CN112270131A - 基于ard回归算法的水稻叶面积指数遥感反演模型和方法 - Google Patents

基于ard回归算法的水稻叶面积指数遥感反演模型和方法 Download PDF

Info

Publication number
CN112270131A
CN112270131A CN202011253512.0A CN202011253512A CN112270131A CN 112270131 A CN112270131 A CN 112270131A CN 202011253512 A CN202011253512 A CN 202011253512A CN 112270131 A CN112270131 A CN 112270131A
Authority
CN
China
Prior art keywords
leaf area
ard
model
area index
rice
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
Application number
CN202011253512.0A
Other languages
English (en)
Inventor
陈青春
朱元励
万小荣
吴莹莹
张悦
陈小琳
王靖
岳海峰
邢明梅
蒋锋
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Zhongkai University of Agriculture and Engineering
Original Assignee
Zhongkai University of Agriculture and Engineering
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Zhongkai University of Agriculture and Engineering filed Critical Zhongkai University of Agriculture and Engineering
Priority to CN202011253512.0A priority Critical patent/CN112270131A/zh
Publication of CN112270131A publication Critical patent/CN112270131A/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F30/00—Computer-aided design [CAD]
    • G06F30/20—Design optimisation, verification or simulation
    • G06F30/27—Design optimisation, verification or simulation using machine learning, e.g. artificial intelligence, neural networks, support vector machines [SVM] or training a model
    • 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
    • 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
    • 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
    • G01N21/47—Scattering, i.e. diffuse reflection
    • G01N21/4738—Diffuse reflection, e.g. also for testing fluids, fibrous materials
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N20/00—Machine learning
    • G06N20/10—Machine learning using kernel methods, e.g. support vector machines [SVM]
    • 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
    • G01N2021/1793—Remote sensing
    • G01N2021/1797—Remote sensing in landscape, e.g. crops

Abstract

本发明提供一种基于ARD回归算法的水稻叶面积指数遥感反演模型，基于ARD回归算法的水稻叶面积指数遥感反演模型为Python语言的ARD回归模型，并进一步提供了该ARD回归模型的模型参数。还提供了基于ARD回归算法的水稻叶面积指数遥感反演方法。本发明的基于ARD回归算法的水稻叶面积指数遥感反演模型能够快速、准确的获取水稻叶面积指数信息，克服作物冠层覆盖以及复杂的土壤背景信息带来的光谱叠加效应造成的叶面积指数特征波段难以确定的困难，大大提高水稻叶面积指数反演模型精度，设计巧妙，计算简便，易于实现，成本低，适于去大规模推广应用。

Description

基于ARD回归算法的水稻叶面积指数遥感反演模型和方法
技术领域
本发明涉及农业遥感技术领域，特别涉及水稻叶面积指数测量技术领域，具体是指一种基于ARD回归算法的水稻叶面积指数遥感反演模型和方法。
背景技术
作物冠层的形成影响作物光合、蒸腾作用等关键生理过程，而作物叶面积指数(leaf area index，LAI)是描述作物冠层结构的一个重要参数。同时，LAI是许多作物生长模型、长势评价模型、作物估产模型的重要参数(李宗南，陈仲新，王利民，等.2种植物冠层分析仪测量夏玉米LAI结果比较分析[J].中国农学通报,2010,26(7):84-88)。
LAI可通过地面实测和遥感反演两种途径获得。地面实测LAI需要耗费大量的时间和人力物力，数据的精度和可靠性需要进一步提高，非常不利于推广应用。随着遥感技术的快速发展，使用遥感技术反演LAI成为遥感反演领域中的重点和难点。目前使用高光谱遥感反演LAI成为精确获取LAI的一种重要方法。(夏天,吴文斌,周清波,等.冬小麦叶面积指数高光谱遥感反演方法对比[J].农业工程学报,2013(3):139-147；林卉,梁亮,张连蓬,等.基于支持向量机回归算法的小麦叶面积指数高光谱遥感反演[J].农业工程学报,2013,29(11):139-146；杨燕，田庆久.高光谱反演水稻叶面积指数的主成分分析法[J].国土资源遥感,2007,73(3):47-50)。
目前，使用高光谱数据反演LAI的主要方法为光谱植被指数法，使用各种植被指数，构建特征波段的线性组合模型。在构建LAI反演模型的过程中，由于作物覆盖以及土壤背景的相互作用，使得LAI反演模型的精度不甚理想。目前全波段高光谱光谱仪所测定的光谱范围涵盖了350nm～2500nm，但是主要的特征波段选取仍然局限于可见光及红外波段附近，未能充分利用高光谱数据信息量丰富的特点和优势。
因此，希望提供一种水稻叶面积指数遥感反演模型，其能够快速、准确的获取水稻叶面积指数信息，克服植被覆盖以及土壤背景复杂效应造成的水稻叶面积指数特征波段难以确定的困难，充分考虑高光谱分辨率的地面反射率数据中所包含丰富叶面积指数的信息，大大提高水稻叶面积指数反演模型精度。
发明内容
为了克服上述现有技术中的缺点，本发明的一个目的在于提供一种基于ARD回归算法的水稻叶面积指数遥感反演模型，其能够快速、准确的获取水稻叶面积指数信息，克服作物冠层覆盖以及复杂的土壤背景信息带来的光谱叠加效应造成的叶面积指数特征波段难以确定的困难，大大提高水稻叶面积指数反演模型精度，适于大规模推广应用。
本发明的另一目的在于提供一种基于ARD回归算法的水稻叶面积指数遥感反演模型，其设计巧妙，计算简便，易于实现，成本低，适于大规模推广应用。
本发明的另一目的在于提供一种基于ARD回归算法的水稻叶面积指数遥感反演方法，其能够快速、准确的获取水稻叶面积指数信息，克服作物冠层覆盖以及复杂的土壤背景信息带来的光谱叠加效应造成的叶面积指数特征波段难以确定的困难，大大提高水稻叶面积指数反演精度，适于大规模推广应用。
本发明的另一目的在于提供一种基于ARD回归算法的水稻叶面积指数遥感反演方法，其设计巧妙，操作简单方便，成本低，适于大规模推广应用。
为达到以上目的，在本发明的第一方面，提供一种基于ARD回归算法的水稻叶面积指数遥感反演模型，其特点是，所述的基于ARD回归算法的水稻叶面积指数遥感反演模型为Python语言的ARD回归模型，所述ARD回归模型的模型参数为：'alpha_2'＝0.3063607298948669,'n_iter'＝6368437,'threshold_lambda'＝545649.0180318448,'alpha_1'＝0.5527720503903767,'tol'＝0.780314864511367,'lambda_2'＝0.2749202071028987,'lambda_1'＝0.5866200690137334。
较佳地，所述ARD回归模型采用水稻的数据集训练而成，所述数据集包括所述水稻的m个样点的冠层反射率和叶面积指数，m个所述样点均匀分布在水稻种植区域，所述冠层反射率为n个特征波段的冠层反射率。
更佳地，所述m为36，所述n个特征波段为2151个特征波段，所述2151个特征波段为从350nm波段至2500nm波段。
在本发明的第二方面，提供了一种基于ARD回归算法的水稻叶面积指数遥感反演方法，其特点是，包括以下步骤：
(1)测量水稻的冠层反射率；
(2)测量所述水稻的叶面积指数：
(3)以所述冠层反射率为输入数据，采用Python语言的ARD回归模型进行计算，获得反演值，根据所述反演值与所述叶面积指数计算决定系数R2，改变所述ARD回归模型的模型参数的取值，R2的变化越大，说明所述模型参数的重要性越大，将所述模型参数按照所述重要性的大小由大到小进行排列构建模型参数调优秩次矩阵；
(4)以所述冠层反射率为所述输入数据，以所述叶面积指数为输出结果，训练所述ARD回归模型，根据所述模型参数调优秩次矩阵依次对所述模型参数进行调优，获得所述模型参数的调优值；
(5)以所述冠层反射率为所述输入数据，以所述叶面积指数为所述输出结果，采用所述的模型参数的调优值，训练所述ARD回归模型，待所述ARD回归模型训练结束后，获得基于ARD回归算法的水稻叶面积指数遥感反演模型，使用save方法保存所述的基于ARD回归算法的水稻叶面积指数遥感反演模型，如果需要使用所述的基于ARD回归算法的水稻叶面积指数遥感反演模型，使用load方法加载所述的基于ARD回归算法的水稻叶面积指数遥感反演模型使用。
较佳地，在所述步骤(1)中，所述测量采用高光谱辐射仪进行，所述测量的时间为10:00～14:00，所述高光谱辐射仪采用视场角为25°的镜头，所述便携式野外高光谱辐射仪的传感器探头垂直指向所述水稻的冠层并距离所述冠层的顶层的垂直高度为1米，所述传感器探头的地面视场范围直径为0.44米，所述传感器探头迎向阳光，所述测量采用标准板进行校正，所述标准板是反射率为95％～99％的标准白板。
较佳地，在所述步骤(2)中，所述的测量所述水稻的叶面积指数的步骤具体包括：
采集所述水稻的植株，测定所述植株的绿色叶片的叶面积，根据采样覆盖面积，获得单位土地面积叶面积，即为所述叶面积指数。
较佳地，在所述步骤(3)中，所述模型参数调优秩次矩阵为：
Params＝{'alpha_2','n_iter','threshold_lambda','alpha_1','tol','lambda_2','lambda_1'}。
更佳地，在所述步骤(4)中，所述的模型参数的调优值为：
'alpha_2'＝0.3063607298948669,'n_iter'＝6368437,'threshold_lambda'＝545649.0180318448,'alpha_1'＝0.5527720503903767,'tol'＝0.780314864511367,'lambda_2'＝0.2749202071028987,'lambda_1'＝0.5866200690137334。
较佳地，在所述步骤(1)中，所述的测量水稻的冠层反射率的步骤具体为测量水稻种植区域的m个样点的所述冠层反射率，m个所述样点均匀分布在所述水稻种植区域，所述冠层反射率为n个特征波段的冠层反射率；在所述步骤(2)中，所述的测量所述水稻的叶面积指数的步骤具体为测量该m个所述样点的所述叶面积指数。
更佳地，在所述步骤(1)中，所述m为36，所述n个特征波段为2151个特征波段，所述2151个特征波段为从350nm波段至2500nm波段。
本发明的有益效果主要在于：
1、本发明的基于ARD回归算法的水稻叶面积指数遥感反演模型为Python语言的ARD回归模型，ARD回归模型的模型参数为：'alpha_2'＝0.3063607298948669,'n_iter'＝6368437,'threshold_lambda'＝545649.0180318448,'alpha_1'＝0.5527720503903767,'tol'＝0.780314864511367,'lambda_2'＝0.2749202071028987,'lambda_1'＝0.5866200690137334，对该模型进行检验，R2在0.85以上，因此，其能够快速、准确的获取水稻叶面积指数信息，克服作物冠层覆盖以及复杂的土壤背景信息带来的光谱叠加效应造成的叶面积指数特征波段难以确定的困难，大大提高水稻叶面积指数反演模型精度，适于大规模推广应用。
2、本发明的基于ARD回归算法的水稻叶面积指数遥感反演模型为Python语言的ARD回归模型，ARD回归模型的模型参数为：'alpha_2'＝0.3063607298948669,'n_iter'＝6368437,'threshold_lambda'＝545649.0180318448,'alpha_1'＝0.5527720503903767,'tol'＝0.780314864511367,'lambda_2'＝0.2749202071028987,'lambda_1'＝0.5866200690137334，对该模型进行检验，R2在0.85以上，因此，其设计巧妙，计算简便，易于实现，成本低，适于大规模推广应用。
3、本发明的基于ARD回归算法的水稻叶面积指数遥感反演方法，包括：测量水稻的冠层反射率；测量水稻的叶面积指数：以冠层反射率为输入数据，采用Python语言的ARD回归模型进行计算，以决定系数R2构建模型参数调优秩次矩阵；以冠层反射率为输入数据，以叶面积指数为输出结果，训练ARD回归模型，根据模型参数调优秩次矩阵依次对模型参数进行调优，获得模型参数的调优值；以冠层反射率为输入数据，以叶面积指数为输出结果，采用模型参数的调优值，训练ARD回归模型，获得基于ARD回归算法的水稻叶面积指数遥感反演模型，对该模型进行检验，R2在0.85以上，因此，其能够快速、准确的获取水稻叶面积指数信息，克服作物冠层覆盖以及复杂的土壤背景信息带来的光谱叠加效应造成的叶面积指数特征波段难以确定的困难，大大提高水稻叶面积指数反演精度，适于大规模推广应用。
4、本发明的基于ARD回归算法的水稻叶面积指数遥感反演方法，包括：测量水稻的冠层反射率；测量水稻的叶面积指数：以冠层反射率为输入数据，采用Python语言的ARD回归模型进行计算，以决定系数R2构建模型参数调优秩次矩阵；以冠层反射率为输入数据，以叶面积指数为输出结果，训练ARD回归模型，根据模型参数调优秩次矩阵依次对模型参数进行调优，获得模型参数的调优值；以冠层反射率为输入数据，以叶面积指数为输出结果，采用模型参数的调优值，训练ARD回归模型，获得基于ARD回归算法的水稻叶面积指数遥感反演模型，对该模型进行检验，R2在0.85以上，因此，其设计巧妙，操作简单方便，成本低，适于大规模推广应用。
本发明的这些和其它目的、特点和优势，通过下述的详细说明、附图和权利要求得以充分体现，并可通过所附权利要求中特地指出的手段、装置和它们的组合得以实现。
附图说明
图1是本发明的基于ARD回归算法的水稻叶面积指数遥感反演方法的一具体实施例的流程示意图。
图2是图1所示的具体实施例的模型构建流程示意图。
图3是图1所示的具体实施例的模型检验结果示意图，其中实测值和预测值为LAI，无量纲。
具体实施方式
本发明人针对基于高光谱估测水稻叶面积指数的需求，克服了因水稻组分复杂而导致的水稻叶面积指数特征波段难以确定以及高光谱数据特征波段筛选费时费力的困难，提出了一种基于ARD回归算法的水稻叶面积指数遥感反演模型，所述的基于ARD回归算法的水稻叶面积指数遥感反演模型为Python语言的ARD回归模型，所述ARD回归模型的模型参数为：'alpha_2'＝0.3063607298948669,'n_iter'＝6368437,'threshold_lambda'＝545649.0180318448,'alpha_1'＝0.5527720503903767,'tol'＝0.780314864511367,'lambda_2'＝0.2749202071028987,'lambda_1'＝0.5866200690137334。
所述ARD回归模型可以采用任何合适的数据集训练而成，较佳地，所述ARD回归模型采用水稻的数据集训练而成，所述数据集包括所述水稻的m个样点的冠层反射率和叶面积指数，m个所述样点均匀分布在水稻种植区域，所述冠层反射率为n个特征波段的冠层反射率。所述水稻种植区域可以是多个生态点、多个品种的水稻种植区域。
所述m和所述n为正整数，可以根据需要确定，更佳地，所述m为36，所述n个特征波段为2151个特征波段，所述2151个特征波段为从350nm波段至2500nm波段。
本发明还提供了一种基于ARD回归算法的水稻叶面积指数遥感反演方法，包括以下步骤：
(1)测量水稻的冠层反射率；
(2)测量所述水稻的叶面积指数：
(3)以所述冠层反射率为输入数据，采用Python语言的ARD回归模型进行计算，获得反演值，根据所述反演值与所述叶面积指数计算决定系数R2，改变所述ARD回归模型的模型参数的取值，R2的变化越大，说明所述模型参数的重要性越大，将所述模型参数按照所述重要性的大小由大到小进行排列构建模型参数调优秩次矩阵；
(4)以所述冠层反射率为所述输入数据，以所述叶面积指数为输出结果，训练所述ARD回归模型，根据所述模型参数调优秩次矩阵依次对所述模型参数进行调优，获得所述模型参数的调优值；
(5)以所述冠层反射率为所述输入数据，以所述叶面积指数为所述输出结果，采用所述的模型参数的调优值，训练所述ARD回归模型，待所述ARD回归模型训练结束后，获得基于ARD回归算法的水稻叶面积指数遥感反演模型，使用save方法保存所述的基于ARD回归算法的水稻叶面积指数遥感反演模型，如果需要使用所述的基于ARD回归算法的水稻叶面积指数遥感反演模型，使用load方法加载所述的基于ARD回归算法的水稻叶面积指数遥感反演模型使用。
在所述步骤(1)中，所述测量可以采用任何合适的光谱仪和方法进行，较佳地，在所述步骤(1)中，所述测量采用高光谱辐射仪进行，所述测量的时间为10:00～14:00，所述高光谱辐射仪采用视场角为25°的镜头，所述便携式野外高光谱辐射仪的传感器探头垂直指向所述水稻的冠层并距离所述冠层的顶层的垂直高度为1米，所述传感器探头的地面视场范围直径为0.44米，所述传感器探头迎向阳光，所述测量采用标准板进行校正，所述标准板是反射率为95％～99％的标准白板。
在所述步骤(2)中，所述的测量所述水稻的叶面积指数的步骤可以具体包括任何合适的方法，较佳地，在所述步骤(2)中，所述的测量所述水稻的叶面积指数的步骤具体包括：
采集所述水稻的植株，测定所述植株的绿色叶片的叶面积，根据采样覆盖面积，获得单位土地面积叶面积，即为所述叶面积指数。
在所述步骤(3)中，所述模型参数调优秩次矩阵根据决定系数R2确定，较佳地，在所述步骤(3)中，所述模型参数调优秩次矩阵为：
Params＝{'alpha_2','n_iter','threshold_lambda','alpha_1','tol','lambda_2','lambda_1'}。
在所述步骤(4)中，所述的模型参数的调优值根据所述模型参数调优秩次矩阵依次确定，更佳地，在所述步骤(4)中，所述的模型参数的调优值为：
'alpha_2'＝0.3063607298948669,'n_iter'＝6368437,'threshold_lambda'＝545649.0180318448,'alpha_1'＝0.5527720503903767,'tol'＝0.780314864511367,'lambda_2'＝0.2749202071028987,'lambda_1'＝0.5866200690137334。
为了使得所述的基于ARD回归算法的水稻叶面积指数遥感反演模型的精度更高，可以选取水稻种植区域的多个样点，测定多个样点的多个特征波段的冠层反射率以及多个样点的叶面积指数，较佳地，在所述步骤(1)中，所述的测量水稻的冠层反射率的步骤具体为测量水稻种植区域的m个样点的所述冠层反射率，m个所述样点均匀分布在所述水稻种植区域，所述冠层反射率为n个特征波段的冠层反射率；在所述步骤(2)中，所述的测量所述水稻的叶面积指数的步骤具体为测量该m个所述样点的所述叶面积指数。
在所述步骤(1)中，所述m和所述n为正整数，可以根据需要确定，更佳地，在所述步骤(1)中，所述m为36，所述n个特征波段为2151个特征波段，所述2151个特征波段为从350nm波段至2500nm波段。
下面结合具体实施例，进一步阐述本发明。应理解，这些实施例仅用于说明本发明而不用于限制本发明的范围。
实施例
本实施例的基于ARD回归算法的水稻叶面积指数遥感反演方法基于实测高光谱数据，采用了水稻种植区域(江苏省淮安市农业科学研究院淮安地区稻麦种植基地，水稻品种为淮稻5号，采样时期为水稻拔节期)采集的水稻冠层反射率光谱数据以及水稻叶面积指数数据，共48个采样点，这些采样点均匀分布并完全覆盖水稻种植区域整个区域。48个采样点数据采用随机的方法分为两部分，其中36个采样点的数据用于模型构建，12个采样点数据用于模型检验。基于ARD回归算法的水稻叶面积指数遥感反演方法的流程如图1所示，包括如下步骤：
1.光谱测定。
水稻冠层光谱测定使用美国ASD生产的FieldSpec Pro便携式野外高光谱辐射仪，选择在天气晴朗、无风或者风速很小时进行，时间范围10:00～14:00，采样测试人员身着深色服饰，减少对光谱仪的影响或者干扰。采样时，选用视场角为25°的镜头，传感器探头垂直指向测量目标---冠层，距离冠层顶层垂直高度约1米，地面视场范围直径为0.44米，迎向阳光，取测量10次的反射光谱平均值，作为该采样点的光谱数据。测量过程中，对每个采样点的测量前后进行标准白板校正。如果测试过程中，环境光场分布发生变化，亦进行标准白板校正，本例使用的标准白板的反射率为99％。测定的光谱数据使用FieldSpec Pro便携式野外高光谱辐射仪随机软件RS3或者ViewSpec Pro软件检查，剔除异常光谱文件，对光谱数据进行插值计算，得到范围为350nm～2500nm，分辨率为1nm的光谱数据，计算光谱平行采样光谱的平均值，最后导出光谱数据并保存为ASCII文件。
2.水稻叶面积指数测定
每小区选取5穴代表性水稻植株，用LAI-3000C型叶面积仪测定绿色叶片叶面积，并根据小区面积和总穴数，折算出单位土地面积叶面积(叶面积指数，LAI)。
3.模型构建
模型构建采用Python语言的ARD回归模型进行构建，请参见图2所示，模型构建主要包括以下步骤：
3.1数据校验
对获取的水稻冠层反射率数据进行校验，剔除异常的整条光谱曲线数据。本发明中异常光谱是指相邻光谱变化超过100％，且包含空值、负值的光谱值。
3.2数据的预处理
对校验后的水稻冠层反射率数据以及水稻叶面积指数数据进行预处理，包括去除包含缺失值和空值的成对水稻冠层反射率数据和水稻叶面积指数数据。
3.3数据集的划分
为保证模型训练和反演结果的合理评估，使用随机的方法，将整个数据集(48组)划分为两部分，75％(36组)的数据用于模型训练，25％(12组)的数据用于训练后的效果评估。
3.4训练数据集的划分
为保证模型训练的效果，使用随机的方法，在每次模型训练迭代时，将训练数据集划分为5个部分，对模型进行训练。
3.5模型参数调优秩次矩阵的构建
本发明中，模型训练过程模型参数的调优非常重要，为保证尽量获取最佳的模型调优，使用试错法进行模型参数调优。本发明使用决定系数R2(R2越接近于1越好)作为检验参数，构建了评估模型参数权重的参数秩次矩阵。根据训练数据集首先使用模型参数的默认值进行计算，获取反演值，根据反演值和叶面积指数，计算决定系数R2，然后改变模型参数的取值，R2的变化越大，说明模型参数的重要性越大，将模型参数按照重要性的大小由大到小进行排列构建模型参数调优秩次矩阵，用于后续计算。
根据训练数据集中冠层反射率数据和对应的叶面积指数数据，计算得到的模型参数调优秩次矩阵为：
Params＝{'alpha_2','n_iter','threshold_lambda','alpha_1','tol','lambda_2','lambda_1'}。
3.6模型构建
依据获取的模型参数调优秩次矩阵，将建模使用的数据，包括实测的冠层反射率数据和对应的实测的叶面积指数数据，以实测的冠层反射率数据为输入数据，实测的叶面积指数数据为输出结果，训练ARD回归模型，根据模型参数调优秩次矩阵依次对模型参数进行调优，获得该模型完整参数及取值，如下：
'alpha_2'＝0.3063607298948669,'n_iter'＝6368437,'threshold_lambda'＝545649.0180318448,'alpha_1'＝0.5527720503903767,'tol'＝0.780314864511367,'lambda_2'＝0.2749202071028987,'lambda_1'＝0.5866200690137334。
待模型训练结束后，使用save方法保存模型，如需使用，运行load方法加载使用。
3.7模型检验
使用构建模型之外的12个采样点高光谱数据输入模型，使用调优后的模型参数进行计算，得到预测值，分析预测值与实测值(叶面积指数)的关系，结果如图3所示，模型的R2为0.9187。而使用默认参数的模型R2为0.6329。
本案例训练数据和检验数据的随机划分以及模型的构建、训练和检验使用了美国MathWorks公司开发的Matlab软件(version:R2020a 9.8.0.1380330)以及Python(version:3.7.0)，通过Matlab软件调用Python的ARD回归模型。
因此，本发明提出了一种新的、基于实测高光谱遥感数据的基于ARD回归算法的水稻叶面积指数遥感反演模型，基于实测水稻冠层反射率数据和实地采集的水稻叶面积指数数据，可快速、准确的获取水稻叶面积指数信息，克服水稻冠层结构多样以及土壤背景的干扰带来的光谱叠加效应造成的水稻叶面积指数特征波段难以确定的困难，并通过构建模型参数调优秩次矩阵，使用试错法对模型参数调优，有效降低了线性模型过拟合的现象，大大提高了水稻叶面积指数反演的精度，适用于不同生态区、不同品种以及主要生育期的水稻叶面积指数的定量反演，从而获得影响水稻冠层形成以及冠层结构的氮素营养、生理状态以及水肥供给的状态，提高了水稻栽培种植过程中的生长信息获取效率，并为水稻生产中水分肥料运筹提供了基础科学数据。
与现有技术相比，本发明具有以下优点：
(1)本发明使用的ARD回归模型(Automatic Relevance DeterminationRegression Model,ARDRM，自动关联确定回归模型)适用于基于高光谱的水稻叶面积指数的反演，在综合考虑高光谱350～2500nm波段范围信息的基础上，考虑了水稻冠层结构多样以及土壤背景的干扰，特别是土壤背景包含的光谱信息对水稻叶面积指数特征波段的影响和叠加效应，充分利用遥感数据中不同波段包含的水稻叶面积指数信息，进行水稻叶面积指数的反演；
(2)使用了ARD回归模型的机器学习算法，构建350～2500nm反射率与水稻叶面积指数的模型，可有效筛选出叶面积指数特征波段构建模型，减少非特征波段以及其他植被和土壤背景噪声的干扰，提高基于高光谱信息的水稻叶面积指数反演的速度和效率；
(3)本发明充分考虑了模型训练和模型检验的独立性，使用随机分割的方法划分训练数据集和检验数据集，训练数据集只用于模型训练，检验数据集仅用于模型检验，以保证模型效果检验的合理性。
(4)由于模型的参数调优对于模型的计算精度非常重要，因此本发明中构建了模型参数秩次矩阵，以决定系数R2为评价参数，使用试错法进行模型参数调优，在保证参数调优效果的基础上，大大提高了模型训练和参数调优的速度。
(5)本发明提出的水稻叶面积指数反演方法计算简便，适用于不同生态区、不同品种以及不同生育期的水稻叶面积指数的遥感定量反演，可准确的反演水稻叶面积指数，快速的获取显著影响水稻冠层结构以及形成的氮素营养、生理状况和长势等信息，同时为水稻种植栽培的水分肥料运筹管理提供科学数据。
综上，本发明的基于ARD回归算法的水稻叶面积指数遥感反演模型能够快速、准确的获取水稻叶面积指数信息，克服作物冠层覆盖以及复杂的土壤背景信息带来的光谱叠加效应造成的叶面积指数特征波段难以确定的困难，大大提高水稻叶面积指数反演模型精度，设计巧妙，计算简便，易于实现，成本低，适于大规模推广应用。
由此可见，本发明的目的已经完整并有效的予以实现。本发明的功能及结构原理已在实施例中予以展示和说明，在不背离所述原理下，实施方式可作任意修改。所以，本发明包括了基于权利要求精神及权利要求范围的所有变形实施方式。

Claims (10)

1.一种基于ARD回归算法的水稻叶面积指数遥感反演模型，其特征在于，所述的基于ARD回归算法的水稻叶面积指数遥感反演模型为Python语言的ARD回归模型，所述ARD回归模型的模型参数为：'alpha_2'＝0.3063607298948669,'n_iter'＝6368437,'threshold_lambda'＝545649.0180318448,'alpha_1'＝0.5527720503903767,'tol'＝0.780314864511367,'lambda_2'＝0.2749202071028987,'lambda_1'＝0.5866200690137334。
2.如权利要求1所述的基于ARD回归算法的水稻叶面积指数遥感反演模型，其特征在于，所述ARD回归模型采用水稻的数据集训练而成，所述数据集包括所述水稻的m个样点的冠层反射率和叶面积指数，m个所述样点均匀分布在水稻种植区域，所述冠层反射率为n个特征波段的冠层反射率。
3.如权利要求2所述的基于ARD回归算法的水稻叶面积指数遥感反演模型，其特征在于，所述m为36，所述n个特征波段为2151个特征波段，所述2151个特征波段为从350nm波段至2500nm波段。
4.一种基于ARD回归算法的水稻叶面积指数遥感反演方法，其特征在于，包括以下步骤：
(1)测量水稻的冠层反射率；
(2)测量所述水稻的叶面积指数：
(3)以所述冠层反射率为输入数据，采用Python语言的ARD回归模型进行计算，获得反演值，根据所述反演值与所述叶面积指数计算决定系数R2，改变所述ARD回归模型的模型参数的取值，R2的变化越大，说明所述模型参数的重要性越大，将所述模型参数按照所述重要性的大小由大到小进行排列构建模型参数调优秩次矩阵；
(4)以所述冠层反射率为所述输入数据，以所述叶面积指数为输出结果，训练所述ARD回归模型，根据所述模型参数调优秩次矩阵依次对所述模型参数进行调优，获得所述模型参数的调优值；
(5)以所述冠层反射率为所述输入数据，以所述叶面积指数为所述输出结果，采用所述的模型参数的调优值，训练所述ARD回归模型，待所述ARD回归模型训练结束后，获得基于ARD回归算法的水稻叶面积指数遥感反演模型，使用save方法保存所述的基于ARD回归算法的水稻叶面积指数遥感反演模型，如果需要使用所述的基于ARD回归算法的水稻叶面积指数遥感反演模型，使用load方法加载所述的基于ARD回归算法的水稻叶面积指数遥感反演模型使用。
5.如权利要求4所述的基于ARD回归算法的水稻叶面积指数遥感反演方法，其特征在于，在所述步骤(1)中，所述测量采用高光谱辐射仪进行，所述测量的时间为10:00～14:00，所述高光谱辐射仪采用视场角为25°的镜头，所述便携式野外高光谱辐射仪的传感器探头垂直指向所述水稻的冠层并距离所述冠层的顶层的垂直高度为1米，所述传感器探头的地面视场范围直径为0.44米，所述传感器探头迎向阳光，所述测量采用标准板进行校正，所述标准板是反射率为95％～99％的标准白板。
6.如权利要求4所述的基于ARD回归算法的水稻叶面积指数遥感反演方法，其特征在于，在所述步骤(2)中，所述的测量所述水稻的叶面积指数的步骤具体包括：
采集所述水稻的植株，测定所述植株的绿色叶片的叶面积，根据采样覆盖面积，获得单位土地面积叶面积，即为所述叶面积指数。
7.如权利要求4所述的基于ARD回归算法的水稻叶面积指数遥感反演方法，其特征在于，在所述步骤(3)中，所述模型参数调优秩次矩阵为：
Params＝{'alpha_2','n_iter','threshold_lambda','alpha_1','tol','lambda_2','lambda_1'}。
8.如权利要求7所述的基于ARD回归算法的水稻叶面积指数遥感反演方法，其特征在于，在所述步骤(4)中，所述的模型参数的调优值为：
'alpha_2'＝0.3063607298948669,'n_iter'＝6368437,'threshold_lambda'＝545649.0180318448,'alpha_1'＝0.5527720503903767,'tol'＝0.780314864511367,'lambda_2'＝0.2749202071028987,'lambda_1'＝0.5866200690137334。
9.如权利要求4所述的基于ARD回归算法的水稻叶面积指数遥感反演方法，其特征在于，在所述步骤(1)中，所述的测量水稻的冠层反射率的步骤具体为测量水稻种植区域的m个样点的所述冠层反射率，m个所述样点均匀分布在所述水稻种植区域，所述冠层反射率为n个特征波段的冠层反射率；在所述步骤(2)中，所述的测量所述水稻的叶面积指数的步骤具体为测量该m个所述样点的所述叶面积指数。
10.如权利要求9所述的基于ARD回归算法的水稻叶面积指数遥感反演方法，其特征在于，在所述步骤(1)中，所述m为36，所述n个特征波段为2151个特征波段，所述2151个特征波段为从350nm波段至2500nm波段。
CN202011253512.0A 2020-11-11 2020-11-11 基于ard回归算法的水稻叶面积指数遥感反演模型和方法 Pending CN112270131A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202011253512.0A CN112270131A (zh) 2020-11-11 2020-11-11 基于ard回归算法的水稻叶面积指数遥感反演模型和方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202011253512.0A CN112270131A (zh) 2020-11-11 2020-11-11 基于ard回归算法的水稻叶面积指数遥感反演模型和方法

Publications (1)

Publication Number Publication Date
CN112270131A true CN112270131A (zh) 2021-01-26

Family

ID=74340708

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202011253512.0A Pending CN112270131A (zh) 2020-11-11 2020-11-11 基于ard回归算法的水稻叶面积指数遥感反演模型和方法

Country Status (1)

Country Link
CN (1) CN112270131A (zh)

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113345004A (zh) * 2021-08-05 2021-09-03 航天宏图信息技术股份有限公司 一种植被叶面积指数的估算方法和装置
CN117313451A (zh) * 2023-09-01 2023-12-29 长安大学 一种基于e-inform模型的作物冠层结构参数反演方法
CN117520715A (zh) * 2023-12-29 2024-02-06 华中农业大学 一种基于prosail模型的水稻叶面积指数反演方法

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113345004A (zh) * 2021-08-05 2021-09-03 航天宏图信息技术股份有限公司 一种植被叶面积指数的估算方法和装置
CN117313451A (zh) * 2023-09-01 2023-12-29 长安大学 一种基于e-inform模型的作物冠层结构参数反演方法
CN117520715A (zh) * 2023-12-29 2024-02-06 华中农业大学 一种基于prosail模型的水稻叶面积指数反演方法

Similar Documents

Publication Publication Date Title
CN111855589A (zh) 水稻叶片氮积累量遥感反演模型和方法
CN111855591A (zh) 水稻地上部碳氮比遥感反演模型和方法
CN107796764B (zh) 一种基于三波段植被指数的小麦叶面积指数估算模型的构建方法
CN111855590A (zh) 水稻叶片淀粉积累量遥感反演模型和方法
CN109187441B (zh) 基于冠层光谱信息的夏玉米含氮量监测模型的构建方法
CN111829965A (zh) 水稻地上部淀粉积累量遥感反演模型和方法
CN112270131A (zh) 基于ard回归算法的水稻叶面积指数遥感反演模型和方法
CN102788752B (zh) 基于光谱技术的农作物内部信息无损检测装置及方法
CN111855593A (zh) 水稻叶片淀粉含量遥感反演模型和方法
CN107505271B (zh) 基于氮素组分辐射传输模型的植株氮素估算方法和系统
CN113268923B (zh) 一种基于模拟多光谱的夏玉米产量估算方法
CN110160967A (zh) 一种作物冠层叶片的全氮含量估算方法
CN110567892B (zh) 一种基于临界氮浓度的夏玉米氮素高光谱预测方法
CN111855592A (zh) 水稻单位面积内地上部干物重遥感反演模型和方法
CN103293111A (zh) 一种土壤背景干扰下小麦叶层氮含量光谱监测模型及建模方法
CN111044516B (zh) 一种水稻叶绿素含量遥感估测方法
CN112816618A (zh) 一种氮高效小麦品种的筛选方法
CN113049499A (zh) 水体总氮浓度间接遥感反演方法、存储介质和终端设备
CN112129709A (zh) 一种苹果树冠层尺度氮含量诊断方法
CN112362812A (zh) 基于Lars算法的水稻叶片叶绿素类胡萝卜素含量比值遥感反演模型和方法
CN114460015A (zh) 一种用于预测寒地水稻冠层叶绿素含量的方法及模型
CN113552096A (zh) 一种基于光谱的菠萝叶片氮含量估算方法
CN112632847A (zh) 基于XGBoost回归算法的水稻叶片淀粉含量遥感反演模型和方法
CN112630167A (zh) 基于支持向量机回归算法的水稻叶片碳氮比遥感反演模型和方法
CN112525831A (zh) 基于CatBoost回归算法的水稻地上部蛋白氮积累量遥感反演模型和方法

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