CN113390797A - 基于高光谱数据的菠萝叶片全磷含量估算方法 - Google Patents

基于高光谱数据的菠萝叶片全磷含量估算方法 Download PDF

Info

Publication number
CN113390797A
CN113390797A CN202110816850.9A CN202110816850A CN113390797A CN 113390797 A CN113390797 A CN 113390797A CN 202110816850 A CN202110816850 A CN 202110816850A CN 113390797 A CN113390797 A CN 113390797A
Authority
CN
China
Prior art keywords
phosphorus content
pineapple
total phosphorus
leaves
blade
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
CN202110816850.9A
Other languages
English (en)
Inventor
严程明
马智玲
安东升
窦美安
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.)
Zhanjiang Experimental Station Chinese Academy of Tropical Agricultural Sciences
Original Assignee
Zhanjiang Experimental Station Chinese Academy of Tropical Agricultural Sciences
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 Zhanjiang Experimental Station Chinese Academy of Tropical Agricultural Sciences filed Critical Zhanjiang Experimental Station Chinese Academy of Tropical Agricultural Sciences
Priority to CN202110816850.9A priority Critical patent/CN113390797A/zh
Publication of CN113390797A publication Critical patent/CN113390797A/zh
Pending legal-status Critical Current

Links

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

Abstract

本发明公开基于高光谱数据的菠萝叶片全磷含量估算方法，包括以下步骤：S1.采集菠萝叶片样本；S2.基于所述菠萝叶片样本获得叶片光谱信息和叶片全磷含量；S3.基于所述叶片光谱信息获取光谱反射敏感波段，基于所述光谱反射敏感波段构建光谱特征参数和植被指数；S4.基于所述光谱特征参数、植被指数和所述叶片全磷含量构建菠萝叶片全磷含量LPC估算模型，所述菠萝叶片全磷含量LPC估算模型用于对菠萝叶片中的全磷含量进行估算。本发明能够通过获取菠萝叶片全磷含量的高光谱数据，实现对菠萝叶片磷含量的快速、无损和精准诊断，进而促进菠萝磷肥精准管理，并加快磷高效品种的选育。

Description

基于高光谱数据的菠萝叶片全磷含量估算方法
技术领域
本发明涉及植物营养诊断技术领域，具体涉及基于高光谱数据的菠萝叶片全磷含量估算方法。
背景技术
叶片磷含量不仅可以反映植株个体的磷含量状况，还能够计算出叶片磷累积量和磷利用效率等反映菠萝群体磷营养状况的指标，了解作物磷含量变化是培育磷高效品种和优化磷肥管理的关键。菠萝是草本科作物，叶片磷含量常被作为反映菠萝磷营养状况的重要指标。目前，叶片磷含量的定量诊断主要是通过永久破坏性采集植株叶片，利用化学分析方法而得，虽精准度较高，但在样品采集、测试和数据分析中具有高耗性、繁杂性、时滞性等缺点，同时需要破坏作物样本，难以实现叶片磷含量的快速、无损和精准诊断，不利于快速、高通量的获取作物磷营养信息，在品种选育方面效率较低。同时施肥管理的优化程度与营养诊断的精准度和效率高度匹配，基于常规化学分析方法获取菠萝叶片累积量难以实现磷素精准管理。
植被的光谱特性是由其化学成分、组织结构及形态学特征决定的，每一种物质对电磁波谱的吸收、反射和透射均存在差异。作物叶片磷含量差异能引起光谱特性变化，而高光谱仪器能监测到作物细微的电磁波谱差异，并以图谱的形式展现，通过信息处理技术最终以光强、反射率或透射率的形式量化。分析量化后的光谱信息与叶片磷含量之间的关系，构建相应的光谱特征参数，确定适宜的计算模型，定量反演作物叶片磷含量状况，可以对作物叶片磷含量进行快速、无损的监测，指导作物磷肥精准管理，应用到磷高效品种选育中，也可以显著减少大规模筛选试验所涉及的成本、时间和人工。
目前基于高光谱数据的作物磷含量预测模型研究主要集中在水稻、小麦、玉米、棉花、甜菜、油菜、苹果、柑橘、烟草等少部分作物上，尚未见到菠萝的相关报到。每一种作物磷含量、叶片组织结构和形态学特征均存在差异，光谱特征也存在差异，定量反演作物叶片磷含量，需要重新确定适宜的敏感波段、光谱特征参数、计算模型等方面。开展基于高光谱成像信息的菠萝叶片磷含量定量模型研究对菠萝磷高效品种快速选育及磷肥精确管理具有重要意义。
发明内容
针对上述问题，本发明提出基于高光谱数据的菠萝叶片全磷含量估算方法，以解决现有技术中存在的技术问题，能够通过获取菠萝叶片全磷含量的高光谱数据，实现对菠萝叶片磷含量的快速、无损和精准诊断，进而促进菠萝磷肥精准管理，并加快磷高效品种的选育。
为实现上述目的，本发明提供了如下方案：本发明提供基于高光谱数据的菠萝叶片全磷含量估算方法，包括以下步骤：
S1.采集菠萝叶片样本；
S2.基于所述菠萝叶片样本获得叶片光谱信息和叶片全磷含量；
S3.基于所述叶片光谱信息获取光谱反射敏感波段，基于所述光谱反射敏感波段构建光谱特征参数和植被指数；
S4.基于所述光谱特征参数、植被指数和所述叶片全磷含量构建菠萝叶片全磷含量LPC估算模型，所述菠萝叶片全磷含量LPC估算模型用于对菠萝叶片中的全磷含量进行估算。
优选地，所述菠萝叶片样本的具体采集过程为：对菠萝种植区域进行分区处理，得到若干个子区域，在每个所述子区域选择若干株菠萝作为代表性植株，在每株菠萝中选择若干片不同生长状态的叶片。
优选地，所述叶片光谱信息的具体获取过程为：对每片所述菠萝叶片的若干个光谱点进行光谱测量，将每个所述子区域中的所述不同生长状态的叶片光谱进行记录。
优选地，每个所述子区域进行所述光谱测量后，均进行白板校正。
优选地，所述叶片全磷含量采用钼蓝比色法进行测定。
优选地，所述菠萝叶片全磷含量LPC估算模型的具体构建过程为：将所述菠萝叶片样本划分为建模样本和模型检验样本，基于所述建模样本，利用多种方程拟合方式对菠萝叶片全磷含量LPC估算模型进行构建，并通过所述模型检验样本对比各所述模型的决定系数、均方根误差、相对均方根误差，将所述决定系数最高而所述均方根误差、相对均方根误差最小的模型作为所述菠萝叶片全磷含量LPC估算模型。
优选地，所述菠萝叶片全磷含量LPC估算模型的具体预测过程为：采集待测菠萝叶片光谱，将所述待测菠萝叶片光谱输入所述菠萝叶片全磷含量LPC估算模型中，完成对所述菠萝叶片的全磷含量的预测。
优选地，所述均方根误差RMSE具体为：
Figure BDA0003170447870000041
式中，Pi为模型预测叶片全磷含量的值，Mi为叶片全磷含量真实值，n为样本数量。
优选地，所述相对均方根误差RRMSE具体为：
Figure BDA0003170447870000042
式中，Pi为模型预测叶片全磷含量的值，Mi为叶片全磷含量真实值，
Figure BDA0003170447870000043
为Mi的平均值，n为样本数量。
本发明公开了以下技术效果：
本发明采用高光谱仪器设备，通过获取菠萝叶片全磷含量的高光谱数据，实现对菠萝叶片磷含量的快速、无损和精准诊断，进而促进菠萝磷肥精准管理，并加快磷高效品种的选育，解决了传统化学分析方法中作物磷营养诊断效率低、时效性差、费用高的问题。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅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为本发明实施例中方法流程图；
图2(a)为本发明实施例中不同磷肥水平条件下菠萝旺长期叶片光谱反射率的情况；
图2(b)为本发明实施例中不同叶龄条件下菠萝旺长期叶片光谱反射率的情况；
图3(a)为本发明实施例中菠萝叶片全磷含量与光谱反射率的相关系数曲线；
图3(b)为本发明实施例中菠萝叶片全磷含量与光谱反射率一阶导数的相关系数曲线；
图3(c)为本发明实施例中菠萝叶片全磷含量与光谱反射率二阶导数的相关系数曲线；
图3(d)为本发明实施例中菠萝叶片全磷含量与对数光谱反射率的相关系数曲线；
图3(e)为本发明实施例中菠萝叶片全磷含量与对数光谱反射率一阶导数的相关系数曲线；
图3(f)为本发明实施例中菠萝叶片全磷含量与对数光谱反射率二阶导数的相关系数曲线；
图4(a)为本发明实施例中基于光谱特征参数、植被指数下叶片全磷含量LPC与SD501的定量关系；
图4(b)为本发明实施例中基于光谱特征参数、植被指数下叶片全磷含量LPC与SD(lgR501)-SD(lgR699)的定量关系；
图4(c)为本发明实施例中基于光谱特征参数、植被指数下叶片全磷含量LPC与NDSI(R764,R534)的定量关系；
图4(d)为本发明实施例中基于光谱特征参数、植被指数下叶片全磷含量LPC与RSI(R764,R534)的定量关系；
图4(e)为本发明实施例中基于光谱特征参数、植被指数下叶片全磷含量LPC与SDr/SDy的定量关系；
图4(f)为本发明实施例中基于光谱特征参数、植被指数下叶片全磷含量LPC与SDr/SDb的定量关系；
图5(a)为本发明实施例中基于最佳比值植被指数RSI下叶片全磷含量LPC与RSI(R410,R430)的定量关系
图5(b)为本发明实施例中基于最佳比值植被指数RSI下叶片全磷含量LPC与RSI(R760,R530)的定量关系
图5(c)为本发明实施例中基于最佳比值植被指数RSI下叶片全磷含量LPC与RSI(R760,R530)-RSI(R410,R430)的定量关系；
图6(a)为本发明实施例中基于最佳对数比值植被指数LG-RSI下叶片全磷含量LPC与RSI(lgR520,lgR690)的定量关系；
图6(b)为本发明实施例中基于最佳对数比值植被指数LG-RSI下叶片全磷含量LPC与RSI(lgR680,lgR410)的定量关系；
图6(c)为本发明实施例中基于最佳对数比值植被指数LG-RSI下叶片全磷含量LPC与RSI(lgR520,lgR690)-RSI(lgR680,lgR410)的定量关系；
图7(a)为本发明实施例中基于光谱参数RSI(R410,R430)的叶片全磷含量LPC估算模型验证结果；
图7(b)为本发明实施例中基于光谱参数SDr/SDb的叶片全磷含量LPC估算模型验证结果；
图7(c)为本发明实施例中基于光谱参数SDr/SDy的叶片全磷含量LPC估算模型验证结果。
具体实施方式
下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅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做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。
为使本发明的上述目的、特征和优点能够更加明显易懂，下面结合附图和具体实施方式对本发明作进一步详细的说明。
参照图1所示，本实施例提供基于高光谱数据的菠萝叶片全磷含量估算方法，包括以下步骤：
S1.采集菠萝叶片样本；
菠萝叶片样本的具体采集过程为：对菠萝种植区域进行分区处理，得到若干个子区域，在每个子区域选择若干株菠萝作为代表性植株，在每株菠萝中选择若干片不同生长状态的叶片。
S2.基于菠萝叶片样本获得叶片光谱信息和叶片全磷含量；
叶片光谱信息获取：采用CI-710Miniature Leaf Spectrometer仪器对每片菠萝叶片的若干个光谱点进行光谱测量，将每个子区域中的所述不同生长状态的叶片光谱进行记录；每个子区域进行光谱测量后，均进行白板校正。
叶片全磷含量获取：将对应的植株叶片，在105℃杀青30min，80℃烘干至恒重，粉碎后作为待测样品备用。将粉碎的叶片样品用H2SO4-H2O2消煮，通过钼蓝比色法测定叶片全磷含量(g kg-1)。
S3.基于叶片光谱信息获取光谱反射敏感波段，基于光谱反射敏感波段构建光谱特征参数和植被指数。
光谱反射敏感波段的获取：对光谱的反射率数据进行五种数据处理，包括一阶导数、二阶导数、对数、对数一阶导数、对数二阶导数，并进行相关性分析，获得敏感波段。
S4.基于光谱特征参数、植被指数和叶片全磷含量构建菠萝叶片全磷含量LPC估算模型，菠萝叶片全磷含量LPC估算模型用于对菠萝叶片中的全磷含量进行预测；
菠萝叶片全磷含量LPC估算模型的具体构建过程为：将菠萝叶片样本划分为建模样本和模型检验样本，基于建模样本，利用多种方程拟合方式对叶片全磷含量LPC估算模型进行构建，并通过模型检验样本对比各模型的决定系数、均方根误差、相对均方根误差，将决定系数最高而均方根误差、相对均方根误差最小的模型作为所述菠萝叶片全磷含量LPC估算模型。
其中，
均方根误差RMSE具体为：
Figure BDA0003170447870000081
相对均方根误差RRMSE具体为：
Figure BDA0003170447870000091
式中，Pi为模型预测叶片全磷含量的值，Mi为叶片全磷含量真实值，
Figure BDA0003170447870000092
为Mi的平均值，n为样本数量。
菠萝叶片全磷含量LPC估算模型的具体预测过程为：采集待测菠萝叶片光谱，将待测菠萝叶片光谱输入菠萝叶片全磷含量LPC估算模型中，完成对菠萝叶片的全磷含量的预测。
本实施例提供实验于广东省湛江市麻章区南亚热带作物研究所试验基地的金菠萝(MD-2)叶片全磷含量相关分析。
设置三个磷肥梯度，分别为P0(P2O5，0kg hm-2)、P1(P2O5，60kg hm-2)、P2(P2O5，90kghm-2)3个水平，共划分3个处理梯度9个子区域。每个子区域30m2(6m×5m)，种植密度3500～4000株/亩，行距60cm，株距30cm，每个子区域种植菠萝160株(10行，每行16株)，子区域之间间隔1.5米。P0处理也不施氮、钾肥，P1和P2处理氮、钾施肥保持一致，N、K2O投入量分别为360kg hm-2、1035kg hm-2。催花前N、P2O5、K2O投入量分别占总投入量的65％、65％、65％，分10次；催花后投入量占总投入量的35％、35％、35％，分5次。施用的肥料为尿素(N，46.4％)、过磷酸钙(P2O5，16％)和硫酸钾(K2O，50％)。
菠萝叶片光谱信息采用美国(CID Bio-Science)公司生产的CI-710 MiniatureLeaf Spectrometer仪器测定，波段值为400～1000nm，光谱分辨率为2nm(FWHM)，在菠萝旺长初期(移植后7～8个月)、旺长末期(移植后10～11个月)和开花结果期(移植后13～14个月)选择晴朗无风或风速较小的天气进行，测量时间为10:30-13:00。测量时，仪器Integration time设置为300ms，Boxcar width设置为10。每个子区域选择有代表性植株5株，每株选择老、中、幼叶片各3片，每张叶片测定3个点，以45个光谱点为一个采样光谱，每个子区域通过老、中、幼三类叶片分别记录采样光谱。每测量一个子区域后，均进行白板校正。
将对应的植株叶片，在105℃杀青30min，80℃烘干至恒重，粉碎后作为待测样品备用。将粉碎的叶片样品用H2SO4-H2O2消煮，钼蓝比色法测定叶片全磷含量(g kg-1)。
光谱反射率数据提取采用CI-710Miniature Leaf Spectrometer自带软件Spectrasnap，用Excel 2010对光谱反射率数据进行5种处理(一阶导数、二阶导数、对数、对数一阶导数、对数二阶导数)。利用SPSS 26对光谱反射率及其5种处理数据进行相关性分析，筛选出敏感波段，基于敏感波段构建光谱特征参数与植被指数，并提取光谱特征“三边”参数(表1)。采用SPSS 26对敏感波段、光谱特征参数与植被指数进行多元逐步线性回归分析以及指数、幂、多项式等多种方式的曲线拟合。
对光谱反射率及其5种处理数据，每隔10nm读取数据，采用矩阵的形式，将两两组合的所有可能波段构建比值植被指数(RSI)，与菠萝叶片磷含量LPC进行包括线性、指数、幂、多项式等多种方式方程拟合，根据决定系数(r2)确定最佳比值植被指数以及最优方程拟合。
表1
Figure BDA0003170447870000111
本实施例将90个样本随机分成2组，其中建模样本60个，模型检验样本30个，通过对比各模型的决定系数(r2)、均方根误差(RMSE)、相对均方根误差(RRMSE)筛选出最优模型。
通过图2(a)-图2(b)能够发现不同叶龄叶片和施磷水平的反射光谱曲线存在一定的差异，其中不同叶龄叶片的反射光谱曲线在500-680nm波段和700-950nm波段差异较明显，不同施磷水平在530-600nm波段和760-950nm波段也存在一定的差异。
从图3(a)-图3(f)中可以看出，叶片光谱反射率及其对数，即图3(a)R和图3(d)lgR与叶片全磷含量LPC的相关性最佳，均达到极显著正相关，其中以520～560nm、695～705nm波段的相关性最高。叶片光谱反射率及其对数分别于534nm、551nm达到最大正相关。叶片光谱反射率及其对数的一阶导数和二阶导数，即R-FD、R-SD、lgR-FD和lgR-SD部分波段与叶片全磷含量LPC的相关性也达到极显著相关水平，但整体相关性没有明显的改善。图3(b)R-FD在634nm、562nm、606nm、632nm、761nm、677nm、593nm、478nm和581nm波段与LPC的相关性均达到极显著水平，相关系数在0.65以上，其中634nm和761nm波段分别达到最大负相关和正相关。与图3(a)R、图3(b)R-FD和图3(d)lgR相比，图3(c)R-SD的最大正负相关水平得到改善，在501nm和699nm波段分别达到最大正相关(r＝0.79)和最大负相关(r＝-0.72)。图3(e)lgR-FD在852nm和604nm波段分别达到最大正相关(r＝0.70)和最大负相关(r＝-0.72)。图3(f)lgR-FD在501nm和699nm波段分别达到最大正相关(r＝0.75)和最大负相关(r＝-0.69)。
表2
光谱特征参数 决定系数(r<sup>J</sup>) 植被指数 决定系数(r<sup>2</sup>)
R<sub>534</sub> 0.565 MCARI 0.466
FD<sub>634</sub> 0.496 NPCI 0.220
SD<sub>501</sub> 0.620 PSRI 0.247
SD<sub>699</sub> 0.521 SIPI 0.221
SD<sub>501</sub>-SD<sub>699</sub> 0.586 CIgreen 0.503
lgR<sub>551</sub> 0.542 mND<sub>705</sub> 0.416
FD(lgR<sub>852</sub>) 0.491 RSI(R<sub>764</sub>，R<sub>534</sub>) 0.631
FD(lgR<sub>604</sub>) 0.515 NDSI(R<sub>764</sub>，R<sub>534</sub>) 0.634
FD(lgR<sub>852</sub>)-FD(lgR<sub>604</sub>) 0.577 RSI[FD(lgR<sub>604</sub>)，FD(lgR<sub>852</sub>)] 0.513
SD(lgR<sub>501</sub>) 0.569 NDSI[FD(lgR<sub>604</sub>)，FD(lgR<sub>852</sub>)] 0.445
SD(lgR<sub>699</sub>) 0.475
SD(lgR501)-SD(lgR<sub>699</sub>) 0.627
Db 0.362
Dy 0.267
Dr 0.313
SDb 0.538
SDy 0.558
SDr 0.065
SDr/SDb 0.698
SDr/SDy 0.730
根据图2(a)-图2(b)中筛选的敏感波段构建了一些新的光谱特征参数，并筛选了部分植被指数，将这些光谱特征参数和植被指数与LPC进行线性、指数、幂、多项式等多种方式方程拟合，表2为菠萝叶片全磷含量LPC与光谱特征参数及植被指数线性拟合的决定系数的结果。通过对比决定系数，筛选出6个决定系数(r2)超过0.60的光谱特征参数或植被指数，按照决定系数从大到小依次为SDr/SDy、SDr/SDb、NDSI(R764,R534)、RSI(R764,R534)、SD(lgR501)-SD(lgR699)和SD501，发现三边面积的比值与叶片全磷含量LPC具有较高的相关性。
将表2中筛选的6种最佳光谱特征参数和植被指数分别与叶片全磷含量LPC进行了线性、指数、幂、多项式等多种方式的拟合，根据决定系数，确定最佳定量关系。图4(a)-图4(f)即为6种光谱特征参数和植被指数与叶片全磷含量LPC的拟合模型，发现对三边面积比值进行指数拟合具有较高的决定系数，比值植被指数与归一化植被指数进行二项式拟合效果较佳。
基于原始光谱反射率的比值植被指数构建菠萝叶片全磷含量LPC估算模型：
在400-900nm范围内，每隔10nm读取光谱反射率数据，采用矩阵的形式，将两两组合的所有可能波段构建的比值植被指数(RSI)与菠萝叶片全磷含量LPC进行线性、指数、幂、多项式等多种方式方程拟合，根据决定系数确定最佳比值植被指数以及最优方程拟合。通过对比分析，发现RSI(R410,R430)和RSI(R760,R530)与菠萝叶片全磷含量LPC最敏感，同时将2个比值植被指数进行差值计算，即RSI(R760,R530)-RSI(R410,R430)，发现与菠萝叶片全磷含量LPC进行方程拟合后，决定系数也达到了0.60以上。图5(a)-图5(c)为筛选的3个最佳比值植被指数以及对应的最优拟合方程，其中RSI(R410,R430)与菠萝叶片全磷含量LPC的拟合度最高，决定系数达到0.79。
基于光谱反射率对数的比值植被指数构建菠萝叶片全磷含量LPC估算模型：
在400-900nm范围内，每隔10nm读取光谱反射率数据，并将光谱反射率进行对数转换，将所有可能组合的对数比值植被指数(LG-RSI)与菠萝叶片全磷含量LPC进行线性、指数、幂、多项式等多种方式方程拟合，根据决定系数确定最佳比值植被指数以及最优拟合方程。通过比较分析，筛选出2个决定系数最高的比值植被指数，分别为RSI(lgR520,lgR690)和RSI(lgR680,lgR410)，同时将2个比值植被指数进行了差值计算，即RSI(lgR520,lgR690)-RSI(lgR680,lgR410)，并与菠萝叶片全磷含量LPC进行方程拟合。图6(a)-图6(c)为筛选的3个植被指数以及对应的最优拟合方程，发现RSI(lgR520,lgR690)-RSI(lgR680,lgR410)的决定系数也超过了0.60，但与RSI(lgR520,lgR690)和RSI(lgR680,lgR410)相比并没有明显改善。
验证结果：
根据决定系数大小，进一步筛选出3个决定系数最高的光谱参数和植被指数，分别为RSI(R410,R430)、SDr/SDb和SDr/SDy。图7(a)-图7(c)是基于RSI(R410,R430)、SDr/SDb和SDr/SDy的菠萝叶片全磷含量LPC估算模型验证，验证结果显示，3个参数的决定系数均超过0.60，RRMSE则均低于20％，基于3个参数拟合的估算模型均能够较好的预测菠萝叶片全磷含量，其中又以基于RSI(R410,R430)拟合的估算模型最佳，其决定系数最高，RMSE和RRMSE则相对最低。
通过敏感波段构建的光谱特征参数和部分已知的植被指数与菠萝叶片全磷含量LPC建立多种函数估算模型，根据决定系数和模型验证时的结果，发现光谱特征参数SDr/SDb及SDr/SDy构建的估算模型具有较好预测菠萝叶片全磷含量的能力，其决定系数分别0.70和0.73，模型验证时RMSE分别为0.21和0.18，RRMSE分别为17.38％和14.77％。通过比值植被指数与菠萝叶片全磷含量LPC建立多种函数估算模型，发现基于比值植被指数RSI(R410,R430)构建的估算模型预测能力最佳，其决定系数达0.79，模型验证时RMSE为0.16，RRMSE为13.29％。
本发明公开了以下技术效果：
本发明采用高光谱仪器设备，通过获取菠萝叶片全磷含量的高光谱数据，实现对菠萝叶片磷含量的快速、无损和精准诊断，进而促进菠萝磷肥精准管理，并加快磷高效品种的选育，解决了传统化学分析方法中作物磷营养诊断效率低、时效性差、费用高的问题。
最后应说明的是：以上所述实施例，仅为本发明的具体实施方式，用以说明本发明的技术方案，而非对其限制，本发明的保护范围并不局限于此，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：任何熟悉本技术领域的技术人员在本发明揭露的技术范围内，其依然可以对前述实施例所记载的技术方案进行修改或可轻易想到变化，或者对其中部分技术特征进行等同替换；而这些修改、变化或者替换，并不使相应技术方案的本质脱离本发明实施例技术方案的精神和范围。都应涵盖在本发明的保护范围之内。因此，本发明的保护范围应所述以权利要求的保护范围为准。

Claims (9)

1.基于高光谱数据的菠萝叶片全磷含量估算方法，其特征在于，包括以下步骤：
S1.采集菠萝叶片样本；
S2.基于所述菠萝叶片样本获得叶片光谱信息和叶片全磷含量；
S3.基于所述叶片光谱信息获取光谱反射敏感波段，基于所述光谱反射敏感波段构建光谱特征参数和植被指数；
S4.基于所述光谱特征参数、植被指数和所述叶片全磷含量构建菠萝叶片全磷含量LPC估算模型，所述菠萝叶片全磷含量LPC估算模型用于对菠萝叶片中的全磷含量进行估算。
2.根据权利要求1所述的基于高光谱数据的菠萝叶片全磷含量估算方法，其特征在于，所述菠萝叶片样本的具体采集过程为：对菠萝种植区域进行分区处理，得到若干个子区域，在每个所述子区域选择若干株菠萝作为代表性植株，在每株菠萝中选择若干片不同生长状态的叶片。
3.根据权利要求2所述的基于高光谱数据的菠萝叶片全磷含量估算方法，其特征在于，所述叶片光谱信息的具体获取过程为：对每片所述菠萝叶片的若干个光谱点进行光谱测量，将每个所述子区域中的所述不同生长状态的叶片光谱进行记录。
4.根据权利要求3所述的基于高光谱数据的菠萝叶片全磷含量估算方法，其特征在于，每个所述子区域进行所述光谱测量后，均进行白板校正。
5.根据权利要求1所述的基于高光谱数据的菠萝叶片全磷含量估算方法，其特征在于，所述叶片全磷含量采用钼蓝比色法进行测定。
6.根据权利要求1所述的基于高光谱数据的菠萝叶片全磷含量估算方法，其特征在于，所述菠萝叶片全磷含量LPC估算模型的具体构建过程为：将所述菠萝叶片样本划分为建模样本和模型检验样本，基于所述建模样本，利用多种方程拟合方式对菠萝叶片全磷含量LPC估算模型进行构建，并通过所述模型检验样本对比各所述模型的决定系数、均方根误差、相对均方根误差，将所述决定系数最高而所述均方根误差、相对均方根误差最小的模型作为所述菠萝叶片全磷含量LPC估算模型。
7.根据权利要求6所述的基于高光谱数据的菠萝叶片全磷含量估算方法，其特征在于，所述菠萝叶片全磷含量LPC估算模型的具体预测过程为：采集待测菠萝叶片光谱，将所述待测菠萝叶片光谱输入所述菠萝叶片全磷含量LPC估算模型中，完成对所述菠萝叶片的全磷含量的预测。
8.根据权利要求6所述的基于高光谱数据的菠萝叶片全磷含量估算方法，其特征在于，所述均方根误差RMSE具体为：
Figure FDA0003170447860000021
式中，Pi为模型预测叶片全磷含量的值，Mi为叶片全磷含量真实值，n为样本数量。
9.根据权利要求6所述的基于高光谱数据的菠萝叶片全磷含量估算方法，其特征在于，所述相对均方根误差RRMSE具体为：
Figure FDA0003170447860000031
式中，Pi为模型预测叶片全磷含量的值，Mi为叶片全磷含量真实值，
Figure FDA0003170447860000032
为Mi的平均值，n为样本数量。
CN202110816850.9A 2021-07-20 2021-07-20 基于高光谱数据的菠萝叶片全磷含量估算方法 Pending CN113390797A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202110816850.9A CN113390797A (zh) 2021-07-20 2021-07-20 基于高光谱数据的菠萝叶片全磷含量估算方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110816850.9A CN113390797A (zh) 2021-07-20 2021-07-20 基于高光谱数据的菠萝叶片全磷含量估算方法

Publications (1)

Publication Number Publication Date
CN113390797A true CN113390797A (zh) 2021-09-14

Family

ID=77626571

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110816850.9A Pending CN113390797A (zh) 2021-07-20 2021-07-20 基于高光谱数据的菠萝叶片全磷含量估算方法

Country Status (1)

Country Link
CN (1) CN113390797A (zh)

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103868880A (zh) * 2014-01-24 2014-06-18 河南农业大学 基于光谱双峰指数的小麦叶片氮含量监测方法及其监测模型的构建方法
CN204666498U (zh) * 2015-06-16 2015-09-23 中国农业科学院农业资源与农业区划研究所 一种作物高光谱监测系统
CN106290197A (zh) * 2016-09-06 2017-01-04 西北农林科技大学 水稻叶片全氮含量高光谱估测及估测模型构建方法
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
CN111161362A (zh) * 2020-01-15 2020-05-15 昆山小茶智能科技有限公司 一种茶树生长状态光谱影像鉴别方法

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103868880A (zh) * 2014-01-24 2014-06-18 河南农业大学 基于光谱双峰指数的小麦叶片氮含量监测方法及其监测模型的构建方法
CN204666498U (zh) * 2015-06-16 2015-09-23 中国农业科学院农业资源与农业区划研究所 一种作物高光谱监测系统
CN106290197A (zh) * 2016-09-06 2017-01-04 西北农林科技大学 水稻叶片全氮含量高光谱估测及估测模型构建方法
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
CN111161362A (zh) * 2020-01-15 2020-05-15 昆山小茶智能科技有限公司 一种茶树生长状态光谱影像鉴别方法

Non-Patent Citations (5)

* Cited by examiner, † Cited by third party
Title
冯美臣: "《黄土高原水旱地冬小麦长势动态监测及产量品质遥感估测》", 31 October 2015, 中国农业大学出版社 *
孙鹏: "三江源区不同退化梯度高寒草原植被高光谱特征研究", 《中国优秀博硕士学位论文全文数据库（硕士） 农业科技辑》 *
王文博 等: "《统计学——经济社会统计》", 30 June 2005, 西安交通大学出版社 *
郝汉舟: "《土壤地理学与生物地理学实习实践教程》", 30 June 2013, 西南交通大学出版社 *
陈瑛瑛: "不同品种水稻主要生长指标与稻穗N、P养分的高光谱估测", 《中国优秀博硕士学位论文全文数据库（硕士） 农业科技辑》 *

Similar Documents

Publication Publication Date Title
CN110082300B (zh) 基于光谱参量的冬小麦冠层含水率监测模型建立方法
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
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
CN111855589A (zh) 水稻叶片氮积累量遥感反演模型和方法
CN113268923B (zh) 一种基于模拟多光谱的夏玉米产量估算方法
CN110567892B (zh) 一种基于临界氮浓度的夏玉米氮素高光谱预测方法
CN111855591A (zh) 水稻地上部碳氮比遥感反演模型和方法
CN110082309B (zh) 冬小麦冠层spad值综合光谱监测模型建立方法
CN111044516B (zh) 一种水稻叶绿素含量遥感估测方法
CN110579186B (zh) 基于逆高斯过程反演叶面积指数的农作物长势监测方法
CN111855590A (zh) 水稻叶片淀粉积累量遥感反演模型和方法
Giuffrida et al. A simple model for nondestructive leaf area estimation in bedding plants
Xie et al. Hyperspectral characteristics and growth monitoring of rice (Oryza sativa) under asymmetric warming
CN111829965A (zh) 水稻地上部淀粉积累量遥感反演模型和方法
CN111855593A (zh) 水稻叶片淀粉含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
CN103278467A (zh) 一种植物叶片氮素丰缺快速无损高准确率的鉴别方法
CN113552096A (zh) 一种基于光谱的菠萝叶片氮含量估算方法
CN111855592A (zh) 水稻单位面积内地上部干物重遥感反演模型和方法
CN113670913B (zh) 水稻氮素含量反演高光谱植被指数构建方法
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
CN113390797A (zh) 基于高光谱数据的菠萝叶片全磷含量估算方法
CN115479903A (zh) 一种基于波长的叶绿素含量测定方法及其系统
Bi et al. Hyperspectral diagnosis of nitrogen status in arbuscular mycorrhizal inoculated soybean leaves under three drought conditions
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
RJ01 Rejection of invention patent application after publication
RJ01 Rejection of invention patent application after publication

Application publication date: 20210914