CN112287886B - 基于高光谱图像融合图谱特征的小麦植株氮含量估测方法 - Google Patents
基于高光谱图像融合图谱特征的小麦植株氮含量估测方法 Download PDFInfo
- Publication number
- CN112287886B CN112287886B CN202011308778.0A CN202011308778A CN112287886B CN 112287886 B CN112287886 B CN 112287886B CN 202011308778 A CN202011308778 A CN 202011308778A CN 112287886 B CN112287886 B CN 112287886B
- Authority
- CN
- China
- Prior art keywords
- wheat
- nitrogen content
- vegetation index
- features
- wavelength
- 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.)
- Active
Links
- IJGRMHOSHXDMSA-UHFFFAOYSA-N Atomic nitrogen Chemical compound N#N IJGRMHOSHXDMSA-UHFFFAOYSA-N 0.000 title claims abstract description 182
- 241000209140 Triticum Species 0.000 title claims abstract description 132
- 229910052757 nitrogen Inorganic materials 0.000 title claims abstract description 91
- 230000004927 fusion Effects 0.000 title claims abstract description 46
- 238000000034 method Methods 0.000 title claims abstract description 42
- 235000021307 Triticum Nutrition 0.000 claims abstract description 43
- 238000002310 reflectometry Methods 0.000 claims abstract description 29
- 230000003595 spectral effect Effects 0.000 claims abstract description 20
- 238000013527 convolutional neural network Methods 0.000 claims abstract description 16
- 238000007637 random forest analysis Methods 0.000 claims abstract description 13
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 9
- 238000004458 analytical method Methods 0.000 claims abstract description 6
- 238000012360 testing method Methods 0.000 claims description 30
- 238000010521 absorption reaction Methods 0.000 claims description 29
- 238000012545 processing Methods 0.000 claims description 22
- 238000011282 treatment Methods 0.000 claims description 16
- 239000002689 soil Substances 0.000 claims description 15
- 238000011176 pooling Methods 0.000 claims description 14
- 230000003750 conditioning effect Effects 0.000 claims description 10
- 238000000605 extraction Methods 0.000 claims description 10
- 241000196324 Embryophyta Species 0.000 claims description 9
- 238000005259 measurement Methods 0.000 claims description 7
- 208000027066 STING-associated vasculopathy with onset in infancy Diseases 0.000 claims description 5
- 238000004364 calculation method Methods 0.000 claims description 5
- 238000005457 optimization Methods 0.000 claims description 5
- 238000005520 cutting process Methods 0.000 claims description 4
- 230000001066 destructive effect Effects 0.000 claims description 4
- 210000000056 organ Anatomy 0.000 claims description 4
- 238000007781 pre-processing Methods 0.000 claims description 4
- 238000005070 sampling Methods 0.000 claims description 4
- 238000007696 Kjeldahl method Methods 0.000 claims description 3
- 230000002902 bimodal effect Effects 0.000 claims description 3
- 238000006243 chemical reaction Methods 0.000 claims description 3
- 229930002875 chlorophyll Natural products 0.000 claims description 3
- 235000019804 chlorophyll Nutrition 0.000 claims description 3
- ATNHDLDRLWWWCB-AENOIHSZSA-M chlorophyll a Chemical compound C1([C@@H](C(=O)OC)C(=O)C2=C3C)=C2N2C3=CC(C(CC)=C3C)=[N+]4C3=CC3=C(C=C)C(C)=C5N3[Mg-2]42[N+]2=C1[C@@H](CCC(=O)OC\C=C(/C)CCC[C@H](C)CCC[C@H](C)CCCC(C)C)[C@H](C)C2=C5 ATNHDLDRLWWWCB-AENOIHSZSA-M 0.000 claims description 3
- 238000012937 correction Methods 0.000 claims description 3
- 238000002790 cross-validation Methods 0.000 claims description 3
- 230000006872 improvement Effects 0.000 claims description 3
- 239000011159 matrix material Substances 0.000 claims description 3
- 239000000049 pigment Substances 0.000 claims description 3
- 230000009467 reduction Effects 0.000 claims description 3
- 230000009466 transformation Effects 0.000 claims description 3
- 230000001131 transforming effect Effects 0.000 claims description 3
- 230000017260 vegetative to reproductive phase transition of meristem Effects 0.000 claims description 3
- 230000000007 visual effect Effects 0.000 claims description 3
- 102000004190 Enzymes Human genes 0.000 claims description 2
- 108090000790 Enzymes Proteins 0.000 claims description 2
- 238000004140 cleaning Methods 0.000 claims description 2
- 238000010219 correlation analysis Methods 0.000 claims description 2
- 238000001035 drying Methods 0.000 claims description 2
- 238000005303 weighing Methods 0.000 claims description 2
- 230000002087 whitening effect Effects 0.000 claims description 2
- 238000012544 monitoring process Methods 0.000 description 9
- 235000013339 cereals Nutrition 0.000 description 3
- 238000010586 diagram Methods 0.000 description 3
- 230000006870 function Effects 0.000 description 3
- 238000012271 agricultural production Methods 0.000 description 2
- 230000009418 agronomic effect Effects 0.000 description 2
- 238000011161 development Methods 0.000 description 2
- 230000018109 developmental process Effects 0.000 description 2
- 230000014509 gene expression Effects 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 235000016709 nutrition Nutrition 0.000 description 2
- 230000035764 nutrition Effects 0.000 description 2
- 238000013528 artificial neural network Methods 0.000 description 1
- 238000003705 background correction Methods 0.000 description 1
- 238000000701 chemical imaging Methods 0.000 description 1
- 230000001186 cumulative effect Effects 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 238000003745 diagnosis Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 230000035558 fertility Effects 0.000 description 1
- 239000000463 material Substances 0.000 description 1
- 230000035800 maturation Effects 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 239000000618 nitrogen fertilizer Substances 0.000 description 1
- 235000015097 nutrients Nutrition 0.000 description 1
- 230000008569 process Effects 0.000 description 1
- 230000001737 promoting effect Effects 0.000 description 1
- 238000001228 spectrum Methods 0.000 description 1
- 238000003860 storage Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
- G06V20/10—Terrestrial scenes
- G06V20/13—Satellite images
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/25—Fusion techniques
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/20—Image preprocessing
- G06V10/25—Determination of region of interest [ROI] or a volume of interest [VOI]
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/20—Image preprocessing
- G06V10/30—Noise filtering
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/40—Extraction of image or video features
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Multimedia (AREA)
- General Engineering & Computer Science (AREA)
- Evolutionary Computation (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Computational Linguistics (AREA)
- Software Systems (AREA)
- Biomedical Technology (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Health & Medical Sciences (AREA)
- Biophysics (AREA)
- Astronomy & Astrophysics (AREA)
- Remote Sensing (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Biology (AREA)
- Image Processing (AREA)
- Investigating Or Analysing Materials By Optical Means (AREA)
Abstract
本发明提出基于高光谱图像融合图谱特征的小麦植株氮含量估测方法。本发明的方法是采集小麦冠层高光谱图像和地面小麦植株氮含量；首先提取光谱反射率并计算植被指数、位置和形状特征；然后提取主成分高光谱图像并利用卷积神经网络提取深层特征；再次利用随机森林算法、相关系数分析法确定优选的特征，利用并行融合策略针对优选的特征构建新的融合图谱特征；最后建立基于融合图谱特征的支持向量回归模型预测小麦植株氮含量。本发明的方法估测精度高、模型的泛化力强，适用于小麦全生育期，同时也是目前第一次提出综合高光谱图像的植被指数、位置和形状特征、深层特征构建融合图谱特征估测小麦植株氮含量的方法。
Description
技术领域
本发明属于作物生长监测技术领域，尤其是一种基于高光谱图像融合图谱特征的小麦植株氮含量估测方法。
背景技术
小麦作为中国重要的粮食作物，在农业生产和战略性粮食储备中占有重要地位。氮是影响农作物生长生育、物质生产力和产量品质的主要养分。作物氮素营养的智能监测、定量诊断与动态调控是精确农业的核心内容和科学依据。精准、快速、无损监测氮素是提高作物生产率和竞争力的关键，优化作物氮素管理对于农业生产全程精准集约化、粮食安全和可持续农业发展至关重要。尤其是高光谱图像监测，不仅提供了有关植被冠层反射率的空间和光谱信息，还提供了丰富的空间和位置特征。因此，基于高光谱图像的作物生长监测可以准确评估作物的氮素状况，对于指导季节内定时定点定量的氮肥推荐，优化作物栽培、减施增效、促进农业可持续发展具有重要意义。
随着高光谱图像数据获取能力和存储能力的逐渐提高，一方面，高分辨率的光谱数据使得高维数据的特征提取显得更为重要，植被指数虽然提供了基于农学机理解释，但是仅使用了少量波长的反射率，而忽略了大量的高光谱信息，影响了基于高光谱的小麦氮素营养监测模型的鲁棒性(Davide et al.,2014)。为了突出小麦冠层光谱吸收特征之间的差异，有必要利用连续统去除方法，挖掘出更多的光谱反射位置和吸收位置特征的潜在信息，不仅解决了现有指数的饱和问题，还有效减弱了背景对光谱特征的影响(Mutanga&Skidmore,2004)。
另一方面，高维数据中非线性部分的表达随着维度的增加变得越来越重要。传统的高光谱图像特征提取方法主要利用手工提取的特征，如颜色特征、边缘特征和纹理特征等。传统的特征表达仅仅关注较少且相对较明显的特征，而且这些特征对于不同的输入数据而言并不可靠。相比之下，基于深度学习的方法利用高光谱图像深层特征，可以实现数据本质特征的提取。Li等(2019)也证明了CNN模型提取的深层特征可以大幅度提高目标检测能力。已有研究表明卷积神经网络深度对于视觉识别及特征提取任务至关重要，尤其对于处理具有非常复杂空间光谱特征的高光谱图像(Hyperspectral Imagery,HIS)(Zhang etal.,2019)。然而，卷积神经网络由于具有深层神经网路结构，通常也会弱化空间光谱结构，而忽略了大量隐式有用的信息。为了更有效利用高光谱图像丰富的非线性特征，有必要综合利用高光谱图像提取的植被指数、光谱位置和形状特征、波段位置和形状等传统图谱特征以及抽象的深层特征，实现不同层次特征间的相互补充和完善，突破了传统单一特征的局限。
发明内容
本发明所解决的技术问题在于提供一种基于高光谱图像融合图谱特征的小麦植株氮含量估测方法，结合高光谱图像的植被指数、位置和形状特征、深层特征构建融合图谱特征来估测小麦植株氮含量，估测精度高，同时适用于小麦全生育期。
实现本发明目的的技术解决方案为：
基于高光谱图像融合图谱特征的小麦植株氮含量估测方法，包括以下步骤：
步骤1：通过高光谱成像仪采集获取小麦冠层高光谱图像数据，同时对小麦植株进行随机破坏性取样，得到小麦植株样本；
步骤2：对小麦冠层高光谱图像数据进行预处理，包括去除噪声及暗背景校正；
步骤3：对小麦冠层高光谱图像反射率进行数据处理，计算植被指数、位置和形状特征，同时测定小麦植株样本的植株氮含量数据；
步骤3-1：利用ENVI软件以高光谱图像中感兴趣区域提取光谱反射率的平均值作为试验小区的反射率，其中，小区的定义为7m×5m的区域；
步骤3-2：根据步骤3-1试验小区的反射率计算与小麦植株氮含量估测相关的植被指数；
步骤3-3：根据试验小区的反射率提取位置和形状特征，利用连续统去除方法处理反射率，将反射率归一化为0～1.0；计算与小麦植株氮含量估测相关的光谱位置和形状特征，包括：波长555-754nm的吸收深度A_Depth1、波长555-754nm吸收面积A_Area1、波长555-754nm归一化吸收深度A_ND1、899-1030nm的吸收深度A_Depth2、波长899-1030nm吸收面积A_Area2、波长899-1030nm归一化吸收深度A_ND2、波长500-677nm的反射深度R_Depth1、波长500-677nm反射面积R_Area1、波长500-677nm归一化反射深度R_ND1、波长754-962nm的反射深度R_Depth2、波长754-962nm反射面积R_Area2、波长754-962nm归一化反射深度R_ND2。
步骤3-4：根据试验小区的反射率计算与小麦植株氮含量估测相关的波段位置和形状特征，包括：蓝边490–530nm内一阶导数最大值Db、蓝边位置λb、黄边560–640nm内一阶导数最大值Dy、黄边位置λy、红边680–760nm内一阶导数最大值Dr、红边位置λr、绿峰510-560nm内最大反射率值Rg、绿峰位置λg、红谷650–690nm内最低反射率Ro、红谷位置λo、蓝边490–530nm内一阶微分总和SDb、黄边560–640nm内一阶微分总和SDy、红边680–760nm内一阶微分总和SDr；
步骤3-5：将小麦植株样本去根洗净，按照小麦器官分离，在烘箱中进行杀青、烘干、称重、测定，得到小麦植株样本的植株氮含量数据；
步骤4：利用卷积神经网络对小麦冠层高光谱图像提取深层特征；
步骤4-1：首先利用ENVI提取主成分高光谱图像，然后以图像中的小麦长势均匀为原则，根据试验小区不同的氮素水平、种植方式和种植密度，裁剪成尺寸为227×227pixel的图像；
步骤4-2：根据步骤4-1中裁剪的主成分高光谱图像，利用卷积神经网络分别提取深层特征，所述卷积神经网络包括五层卷积层、三层池化层和两层全连接层，卷积层提取更多的小麦冠层局部深层特征，池化层提取小麦冠层主成分高光谱图像的显著特征，全连接层进行特征扁平化和输出深层特征；
步骤5：将植被指数、位置和形状特征、深层特征分别与小麦植株氮含量数据进行相关分析，利用随机森林算法、相关系数分析法确定优选的特征，所述位置和形状特征包括光谱位置和形状特征、波段位置和形状特征；
步骤5-1：利用随机森林算法进行植被指数优选：通过计算植被指数的相对重要性确定优选的植被指数；包括：差值植被指数ⅠDVIⅠ、归一化红边植被指数NDRE、土壤调节植被指数ⅡSAVIⅡ、多时相植被指数2MTVI2、红边指数1VOG1、红边指数2VOG2、红边指数3VOG3、植被衰减指数PSRI为优选的植被指数；
步骤5-2：利用相关系数分析方法进行位置和形状特征优选：通过计算位置和形状特征与小麦植株氮含量的相关系数，确定优选的位置和形状特征；包括：波长555-754nm的吸收深度A_Depth1、波长555-754nm的吸收面积A_Area1，波长555-754nm的归一化吸收深度A_ND1、波长500-677nm的反射深度R_Depth1、波长500-677nm的反射面积R_Area1、波长500-677nm的归一化反射深度R_ND1、绿峰510-560nm内最大反射率值Rg、红谷650–690nm内最低反射率Ro、红谷位置λo；
步骤5-3：利用随机森林算法进行深层特征优选：通过计算深层特征的相对重要性，确定相对重要性由高到低排序前10％的深层特征为优选的深层特征。
步骤6：将优选的植被指数、优选的位置和形状特征、优选的深层特征及融合图谱特征作为输入变量，小麦植株氮含量作为目标变量，建立支持向量回归SVR模型的小麦植株氮含量估测模型；所述融合图谱特征是通过并行融合策略融合了优选的植被指数、优选的位置和形状特征、优选的深层特征；
计算校正集的决定系数R2和均方根误差RMSE，评价支持向量回归SVR模型在小麦植株氮含量估测上的表现；
步骤7：根据田间试验数据，采用留一交叉验证法对小麦植株氮含量估测模型进行精度验证，并计算测试集的决定系数R2、均方根误差RMSE和剩余预测偏差RPD；
通过比较不同估测模型测试集的R2和RPD，得到基于融合图谱特征的支持向量回归SVR模型为最佳小麦植株氮含量估测模型。
进一步的，本发明的基于高光谱图像融合图谱特征的小麦植株氮含量估测方法，步骤1中的小麦冠层高光谱图像数据来自不同生育期、不同施氮水平、不同种植密度处理、不同小麦品种类型的小麦田，其中生育期包括开花期、灌浆期、成熟期。
进一步的，本发明的基于高光谱图像融合图谱特征的小麦植株氮含量估测方法，步骤1中对小麦植株进行随机破坏性取样具体为：在每个小区随机选取六株小麦植株，连根拔起装入水桶中。
进一步的，本发明的基于高光谱图像融合图谱特征的小麦植株氮含量估测方法，步骤2中对小麦冠层高光谱图像数据进行预处理具体为：
步骤2-1：利用正变换分离和重新调节数据中的噪声，使噪声数据只有最小的方差且没有波段间的相关，对噪声白化数据的标准主成分变换；
步骤2-2：将高光谱成像仪没有对作物进行扫描时记录的图像DN值作为系统误差值，进行高光谱图像的暗背景校正。
进一步的，本发明的基于高光谱图像融合图谱特征的小麦植株氮含量估测方法，步骤3-2中的植被指数包括：
归一化植被指数：NDVIg-b #＝(R573-R440)/(R573+R440)
双峰冠层氮素指数：DCNI#＝(R720-R700)/(R700-R670)/(R720-R670+0.03)
归一化植被指数Ⅰ：NDVIⅠ＝(R800-R670)/(R800+R670)
差值植被指数Ⅰ：DVIⅠ＝R800-R670
比值植被指数Ⅰ：RVIⅠ＝R800/R670
土壤调节植被指数Ⅰ：SAVIⅠ＝1.5×(R800-R670)/(R800+R670+0.5)
归一化红边植被指数：NDRE＝(R790-R720)/(R790+R720)
差值植被指数Ⅱ：DVIⅡ＝RNIR-RR
增强植被指数：
归一化植被指数Ⅱ：NDVIⅡ＝(RNIR-RR)/(RNIR+RR)
调整型土壤调节植被指数2：MSAVI2＝(2RNIR+1-sqrt((2RNIR+1)2-8(RNIR-RR)))/2
优化型土壤调节植被指数：
比值植被指数Ⅱ：RVIⅡ＝RNIR/RR
土壤调节植被指数Ⅱ：
转换型植被指数：TVI＝60×(RNIR-RG)-100×(RR-RG)
多时相植被指数2：
绿光归一化差值植被指数：GNDVI＝(RNIR-RR)/(RNIR+RR)
改进红边比值植被指数：MSR＝(RNIR/RR-1)/(RNIR/RR+1)
大气阻抗植被指数：
红边指数1：VOG1＝R740/R720
红边指数2：VOG2＝(R734-R747)/(R715+R726)
红边指数3：VOG3＝(R734-R747)/(R715+R720)
光化学反射指数：PRI＝(R531-R570)/(R530+R570)
叶绿素归一化植被指数：NPCI＝(R680-R430)/(R680+R430)
结构不敏感色素指数：SIPI＝(R800-R445)/(R800-R680)
植被衰减指数：PSRI＝(R680-R500)/R750
其中，R表示反射率，R的下表表示波长，Ⅰ、Ⅱ、Ⅲ、Ⅳ、Ⅴ仅用于区分不同波段的相同种植被指数，RNIR表示近红外波长824nm的反射率，RR表示波长651nm的反射率，RG表示波长491nm的反射率，RB表示波长430nm的反射率。
进一步的，本发明的基于高光谱图像融合图谱特征的小麦植株氮含量估测方法，其特征在于，步骤4-2中的卷积神经网络的参数设置：第一个卷积层的卷积核大小为11×11，滑动步长为4，填充为2，经过第一个卷积层处理得到64个55×55大小的特征图；第一个池化层采用最大值下采样处理，大小为3×3，滑动步长为2，边界不做填充处理；第二个卷积层的卷积核大小为5×5，滑动步长为1，填充为2，经过第二个卷积层处理得到192个13×13大小的特征图；第二个池化层采用最大值下采样处理，大小为3×3，滑动步长为2，边界不做填充处理；第三个卷积层的卷积核大小为3×3，滑动步长为1，填充为1，经过第三个卷积层处理得到384个13×13大小的特征图；第四个卷积层的卷积核大小为3×3，滑动步长为1，填充为1，经过第四个卷积层处理得到256个13×13大小的特征图；第五个卷积层的卷积核大小为3×3，滑动步长为1，填充为1，经过第五个卷积层处理得到256个13×13大小的特征图；第三个池化层采用最大值下采样处理，大小为3×3，滑动步长为2，边界不做填充处理；特征图经过第一个全连接层处理被扁平化为1000维的全局特征，经过第二个全连接层降维后输出64维的深层特征。其中卷积核即感受视野中的权重w矩阵的方式获得不同性质的特征来实现特征提取功能，它与上一层的连接方式为局部连接，其计算公式为：
其中是卷积层l的输入张量，fm,n是维度为H×W的卷积核，/>是该卷积层的输出张量，i,j是张量的坐标，m,n是卷积核的坐标值。
进一步的，本发明的基于高光谱图像融合图谱特征的小麦植株氮含量估测方法，步骤3-5中测定小麦植株氮含量数据具体为：将小麦植株样本去根洗净，按照不同器官分离，将所有样品放在105℃的烘箱中30分钟，然后在80℃干燥20h以上，随后称重以获得每个样品的干重，将样品粉碎，利用凯氏定氮法测定小麦样本的植株氮含量数据。
进一步的，本发明的基于高光谱图像融合图谱特征的小麦植株氮含量估测方法，步骤6中的决定系数R2和均方根误差RMSE的计算公式为：
其中xi为实测值，为实测值的均值，yi为预测值，/>为预测值的均值，n为建模选择的样本数量；
其中，xi为实测值，yi为预测值，n是样本总数。
进一步的，本发明的基于高光谱图像融合图谱特征的小麦植株氮含量估测方法，步骤7中的剩余预测偏差RPD的计算公式为：
其中，xi为实测值，为实测值的均值，n为样本数量，RMSEP表示测试集的均方根误差。
本发明采用以上技术方案与现有技术相比，具有以下技术效果：
1、本发明的基于高光谱图像融合图谱特征的小麦植株氮含量估测方法估测精度高，模型泛化力强，可广泛用于遥感监测作物长势。
2、本发明的基于高光谱图像融合图谱特征的小麦植株氮含量估测方法结合高光谱图像的植被指数、位置和形状特征、深层特征来估测小麦植株氮含量，适用于小麦全生育期。
3、本发明的基于高光谱图像融合图谱特征的小麦植株氮含量估测方法实现了仅用一个模型来准确监测全生育期小麦植株氮含量，并为作物长势监测提供有用参考。
附图说明
图1是基于随机森林的植被指数相对重要性图。
图2是小麦植株氮含量(％)与位置和形状特征的相关系数关系图。
图3是基于高光谱图像提取的主成分图像。
图4所示为卷积神经网络结构图。
图5是基于随机森林的深层特征相对重要性图。
图6是基于小麦全生育期优选的植被指数、优选的位置和形状特征、优选的深层特征、融合图谱特征的支持向量回归SVR模型检验图。
具体实施方式
下面详细描述本发明的实施方式，所述实施方式的示例在附图中示出，其中自始至终相同或类似的标号表示相同或类似的元件或具有相同或类似功能的元件。下面通过参考附图描述的实施方式是示例性的，仅用于解释本发明，而不能解释为对本发明的限制。
本发明基于不同生育期、不同施氮水平、不同种植密度处理的小麦田间试验进行，具体如表1及表2所示。
表1小麦试验田基本信息
表2小麦冠层图像及农学参数数据采集
从小麦试验田Exp.1获得小麦冠层高光谱图像数据，数据获取系统性强、涵盖了主要的两个小麦品种、包含主要生育时期且样本数量大、处理因素多，可以有效地验证本发明的识别方法在不同环境条件和处理下的准确度和适应性。
基于高光谱图像融合图谱特征的小麦植株氮含量估测方法，具体步骤如下：
步骤1、数据采集：
利用高光谱成像仪Hy-Scan1211高光谱成像系统收集小麦试验区域的高光谱图像，图像分辨率为1620×2325pixel，光谱范围从400到1000nm，共339个波段(光谱分辨率为1.79nm)。图像数据来自不同生育期、不同施氮水平、不同种植密度处理、不同小麦品种类型的小麦田，其中生育期包括开花期、灌浆期、成熟期。
同时在每个小区随机选取六穴小麦植株样本，连根拔起装入水桶中，运到室内进行植株氮含量测定。
步骤2、对图像数据预处理主要分两步进行：
1、利用正变换分离和重新调节数据中的噪声，使变换后的噪声数据只有最小的方差且没有波段间的相关，对噪声白化数据(Noise-whitened)的标准主成分变换；
2、通过高光谱成像仪没有对作物进行扫描时记录的图像DN值作为系统误差值，进行高光谱图像的暗背景校正，校正仪器系统误差。
步骤3、高光谱图像处理主要分五步进行：
1、将破坏性取样的小麦植株去根、洗净，将所有样品放在105℃的烘箱中30分钟，然后在80℃干燥20h以上，随后称重以获得每个样品的干重，将样品粉碎，利用凯氏定氮法测定小麦植株样本的植株氮含量数据。
2、以高光谱图像中感兴趣区域(Region of intersect，ROI)提取的光谱反射率的平均值作为试验小区的反射率，其中，小区的定义为7m×5m的区域。
3、选取植被指数：利用反射率计算与小麦植株氮含量估测相关的植被指数，包括：归一化植被指数：NDVIg-b #＝(R573-R440)/(R573+R440)
双峰冠层氮素指数：DCNI#＝(R720-R700)/(R700-R670)/(R720-R670+0.03)
归一化植被指数Ⅰ：NDVIⅠ＝(R800-R670)/(R800+R670)
差值植被指数Ⅰ：DVIⅠ＝R800-R670
比值植被指数Ⅰ：RVIⅠ＝R800/R670
土壤调节植被指数Ⅰ：SAVIⅠ＝1.5×(R800-R670)/(R800+R670+0.5)
归一化红边植被指数：NDRE＝(R790-R720)/(R790+R720)
差值植被指数Ⅱ：DVIⅡ＝RNIR-RR
增强植被指数：
归一化植被指数Ⅱ：NDVIⅡ＝(RNIR-RR)/(RNIR+RR)
调整型土壤调节植被指数2：MSAVI2＝(2RNIR+1-sqrt((2RNIR+1)2-8(RNIR-RR)))/2
优化型土壤调节植被指数：
比值植被指数Ⅱ：RVIⅡ＝RNIR/RR
土壤调节植被指数Ⅱ：
转换型植被指数：TVI＝60×(RNIR-RG)-100×(RR-RG)
多时相植被指数2：
绿光归一化差值植被指数：GNDVI＝(RNIR-RR)/(RNIR+RR)
改进红边比值植被指数：MSR＝(RNIR/RR-1)/(RNIR/RR+1)
大气阻抗植被指数：
红边指数1：VOG1＝R740/R720
红边指数2：VOG2＝(R734-R747)/(R715+R726)
红边指数3：VOG3＝(R734-R747)/(R715+R720)
光化学反射指数：PRI＝(R531-R570)/(R530+R570)
叶绿素归一化植被指数：NPCI＝(R680-R430)/(R680+R430)
结构不敏感色素指数：SIPI＝(R800-R445)/(R800-R680)
植被衰减指数：PSRI＝(R680-R500)/R750
其中，R表示反射率，R的下表表示波长，Ⅰ、Ⅱ、Ⅲ、Ⅳ、Ⅴ仅用于区分不同波段的相同种植被指数，RNIR表示近红外波长824nm的反射率，RR表示波长651nm的反射率，RG表示波长491nm的反射率，RB表示波长430nm的反射率。
利用随机森林算法计算植被指数的相对重要性，通过计算植被指数的相对重要性，选取排序在前30％的植被指数作为优选的植被指数，得到差值植被指数ⅠDVIⅠ、归一化红边植被指数NDRE、土壤调节植被指数ⅡSAVIⅡ、多时相植被指数2MTVI2、红边指数1VOG1、红边指数2VOG2、红边指数3VOG3、植被衰减指数PSRI为优选的植被指数。
如图1所示为基于随机森林的植被指数相对重要性图。
4、选取位置和形状特征：包括光谱位置和形状特征、波段位置和形状特征。
首先，利用ENVI软件采用连续统去除方法处理反射率，将反射率归一化为0～1.0，计算光谱位置和形状特征：包括波长555-754nm的吸收深度A_Depth1、波长555-754nm吸收面积A_Area1、波长555-754nm归一化吸收深度A_ND1、波长899-1030nm的吸收深度A_Depth2、波长899-1030nm吸收面积A_Area2、波长899-1030nm归一化吸收深度A_ND2、波长500-677nm的反射深度R_Depth1、波长500-677nm反射面积R_Area1、波长500-677nm归一化反射深度R_ND1、波长754-962nm的反射深度R_Depth2、波长754-962nm反射面积R_Area2、波长754-962nm归一化反射深度R_ND2。
其次，利用反射率计算波段位置和形状特征：蓝边490–530nm内一阶导数最大值Db、蓝边位置λb、黄边560–640nm内一阶导数最大值Dy、黄边位置λy、红边680–760nm内一阶导数最大值Dr、红边位置λr、绿峰510-560nm内最大反射率值Rg、绿峰位置λg、红谷650–690nm内最低反射率Ro、红谷位置λo、蓝边490–530nm内一阶微分总和SDb、黄边560–640nm内一阶微分总和SDy、红边680–760nm内一阶微分总和SDr。
最后，利用相关系数分析法提取优选的位置和形状特征，通过计算位置和形状特征与小麦植株氮含量的相关系数r，选取相关系数绝对值|r|大于0.7的位置和形状特征，得到：波长555-754nm的吸收深度A_Depth1、波长555-754nm的吸收面积A_Area1、波长555-754nm的归一化吸收深度A_ND1、波长500-677nm的反射深度R_Depth1、波长500-677nm的反射面积R_Area1、波长500-677nm的归一化反射深度R_ND1、绿峰510-560nm内最大反射率值Rg、红谷650–690nm内最低反射率Ro、红谷位置λo。
如图2所示为小麦植株氮含量(％)与位置和形状特征的相关系数关系图。
5、深层特征提取：利用ENVI提取主成分高光谱图像，根据不同波段对应的高光谱图像的累计贡献率达到97％时提取前四个主成分图像，尺寸分别裁剪为227×227pixel后作为卷积神经网络输入层，经过卷积层、池化层和全连接层获取扁平化的深层特征，最后获得64维深层特征，4个主成分图像共计提取256维深层特征。利用随机森林算法进行深层特征优选，通过计算深层特征的相对重要性，确定相对重要性由高到低排序前10％的深层特征为优选的深层特征。
其中，卷积神经网络的参数设置为：第一个卷积层的卷积核大小为11×11，滑动步长为4，填充为2，经过第一个卷积层处理得到64个55×55大小的特征图；第一个池化层采用最大值下采样处理，大小为3×3，滑动步长为2，边界不做填充处理；第二个卷积层的卷积核大小为5×5，滑动步长为1，填充为2，经过第二个卷积层处理得到192个13×13大小的特征图；第二个池化层采用最大值下采样处理，大小为3×3，滑动步长为2，边界不做填充处理；第三个卷积层的卷积核大小为3×3，滑动步长为1，填充为1，经过第三个卷积层处理得到384个13×13大小的特征图；第四个卷积层的卷积核大小为3×3，滑动步长为1，填充为1，经过第四个卷积层处理得到256个13×13大小的特征图；第五个卷积层的卷积核大小为3×3，滑动步长为1，填充为1，经过第五个卷积层处理得到256个13×13大小的特征图；第三个池化层采用最大值下采样处理，大小为3×3，滑动步长为2，边界不做填充处理；特征图经过第一个全连接层处理被扁平化为1000维的全局特征，经过第二个全连接层降维后输出64维的深层特征。其中卷积核即感受视野中的权重w矩阵的方式获得不同性质的特征来实现特征提取功能，它与上一层的连接方式为局部连接，其计算公式为：
其中是卷积层l的输入张量，fm,n是维度为H×W的卷积核，/>是该卷积层的输出张量，i,j是张量的坐标，m,n是卷积核的坐标值。
如图3所示为基于高光谱图像提取的主成分图像，如图4所示为卷积神经网络结构图，如图5是基于随机森林的深层特征相对重要性图。
步骤4、将8个优选的植被指数、9个优选的位置和形状特征、25个优选的深层特征及融合图谱特征作为支持向量回归(SVR)模型的输入变量，小麦植株氮含量作为目标变量，建立支持向量回归SVR模型；所述融合图谱特征是通过并行融合策略融合了8个优选的植被指数、9个优选的位置和形状特征、25个优选的深层特征；
根据模型校正集的决定系数(R2)和均方根误差(RMSE)评价支持向量回归SVR模型在小麦植株氮含量估测上的表现。
其中，xi为实测值，为实测值的均值，yi为预测值，/>为预测值的均值，n为建模选择的样本数量。
其中，xi为实测值，yi为预测值，n为建模选择的样本数量。
步骤5、根据田间试验数据，采用留一交叉验证法对支持向量回归SVR模型进行模型测试，并计算测试集的决定系数(R2)和剩余预测偏差(RPD)。
其中，xi为实测值，为实测值的均值，n为样本数量，RMSEP表示测试集的均方根误差。
如图6是基于小麦全生育期优选的植被指数、优选的位置和形状特征、优选的深层特征、融合图谱特征的支持向量回归SVR模型检验图。
步骤6、构建最佳植株氮含量估测模型，所述最佳植株氮含量估测模型是基于包含8个植被指数、9个位置和形状特征、25个深层特征的融合图谱特征建立的支持向量回归SVR模型。校正集R2达到0.946，测试集R2达到0.867，RPD达到3.213。
如下表所示为全生育时期的小麦植株氮含估测模型：
表基于不同特征的小麦植株氮含量SVR估测模型
注：VIs：植被指数，PFs：位置和形状特征，VIs&PFs：植被指数&位置和形状特征，DFs：深层特征，VIs&PFs&DFs：融合图谱特征。
以上所述仅是本发明的部分实施方式，应当指出，对于本技术领域的普通技术人员来说，在不脱离本发明原理的前提下，还可以做出若干改进，这些改进应视为本发明的保护范围。
Claims (9)
1.基于高光谱图像融合图谱特征的小麦植株氮含量估测方法，其特征在于，包括以下步骤：
步骤1：通过高光谱成像仪采集获取小麦冠层高光谱图像数据，同时对小麦植株进行随机破坏性取样，得到小麦植株样本；
步骤2：对小麦冠层高光谱图像数据进行预处理，包括去除噪声及暗背景校正；具体的：
步骤2-1：利用正变换分离和重新调节数据中的噪声，使噪声数据只有最小的方差且没有波段间的相关，对噪声白化数据的标准主成分变换；
步骤2-2：将高光谱成像仪没有对作物进行扫描时记录的图像DN值作为系统误差值，进行高光谱图像的暗背景校正；
步骤3：对小麦冠层高光谱图像反射率进行数据处理，计算植被指数、位置和形状特征，同时测定小麦植株样本的植株氮含量数据；
步骤3-1：利用ENVI软件以高光谱图像中感兴趣区域提取光谱反射率的平均值作为试验小区的反射率，其中，小区的定义为7m× 5m的区域；
步骤3-2：根据试验小区的反射率计算与小麦植株氮含量估测相关的植被指数；
步骤3-3：根据试验小区的反射率提取位置和形状特征，利用连续统去除方法处理反射率，将反射率归一化为0～1.0；计算与小麦植株氮含量估测相关的光谱位置和形状特征；
步骤3-4：根据试验小区的反射率计算与小麦植株氮含量估测相关的波段位置和形状特征；
步骤3-5：将小麦植株样本去根洗净，按照小麦器官分离，在烘箱中进行杀青、烘干、称重、测定，得到小麦植株样本的植株氮含量数据；
步骤4：利用卷积神经网络对小麦冠层高光谱图像提取深层特征；
步骤4-1：首先利用ENVI提取主成分高光谱图像，然后以图像中的小麦长势均匀为原则，根据试验小区不同的氮素水平、种植方式和种植密度，裁剪成尺寸为227× 227pixel的图像；具体的：根据不同波段对应的高光谱图像的累计贡献率达到97%时提取前四个主成分图像，并进行尺寸裁剪；
步骤4-2：根据步骤4-1中裁剪的四个主成分高光谱图像，针对每个主成分高光谱图像，利用卷积神经网络分别提取深层特征，所述卷积神经网络包括五层卷积层、三层池化层和两层全连接层，卷积层提取更多的小麦冠层局部深层特征，池化层提取小麦冠层主成分高光谱图像的显著特征，全连接层进行特征扁平化和输出深层特征；具体为：通过卷积神经网络提取64维深层特征；其中卷积神经网络的参数设置为：第一个卷积层的卷积核大小为11× 11，滑动步长为4，填充为2，经过第一个卷积层处理得到64个55× 55大小的特征图；第一个池化层采用最大值下采样处理，大小为3× 3，滑动步长为2，边界不做填充处理；第二个卷积层的卷积核大小为5× 5，滑动步长为1，填充为2，经过第二个卷积层处理得到192个13× 13大小的特征图；第二个池化层采用最大值下采样处理，大小为3× 3，滑动步长为2，边界不做填充处理；第三个卷积层的卷积核大小为3× 3，滑动步长为1，填充为1，经过第三个卷积层处理得到384个13× 13大小的特征图；第四个卷积层的卷积核大小为3× 3，滑动步长为1，填充为1，经过第四个卷积层处理得到256个13× 13大小的特征图；第五个卷积层的卷积核大小为3× 3，滑动步长为1，填充为1，经过第五个卷积层处理得到256个13× 13大小的特征图；第三个池化层采用最大值下采样处理，大小为3× 3，滑动步长为2，边界不做填充处理；特征图经过第一个全连接层处理被扁平化为1000维的全局特征，经过第二个全连接层降维后输出64维的深层特征；其中卷积核即感受视野中的权重w矩阵的方式获得不同性质的特征来实现特征提取功能，它与上一层的连接方式为局部连接，其计算公式为：
；
其中是卷积层l的输入张量，fm,n是维度为H× W的卷积核，/>是该卷积层的输出张量，i ,j是张量的坐标，m ,n是卷积核的坐标值；
步骤5：将植被指数、位置和形状特征、深层特征分别与小麦植株氮含量数据进行相关分析，利用随机森林算法、相关系数分析法确定优选的特征，所述位置和形状特征包括光谱位置和形状特征、波段位置和形状特征；
步骤5-1：利用随机森林算法进行植被指数优选：通过计算植被指数的相对重要性确定优选的植被指数；
步骤5-2：利用相关系数分析方法进行位置和形状特征优选：通过计算位置和形状特征与小麦植株氮含量的相关系数，确定优选的位置和形状特征；
步骤5-3：利用随机森林算法进行深层特征优选：通过计算深层特征的相对重要性确定优选的深层特征；
步骤6：将优选的植被指数、优选的位置和形状特征、优选的深层特征及融合图谱特征作为输入变量，小麦植株氮含量作为目标变量，建立支持向量回归SVR模型的小麦植株氮含量估测模型；所述融合图谱特征是通过并行融合策略融合了优选的植被指数、优选的位置和形状特征、优选的深层特征；
计算校正集的决定系数R2和均方根误差RMSE，评价支持向量回归SVR模型在小麦植株氮含量估测上的表现；
步骤7：根据田间试验数据，采用留一交叉验证法对小麦植株氮含量估测模型进行精度验证，并计算测试集的决定系数R2、均方根误差RMSE和剩余预测偏差RPD；
具体的，剩余预测偏差RPD的计算公式为：
；
其中，为实测值，/>为实测值均值，n1为样本数量，RMSE表示测试集的均方根误差；
通过比较不同估测模型测试集的R2和RPD，得到基于融合图谱特征的支持向量回归SVR模型为最佳小麦植株氮含量估测模型。
2.根据权利要求1所述的基于高光谱图像融合图谱特征的小麦植株氮含量估测方法，其特征在于，步骤1中的小麦冠层高光谱图像数据来自不同生育期、不同施氮水平、不同种植密度处理、不同小麦品种类型的小麦田，其中生育期包括开花期、灌浆期、成熟期。
3.根据权利要求1所述的基于高光谱图像融合图谱特征的小麦植株氮含量估测方法，其特征在于，步骤1中对小麦植株进行随机破坏性取样具体为：在每个小区随机选取六株小麦植株，连根拔起装入水桶中。
4.根据权利要求1所述的基于高光谱图像融合图谱特征的小麦植株氮含量估测方法，其特征在于，步骤3-2中的植被指数包括：
归一化植被指数：NDVIg-b #＝(R573-R440)/(R573+R440)
双峰冠层氮素指数：DCNI#＝(R720-R700)/(R700-R670)/(R720-R670+0.03)
归一化植被指数Ⅰ：NDVIⅠ ＝(R800-R670)/(R800+R670)
差值植被指数Ⅰ：DVIⅠ ＝R800-R670
比值植被指数Ⅰ：RVIⅠ ＝R800/R670
土壤调节植被指数Ⅰ：SAVIⅠ ＝1.5× (R800-R670)/(R800+R670+0.5)
归一化红边植被指数：NDRE＝(R790-R720)/(R790+R720)
差值植被指数Ⅱ：DVIⅡ ＝RNIR-RR
增强植被指数：；
归一化植被指数Ⅱ ：NDVIⅡ ＝(RNIR-RR)/(RNIR+RR)
调整型土壤调节植被指数2：MSAVI2＝(2RNIR+1-sqrt((2RNIR+1)2-8(RNIR-RR)))/2
优化型土壤调节植被指数：；；
比值植被指数Ⅱ：RVIⅡ ＝RNIR/RR
土壤调节植被指数Ⅱ：；
转换型植被指数：TVI＝60× (RNIR-RG)-100× (RR-RG)
多时相植被指数2：；
绿光归一化差值植被指数：GNDVI＝(RNIR-RR)/(RNIR+RR)
改进红边比值植被指数：MSR＝(RNIR/RR-1)/(RNIR/RR+1)
大气阻抗植被指数：；
红边指数1：VOG1＝R740/R720
红边指数2：VOG2＝(R734-R747)/(R715+R726)
红边指数3：VOG3＝(R734-R747)/(R715+R720)
光化学反射指数：PRI＝(R531-R570)/(R530+R570)
叶绿素归一化植被指数：NPCI＝(R680-R430)/(R680+R430)
结构不敏感色素指数：SIPI＝(R800-R445)/(R800-R680)
植被衰减指数：PSRI＝(R680-R500)/R750
其中，R表示反射率，R的下标表示波长，Ⅰ 、Ⅱ 、Ⅲ 、Ⅳ 、Ⅴ 仅用于区分不同波段的相同种植被指数，RNIR表示近红外波长824nm的反射率，RR表示波长651nm的反射率，RG表示波长491nm的反射率，RB表示波长430nm的反射率。
5.根据权利要求1所述的基于高光谱图像融合图谱特征的小麦植株氮含量估测方法，其特征在于，步骤3-3中与小麦植株氮含量估测相关的光谱位置和形状特征包括：波长555-754nm的吸收深度、波长555-754nm的吸收面积、波长555-754nm的归一化吸收深度，波长899-1030nm的吸收深度、波长899-1030nm的吸收面积、波长899-1030nm的归一化吸收深度，波长500-677nm的反射深度、波长500-677nm的反射面积、波长500-677nm的归一化反射深度，波长754-962nm的反射深度、波长754-962nm的反射面积、波长754-962nm的归一化反射深度。
6.根据权利要求1所述的基于高光谱图像融合图谱特征的小麦植株氮含量估测方法，其特征在于，步骤3-4中与小麦植株氮含量估测相关的波段位置和形状特征包括：蓝边490–530nm内一阶导数最大值、蓝边位置、黄边560–640nm内一阶导数最大值、黄边位置、红边680–760nm内一阶导数最大值、红边位置、绿峰510-560nm内最大反射率值、绿峰位置、红谷650–690nm内最低反射率、红谷位置、蓝边490–530nm内一阶微分总和、黄边560–640nm内一阶微分总和、红边680–760nm内一阶微分总和。
7.根据权利要求1所述的基于高光谱图像融合图谱特征的小麦植株氮含量估测方法，其特征在于，步骤3-5中测定小麦植株氮含量数据具体为：将小麦植株样本去根洗净，按照不同器官分离，将所有样品放在105℃的烘箱中30分钟，然后在80℃干燥20h以上，随后称重以获得每个样品的干重，将样品粉碎，利用凯氏定氮法测定小麦样本的植株氮含量数据。
8.根据权利要求1所述的基于高光谱图像融合图谱特征的小麦植株氮含量估测方法，其特征在于，步骤5-1中优选的植被指数包括：差值植被指数Ⅰ 、归一化红边植被指数、土壤调节植被指数Ⅱ 、多时相植被指数2、红边指数1、红边指数2、红边指数3、植被衰减指数为优选的植被指数；
步骤5-2中优选的位置和形状特征包括：波长555-754nm的吸收深度、波长555-754nm的吸收面积、波长555-754nm的归一化吸收深度、波长500-677nm的反射深度、波长500-677nm的反射面积、波长500-677nm的归一化反射深度、绿峰510-560nm内最大反射率、红谷650–690nm内最低反射率、红谷位置；
步骤5-3中优选的深层特征包括：相对重要性由高到低排序前10％的深层特征为优选的深层特征。
9.根据权利要求1所述的基于高光谱图像融合图谱特征的小麦植株氮含量估测方法，其特征在于，步骤6中的决定系数R2和均方根误差RMSE的计算公式为：
；
其中为实测值，/>为实测值均值，/>为预测值，/>为预测值均值，n1为样本数量；
；
其中，为实测值，/>为预测值，n1是样本总数。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202011308778.0A CN112287886B (zh) | 2020-11-19 | 2020-11-19 | 基于高光谱图像融合图谱特征的小麦植株氮含量估测方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202011308778.0A CN112287886B (zh) | 2020-11-19 | 2020-11-19 | 基于高光谱图像融合图谱特征的小麦植株氮含量估测方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN112287886A CN112287886A (zh) | 2021-01-29 |
| CN112287886B true CN112287886B (zh) | 2023-09-22 |
Family
ID=74399563
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202011308778.0A Active CN112287886B (zh) | 2020-11-19 | 2020-11-19 | 基于高光谱图像融合图谱特征的小麦植株氮含量估测方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN112287886B (zh) |
Families Citing this family (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN112883852B (zh) * | 2021-02-04 | 2022-10-28 | 浙江大学山东工业技术研究院 | 一种高光谱图像分类系统和方法 |
| CN113035290A (zh) * | 2021-03-12 | 2021-06-25 | 河南省农业科学院植物营养与资源环境研究所 | 一种基于高光谱遥感技术的小麦植株氮积累量监测方法 |
| CN113284098B (zh) * | 2021-05-11 | 2024-01-19 | 中国农业大学 | 作物氮含量缺乏分级判别的方法、装置及电子设备 |
| CN113298859B (zh) * | 2021-05-26 | 2022-04-26 | 中国科学院地理科学与资源研究所 | 一种基于无人机影像的作物氮肥变量管理方法 |
Citations (13)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO1999019824A1 (en) * | 1997-10-10 | 1999-04-22 | Case Corporation | Method for monitoring nitrogen status using a multi-sprectral imaging system |
| JP2011038879A (ja) * | 2009-08-10 | 2011-02-24 | Kyoto Univ | 植物の葉のクロロフィル濃度測定装置及び測定方法 |
| CN102759510A (zh) * | 2012-06-29 | 2012-10-31 | 浙江大学 | 一种油菜冠层信息光谱检测方法 |
| CN103472009A (zh) * | 2013-09-16 | 2013-12-25 | 南京农业大学 | 一种不同植株氮含量水平下小麦植株含水率的监测方法 |
| CN106295714A (zh) * | 2016-08-22 | 2017-01-04 | 中国科学院电子学研究所 | 一种基于深度学习的多源遥感图像融合方法 |
| WO2019113998A1 (zh) * | 2017-12-11 | 2019-06-20 | 江苏大学 | 一种盆栽生菜的综合长势监测方法及装置 |
| CN110069895A (zh) * | 2019-05-20 | 2019-07-30 | 中国水利水电科学研究院 | 冬小麦含氮量全生育时段光谱监测模型建立方法 |
| CN110082309A (zh) * | 2019-05-20 | 2019-08-02 | 中国水利水电科学研究院 | 冬小麦冠层spad值综合光谱监测模型建立方法 |
| CN110160967A (zh) * | 2019-04-16 | 2019-08-23 | 安徽大学 | 一种作物冠层叶片的全氮含量估算方法 |
| CN110320164A (zh) * | 2019-06-28 | 2019-10-11 | 华南农业大学 | 一种生菜全氮含量高光谱反演模型的建立方法及其应用 |
| CN110346312A (zh) * | 2019-07-19 | 2019-10-18 | 安徽大学 | 基于费氏线性判别和支持向量机技术的冬小麦穗赤霉病识别方法 |
| CN110346305A (zh) * | 2019-07-17 | 2019-10-18 | 浙江大学 | 一种测量植物叶片氮含量的方法和装置 |
| CN110376167A (zh) * | 2019-07-29 | 2019-10-25 | 北京麦飞科技有限公司 | 基于无人机高光谱的水稻叶片氮含量监测方法 |
Family Cites Families (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN109459392B (zh) * | 2018-11-06 | 2019-06-14 | 南京农业大学 | 一种基于无人机多光谱影像的水稻地上部生物量估测方法 |
-
2020
- 2020-11-19 CN CN202011308778.0A patent/CN112287886B/zh active Active
Patent Citations (13)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO1999019824A1 (en) * | 1997-10-10 | 1999-04-22 | Case Corporation | Method for monitoring nitrogen status using a multi-sprectral imaging system |
| JP2011038879A (ja) * | 2009-08-10 | 2011-02-24 | Kyoto Univ | 植物の葉のクロロフィル濃度測定装置及び測定方法 |
| CN102759510A (zh) * | 2012-06-29 | 2012-10-31 | 浙江大学 | 一种油菜冠层信息光谱检测方法 |
| CN103472009A (zh) * | 2013-09-16 | 2013-12-25 | 南京农业大学 | 一种不同植株氮含量水平下小麦植株含水率的监测方法 |
| CN106295714A (zh) * | 2016-08-22 | 2017-01-04 | 中国科学院电子学研究所 | 一种基于深度学习的多源遥感图像融合方法 |
| WO2019113998A1 (zh) * | 2017-12-11 | 2019-06-20 | 江苏大学 | 一种盆栽生菜的综合长势监测方法及装置 |
| CN110160967A (zh) * | 2019-04-16 | 2019-08-23 | 安徽大学 | 一种作物冠层叶片的全氮含量估算方法 |
| CN110069895A (zh) * | 2019-05-20 | 2019-07-30 | 中国水利水电科学研究院 | 冬小麦含氮量全生育时段光谱监测模型建立方法 |
| CN110082309A (zh) * | 2019-05-20 | 2019-08-02 | 中国水利水电科学研究院 | 冬小麦冠层spad值综合光谱监测模型建立方法 |
| CN110320164A (zh) * | 2019-06-28 | 2019-10-11 | 华南农业大学 | 一种生菜全氮含量高光谱反演模型的建立方法及其应用 |
| CN110346305A (zh) * | 2019-07-17 | 2019-10-18 | 浙江大学 | 一种测量植物叶片氮含量的方法和装置 |
| CN110346312A (zh) * | 2019-07-19 | 2019-10-18 | 安徽大学 | 基于费氏线性判别和支持向量机技术的冬小麦穗赤霉病识别方法 |
| CN110376167A (zh) * | 2019-07-29 | 2019-10-25 | 北京麦飞科技有限公司 | 基于无人机高光谱的水稻叶片氮含量监测方法 |
Non-Patent Citations (12)
| Title |
|---|
| Comparison Between Traditional Texture Methods and Deep Learning Descriptorsfor Detection of Nitrogen Deficiency in Maize Crops;Rayner Harold Montes Condori et al;《2017 Workshop of Computer Vision (WVC)》;20180201;第V节、第IV节的第C小节 * |
| Deep Regression Forests for Age Estimation;Wei Shen et al;《2018 IEEE/CVF Conference on Computer Vision and Pattern Recognition》;20181217;第2304-2313页 * |
| Evaluation of Aboveground Nitrogen Content of Winter Wheat Using Digital Imagery of Unmanned Aerial Vehicles;Baohua Yang et al;《Sensors》;20191012;第19卷(第20期);第1-18页 * |
| Fine-scale prediction of biomass and leaf nitrogen content in sugarcane using UAV LiDAR and multispectral imaging;Yuri Shendryk 等;《International Journal of Applied Earth Observation and Geoinformation》;第92卷;1-14 * |
| Hyperspectral-based Estimation of Leaf Nitrogen Content in Corn Using Optimal Selection of Multiple Spectral Variables;Lingling Fan et al;《Sensors (Basel)》;20190630;第19卷(第13期);第1-17页 * |
| 基于卷积神经网络的葡萄叶片氮含量识别方法;杨娟娟 等;《测控技术》;20200229;第39卷(第2期);第121-125页 * |
| 基于可见/近红外光谱的梨树叶片氮含量无损诊断研究;王洁;《中国博士学位论文全文数据库 农业科技辑》;第2019年卷(第7期);D048-5 * |
| 基于多源遥感数据的夏玉米冠层氮素遥感监测研究;范玲玲;《中国优秀硕士论文全文数据库工程科技Ⅱ辑》;20200715;第2020年卷(第7期);第2.1-2.2节、第三章 * |
| 基于支持向量机回归的水稻叶片生理及形态模型研究;孙玉婷;《中国优秀硕士学位论文全文数据库 农业科技辑》;20200315;第2020年卷(第3期);D047-18 * |
| 基于敏感波段的小麦冠层氮含量估测模型;杨宝华 等;《农业工程学报》;20151231;第31卷(第22期);第176-182页 * |
| 基于无人机多光谱影像的夏玉米叶片氮含量遥感估测;魏鹏飞 等;《农业工程学报》;20190430;第35卷(第8期);第1.5.3节 * |
| 结合SPA和PLS法提高冬小麦冠层全氮高光谱估算的精确度;白丽敏 等;《植物营养与肥料学报》;第24卷(第5期);1178-1184 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN112287886A (zh) | 2021-01-29 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN112287886B (zh) | 基于高光谱图像融合图谱特征的小麦植株氮含量估测方法 | |
| Qiao et al. | UAV-based chlorophyll content estimation by evaluating vegetation index responses under different crop coverages | |
| CN112557393B (zh) | 基于高光谱影像融合图谱特征的小麦叶层氮含量估测方法 | |
| Song et al. | Wavelength selection and spectral discrimination for paddy rice, with laboratory measurements of hyperspectral leaf reflectance | |
| CN109916838B (zh) | 一种水稻种子发芽能力的检测方法 | |
| CN110874617B (zh) | 一种冬小麦叶片氮含量估算模型的建立方法 | |
| CN103940748B (zh) | 基于高光谱技术的柑橘冠层含氮量预测与可视化的方法 | |
| CN109543654B (zh) | 一种反映农作物生长状况的改进型植被指数的构建方法 | |
| CN108710864B (zh) | 基于多维度识别及图像降噪处理的冬小麦遥感提取方法 | |
| CN110069895B (zh) | 冬小麦含氮量全生育时段光谱监测模型建立方法 | |
| CN112861810B (zh) | 一种基于时序遥感观测数据的人工林种植时间自动检测方法 | |
| Hall | Remote sensing applications for viticultural terroir analysis | |
| Liu et al. | Estimating wheat fractional vegetation cover using a density peak k-means algorithm based on hyperspectral image data | |
| Shu et al. | Assessing maize lodging severity using multitemporal UAV-based digital images | |
| Cao et al. | Combining multispectral and hyperspectral data to estimate nitrogen status of tea plants (Camellia sinensis (L.) O. Kuntze) under field conditions | |
| Cao et al. | Discrimination of tea plant variety using in-situ multispectral imaging system and multi-feature analysis | |
| CN115049902B (zh) | 柑橘叶片含水量可视化预测方法、系统、设备及存储介质 | |
| CN116151454A (zh) | 一种多光谱无人机预测矮林芳樟精油产量的方法及系统 | |
| CN114694041A (zh) | 一种棉花药害与叶螨虫害的高光谱鉴别方法 | |
| CN115344997B (zh) | 夏玉米植株叶片-冠层-像元尺度氮浓度协同预测方法 | |
| Rigalli et al. | Identification and characterization of crops through the analysis of spectral data with machine learning algorithms | |
| Rahman et al. | Multispectral Image Analysis for Crop Health Monitoring System | |
| CN117576596B (zh) | 基于无人机多光谱遥感的薇甘菊智能检测方法 | |
| Cao et al. | Detection of waterlogging stress based on hyperspectral images of oilseed rape leaves (Brassica napus L.) | |
| CN113340815A (zh) | 基于二波段组合指数的冠层尺度小麦赤霉病病情指数评估方法 |
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 | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant |