射信息，获得预处理后的光谱数据，从而可以去除干扰信息。

103、利用波段平均方法对预处理后的光谱数据进行降维处理，以降低光谱数据噪声、降低计算复杂度，获得降维处理后的光谱数据共174维。

R_i＝(R_i-4+R_i-3+R_i-2+R_i-1+R_i+R_i+1+R_i+2+R_i+3+R_i+4+R_i+5)/10

R_i是i nm处反射率的值，i的取值范围为(350～1349，1451～1799，1961-2349)。在本实施例中，去除噪音和水分吸收波段的反射光谱数据，进行10波段平均的光谱数据降维。降维后的光谱数据反射率范围为：354～1344，1453～1793，1962～2342nm。这一数据用于进一步做光谱数据一阶导数处理，具体如图2所示。

104、对降维处理后的光谱数据进行一阶微分处理，得到一阶导数光谱数据，

105、对所得到的一阶导数光谱数据进行光谱植被指数迭代计算，获得光谱植被指数集；

106、根据实测钙含量数据和光谱植被指数集来分别计算各光谱指数与钙含量的皮尔逊相关系数，并根据皮尔逊相关系数绝对值的大小，选择出相关系数最大的那个植被指数和相关系数最小的那个植被指数；将选择出的那两个植被指数共同作为自变量，叶片钙含量作为因变量，进行多元回归，得到叶片钙含量的预测模型；

107、对预测数据集分别求出其相关系数最大的那个植被指数和相关系数最小的那个植被指数，并将对应的指数代入叶片钙含量的预测模型，得到预测数据集的钙含量。

由此可见，通过采用本实施例提供的荔枝叶片钙含量预测方法能够快速、有效、准确地预测出荔枝关键生长期叶片钙含量信息，以指导荔枝施肥，减少荔枝裂果。

具体地，上述步骤104中，对降维处理后的光谱数据进行一阶微分处理的方式为：

DR_j＝(R_j-R_j-₁)/Δλ

DR_j是j nm处反射率一阶导数的值，R_j是j nm处反射率值；R_j-1是j-1nm处反射率值；Δλ＝(j-(j-1))。，j的取值范围为(2，174)，具体如图3所示。

而上述步骤105中，对所得到的一阶导数光谱数据DR进行光谱植被指数迭代计算包括：

SVI_{(i，j，h，k)}是i nm，j nm，h nm，k nm处的光谱植被指数；DR_i、DR_j、DR_h、DR_k分别是inm，j nm，h nm，k nm处的一阶导数值。

上述步骤106中，皮尔逊相关系数为：

x_i，

分别是某一光谱指数的第i个观测值和该光谱指数n个重复的均值；yi和

分别是钙第i个观测值和n个样本钙观测值的均值。

也就是说，根据实测钙含量和步骤105中求得的光谱指数，分别计算各光谱指数与钙含量的皮尔逊相关系数，具体到本实施例中，相关系数最大的光谱指数为：(DR₈₅₄-DR₉₃₄)/(DR₁₁₁₄+DR₁₃₃₄)和(DR₉₃₄-DR₁₀₅₄)/(DR₁₁₁₄+DR₁₁₆₄)。

这两个光谱指数被选择，用于步骤107中的多元回归模型中。

因此，在步骤107中，将步骤106得到的两种植被指数共同作为自变量，叶片钙含量作为因变量，进行多元回归，得到叶片钙含量的预测模型为：

y_Ca＝141.7968+10.1883×((DR₈₅₄-DR₉₃₄)/(DR₁₁₁₄+DR₁₃₃₄))+12.3914

×((DR₉₃₄-DR₁₀₅₄)/(DR₁₁₁₄+DR₁₁₆₄))

最后，对预测数据集(样本数量＝13)求上述两种指数，将指数带入步骤107的钙含量估算模型进行预测，可得到预测数据集的钙含量，具体预测结果如图5所示。

此外，为了保证预测模型结果的准确性，在对预测数据集输入至预测模型之前，还可以对叶片钙含量的预测模型进行精度评价：

通过确定系数R²和均方根误差RMSE来评价预测模型的精度：

y_i，

分别是观测值，观测值的预测值，观测值均值，n为样本数量，具体如图4所示。

实施例2：

参阅图6所示，本实施例提供的荔枝叶片钙含量预测装置，包括：

数据存储器601，其存储有光谱仪对荔枝冠层测量所获得荔枝冠层反射光谱数据以及存储有光谱仪所测量的那一荔枝冠层的叶片样本的实测钙含量数据；也就是说，光谱仪所测量到的光谱数据以及通过实验分析得到的实测钙含量数据数据都预先存储记录在数据存储器601中。

第一数据处理单元602，其用于对数据存储器所存储的光谱数据进行预处理，去除水分和噪声影响波段范围的反射信息，获得预处理后的光谱数据；并利用波段平均方法对预处理后的光谱数据进行降维处理，获得降维处理后的光谱数据；并对降维处理后的光谱数据进行一阶微分处理，得到一阶导数光谱数据DR；并对所得到的一阶导数光谱数据DR进行光谱植被指数迭代计算，获得光谱植被指数集；

第二数据处理单元603，其用于查找数据存储器所存储的实测钙含量数据以及接收第一数据处理单元所传输来的光谱植被指数集，以根据实测钙含量数据和光谱植被指数集来分别计算各光谱指数与钙含量的皮尔逊相关系数，并根据皮尔逊相关系数绝对值的大小，选择出相关系数最大的那个植被指数和相关系数最小的那个植被指数；并将相关系数最大的那个植被指数和相关系数最小的那个植被指数共同作为自变量，叶片钙含量作为因变量，进行多元回归，得到叶片钙含量的预测模型；还用于接收所输入的预测数据集，并对预测数据集分别求出其相关系数最大的那个植被指数和相关系数最小的那个植被指数，并将对应的指数代入叶片钙含量的预测模型，得到预测数据集的钙含量。

由此可见，通过采用本实施例提供的荔枝叶片钙含量预测装置能够快速、有效、准确地预测出荔枝关键生长期叶片钙含量信息，以指导荔枝施肥，减少荔枝裂果。

本实施中的数据存储器601的具体工作原理和实施例1中的步骤101相对应，第一数据处理单元602的运算处理过程和实施例1中的步骤102-105相对应，第二数据处理单元603的运算处理过程和实施例1中的步骤106-107相对应，因此在本实施例中就不再详细赘述数据存储器601、第一数据处理单元602以及第二数据处理单元403的工作原理和运算处理过程。其中，需要说明的是，该第一数据处理单元602以及第二数据处理单元603可以为单独的数据处理器，也可以公用一个数据处理器。

作为本实施例荔枝叶片镁含量的测量的一种优选，该系统还包括客户端，该客户端用于接收第二数据处理单元603所得到的预测数据集的钙含量，该客户端可以为手机、电脑或平板电脑，如此，工作人员可以远程、实时地得知运算的最终结果。

上述实施例只是为了说明本发明的技术构思及特点，其目的是在于让本领域内的普通技术人员能够了解本发明的内容并据以实施，并不能以此限制本发明的保护范围。凡是根据本发明内容的实质所做出的等效的变化或修饰，都应涵盖在本发明的保护范围内。

Claims (6)

1.一种荔枝叶片钙含量预测方法，其特征在于，包括：

利用光谱仪对荔枝冠层预测，获得荔枝冠层反射光谱数据；并同步采集荔枝冠层叶片样本，并对叶片样本进行化学分析，获得叶片样本的实测钙含量数据；

对所获取到的光谱数据进行预处理，去除水分和噪声影响波段范围的反射信息，获得预处理后的光谱数据；

利用波段平均方法对预处理后的光谱数据进行降维处理，获得降维处理后的光谱数据；

对降维处理后的光谱数据进行一阶微分处理，得到一阶导数光谱数据DR；

对所得到的一阶导数光谱数据DR进行光谱植被指数迭代计算，获得光谱植被指数集；

根据实测钙含量数据和光谱植被指数集来分别计算各光谱指数与钙含量的皮尔逊相关系数，并根据皮尔逊相关系数绝对值的大小，选择出相关系数最大的那个植被指数和相关系数最小的那个植被指数；将选择出的那两个植被指数共同作为自变量，叶片钙含量作为因变量，进行多元回归，得到叶片钙含量的预测模型；

对预测数据集分别求出其相关系数最大的那个植被指数和相关系数最小的那个植被指数，并将对应的指数代入叶片钙含量的预测模型，得到预测数据集的钙含量；

所述对降维处理后的光谱数据进行一阶微分处理的方式为：

DR_j＝(R_j-R_j-1)/Δλ

DR_j是j nm处反射率一阶导数的值，R_j是j nm处反射率值；R_j-1是j-1nm处反射率值；Δλ＝(j-(j-1))；

所述对所得到的一阶导数光谱数据DR进行光谱植被指数迭代计算包括：

SVI_(i,j,h,k)是i nm,j nm,h nm,k nm处的光谱植被指数；DR_i、DR_j、DR_h、DR_k分别是i nm,jnm,h nm,k nm处的一阶导数值。

2.如权利要求1所述的荔枝叶片钙含量预测方法，其特征在于，所述皮尔逊相关系数为：

x_i,

分别是某一光谱指数的第i个观测值和该光谱指数n个重复的均值；y_i和

分别是钙第i个观测值和n个样本钙观测值的均值。

3.如权利要求1所述的荔枝叶片钙含量预测方法，其特征在于，还包括对叶片钙含量的预测模型进行精度评价：

通过确定系数R²和均方根误差RMSE来评价预测模型的精度：

y_i，

分别是观测值，观测值的预测值，观测值均值，n为样本数量。

4.一种荔枝叶片钙含量预测装置，其特征在于，包括：

数据存储器，其存储有光谱仪对荔枝冠层测量所获得荔枝冠层反射光谱数据以及存储有光谱仪所测量的那一荔枝冠层的叶片样本的实测钙含量数据；

第一数据处理单元，其用于对数据存储器所存储的光谱数据进行预处理，去除水分和噪声影响波段范围的反射信息，获得预处理后的光谱数据；并利用波段平均方法对预处理后的光谱数据进行降维处理，获得降维处理后的光谱数据；并对降维处理后的光谱数据进行一阶微分处理，得到一阶导数光谱数据DR；并对所得到的一阶导数光谱数据DR进行光谱植被指数迭代计算，获得光谱植被指数集；

第二数据处理单元，其用于查找数据存储器所存储的实测钙含量数据以及接收第一数据处理单元所传输来的光谱植被指数集，以根据实测钙含量数据和光谱植被指数集来分别计算各光谱指数与钙含量的皮尔逊相关系数，并根据皮尔逊相关系数绝对值的大小，选择出相关系数最大的那个植被指数和相关系数最小的那个植被指数；并将选择出的那两个植被指数共同作为自变量，叶片钙含量作为因变量，进行多元回归，得到叶片钙含量的预测模型；还用于接收所输入的预测数据集，并对预测数据集分别求出其相关系数最大的那个植被指数和相关系数最小的那个植被指数，并将对应的指数代入叶片钙含量的预测模型，得到预测数据集的钙含量；

所述第一数据处理单元对降维处理后的光谱数据进行一阶微分处理的方式为：

DR_j＝(R_j-R_j-1)/Δλ

DR_j是j nm处反射率一阶导数的值，R_j是j nm处反射率值；R_j-1是j-1nm处反射率值；Δλ＝(j-(j-1)；

所述对所得到的一阶导数光谱数据DR进行光谱植被指数迭代计算包括：

SVI_(i,j,h,k)是i nm,j nm,h nm,k nm处的光谱植被指数；DR_i、DR_j、DR_h、DR_k分别是i nm,jnm,h nm,k nm处的一阶导数值。

5.如权利要求4所述的荔枝叶片钙含量预测装置，其特征在于，还包括：

用户端，其用于接收第二数据处理单元所传输来的预测数据集的钙含量。

6.如权利要求5所述的荔枝叶片钙含量预测装置，其特征在于，所述皮尔逊相关系数为：

x_i,

分别是某一光谱指数的第i个观测值和该光谱指数n个重复的均值；y_i和

分别是钙第i个观测值和n个样本钙观测值的均值。

Images