CN112881327A - 一种基于新型植被指数的烟叶spad值估测方法 - Google Patents
一种基于新型植被指数的烟叶spad值估测方法 Download PDFInfo
- Publication number
- CN112881327A CN112881327A CN202110097805.2A CN202110097805A CN112881327A CN 112881327 A CN112881327 A CN 112881327A CN 202110097805 A CN202110097805 A CN 202110097805A CN 112881327 A CN112881327 A CN 112881327A
- Authority
- CN
- China
- Prior art keywords
- spad value
- vegetation index
- tobacco
- spad
- tobacco leaves
- 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.)
- Granted
Links
- 235000002637 Nicotiana tabacum Nutrition 0.000 title claims abstract description 133
- 238000000034 method Methods 0.000 title claims abstract description 40
- 244000061176 Nicotiana tabacum Species 0.000 title claims description 3
- 241000208125 Nicotiana Species 0.000 claims abstract description 130
- 239000002689 soil Substances 0.000 claims abstract description 32
- 238000007637 random forest analysis Methods 0.000 claims abstract description 21
- 238000005070 sampling Methods 0.000 claims abstract description 18
- 238000012417 linear regression Methods 0.000 claims abstract description 11
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 7
- 230000001360 synchronised effect Effects 0.000 claims abstract description 6
- 238000012216 screening Methods 0.000 claims abstract description 5
- 230000003595 spectral effect Effects 0.000 claims abstract description 5
- 238000007781 pre-processing Methods 0.000 claims abstract description 3
- 229930002875 chlorophyll Natural products 0.000 claims description 23
- 235000019804 chlorophyll Nutrition 0.000 claims description 23
- 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 23
- 238000002310 reflectometry Methods 0.000 claims description 21
- 238000012360 testing method Methods 0.000 claims description 19
- 238000010219 correlation analysis Methods 0.000 claims description 7
- 238000010521 absorption reaction Methods 0.000 claims description 6
- 230000001419 dependent effect Effects 0.000 claims description 6
- 238000010276 construction Methods 0.000 claims description 4
- 238000012937 correction Methods 0.000 claims description 4
- 238000006243 chemical reaction Methods 0.000 claims description 3
- 238000007689 inspection Methods 0.000 claims description 3
- 238000012952 Resampling Methods 0.000 claims description 2
- 208000027066 STING-associated vasculopathy with onset in infancy Diseases 0.000 claims 4
- 238000012544 monitoring process Methods 0.000 abstract description 3
- 230000002596 correlated effect Effects 0.000 description 5
- 238000011160 research Methods 0.000 description 3
- 238000004364 calculation method Methods 0.000 description 2
- 238000002790 cross-validation Methods 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 230000036541 health Effects 0.000 description 2
- 230000009467 reduction Effects 0.000 description 2
- 240000007594 Oryza sativa Species 0.000 description 1
- 235000007164 Oryza sativa Nutrition 0.000 description 1
- 101000822633 Pseudomonas sp 3-succinoylsemialdehyde-pyridine dehydrogenase Proteins 0.000 description 1
- 241000209140 Triticum Species 0.000 description 1
- 235000021307 Triticum Nutrition 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 210000003763 chloroplast Anatomy 0.000 description 1
- 230000000875 corresponding effect Effects 0.000 description 1
- 230000001066 destructive effect Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000003384 imaging method Methods 0.000 description 1
- 238000011835 investigation Methods 0.000 description 1
- 239000003041 laboratory chemical Substances 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 230000029553 photosynthesis Effects 0.000 description 1
- 238000010672 photosynthesis Methods 0.000 description 1
- 239000000049 pigment Substances 0.000 description 1
- 238000001556 precipitation Methods 0.000 description 1
- 230000004044 response Effects 0.000 description 1
- 235000009566 rice Nutrition 0.000 description 1
- 239000000126 substance Substances 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
Images
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
- G01N21/35—Investigating relative effect of material at wavelengths characteristic of specific elements or molecules, e.g. atomic absorption spectrometry using infrared light
- G01N21/3563—Investigating relative effect of material at wavelengths characteristic of specific elements or molecules, e.g. atomic absorption spectrometry using infrared light for analysing solids; Preparation of samples therefor
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/004—Artificial life, i.e. computing arrangements simulating life
- G06N3/006—Artificial life, i.e. computing arrangements simulating life based on simulated virtual individual or collective life forms, e.g. social simulations or particle swarm optimisation [PSO]
Landscapes
- Physics & Mathematics (AREA)
- Engineering & Computer Science (AREA)
- General Health & Medical Sciences (AREA)
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Spectroscopy & Molecular Physics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Biophysics (AREA)
- Biomedical Technology (AREA)
- Data Mining & Analysis (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Computational Linguistics (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Evolutionary Computation (AREA)
- Artificial Intelligence (AREA)
- Chemical & Material Sciences (AREA)
- Analytical Chemistry (AREA)
- Biochemistry (AREA)
- Immunology (AREA)
- Pathology (AREA)
- Investigating Or Analysing Materials By Optical Means (AREA)
Abstract
本发明提供一种基于新型植被指数的烟叶SPAD值估测方法，包括：1)测定烟叶SPAD值，记录采样点地理坐标；2)获取与测定SPAD值日期同步或相近的包含红边波段的可见光近红外多光谱遥感影像数据，并进行预处理；3)提取遥感影像上采样点的烟草光谱反射率数据；4)计算植被指数OVI，构建新型植被指数红边土壤调整指数RESAVI；5)分析植被指数与烟叶SPAD值的相关性，筛选特征指数；6)构建一元线性回归、多元线性回归和基于随机森林算法的烟叶SPAD值估测模型；7)利用实测SPAD值数据验证模型，分析RESAVI对烟叶SPAD值估测模型精度的影响，确定估测烟叶SPAD值的最优模型。本发明对烟叶SPAD值快速无损估测，提高烟叶SPAD值估算的准确性，实现烟草长势监测。
Description
技术领域
本发明涉及作物生化参数和长势监测技术领域，尤其涉及一种基于新型植被指数的烟叶SPAD值估测方法。
背景技术
烟草作为重要经济作物，科学化、精细化的管理对于提高烟草质量至关重要。烟草长势与品质的监测，施肥、灌溉等管理都需要依据烟草生化参数。叶绿素作为烟草主要生化参数之一，是叶片叶绿体内进行光合作用的主要色素，与烟草产量、成熟度及生理指标密切相关。快速精准无损地预测烟草叶片的叶绿素含量，有助于及时掌握烟草长势，可为种植管理者提供科学依据。传统实验室化学测定叶绿素含量方法耗时，同时对作物具有破坏性。叶绿素相对含量(soil and plant analyzer development，SPAD)，可准确表征叶绿素含量，但传统地面调查获取SPAD值的方法需要反复接触叶片，不适用于大范围叶绿素信息的获取。遥感技术具有快速、无损特点，已应用于SPAD值的估算，目前，利用反射率和植被指数是估测SPAD值的主要方法，反射率数据受多种因素的影响，仅包含一个波段的光谱信息，而植被指数利用植被不同波段的反射特性，能够通过不同波段组合方式反映植被叶绿素含量的差异，如归一化差值植被指数(NDVI)、差值植被指数(DVI)、比值植被指数(RVI)、土壤调节植被指数(SAVI)等，但这些指数的计算仅基于原始波段，而有学者构建的反射率指数/土壤调节植被指数(TCARI/OSAVI)与叶绿素含量的关系极为显著，说明构建的指数可以改善叶绿素含量估测精度。
红边波段能反映作物健康状态、叶绿素含量和叶片结构信息，是植被生理化参数反演的重要信息源。因此，前人通过将其他波段替换为红边波段的方法优化植被指数，比如红边优化指数(ORVI)、标准化差分红边指数(NDRE)，该方法虽然包含了红边波段信息，但同时也丢失了其他波段的信息。因此，有必要在不丢失其他波段信息的基础上，考虑红边信息的同时，基于原始波段衍生出来的指数，构建新型的指数，提升压缩数据维效率，提高估算精度。
发明内容
本发明实施例提供一种基于新型植被指数的烟叶叶绿素相对含量(soil andplant analyzer development，SPAD)值估测方法，本发明提供的估测方法可对烟叶SPAD值快速无损估测，能够有效提高烟叶SPAD值估算的准确性，实现烟草长势监测。
本发明实施例提供一种基于新型植被指数的烟叶SPAD值估测方法，包括：
1)测定烟叶SPAD值，记录采样点地理坐标；
2)获取与测定SPAD值日期同步或相近的包含红边波段的可见光近红外多光谱遥感影像数据，并进行预处理；
3)提取遥感影像上采样点的烟草光谱反射率数据；
4)计算植被指数OVI，构建新型植被指数红边土壤调整植被指数RESAVI；
5)分析植被指数与烟叶SPAD值的相关性，筛选特征指数；
6)构建一元线性回归、多元线性回归和基于随机森林算法的烟叶SPAD值估测模型；
7)利用实测SPAD值数据验证模型，分析RESAVI对烟叶SPAD值估测模型精度的影响，确定估测烟叶SPAD值得最优模型。本发明中，以包含红边波段的可见光近红外多光谱遥感影像数据，借助对叶绿素响应敏感的红边波段，基于植被指数构建一种能够包含红边信息且减少土壤背景影响的新型植被指数红边土壤调整植被指数(RESAVI)，建立不同的烟叶SPAD值估测模型，对比分析RESAVI对烟叶SPAD值的估测的可行性和有效性，构建的RESAVI与烟叶SPAD值存在极显著关系，可作为估算烟叶SPAD值的有效参数，并构建烟叶SPAD值估测模型，实现烟叶SPAD值进行快速无损估测。
根据本发明提供的一种基于新型植被指数的烟叶SPAD值估测方法，步骤1)中，选择烟株上、中、下三个部分的叶片，测定烟叶SPAD值，每片叶片测量3次，取平均值作为所述叶片的SPAD值，将三个部分叶片的SPAD值的均值作为取样点的SPAD值，记录采样点位置的经纬度坐标。
根据本发明提供的一种基于新型植被指数的烟叶SPAD值估测方法，步骤2)中，获取与测定烟叶SPAD值日期同步或相近的包含红边波段的可见光近红外多光谱遥感影像数据，进行大气校正、各波段重采样。
根据本发明提供的一种基于新型植被指数的烟叶SPAD值估测方法，步骤3)中，通过(ENVI Classic)遥感数据处理软件，打开预处理后的包含红边波段的可见光近红外多光谱遥感影像数据，(利用Tools工具中Region of interest的ROI Tool)以地理坐标导入采样点，导出包含各波段反射率数据的采样点。
根据本发明提供的一种基于新型植被指数的烟叶SPAD值估测方法，步骤4)中，所述植被指数OVI包括：归一化差值植被指数NDVI、差值植被指数DVI、比值植被指数RVI、三角植被指数TVI、土壤调整植被指数SAVI、优化土壤调整植被指数OSAVI、叶绿素吸收比值指数CARI和转换叶绿素吸收指数TCARI；
所述NDVI的表达式：NDVI＝(Bnir-Br)/(Bnir+Br)；
所述DVI的表达式：DVI＝Bnir-Br；
所述RVI的表达式：RVI＝Bnir/Br；
所述TVI的表达式：TVI＝0.5*[120*(Bnir-Bg)-200*(Br-Bg)]；
所述SAVI的表达式：SAVI＝1.5*(Bnir-Br)/(Bnir+Br+0.5)；
所述OSAVI的表达式：OSAVI＝(1+0.16)*(Bnir-Br)/(Bnir+Br+0.16)；
所述CARI的表达式：CARI＝(Bre-Br)-0.2*(Bre+Br)；
所述TCARI的表达式：TCARI＝3*[(Bre-Br)-0.2*(Bre-Bg)]*(Bre/Br)；
构建的红边土壤调整植被指数RESAVI的表达式为：
RESAVI＝SAVI*NDRE＝1.5*(Bnir-Br)/(Bnir+Br+0.5)*[(Bnir-Bre)/(Bnir+Bre)]；
其中，Bg为绿波段的反射率；Br为红波段的反射率；Bre为红边波段的反射率，对于含有多个红边波段的影像，利用各个红边波段分别计算标准化差分红边指数(NDRE)，并与SPAD值做相关性分析，以相关性最高的NDRE中包含的红边波段作为构建RESAVI的红边波段，所述NDRE的表达式：NDRE＝[(Bnir-Bre)/(Bnir+Bre)]；Bnir为近红外波段的反射率。
根据本发明提供的一种基于新型植被指数的烟叶SPAD值估测方法，步骤5)中，分析植被指数与烟叶SPAD值的相关性，对植被指数OVI中相关性最高的植被指数HI和参与建模的特征指数CI进行筛选；所述特征指数为与烟叶SPAD值达到0.01极显著相关水平的植被指数。
根据本发明提供的一种基于新型植被指数的烟叶SPAD值估测方法，步骤6)中，将样本按照3:1的比例随机划分为建模集和检验集；利用建模集数据构建估测模型，估测模型的构建包括如下步骤：
B1)分别以RESAVI、HI为自变量，烟叶SPAD值为因变量，构建一元线性模型OLR；
B2)分以RESAVI+CI、CI为自变量，烟叶SPAD值为因变量，构建多元线性回归MLR、随机森林RF回归的烟叶SPAD值估测模型。
根据本发明提供的一种基于新型植被指数的烟叶SPAD值估测方法，步骤7)中还包括：模型检验：利用检验集样本对模型精度进行检验，分析RESAVI对烟叶SPAD值估测模型精度的影响。
根据本发明提供的一种基于新型植被指数的烟叶SPAD值估测方法，步骤7)中，所述模型检验包括如下步骤：
1)计算每个模型的决定系数R2与均方根误差RMSE；
2)RESAVI对烟叶SPAD值估测模型精度的影响进行分析。
根据本发明提供的一种基于新型植被指数的烟叶SPAD值估测方法，所述R2的表达式如下：
所述RMSE的表达式如下：
式中，m表示样本个数，i表示样本，
表示烟叶SPAD值的实测值，yi表示烟叶SPAD值的估测值，
表示烟叶实测SPAD值的平均值。
本发明将包含红边波段的可见光近红外多光谱遥感影像数据为烟叶SPAD值估测的数据源，根据红边波段具有反映作物叶绿素含量的特点，基于植被指数构建新型植被指数红边土壤调整指数RESAVI，并利用随机森林算法进行烟叶SPAD值的估算，提供了一种大面积、快速、无损、准确估测烟叶SPAD值的方法。突破基于原始波段构建植被指数的方法，通过基于原始波段衍生出来的能够有效减少土壤背景影响的土壤调整植被指数(SAVI)以及包含红边波段的标准化差分红边指数(NDRE)协同，考虑红边信息的同时，不丢失其他波段信息；而且采用随机森林回归算法，具有良好的抗噪和抗过拟合的作用，进一步削弱噪声对模型的影响，提高了模型的普适性，使烟叶SPAD值估测模型具有更高的精度。
本发明至少具有如下有益效果：本发明利用能够有效减少土壤背景影响的土壤调整植被指数(SAVI)与包含红边信息的NDRE构建红边土壤调整植被指数(RESAVI)，RESAVI与烟叶SPAD值的相关性最高，达到了极显著相关，表明该指数可作为估测烟叶SPAD值的有效参数；本发明融入RESAVI所构建的随机森林烟叶SPAD值估测模型的精度最高且该模型的泛化能力强，表明该指数能够有效改善烟叶SPAD值的估测能力。
附图说明
为了更清楚地说明本发明或现有技术中的技术方案，下面简单介绍实施例或现有技术描述中所需要使用的附图，下面描述中的附图是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
图1为本发明实施例提供的一种基于新型植被指数的烟叶SPAD值估测方法的流程图；
图2为本发明实施例提供的基于RF的烟叶SPAD值估测值与实测值的散点图。
具体实施方式
为使本发明的目的、技术方案和优点更加清楚，下面将结合本发明中的附图，对本发明中的技术方案进行清楚、完整地描述，显然，所描述的实施例是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
实施例1
图1为实施例提供的一种基于新型植被指数的烟叶SPAD值估测方法的流程图。本实施例的研究区域在安徽省宣城市，地理坐标为29°56′48"～31°19′30"N，117°57′54"～119°38′39"E，地处东南丘陵与长江中下游平原的低山丘陵区带，属于典型的亚热带季风气候，年平均温度为15.6℃，年降水量1200～1500mm，无霜期8个月，主要作物有小麦、水稻、油菜、烟草等。烟草种植品种为“云烟97”、“云烟87”，种植行距1.2m，株距0.45m左右。
本实施例于2019年5月7日至11日烟草旺长期、2019年6月30日至7月4日烟草成熟期、2020年5月11日至14日烟草旺长期，在安徽省宣城市开展了烟叶SPAD值测定，利用SPAD-502型叶绿素计测定烟叶SPAD值，选择烟株上、中、下三个部分的叶片，利用SPAD-502型叶绿素计测定烟叶SPAD值，每片叶片测量3次，取平均值作为该叶片的SPAD值，将3个部分叶片的SPAD值均值作为该样点的SPAD，测量过程中利用GPS卫星定位设备准确记录测量位置的经纬度坐标。
获取与测定SPAD值日期同步或相近的包含红边波段的可见光近红外多光谱遥感影像数据(成像时间分别为2019年5月22日、2019年6月28日、2019年7月4日、2020年5月11日以及2020年5月13日的Sentinel-2遥感影像数据)，并利用Sen2cor软件进行大气校正，大气校正之后，在SNAP软件中将各波段重采样至10m用于SAPD值的估测，Sentinel-2多光谱数据不同波段的中心波长分布及空间分辨率信息见表1。
表1 Sentinel-2多光谱数据信息表
研究区采样点烟草反射率数据提取：利用预处理后的Sentinel-2遥感影像，提取采样点烟草的光谱反射率数据；利用ENVI Classic等遥感数据处理软件，打开预处理后的包含红边波段的可见光近红外多光谱遥感影像数据Sentinel-2，利用Tools工具中Regionof interest的ROI Tool，以地理坐标导入采样点，导出包含各波段反射率数据的采样点。
其他8种植被指数(OVI)计算：本实施例提取的植被指数(OVI)：归一化差值植被指数(NDVI)、差值植被指数(DVI)、比值植被指数(RVI)、三角植被指数(TVI)、土壤调整植被指数(SAVI)、优化土壤调整植被指数(OSAVI)、叶绿素吸收比值指数(CARI)、转换叶绿素吸收指数(TCARI)；归一化差值植被指数NDVI的表达式：NDVI＝(Bnir-Br)/(Bnir+Br)；DVI的表达式：DVI＝Bnir-Br；RVI的表达式：RVI＝Bnir/Br；TVI的表达式：TVI＝0.5*[120*(Bnir-Bg)-200*(Br-Bg)]；SAVI的表达式：SAVI＝1.5*(Bnir-Br)/(Bnir+Br+0.5)；OSAVI的表达式：OSAVI＝(1+0.16)*(Bnir-Br)/(Bnir+Br+0.16)；CARI的表达式：CARI＝(Bre-Br)-0.2*(Bre+Br)；TCARI的表达式：TCARI＝3*[(Bre-Br)-0.2*(Bre-Bg)]*(Bre/Br)；其中，Bg为绿波段的反射率；Br为红波段的反射率；Bre为红边波段的反射率；Bnir为近红外波段的反射率。
新型植被指数红边土壤调整植被指数(RESAVI)的构建：红边波段能反映烟草健康状态、叶绿素含量和叶片结构信息，目前利用红边的植被指数大多是将其他波段替换为红边波段，替换的同时丢失了被替换波段的信息；烟草在近红外(NIR)与红(R)波段的反射率差异较大，为此本发明将标准化差分红边指数(NDRE)与减少土壤背景影响的土壤调整植被指数(SAVI)组合运算，构建新型植被指数红边土壤调整植被指数(RESAVI)，RESAVI的表达式如下：RESAVI＝SAVI*NDRE＝1.5*(Bnir-Br)/(Bnir+Br+0.5)*[(Bnir-Bre)/(Bnir+Bre)]。上述式中，Br为红波段的反射率；Bre为红边波段的反射率(对于含有多个红边波段的影像，利用各个红边波段分别计算NDRE，并与SPAD值做相关性分析，以相关性最高的NDRE中包含的红边波段作为构建RESAVI的红边波段，所述NDRE的表达式：NDRE＝[(Bnir-Bre)/(Bnir+Bre)])；Bnir为近红外波段的反射率；
特征指数筛选：分析植被指数与烟叶SPAD值的相关性，筛选(OVI)指数中相关性最高的植被指数HI及参与建模的特征指数CI，即与烟叶SPAD值达到0.01极显著相关水平的指数。
模型构建：将样本(m＝245)按照3:1随机划分为建模集和检验集，利用建模集样本(m＝183)构建单变量一元线性回归、多元线性回归和基于随机森林算法的烟叶SPAD估测模型，步骤如下：
1)分别以RESAVI、HI为自变量，烟叶SPAD值为因变量，构建一元线性模型(OLR)；
2)分别以RESAVI+CI、CI为自变量，烟叶SPAD值为因变量，构建多元线性回归(MLR)、随机森林(RF)回归的烟叶SPAD值估测模型。
模型检验：采用交叉验证方法，利用检验集样本对模型精度进行检验，计算每个模型的决定系数R2与均方根误差RMSE，分析RESAVI对烟叶SPAD值估测模型精度的影响。包括如下步骤：
1)计算每个模型的决定系数(determination coefficient，R2)与均方根误差(root mean square error，RMSE)；
2)分析RESAVI对烟叶SPAD值预测模型的精度影响，R2越大、RMSE越小，表明模型精度越好。
所述R2的表达式如下：
所述RMSE的表达式如下：
上述各式中，m表示样本个数，i表示样本，
表示烟叶SPAD值的实测值，yi表示烟叶SPAD值的估测值，
表示烟叶实测SPAD值的平均值。
本实施例中，Sentinel-2遥感影像中包含三个红边波段，为了确定新型植被指数即红边土壤调整植被指数(RESAVI)中的红边波段，分别利用3个红边波段(B5，B6，B7)计算NDRE，并与SPAD值做相关性分析，以相关性最高的NDRE中包含的红边波段作为构建RESAVI的红边波段，相关性分析结果如表2所示：
表2 NDRE与烟叶SPAD值的相关性
| NDRE指数 | NDRE(B8,B5) | NDRE(B8,B6) | NDRE(B8,B7) |
| 相关系数 | 0.347** | 0.300** | 0.287** |
表中，**：0.01水平极显著相关；*：0.05水平显著相关，下同。
由表2可以看出，NDRE指数均与SPAD值达到了0.01极显著相关水平，其中NDRE(B8,B5)的相关系数最大，为0.347，因此，B5为计算RESAVI指数的红边波段。
本实施例中，将植被指数与烟叶SPAD值进行相关性分析，相关性分析结果如表3所示：
表3植被指数与烟叶SPAD值的相关性
| 植被指数 | 相关系数 |
| 归一化差值植被指数NDVI | 0.166** |
| 差值植被指数DVI | 0.304** |
| 比值植被指数RVI | 0.08 |
| 三角植被指数TVI | 0.266** |
| 土壤调整植被指数SAVI | 0.305** |
| 优化土壤调整植被指数OSAVI | 0.303** |
| 叶绿素吸收比值指数CARI | -0.008 |
| 转换叶绿素吸收指数TCARI | -0.203** |
| 红边土壤调整植被指数RESAVI | 0.353** |
由表3可知，植被指数与烟叶SPAD值存在有较好的相关性，其中(OVI)指数中，NDVI、DVI、TVI、SAVI、OSAVI、TCARI均与烟叶SPAD值达到了0.01极显著相关水平，可作为模型构建的特征指数CI，其中土壤调整植被指数SAVI与烟叶SPAD值的相关性最高，相关系数为0.305，因此，HI为土壤调整植被指数SAVI；构建的红边土壤调整植被指数RESAVI与烟叶SPAD值的相关性高于其他植被指数，相关系数为0.353，较SAVI提高了15.7％，表明该指数与烟叶SPAD值的相关性大。
表4模型精度结果
表中，R2>0.036：0.01水平极显著相关；R2>0.021：0.05水平显著相关(m＝183)；R2>0.044：0.01水平极显著相关；R2>0.063：0.05水平显著相关(m＝62)。
由表4可见，通过交叉验证可知，在单变量构建的OLR模型中，以RESAVI为自变量估测烟叶SPAD值，建模集R2＝0.109，RMSE＝5.769，检验集R2＝0.187，RMSE＝4.346，而以SAVI为自变量估测烟叶SPAD值模型建模集R2＝0.081，RMSE＝5.859，检验集R2＝0.130，RMSE＝4.496，尽管利用单指数构建的线性模型精度均很低，但可以看出，利用RESAVI构建的模型精度较SAVI有所提高；MLR模型中利用CI+RESAVI所建模型的建模集R2＝0.295，检验集R2＝0.378，利用CI所建模型的建模集R2＝0.283，检验集R2＝0.383，加入RESAVI后，模型检验集的R2有稍微降低，但降低程度很低，仅为1.3％。RF模型中利用CI所建模型的建模集R2＝0.814，检验集R2＝0.800，利用CI+RESAVI所建模型的建模集R2＝0.807，检验集R2＝0.832，利用CI所建模型的建模集R2高于CI+RESAVI所建模型的建模集R2，但利用CI所建模型的检验集R2低于CI+RESAVI所建模型的检验集R2，表明以CI+RESAVI所建模型的泛化能力强；RF模型加入RESAVI后，模型检验集的精度较CI有所提高，表明以RESAVI+CI为自变量所建模型精度优于CI，本发明的红边土壤调整植被指数RESAVI可以提高预测烟叶SPAD值的效果。比较所构建的OLR、MLR与RF模型，表明单个指数的预测能力是有限的，多个指数构建的模型能够很大幅度上提高估测烟叶SPAD值得精度，从MLR和RF模型中可发现RF算法预测的SPAD与实测SPAD值拟合效果优于MLR，表明植被指数与烟叶SPAD值得关系更趋向于非线性关系。由图2可见，RF方法构建的模型实测值与预测值分布集中、更接近1：1线，说明RF模型优势更明显，因此确定RF模型为估测烟叶SPAD值的最优模型。
通过以上的实施方式的描述，本领域的技术人员可以清楚地了解到各实施方式可借助软件加必需的通用硬件平台的方式来实现，当然也可以通过硬件。基于这样的理解，上述技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来，该计算机软件产品可以存储在计算机可读存储介质中，如ROM/RAM、磁碟、光盘等，包括若干指令用以使得一台计算机设备(可以是个人计算机，服务器，或者网络设备等)执行各个实施例或者实施例的某些部分所述的方法。
最后应说明的是：以上实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围。
Claims (10)
1.一种基于新型植被指数的烟叶SPAD值估测方法，其特征在于，包括：
1)测定烟叶SPAD值，记录采样点地理坐标；
2)获取与测定SPAD值日期同步或相近的包含红边波段的可见光近红外多光谱遥感影像数据，并进行预处理；
3)提取遥感影像上采样点的烟草光谱反射率数据；
4)计算植被指数OVI，构建新型植被指数红边土壤调整指数RESAVI；
5)分析植被指数与烟叶SPAD值的相关性，筛选特征指数；
6)构建一元线性回归、多元线性回归和基于随机森林算法的烟叶SPAD值估测模型；
7)利用实测SPAD值数据验证模型，分析RESAVI对烟叶SPAD值估测模型精度的影响，确定估测烟叶SPAD值的最优模型。
2.根据权利要求1所述的一种基于新型植被指数的烟叶SPAD值估测方法，其特征在于，步骤1)中，选择烟株上、中、下三个部分的叶片，测定烟叶SPAD值，每片叶片测量3次，取平均值作为所述叶片的SPAD值，将三个部分叶片的SPAD值的均值作为取样点的SPAD值，记录采样点位置的经纬度坐标。
3.根据权利要求1所述的一种基于新型植被指数的烟叶SPAD值估测方法，其特征在于，步骤2)中，获取与测定SPAD值日期同步或相近的包含红边波段的可见光近红外多光谱遥感影像数据，进行大气校正、各波段重采样。
4.根据权利要求1所述的一种基于新型植被指数的烟叶SPAD值估测方法，其特征在于，步骤3)中，通过遥感数据处理软件打开预处理后的包含红边波段的可见光近红外多光谱遥感影像数据，以地理坐标导入采样点，导出包含各波段反射率数据的采样点。
5.根据权利要求1所述的一种基于新型植被指数的烟叶SPAD值估测方法，其特征在于，步骤4)中，所述植被指数OVI包括：归一化差值植被指数NDVI、差值植被指数DVI、比值植被指数RVI、三角植被指数TVI、土壤调整植被指数SAVI、优化土壤调整植被指数OSAVI、叶绿素吸收比值指数CARI和转换叶绿素吸收指数TCARI；
所述NDVI的表达式：NDVI＝(Bnir-Br)/(Bnir+Br)；
所述DVI的表达式：DVI＝Bnir-Br；
所述RVI的表达式：RVI＝Bnir/Br；
所述TVI的表达式：TVI＝0.5*[120*(Bnir-Bg)-200*(Br-Bg)]；
所述SAVI的表达式：SAVI＝1.5*(Bnir-Br)/(Bnir+Br+0.5)；
所述OSAVI的表达式：OSAVI＝(1+0.16)*(Bnir-Br)/(Bnir+Br+0.16)；
所述CARI的表达式：CARI＝(Bre-Br)-0.2*(Bre+Br)；
所述TCARI的表达式：TCARI＝3*[(Bre-Br)-0.2*(Bre-Bg)]*(Bre/Br)；
构建的红边土壤调整植被指数RESAVI的表达式为：
RESAVI＝SAVI*NDRE＝1.5*(Bnir-Br)/(Bnir+Br+0.5)*[(Bnir-Bre)/(Bnir+Bre)]；
其中，Bg为绿波段的反射率；Br为红波段的反射率；Bre为红边波段的反射率，对于含有多个红边波段的影像，利用各个红边波段分别计算标准化差分红边指数(NDRE)，并与SPAD值做相关性分析，以相关性最高的NDRE中包含的红边波段作为构建RESAVI的红边波段，所述NDRE的表达式：NDRE＝[(Bnir-Bre)/(Bnir+Bre)]；Bnir为近红外波段的反射率。
6.根据权利要求1所述的一种基于新型植被指数的烟叶SPAD值估测方法，其特征在于，步骤5)中，对植被指数与烟叶SPAD值的相关性进行分析，对植被指数OVI中相关性最高的植被指数HI和参与建模的特征指数CI进行筛选；所述特征指数为与烟叶SPAD值达到0.01极显著相关水平的植被指数。
7.根据权利要求1所述的一种基于新型植被指数的烟叶SPAD值估测方法，其特征在于，步骤6)中，将样本按照3:1的比例随机划分为建模集和检验集；利用建模集数据构建估测模型，估测模型的构建包括如下步骤：
1)分别以RESAVI、HI为自变量，烟叶SPAD值为因变量，构建一元线性模型OLR；
2)分以RESAVI+CI、CI为自变量，烟叶SPAD值为因变量，构建多元线性回归MLR、随机森林RF回归的烟叶SPAD值估测模型。
8.根据权利要求1-7任一项所述的一种基于新型植被指数的烟叶SPAD值估测方法，其特征在于，步骤7)中还包括：模型检验：利用检验集样本对模型精度进行检验，分析RESAVI对烟叶SPAD值估测模型精度的影响。
9.根据权利要求8所述的一种基于新型植被指数的烟叶SPAD值估测方法，其特征在于，步骤7)中，所述模型检验包括如下步骤：
1)计算每个模型的决定系数R2与均方根误差RMSE；
2)对RESAVI对烟叶SPAD值估测模型精度的影响进行分析。
10.根据权利要求9所述的一种基于新型植被指数的烟叶SPAD值估测方法，其特征在于，
所述R2的表达式如下：
所述RMSE的表达式如下：
式中，m表示样本个数，i表示样本，
表示烟叶SPAD值的实测值，yi表示烟叶SPAD值的估测值，
表示烟叶实测SPAD值的平均值。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110097805.2A CN112881327B (zh) | 2021-01-25 | 2021-01-25 | 一种基于新型植被指数的烟叶spad值估测方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110097805.2A CN112881327B (zh) | 2021-01-25 | 2021-01-25 | 一种基于新型植被指数的烟叶spad值估测方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN112881327A true CN112881327A (zh) | 2021-06-01 |
| CN112881327B CN112881327B (zh) | 2023-04-21 |
Family
ID=76051109
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202110097805.2A Active CN112881327B (zh) | 2021-01-25 | 2021-01-25 | 一种基于新型植被指数的烟叶spad值估测方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN112881327B (zh) |
Cited By (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN113743819A (zh) * | 2021-09-15 | 2021-12-03 | 二十一世纪空间技术应用股份有限公司 | 农作物估产的方法、装置、电子设备及存储介质 |
| CN113989661A (zh) * | 2021-10-15 | 2022-01-28 | 中国气象科学研究院 | Mersi-2与modis的归一化植被指数转换方法 |
| CN115495703A (zh) * | 2022-11-18 | 2022-12-20 | 杭州领见数字农业科技有限公司 | 一种基于机载多光谱数据的烟草成熟度检测方法及系统 |
Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP2006250827A (ja) * | 2005-03-11 | 2006-09-21 | Pasuko:Kk | 作物の生育状況分析方法 |
| CN106485345A (zh) * | 2016-09-06 | 2017-03-08 | 西北农林科技大学 | 棉花全生育期冠层spad值遥感估算及估算模型构建方法 |
| CN107271382A (zh) * | 2017-06-02 | 2017-10-20 | 西北农林科技大学 | 一种不同生育期油菜叶片spad值遥感估算方法 |
| CN109932339A (zh) * | 2019-03-01 | 2019-06-25 | 中国农业大学 | 一种全天候光环境自适应作物生长检测装置及方法 |
| 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 |
| US20200141877A1 (en) * | 2018-11-06 | 2020-05-07 | Nanjing Agricultural University | Method for estimating aboveground biomass of rice based on multi-spectral images of unmanned aerial vehicle |
-
2021
- 2021-01-25 CN CN202110097805.2A patent/CN112881327B/zh active Active
Patent Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP2006250827A (ja) * | 2005-03-11 | 2006-09-21 | Pasuko:Kk | 作物の生育状況分析方法 |
| CN106485345A (zh) * | 2016-09-06 | 2017-03-08 | 西北农林科技大学 | 棉花全生育期冠层spad值遥感估算及估算模型构建方法 |
| CN107271382A (zh) * | 2017-06-02 | 2017-10-20 | 西北农林科技大学 | 一种不同生育期油菜叶片spad值遥感估算方法 |
| US20200141877A1 (en) * | 2018-11-06 | 2020-05-07 | Nanjing Agricultural University | Method for estimating aboveground biomass of rice based on multi-spectral images of unmanned aerial vehicle |
| CN109932339A (zh) * | 2019-03-01 | 2019-06-25 | 中国农业大学 | 一种全天候光环境自适应作物生长检测装置及方法 |
| 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 |
Non-Patent Citations (2)
| Title |
|---|
| KEJIAN WANG 等: "Rapid detection of chlorophyll content and distribution in citrus orchards based on low-altitude remote sensing and bio-sensors", 《INT J AGRIC & BIOL ENG》 * |
| 毛智慧等: "无人机多光谱遥感在玉米冠层叶绿素预测中的应用研究", 《光谱学与光谱分析》 * |
Cited By (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN113743819A (zh) * | 2021-09-15 | 2021-12-03 | 二十一世纪空间技术应用股份有限公司 | 农作物估产的方法、装置、电子设备及存储介质 |
| CN113743819B (zh) * | 2021-09-15 | 2024-03-26 | 二十一世纪空间技术应用股份有限公司 | 农作物估产的方法、装置、电子设备及存储介质 |
| CN113989661A (zh) * | 2021-10-15 | 2022-01-28 | 中国气象科学研究院 | Mersi-2与modis的归一化植被指数转换方法 |
| CN113989661B (zh) * | 2021-10-15 | 2022-05-17 | 中国气象科学研究院 | Mersi-2与modis的归一化植被指数转换方法 |
| CN115495703A (zh) * | 2022-11-18 | 2022-12-20 | 杭州领见数字农业科技有限公司 | 一种基于机载多光谱数据的烟草成熟度检测方法及系统 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN112881327B (zh) | 2023-04-21 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN112881327A (zh) | 一种基于新型植被指数的烟叶spad值估测方法 | |
| Rubio-Delgado et al. | Predicting leaf nitrogen content in olive trees using hyperspectral data for precision agriculture | |
| CN108830249B (zh) | 一种基于asd高光谱数据的冬小麦白粉病遥感监测方法 | |
| CN110069895B (zh) | 冬小麦含氮量全生育时段光谱监测模型建立方法 | |
| Daniels et al. | Measuring internal maturity parameters contactless on intact table grape bunches using NIR spectroscopy | |
| CN111044516B (zh) | 一种水稻叶绿素含量遥感估测方法 | |
| 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 | |
| CN113252583B (zh) | 一种基于枯草植被指数计算高寒枯草覆盖度的方法 | |
| Wang et al. | Estimation of rice aboveground biomass by combining canopy spectral reflectance and unmanned aerial vehicle-based red green blue imagery data | |
| Chen et al. | Prediction of drought-induced components and evaluation of drought damage of tea plants based on hyperspectral imaging | |
| CN113607656A (zh) | 一种基于高光谱成像的叶片叶绿素含量监测方法与系统 | |
| Banskota et al. | Continuous wavelet analysis for spectroscopic determination of subsurface moisture and water-table height in northern peatland ecosystems | |
| Asante et al. | Detection and assessment of nitrogen effect on cold tolerance for tea by hyperspectral reflectance with PLSR, PCR, and LM models | |
| Wei et al. | Evaluation of point hyperspectral reflectance and multivariate regression models for grapevine water status estimation | |
| CN112129709A (zh) | 一种苹果树冠层尺度氮含量诊断方法 | |
| CN113065230B (zh) | 基于优化光谱指数建立水稻叶片spad的高光谱反演模型 | |
| Song et al. | Coupling effective variable selection with machine learning techniques for better estimating leaf photosynthetic capacity in a tree species (Fagus crenata Blume) from hyperspectral reflectance | |
| Karakoc et al. | Ratio-based vegetation indices for biomass estimation depending on grassland characteristics | |
| CN116883874A (zh) | 一种用于芳樟矮林综合长势的评估方法及系统 | |
| CN117077868A (zh) | 一种基于模型的粮食产量预测系统及方法 | |
| Costa et al. | Delimitation of homogeneous zones in vineyards using geostatistics and multivariate analysis of different vegetation indices | |
| 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 | |
| Ozelkan et al. | Investigation of grapevine photosynthesis using hyperspectral techniques and development of hyperspectral band ratio indices sensitive to photosynthesis | |
| Jang et al. | Estimation of Apple Leaf Nitrogen Concentration Using Hyperspectral Imaging-Based Wavelength Selection and Machine Learning | |
| Mahato et al. | Assessing tea plantations biophysical and biochemical characteristics in Northeast India using satellite data |
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 |