CN114199793A - 一种基于高光谱的苹果叶片含氮量检测方法 - Google Patents
一种基于高光谱的苹果叶片含氮量检测方法 Download PDFInfo
- Publication number
- CN114199793A CN114199793A CN202111551944.4A CN202111551944A CN114199793A CN 114199793 A CN114199793 A CN 114199793A CN 202111551944 A CN202111551944 A CN 202111551944A CN 114199793 A CN114199793 A CN 114199793A
- Authority
- CN
- China
- Prior art keywords
- nitrogen content
- apple
- spectrum
- vector
- spectral
- 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
- IJGRMHOSHXDMSA-UHFFFAOYSA-N Atomic nitrogen Chemical compound N#N IJGRMHOSHXDMSA-UHFFFAOYSA-N 0.000 title claims abstract description 100
- 229910052757 nitrogen Inorganic materials 0.000 title claims abstract description 50
- 238000001514 detection method Methods 0.000 title claims abstract description 22
- 241000219998 Philenoptera violacea Species 0.000 title claims abstract description 13
- 239000013598 vector Substances 0.000 claims abstract description 62
- 230000003595 spectral effect Effects 0.000 claims abstract description 57
- 235000011430 Malus pumila Nutrition 0.000 claims abstract description 47
- 235000015103 Malus silvestris Nutrition 0.000 claims abstract description 47
- 244000141359 Malus pumila Species 0.000 claims abstract description 39
- 238000004458 analytical method Methods 0.000 claims abstract description 20
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 19
- 238000002790 cross-validation Methods 0.000 claims abstract description 10
- 238000011161 development Methods 0.000 claims abstract description 10
- 238000010801 machine learning Methods 0.000 claims abstract description 9
- 238000000605 extraction Methods 0.000 claims abstract description 4
- 241000220225 Malus Species 0.000 claims abstract 8
- 238000001228 spectrum Methods 0.000 claims description 55
- 230000006870 function Effects 0.000 claims description 22
- 230000009466 transformation Effects 0.000 claims description 17
- 238000010219 correlation analysis Methods 0.000 claims description 11
- 238000010835 comparative analysis Methods 0.000 claims description 4
- 101100521097 Caenorhabditis elegans pri-1 gene Proteins 0.000 claims description 3
- 238000000034 method Methods 0.000 abstract description 8
- 238000005516 engineering process Methods 0.000 abstract description 4
- 235000015097 nutrients Nutrition 0.000 abstract description 4
- 238000012544 monitoring process Methods 0.000 abstract description 3
- 238000011160 research Methods 0.000 description 9
- 230000000694 effects Effects 0.000 description 7
- 238000012360 testing method Methods 0.000 description 6
- 238000012549 training Methods 0.000 description 6
- 238000005070 sampling Methods 0.000 description 5
- 238000005259 measurement Methods 0.000 description 4
- 239000000523 sample Substances 0.000 description 4
- 241000196324 Embryophyta Species 0.000 description 3
- 238000006243 chemical reaction Methods 0.000 description 3
- 238000003066 decision tree Methods 0.000 description 3
- 238000012986 modification Methods 0.000 description 3
- 230000004048 modification Effects 0.000 description 3
- 230000002159 abnormal effect Effects 0.000 description 2
- 238000010276 construction Methods 0.000 description 2
- 238000002474 experimental method Methods 0.000 description 2
- 239000002420 orchard Substances 0.000 description 2
- 230000008569 process Effects 0.000 description 2
- 238000012545 processing Methods 0.000 description 2
- 238000007789 sealing Methods 0.000 description 2
- 239000002689 soil Substances 0.000 description 2
- 229920000742 Cotton Polymers 0.000 description 1
- 238000007696 Kjeldahl method Methods 0.000 description 1
- 240000007594 Oryza sativa Species 0.000 description 1
- 235000007164 Oryza sativa Nutrition 0.000 description 1
- 235000021307 Triticum Nutrition 0.000 description 1
- 244000098338 Triticum aestivum Species 0.000 description 1
- 235000010724 Wisteria floribunda Nutrition 0.000 description 1
- 240000008042 Zea mays Species 0.000 description 1
- 235000005824 Zea mays ssp. parviglumis Nutrition 0.000 description 1
- 235000002017 Zea mays subsp mays Nutrition 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 230000000052 comparative effect Effects 0.000 description 1
- 238000007796 conventional method Methods 0.000 description 1
- 235000005822 corn Nutrition 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000003745 diagnosis Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 230000004069 differentiation Effects 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 239000006260 foam Substances 0.000 description 1
- 230000036541 health Effects 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 239000010410 layer Substances 0.000 description 1
- 239000000618 nitrogen fertilizer Substances 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 238000013433 optimization analysis Methods 0.000 description 1
- 230000000243 photosynthetic effect Effects 0.000 description 1
- 238000001556 precipitation Methods 0.000 description 1
- 238000007637 random forest analysis Methods 0.000 description 1
- 238000002310 reflectometry Methods 0.000 description 1
- 235000009566 rice Nutrition 0.000 description 1
- 238000010187 selection method Methods 0.000 description 1
- 239000002356 single layer Substances 0.000 description 1
- 238000012706 support-vector machine 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
- G01N21/27—Colour; Spectral properties, i.e. comparison of effect of material on the light at two or more different wavelengths or wavelength bands using photo-electric detection ; circuits for computing concentration
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N20/00—Machine learning
Landscapes
- Physics & Mathematics (AREA)
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- General Physics & Mathematics (AREA)
- General Health & Medical Sciences (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Analytical Chemistry (AREA)
- Biochemistry (AREA)
- Life Sciences & Earth Sciences (AREA)
- Health & Medical Sciences (AREA)
- Immunology (AREA)
- Pathology (AREA)
- Artificial Intelligence (AREA)
- Chemical & Material Sciences (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Medical Informatics (AREA)
- Spectroscopy & Molecular Physics (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Investigating Or Analysing Materials By Optical Means (AREA)
Abstract
本发明提供了一种基于高光谱的苹果叶片含氮量检测方法，包括以下步骤：步骤1，对苹果生长发育的四个时期的叶片进行采集并进行光谱扫描；步骤2，对光谱数据展开特征波长分析并提取特征向量；步骤3，依据GBDT算法搭建机器学习反演模型，将步骤2中提取出的特征向量作为输入矢量导入反演模型中；步骤4，使用交叉验证优化反演模型参数；步骤5，用优化完成后的反演模型对苹果叶片氮含量进行检测。本发明的苹果叶片含氮量检测方法更准确，验证了特征波长提取方法的有效性，并为高光谱无损检测技术在苹果树营养元素含量快速检测和生长发育态势实时监测等方面的应用提供参考依据。
Description
技术领域
本发明属于苹果叶片含氮量检测技术领域，尤其涉及一种基于高光谱的苹果叶片含氮量检测方法。
背景技术
氮含量是植物健康状况和营养水平的重要指标，氮元素的缺失会大大降低农作物的光合产量。传统检测叶片氮含量大多采用化学计量检测法，例如凯氏定氮法，但是这种常规方法存在着耗时，检测过程繁琐的缺点。近年来，随着高光谱遥感技术的发展，利用作物在受到氮肥胁迫时会引起反射光谱变化的原理，叶片氮含量无损快速检测研究有了重大的进展，比如在小麦，水稻，玉米等领域，已经出现了一系列讨论不同光谱指数性质的研究。
当前叶片氮含量检测研究中一般利用多植被指数或者高光谱敏感波段反射率作为估测因子，并且使用的光谱波段大多集中在可见光-近红外短波范围内(350nm-1100nm)。研究不直接使用全波段原始反射光谱组成的光谱指标作为估测因子是由于原始反射光谱通常包含土壤背景信息，并且全波段用作变量可能导致反演模型泛化精度降低。研究表明，光谱导数变换可以有效地减小土壤背景信息和低频噪声，使光谱估测模型更加可靠。目前，微分光谱和由微分光谱构建的光谱指数都得到了广泛且成功的应用，它们被认为是估计植物生理参数的最佳方法。但是这种方法同样极大减少了氮含量估测模型的光谱输入变量数量。
发明内容
本发明基于高光谱对于苹果叶片进行含氮量检测，对苹果叶片原始光谱数据进行不同导数间隙下的微分处理，并以此构建光谱参数，并依据GBDT算法建模以实现苹果叶片氮含量的准确反演，为高光谱无损检测技术在苹果树营养元素含量快速检测和生长发育态势实时监测等方面的应用。为实现上述目的，本发明采用如下技术方案，具体步骤为：
步骤1，对苹果生长发育的四个时期的叶片进行采集并进行光谱扫描；
步骤2，对光谱数据展开特征波长分析并提取特征向量；
步骤3，依据GBDT算法搭建机器学习反演模型，将步骤2中提取出的特征向量作为输入矢量导入反演模型中；
步骤4，使用交叉验证优化反演模型参数；
步骤5，用优化完成后的反演模型对苹果叶片氮含量进行检测。
优选的，所述步骤1中对苹果生长发育的四个时期的叶片进行采集，分别是盛花期、新梢旺长期、春梢旺长期和秋梢旺长期。
优选的，所述步骤2中对光谱数据展开特征波长分析并提取特征向量，是在不同导数间隙上分别对微分光谱、微分光谱变换和植被光谱指数三个方面展开特征波长分析，并选择提取出来微分光谱、光谱变换得到的光谱向量以及植被光谱指数共13个特征向量作为GBDT反演模型的输入向量。
优选的，对光谱数据展开特征波长分析并提取特征向量的具体步骤为：
S1：将采集的苹果树叶片原始高光谱数据分别进行导数间隙为1至30的一阶微分变换，微分变换的公式为：
FDi代表波长为i时的一阶微分值，Ri代表波长为i时的高光谱反射率值，w代表导数间隙值，对苹果叶片氮含量与变换后的一阶微分光谱值分别进行相关性分析，依据相关性分析结果，确定30种导数间隙下与苹果树叶片氮含量显著相关的5个敏感波长，构建苹果叶片氮素含量的光谱参量，从高到低分别为FDW1_806，FDW2_837，FDW4_813，FDW11_415，FDW17_1001；
S2：使用原始光谱向量分别做倒数，对数的光谱向量变换，构建倒数、对数的微分光谱向量，对光谱向量与氮含量进行相关性分析选定倒数光谱的第775nm处的光谱向量，对数光谱第801nm处的光谱向量作为特征向量；
S3：选择六个具有明确物理意义和高度识别度的光谱指数进行比较分析，根据分析结果，选择NDVI705_1、MNDVI_3、VOG3_23、PRI_1、NDCI_7和RVI3_8作为氮含量估算的光谱向量。
优选的，所述步骤4中使用交叉验证优化反演模型参数，是通过交叉验证对GBDT算法中影响估计精度的最大深度、损失函数和迭代次数的反演模型参数进行了优化。
本发明的有益效果在于：与现有技术相比，本发明的苹果叶片含氮量检测方法更准确，验证了特征波长提取方法的有效性，并为高光谱无损检测技术在苹果树营养元素含量快速检测和生长发育态势实时监测等方面的应用提供参考依据。
附图说明
图1为不同时期苹果叶片的光谱反射率图。
图2为不同导数间隙下微分光谱值与叶片氮含量相关性分析图。
图3为不同导数间隙下的光谱变换向量与苹果叶片氮含量的相关性分析图。
图4为不同导数间隙下的高光谱指数与苹果叶片氮含量的相关性分析图。
图5为不同n_estimators和max_depth对模型的影响分析图。
图6为不同损失函数下的苹果叶片氮含量预测分析图。
图7为训练集上各特征的重要性排序以及在测试集上各特征的重要性排序图。
图8为微分光谱向量重要性排列图。
图9为经过光谱变换后得到的光谱向量重要性排列图。
图10为光谱指数特征向量重要性排列图。
图11为不同损失函数的RFR模型和SVR模型预测结果图。
图12为本发明检测方法的流程图。
具体实施方式
下面结合具体实施例对发明进行进一步说明。
如图12所示，一种基于高光谱的苹果叶片含氮量检测方法，其特征在于，包括以下步骤：
步骤1，对苹果生长发育的四个时期的叶片进行采集并进行光谱扫描；
步骤2，对光谱数据展开特征波长分析并提取特征向量；
步骤3，依据GBDT算法搭建机器学习反演模型，将步骤2中提取出的特征向量作为输入矢量导入反演模型中；
步骤4，使用交叉验证优化反演模型参数；
步骤5，用优化完成后的反演模型对苹果叶片氮含量进行检测。
本发明的研究对象是苹果叶片，样本采集地点位于中国山东省栖霞市西城镇(东经120°45’24”，北纬37°19’20”)，地处海拔210米的丘陵山区，气候类型为温带季风型气候，平均气温11.4℃，年均日照总时数为2659.9小时，年平均降水量为640毫米至846毫米，树龄平均达到7-8年，苹果树品种是成熟期红富士。
分别于2020年4月20日(盛花期)、5月20日(新梢旺长期)、6月20日(春梢停长期)、9月20日(秋梢停长期)，分四次进行苹果样本的采集，依据果园分布情况布设采样点，选取4个苹果园中的158颗苹果树为采样对象，随机采样，并尽量涵盖不同长势的叶片，在每棵苹果树在冠层外围各取4片大小、颜色相近的成熟健康叶片，叶片摘下后立即放入自封袋中，密封、编号后放入泡沫箱中保存，第二天带回实验室进行光谱测定及叶片氮含量测定。
使用AvaSpec-ULS2048光谱仪(由荷兰公司AvaSpec制造)在350至1100nm之间对样本进行光谱扫描，分辨率为3nm，采样间隔约为1nm。测定前，将待测光谱的叶片用脱脂棉擦拭干净，测定时，把单层叶片平整地置于黑色橡胶上，置光谱仪视场角为25°，探头正对测叶片中部，探头和刀片之间的距离为6cm。为了减少环境变化的影响，将每个样品测量10次后，取数据平均值，结果如图1所示，其中编号1是盛花期，编号2是新梢旺长期，编号3是春梢停长期，编号4是秋梢停长期。
光谱数据处理
对原初光谱进行转换是提高光谱诊断精度，减少冗余光谱干扰以及提高光谱信噪比的重要措施。本发明中对叶片原始光谱进行不同导数间隙的一节微分，对数，倒数，倒数的导数和对数的导数等光谱转换，并且对各种常用的植物光谱指数进行了验证。首先将苹果树叶片原始高光谱数据分别进行导数间隙为1至30的一阶微分变换，微分变换的公式为：
FDi代表波长为i时的一阶微分值，Ri代表波长为i时的高光谱反射率值，w代表导数间隙值。对苹果叶片氮含量与变换后的一阶微分光谱值分别进行相关性分析，分析结果如图2所示。
依据相关性分析结果，确定30种导数间隙下与苹果树叶片氮含量显著相关的5个敏感波长，构建苹果叶片氮素含量的光谱参量，从高到低分别为FDW1_806，FDW2_837，FDW4_813，FDW11_415，FDW17_1001(Ai_B,Airepresents the first-order differential valueat derivative gap i,and B represents the wavelength)。
其次使用原始光谱向量分别做倒数，对数的光谱向量变换，构建倒数、对数的微分光谱向量，光谱向量与氮含量的相关性分析如图3所示。微分光谱向量的相关系数方差较大，而且微分光谱向量相关系数绝对值的均值和倒数、对数的光谱向量的相比没有明显差距。因此我们同时选定倒数光谱的第775nm处的光谱向量，对数光谱第801nm处的光谱向量作为研究的特征向量。
最后本发明选择了六个具有明确物理意义和高度识别度的光谱指数进行比较分析。这些指数的计算方法如表1所示。根据现有研究，这些指数使用的波段均在可见光和近红外范围内。
表1氮含量估算的高光谱指数
图4是苹果不同导数间隙下的高光谱指数与苹果叶片氮含量的相关系数图。从图中可以看出，在不同的导数间隙下，高光谱指数与苹果叶片氮含量的相关性呈现出无规则性，但在导数间隙值为23-30中二者相关系数普遍偏低，也间接说明了导数间隙值为30之后的导数间隙值对我们寻找敏感的光谱参量没有实际意义。根据分析结果，选择了NDVI705_1，MNDVI_3，VOG3_23，PRI_1，NDCI_7，RVI3_8(A_B,A代表植被光谱指数，B代表导数间隙值)作为氮含量估算的光谱向量。
模型及优化：
GBDT是Boosting算法的一种，由DT(Regression Decistion Tree)、GB(GradientBoosting)和Shrinkage(衰减)三部分组成。算法决策结果由多棵决策树组成，迭代决策树在构建子树的时候，使用之前子树构建结果后形成的残差作为输入数据构建下一个子树，然后预测的时候按照子树构建的顺序进行预测，并将预测结果累加起来得到最终结果。GBDT算法适合低维数据，能处理非线性数据，并且可以使用一些健壮的损失函数，对异常值的鲁棒性非常强。在本发明中，我们通过交叉验证对GBDT算法中影响估计精度的最大深度，损失函数，迭代次数等模型参数进行了优化，并对特征选取的合理性进行了验证，并结合GBDT反演模型和其他主流机器学习算法在模型的预测效果进行了对比分析。
根据上述方法，分别将选择出来微分光谱，光谱变换得到的光谱向量以及植被光谱指数共13个特征向量作为GBDT模型的输入向量。由于GBDT模型的泛化能力由合适的模型参数组合决定，因此本研究对迭代次数(n_estimators)、最大深度(max_depth)，损失函数等GBDT模型参数进行了优化分析。
n_estimators代表要执行的迭代提升次数，max_depth给定各个回归估计量的最大深度，本研究探讨了1-500的n_estimators和max_depth对模型的影响，结果如图5所示。从分析结果中我们将n_estimators设为500，max_depth设为5，最终模型预测评估指标R2值为0.88，在n_estimators的设置上，虽然值为100时的测试集误差较小，但是此时训练集上的误差较大，R2值仅为0.60，这说明了模型处于欠拟合的状态，而当n_estimators设为350时，测试误差和训练误差都达到了稳定的状态，而R2值为0.86，与最终结果差值为0.02，但考虑到算法模型训练成本较低，更好的预测效果能提高反演模型的应用性，最终将n_estimators设为500。在max_depth的选择上却和n_estimators相反，当max_depth设为350时，即测试误差和训练误差都达到了稳定的状态，而此时模型的R2值仅为0.72，这是由于max_depth代表数据的纯度，max_depth数值设置过大会使模型受到异常值的影响而导致模型发生过拟合，因此我们将max_depth设为5。
在损失函数方面，本发明主要讨论了最小二乘回归损失函数，最小绝对偏差损失函数，最小二乘回归和最小绝对偏差相互结合的损失函数(Huber)以及分位数回归损失函数(Quantile)。各损失函数比较分析结果如图6所示，在测试集上拟合程度最高的是最小二乘回归损失函数，R2值达到了0.88，损失值为0.033。各损失函数下模型详细预测结果如表2所示。
表2 GBDT模型不同损失函数下的预测结果分析
在选定模型超参数后，本发明对GBDT模型中输入特征重要性进行了分析，以判断选取特征向量的合理性，分析结果如图7所示，各特征在训练集和测试集的重要性排列并不相同。
为了进一步确定特征重要性，本发明安排了三组实验，分别将微分光谱向量，经过光谱变换后得到的光谱向量以及光谱指数分别作为输入特征导入到GBDT模型中，分析结果如图8-10所示。三者的详细预测结果如表3所示，从预测效果上看，模型单独使用微分光谱向量作为输入向量的R2值最高，但低于三者同时作为输入变量的情况，其他的光谱向量的预测效果也处于较高的水平，因此本发明中的特征选取方法是可行的。
表3三种输入向量的预测结果分析
最后，本发明将GDBT模型和支持向量机回归算法(SVR)，随机森林回归(RFR)算法进行了比较试验，RFR算法[21]是基于回归树的集成机器学习算法，采用bagging思想，使用多数投票等方式获得最终的预测结果。SVR算法是一种基于结构风险最小化原理的机器学习算法，可以在保证校准模型准确性的同时降低机器学习的复杂度，从而获得有效的泛化能力和较高的预测精度。
在RFR算法中，我们将max_depth设定为30，使用100棵决策树训练了RFR模型。RFR反演模型的R2值为0.83，损失值为0.04。在SVR模型研究中，径向基函数(RBF)和最小二乘回归函数被用作SVR模型的核函数，通过交叉验证对影响估计精度的核函数参数g和惩罚系数C进行了优化。使用径向基函数的SVR模型R2值为0.82，使用最小二乘回归函数的SVR模型的R2值为0.71。RFR与SVR模型预测结果如图11所示。在GDBT、SVR、RFR的对比实验中，三者的R2值都达到了0.8以上，并且GBDT反演模型的R2值最高，达到了0.88。这表明在输入变量具有代表性且非常重要的前提下，机器学习估测模型都能达到不错地效果，进一步验证了本发明中特征波长提取方法的有效性和将GBDT模型作为苹果叶片氮测量反演模型的可行性。
以上所述仅为本申请的优选实施例而已，并不用于限制本申请，对于本领域的技术人员来说，本申请可以有各种更改和变化。凡在本申请的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本申请的保护范围之内。
上述虽然对本发明的具体实施方式进行了描述，但并非对本发明保护范围的限制，所属领域技术人员应该明白，在本发明的技术方案的基础上，本领域技术人员不需要付出创造性劳动即可做出的各种修改或变形仍在本发明的保护范围以内。
Claims (5)
1.一种基于高光谱的苹果叶片含氮量检测方法，其特征在于，包括以下步骤：
步骤1，对苹果生长发育的四个时期的叶片进行采集并进行光谱扫描；
步骤2，对光谱数据展开特征波长分析并提取特征向量；
步骤3，依据GBDT算法搭建机器学习反演模型，将步骤2中提取出的特征向量作为输入矢量导入反演模型中；
步骤4，使用交叉验证优化反演模型参数；
步骤5，用优化完成后的反演模型对苹果叶片氮含量进行检测。
2.如权利要求1所述的一种基于高光谱的苹果叶片含氮量检测方法，其特征在于：所述步骤1中对苹果生长发育的四个时期的叶片进行采集，分别是盛花期、新梢旺长期、春梢旺长期和秋梢旺长期。
3.如权利要求1中所述的一种基于高光谱的苹果叶片含氮量检测方法，其特征在于：所述步骤2中对光谱数据展开特征波长分析并提取特征向量，是在不同导数间隙上分别对微分光谱、微分光谱变换和植被光谱指数三个方面展开特征波长分析，并选择提取出来微分光谱、光谱变换得到的光谱向量以及植被光谱指数共13个特征向量作为GBDT反演模型的输入向量。
4.如权利要求3所述的一种基于高光谱的苹果叶片含氮量检测方法，其特征在于，对光谱数据展开特征波长分析并提取特征向量的具体步骤为：
S1：将采集的苹果树叶片原始高光谱数据分别进行导数间隙为1至30的一阶微分变换，微分变换的公式为：
FDi代表波长为i时的一阶微分值，Ri代表波长为i时的高光谱反射率值，w代表导数间隙值，对苹果叶片氮含量与变换后的一阶微分光谱值分别进行相关性分析，依据相关性分析结果，确定30种导数间隙下与苹果树叶片氮含量显著相关的5个敏感波长，构建苹果叶片氮素含量的光谱参量，从高到低分别为FDW1_806，FDW2_837，FDW4_813，FDW11_415，FDW17_1001；
S2：使用原始光谱向量分别做倒数，对数的光谱向量变换，构建倒数、对数的微分光谱向量，对光谱向量与氮含量进行相关性分析选定倒数光谱的第775nm处的光谱向量，对数光谱第801nm处的光谱向量作为特征向量；
S3：选择六个具有明确物理意义和高度识别度的光谱指数进行比较分析，根据分析结果，选择NDVI705_1、MNDVI_3、VOG3_23、PRI_1、NDCI_7和RVI3_8作为氮含量估算的光谱向量。
5.如权利要求1所述的一种基于高光谱的苹果叶片含氮量检测方法，其特征在于：所述步骤4中使用交叉验证优化反演模型参数，是通过交叉验证对GBDT算法中影响估计精度的最大深度、损失函数和迭代次数的反演模型参数进行了优化。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202111551944.4A CN114199793B (zh) | 2021-12-17 | 2021-12-17 | 一种基于高光谱的苹果叶片含氮量检测方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202111551944.4A CN114199793B (zh) | 2021-12-17 | 2021-12-17 | 一种基于高光谱的苹果叶片含氮量检测方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN114199793A true CN114199793A (zh) | 2022-03-18 |
| CN114199793B CN114199793B (zh) | 2023-10-27 |
Family
ID=80654921
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202111551944.4A Active CN114199793B (zh) | 2021-12-17 | 2021-12-17 | 一种基于高光谱的苹果叶片含氮量检测方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN114199793B (zh) |
Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN112129709A (zh) * | 2020-09-16 | 2020-12-25 | 西北农林科技大学 | 一种苹果树冠层尺度氮含量诊断方法 |
| US20210056424A1 (en) * | 2019-08-20 | 2021-02-25 | Rubber Research Institute, Chinese Academy Of Tropical Agricultural Sciences | Method and system for hyperspectral inversion of phosphorus content of rubber tree leaves |
| CN113607656A (zh) * | 2021-08-03 | 2021-11-05 | 安徽省农业科学院土壤肥料研究所 | 一种基于高光谱成像的叶片叶绿素含量监测方法与系统 |
-
2021
- 2021-12-17 CN CN202111551944.4A patent/CN114199793B/zh active Active
Patent Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20210056424A1 (en) * | 2019-08-20 | 2021-02-25 | Rubber Research Institute, Chinese Academy Of Tropical Agricultural Sciences | Method and system for hyperspectral inversion of phosphorus content of rubber tree leaves |
| CN112129709A (zh) * | 2020-09-16 | 2020-12-25 | 西北农林科技大学 | 一种苹果树冠层尺度氮含量诊断方法 |
| CN113607656A (zh) * | 2021-08-03 | 2021-11-05 | 安徽省农业科学院土壤肥料研究所 | 一种基于高光谱成像的叶片叶绿素含量监测方法与系统 |
Non-Patent Citations (2)
| Title |
|---|
| 安静等: "苹果叶片氮素含量高光谱检测研究", 《国土资源遥感》, vol. 28, no. 2, pages 67 - 71 * |
| 杨福芹等: "苹果叶片氮含量高光谱反演方法对比", 《遥感技术与应用》, vol. 36, no. 2, pages 353 - 361 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN114199793B (zh) | 2023-10-27 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN110376167A (zh) | 基于无人机高光谱的水稻叶片氮含量监测方法 | |
| CN107271382A (zh) | 一种不同生育期油菜叶片spad值遥感估算方法 | |
| CN110069895B (zh) | 冬小麦含氮量全生育时段光谱监测模型建立方法 | |
| CN103185695A (zh) | 一种基于光谱的烤烟成熟度田间快速判断方法 | |
| CN107271372A (zh) | 一种苹果叶片叶绿素遥感估测方法 | |
| CN110082309B (zh) | 冬小麦冠层spad值综合光谱监测模型建立方法 | |
| 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 | |
| CN106442338A (zh) | 一种基于svr算法的苹果叶片叶绿素含量高光谱反演方法 | |
| CN106485345A (zh) | 棉花全生育期冠层spad值遥感估算及估算模型构建方法 | |
| CN110987830A (zh) | 植物冠层叶片叶绿素含量快速测定模型、测定方法及应用 | |
| CN109060676A (zh) | 基于高光谱的夏玉米冠层spad值估算模型的确定方法 | |
| CN111044516A (zh) | 一种水稻叶绿素含量遥感估测方法 | |
| CN112129709A (zh) | 一种苹果树冠层尺度氮含量诊断方法 | |
| CN112881327A (zh) | 一种基于新型植被指数的烟叶spad值估测方法 | |
| CN110779875B (zh) | 一种基于高光谱技术检测冬小麦麦穗水分含量的方法 | |
| Yang | Nondestructive prediction of optimal harvest time of cherry tomatoes using VIS-NIR spectroscopy and PLSR calibration | |
| 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 | |
| CN114140695A (zh) | 一种基于无人机多光谱遥感的茶树氮素诊断及品质指标测定的预测方法和系统 | |
| CN116797950A (zh) | 一种基于无人机多光谱遥感的茶树水分胁迫监测方法 | |
| 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 | |
| CN115684107B (zh) | 一种基于日光诱导叶绿素荧光指数的水稻盐胁迫早期定量监测方法 | |
| CN116883874A (zh) | 一种用于芳樟矮林综合长势的评估方法及系统 | |
| Wang et al. | Optimal waveband identification for estimation of leaf area index of paddy rice | |
| CN114199793B (zh) | 一种基于高光谱的苹果叶片含氮量检测方法 | |
| Huang et al. | Estimation of chlorophyll content in pepper leaves using spectral transmittance red-edge parameters |
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 |