CN114219795A - 一种基于高光谱成像系统的茶树干旱诱导成分及干旱程度评估的预测方法和系统 - Google Patents
一种基于高光谱成像系统的茶树干旱诱导成分及干旱程度评估的预测方法和系统 Download PDFInfo
- Publication number
- CN114219795A CN114219795A CN202111555636.9A CN202111555636A CN114219795A CN 114219795 A CN114219795 A CN 114219795A CN 202111555636 A CN202111555636 A CN 202111555636A CN 114219795 A CN114219795 A CN 114219795A
- Authority
- CN
- China
- Prior art keywords
- drought
- hyperspectral
- tea tree
- tea
- imaging system
- 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
Links
- 235000009024 Ceanothus sanguineus Nutrition 0.000 title claims abstract description 65
- 240000003553 Leptospermum scoparium Species 0.000 title claims abstract description 65
- 235000015459 Lycium barbarum Nutrition 0.000 title claims abstract description 65
- 230000006698 induction Effects 0.000 title claims abstract description 48
- 238000000701 chemical imaging Methods 0.000 title claims abstract description 38
- 238000000034 method Methods 0.000 title claims abstract description 34
- 244000269722 Thea sinensis Species 0.000 claims abstract description 33
- 238000001514 detection method Methods 0.000 claims abstract description 12
- 235000006468 Thea sinensis Nutrition 0.000 claims abstract description 9
- 238000010219 correlation analysis Methods 0.000 claims abstract description 7
- 238000011156 evaluation Methods 0.000 claims abstract description 7
- 238000012544 monitoring process Methods 0.000 claims abstract description 5
- 238000012360 testing method Methods 0.000 claims description 11
- WSMYVTOQOOLQHP-UHFFFAOYSA-N Malondialdehyde Chemical compound O=CCC=O WSMYVTOQOOLQHP-UHFFFAOYSA-N 0.000 claims description 8
- 210000000170 cell membrane Anatomy 0.000 claims description 8
- 238000006243 chemical reaction Methods 0.000 claims description 8
- 238000010801 machine learning Methods 0.000 claims description 8
- 230000035699 permeability Effects 0.000 claims description 8
- 235000000346 sugar Nutrition 0.000 claims description 8
- 229940118019 malondialdehyde Drugs 0.000 claims description 6
- 230000009467 reduction Effects 0.000 claims description 6
- 238000012549 training Methods 0.000 claims description 6
- 230000003595 spectral effect Effects 0.000 claims description 5
- 238000007781 pre-processing Methods 0.000 claims description 3
- 238000012545 processing Methods 0.000 claims description 3
- 238000004458 analytical method Methods 0.000 claims description 2
- 238000013528 artificial neural network Methods 0.000 claims description 2
- 238000005520 cutting process Methods 0.000 claims description 2
- 238000005516 engineering process Methods 0.000 description 8
- 238000007726 management method Methods 0.000 description 7
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 4
- 241000196324 Embryophyta Species 0.000 description 3
- 230000008641 drought stress Effects 0.000 description 3
- 238000012216 screening Methods 0.000 description 3
- 238000010586 diagram Methods 0.000 description 2
- 238000005259 measurement Methods 0.000 description 2
- 238000003062 neural network model Methods 0.000 description 2
- 238000001228 spectrum Methods 0.000 description 2
- PFFIDZXUXFLSSR-UHFFFAOYSA-N 1-methyl-N-[2-(4-methylpentan-2-yl)-3-thienyl]-3-(trifluoromethyl)pyrazole-4-carboxamide Chemical compound S1C=CC(NC(=O)C=2C(=NN(C)C=2)C(F)(F)F)=C1C(C)CC(C)C PFFIDZXUXFLSSR-UHFFFAOYSA-N 0.000 description 1
- 240000007594 Oryza sativa Species 0.000 description 1
- 235000007164 Oryza sativa Nutrition 0.000 description 1
- 238000003556 assay Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000010485 coping Effects 0.000 description 1
- 238000013499 data model Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000018109 developmental process Effects 0.000 description 1
- 238000013210 evaluation model Methods 0.000 description 1
- 230000004907 flux Effects 0.000 description 1
- 230000002262 irrigation Effects 0.000 description 1
- 238000003973 irrigation Methods 0.000 description 1
- 238000012417 linear regression Methods 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 238000013507 mapping Methods 0.000 description 1
- 238000013178 mathematical model Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000009659 non-destructive testing Methods 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 239000002245 particle Substances 0.000 description 1
- 238000000513 principal component analysis Methods 0.000 description 1
- 230000008569 process Effects 0.000 description 1
- 238000011946 reduction process Methods 0.000 description 1
- 235000009566 rice Nutrition 0.000 description 1
- 230000011218 segmentation Effects 0.000 description 1
- 238000004611 spectroscopical analysis Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 150000008163 sugars Chemical class 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/0002—Inspection of images, e.g. flaw detection
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N20/00—Machine learning
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T5/00—Image enhancement or restoration
- G06T5/70—Denoising; Smoothing
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/136—Segmentation; Edge detection involving thresholding
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/20—Special algorithmic details
- G06T2207/20081—Training; Learning
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/20—Special algorithmic details
- G06T2207/20092—Interactive image processing based on input by user
- G06T2207/20104—Interactive definition of region of interest [ROI]
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Physics & Mathematics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Software Systems (AREA)
- Data Mining & Analysis (AREA)
- Medical Informatics (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Evolutionary Computation (AREA)
- Mathematical Physics (AREA)
- Artificial Intelligence (AREA)
- Quality & Reliability (AREA)
- Investigating Or Analysing Materials By Optical Means (AREA)
Abstract
本发明公开了一种基于高光谱成像系统的茶树干旱诱导成分及干旱程度评估的预测方法和系统。所述预测方法包括:利用高光谱成像系统采集茶树叶片高光谱图像,对其进行校正处理获得标准高光谱数据;获取叶片的干旱诱导成分的值及干旱程度的等级;确定感兴区域,对平均高光谱数据与茶树叶片的干旱诱导成分及干旱程度进行相关性分析,确定特征波段;构建干旱诱导成分的回归模型并选择最佳模型;利用特征波段和最佳模型构建茶树叶片干旱诱导成分及干旱程度的估算遥感监测影像。本发明可以实现对茶树主要生理生化成分的无损且有效检测,检测效率高,检测成本低,从而为茶园管理提供重要依据,进而优化茶园管理的方法,来提高茶园管理效率。
Description
技术领域
本发明属于高光谱成像系统估测领域,具体涉及一种基于高光谱成像系统的茶树干旱诱导成分及干旱程度评估的预测方法和系统。
背景技术
在自然界中,茶树易受干旱胁迫,干旱胁迫已成为制约茶叶生产的主要气象灾害之一。发展茶叶节水抗旱栽培是应对干旱胁迫的有效途径之一。如何有效地评价茶树的干旱程度是亟待解决的问题之一。传统的方法主要是检测植物的生理生化损伤,但该方法检测效率低,检测成本高。
高光谱成像系统采集方法,不仅具有无损、快速、高效高等优点,而且具有实时性和高通量的优点,可以更精确的检测茶树叶片的生理生化成分以及评估干旱程度。目前,人们已经利用高光谱成像技术,开展了许多理化参数监测技术。例如,通过利用微分光谱建立了水稻水分的高光谱回归模型。利用高光谱成像系统建立了油菜幼苗冠层干旱程度的反演模型,以估算幼苗阶段油菜幼苗叶片的干旱程度。然而,利用高光谱成像技术预测茶树叶片中干旱诱导成分含量以及估算其干旱程度的研究尚属罕见。
因此,研究利用高光谱成像技术获取茶树叶片的高光谱数据,通过建立不同的数学模型,实现对茶树叶片的无损检测,不仅对提高茶园水分管理和实时监测茶叶品质具有重要意义,而且对水分利用效率和改进节水灌溉具有重要意义。
发明内容
为了解决上述问题,本发明提供了一种基于高光谱成像系统的茶树干旱诱导成分及干旱程度评估的预测方法和系统。以高光谱成像系统为平台、使用高光谱相机获取茶树叶片高光谱信息,通过数字图像处理和机器学习技术,实现茶树叶片干旱诱导成分的预测和干旱程度的估算。
为实现上述发明目的,本发明采用以下技术方案予以实现:
本发明提供了一种基于高光谱成像系统的茶树干旱诱导成分及干旱程度评估的预测方法,包括以下步骤:
S1:采集茶树叶片;确定高光谱成像系统的采集范围和采集参数,对高光谱成像系统采集的茶树叶片的高光谱图像进行校正,获得标准高光谱图像;
S2:测定每个茶树叶片的干旱诱导成分的值及干旱程度的等级;
S3:采集步骤S1中标准高光谱图像的平均高光谱数据,确定感兴区域,在其范围内将平均高光谱数据与茶树叶片的干旱诱导成分及干旱程度进行相关性分析,并确定多个相关性最高的特征波段;
S4:重复步骤S1-S3,构建茶树叶片干旱诱导成分及干旱程度的回归预测模型,并选择每个指标的最佳模型;
S5:利用步骤S3中的特征波段结合步骤S4中的最佳模型,构建茶树叶片干旱诱导成分及干旱程度的估算遥感监测影像,从而实现茶树干旱诱导成分及干旱程度的无损评估。
进一步的,所述干旱诱导成分包括丙二醛含量、溶性糖含量、相对质膜透性和PSII原初光能转化效率。
进一步的,所述步骤S1中高光谱成像系统中的高光谱相机的视场角设为22,物距为38cm~50cm,曝光时间为9ms,光源色温设为3000K,像素设置为1101*960*176。
进一步的,所述步骤S1中利用高光谱相机从茶树叶片水平放置的俯视视角拍摄。
进一步的,所述步骤S3的具体步骤为:
(1)采集标准高光谱图像的平均高光谱数据,利用环境可视化程序ENVI通过阈值切割确定感兴区域,并提取感兴区域的茶树叶片的平均波段值;
(2)在环境可视化程序内,利用算法对步骤(1)中的平均波段值进行降噪处理,降低平均高光谱数据中的噪音并提升有效信息的可用性;
(3)在环境可视化程序内,将降噪处理后的平均波段值与茶树叶片的干旱诱导成分及干旱程度进行相关性分析,利用算法提取15个~85个与干旱诱导成分及干旱程度相关性最高的特征波段。
进一步的,与丙二醛含量相关度最高的特征波段为450nm、520nm、600nm~620nm、650nm~670nm、740nm~780nm、800nm、920nm、950nm;与可溶性糖含量相关性最高的特征波段为430nm~460nm、530nm~570nm、590nm~660nm、690nm~750nm、770nm~810nm、850nm~910nm;与相对质膜透性相关性最高的特征波段为530nm~550nm、590nm~660nm、690nm~730nm、770nm~810nm、850nm~910nm、960nm;与PSII原初光能转化效率相关性最高的特征波段为460nm、670nm、700nm~740nm、780nm、820nm~850nm、900nm~920nm;与干旱程度相关性最高的特征波段为450nm~530nm、540nm~600nm、670nm~820nm、830nm~870nm、910nm、950nm。
进一步的,所述步骤(2)和步骤(3)中的算法包括UVE、SPA、CARS算法。
进一步的,所述步骤S4中,采用机器学习的方法构建茶树干旱诱导成分及干旱程度的回归预测模型,具体步骤为:
(1)建立回归预测模型时,将所有数据集分为75%的训练集和25%的测试集,通过决定系数R2、均方根误差RMSE和相对分析误差RPD来评价回归预测模型的性能,并选择最佳模型;
(2)将每个茶树叶片的干旱诱导成分和干旱程度的测定值与高光谱数据进行拟合,构建茶树叶片干旱诱导成分和干旱程度的回归预测模型;
(3)为了评价步骤(2)中回归预测模型的精度,将测试集中各指标的测定值与回归预测模型的估计值进行比较,以验证回归预测模型的稳定性。
进一步的,当测试所述回归预测模型的R2、RMSE与训练集接近,且RPD大于2.0时,表明所述回归预测模型具有良好的稳定性。
进一步的,所述机器学习的方法包括PLSR、SVM、RF神经网络。
本发明还提供了一种基于高光谱成像系统的茶树干旱诱导成分及干旱程度评估的预测系统,高光谱相机,用来采集茶树叶片的高光谱图像;暗室,其中设有固定光源,用来放置所述高光谱相机进行茶树叶片的光谱图像采集;干旱指标检测装置,用来测定茶树叶片的干旱诱导成分的值及干旱程度的等级;处理器,用来执行以下操作:利用其中的高光谱数据反演软件预处理所述高光谱相机采集的高光谱图像;利用其中的环境可视化程序确定感兴区域;构建茶树叶片的干旱诱导成分及干旱程度的回归预测模型;测试所述回归预测模型的稳定性;预测茶树叶片干旱诱导成分及干旱程度的估算数据。
与现有技术相比,本发明具有的优点和有益效果是:
1、本发明通过对模拟自然干旱条件下的茶树生长模型,构建了茶树干旱诱导成分模型与干旱状态评估模型,并将模型应用到检测尺度上,通过实时、准确地对模型初始参数的调整,实现茶树生长状况动态的检测,进而来估测茶园茶树的干旱胁迫状态以及水分利用效率。
2、本发明通过利用高光谱成像系统获取茶树叶片的高光谱信息,结合同步进行的植株生理生化成分测定。基于机器学习的方法,建立回归预测模型,研究了茶树叶片高光谱信息和植株干旱诱导成分的关系,确定了数字图像技术估测茶树叶片丙二醛、可溶性糖、相对质膜透性、PSII原初光能转化效率与高光谱数据的关系和方程模型。本发明可以实现对茶树主要生理生化成分的无损且有效检测,检测效率高,检测成本低,从而为茶园管理提供重要依据,进而优化茶园管理的方法,来提高茶园管理效率。
附图说明
图1为本发明的一种基于高光谱成像系统的茶树干旱诱导成分及干旱程度评估的预测方法的流程图。
图2为内置环境可视化程序对茶树叶片高光谱图像的平均高光谱数据提取过程。
图3为内置环境可视化程序对所有样本的平均高光谱数据的降噪处理。
图4为丙二醛、可溶性糖、相对质膜透性、PSII原初光能转化效率和干旱受损程度的高光谱数据特征波段筛选图。
图5为叶片丙二醛、可溶性糖、相对质膜透性、PSII原初光能转化效率,干旱受损程度与高光谱数据模型相关系数图。
具体实施方式
结合以下具体实例对本发明的技术方案作进一步详细的说明。
实施例1
一种基于高光谱成像系统的茶树干旱诱导成分及干旱程度评估的预测方法,流程图见图1,包括如下步骤:
步骤一、高光谱影像的采集,包括以下具体步骤:
(1)确定待测叶片水平放置,设置高光谱相机参数。利用高光谱相机(Gaia fieldpro-v10,Dualix Spectral Imaging,China)采集茶树叶片的高光谱图像;相机的视场角为22,物距为38cm。相机的曝光时间设定为9ms,相机像素设置为1101*960*176。使用的高光谱相机共设置176个波段,覆盖范围为700~1000nm。期内设置的光源色温为3000K。
(2)使用SpecView软件(V1.0,Dualix Spectral Imaging,China)对采集的高光谱图像进行校正预处理。
步骤二、茶树叶片生理生化值的获取:
测定被采集高光谱图像的成熟叶片的各项干旱诱导成分的生理生化值。测定指标的统计描述如表1所示。
表1:测定指标的统计描述
步骤三、特征波段的筛选,包括以下具体步骤:
(1)采集校正后高光谱图像的平均高光谱数据,利用环境可视化程序ENVI通过阈值切割确定感兴区域(ROI),并提取采集茶树叶片的高光谱数据的平均波段值(图2)。
(2)利用UVE,SPA,CARS等多个算法,先对茶树叶片的平均高光谱数据进行降噪处理,降低平均光谱数据中的噪音与突出有效数据(图3);再将降噪处理后的平均高光谱数据与叶片干旱诱导成分的生理生化值及干旱受损程度进行相关性分析(图4),利用上述算法筛选15~80个相关性最高特征波段,并提取这些茶树叶片的平均波段值的特征数据。其中,与丙二醛含量相关度最高的特征波段为450、520、600~620、650~670、740~780、800、920、950nm;与相对质膜透性相关性最高的光谱波段为530~550、590~660、690~730、770~810、850~910、960nm;与PSII原初光能转化效率相关性最高的光谱波段为460、670、700~740、780、820~850、900~920nm;与可溶性糖相关性最高的光谱波段为430~460、530~570、590~660、690~750、770~810、850~910nm。与干旱程度相关性最高的光谱波段为450~530、540~600、670~820、830~870、910、950nm。
步骤四、回归模型的建立,包括以下具体步骤:
(1)为了保证数据的有效性和可靠性,对上述步骤进行重复,多次获取茶树叶片的高光谱图像,多次计算茶树叶片的干旱诱导成分与干旱受损程度。
(2)采用机器学习(PLSR、SVM、RF)的方法建立回归预测模型,并选择最佳模型。其中,PLSR集成了多元线性回归、主成分分析和典型相关分析的优点;SVM是非线性映射理论基础,有较小的鲁棒性;RF通过组合多个弱分类器,最终结果通过投票或取均值,使得整体模型的结果具有较高的精确度和泛化性能。
(3)建立模型时,将所有数据集分为75%的训练集和25%的测试集。通过决定系数(R2)、均方根误差(RMSE)和相对分析误差(RPD)来评价模型的性能。R2和RPD越大,RMSE越小表示模型的性能越好。R2、RMSE和RPD分别由公式(1)、(2)和(3)计算:
(4)将每个参数的测定值与高光谱数据进行拟合,建立茶干旱诱导成分与干旱受损程度的预测模型。表2展示了所建立的SVM、PLSR和RF神经网络模型。
表2:SVM、PLSR和RF神经网络模型
(5)为了评价各模型的反演精度,将测试集中各生理生化指标的实测值与模型的预测值进行了比较,并验证了叶片干旱诱导成分及干旱受损程度的模型稳定性(图5)。当测试模型的R2、RMSE与训练集接近,RPD大于2.0时,表明该模型具有良好的稳定性。
本发明是一种基于高光谱成像系统的技术预测茶树叶片干旱诱导成分含量以及干旱损害程度、优化茶园管理的方法,传统的干旱诱导成分测定依赖于人工手段、经验判断,容易出现误判的情况,且检测效率低。因此,本发明将高光谱成像技术结合机器学习的方法应用于茶园水分管理以及干旱诱导成分含量测定中,来提高茶园管理效率。
以上实施例仅用以说明本发明的技术方案,而非对其进行限制;尽管参照前述实施例对本发明进行了详细的说明,对于本领域的普通技术人员来说,依然可以对前述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;而这些修改或替换,并不使相应技术方案的本质脱离本发明所要求保护的技术方案的精神和范围。
Claims (10)
1.一种基于高光谱成像系统的茶树干旱诱导成分及干旱程度评估的预测方法,其特征在于,包括以下步骤:
S1:采集茶树叶片;确定高光谱成像系统的采集范围和采集参数,对高光谱成像系统采集的茶树叶片的高光谱图像进行校正,获得标准高光谱图像;
S2:测定每个茶树叶片的干旱诱导成分的值及干旱程度的等级;
S3:采集步骤S1中标准高光谱图像的平均高光谱数据,确定感兴区域,在其范围内将平均高光谱数据与茶树叶片的干旱诱导成分及干旱程度进行相关性分析,并确定多个相关性最高的特征波段;
S4:重复步骤S1-S3,构建茶树叶片干旱诱导成分及干旱程度的回归预测模型,并选择每个指标的最佳模型;
S5:利用步骤S3中的特征波段结合步骤S4中的最佳模型,构建茶树叶片干旱诱导成分及干旱程度的估算遥感监测影像,从而实现茶树干旱诱导成分及干旱程度的无损评估。
2.根据权利要求1所述的基于高光谱成像系统的茶树干旱诱导成分及干旱程度评估的预测方法,其特征在于,所述干旱诱导成分包括丙二醛含量、溶性糖含量、相对质膜透性和PSII原初光能转化效率。
3.根据权利要求1所述的基于高光谱成像系统的茶树干旱诱导成分及干旱程度评估的预测方法,其特征在于,所述步骤S1中高光谱成像系统中高光谱相机的视场角设为22,物距为38 cm~50 cm,曝光时间为9ms,光源色温设为3000K,像素设置为1101*960*176。
4.根据权利要求2所述的基于高光谱成像系统的茶树干旱诱导成分及干旱程度评估的预测方法,其特征在于,所述步骤S3的具体步骤为:
(1)采集标准高光谱图像的平均高光谱数据,利用环境可视化程序ENVI通过阈值切割确定感兴区域,并提取感兴区域的茶树叶片的平均波段值;
(2)在环境可视化程序内,利用算法对步骤(1)中的平均波段值进行降噪处理,降低平均高光谱数据中的噪音并提升有效信息的可用性;
(3)在环境可视化程序内,将降噪处理后的平均波段值与茶树叶片的干旱诱导成分及干旱程度进行相关性分析,利用算法提取15个~85个与干旱诱导成分及干旱程度相关性最高的特征波段。
5.根据权利要求4所述的基于高光谱成像系统的茶树干旱诱导成分及干旱程度评估的预测方法,其特征在于,与丙二醛含量相关度最高的特征波段为450 nm、520 nm、600 nm ~620 nm、650 nm ~670 nm、740 nm ~780 nm、800 nm、920 nm、950 nm;与可溶性糖含量相关性最高的特征波段为430 nm ~460 nm、530 nm ~570 nm、590 nm ~660 nm、690 nm ~750nm、770 nm ~810 nm、850 nm ~910 nm;与相对质膜透性相关性最高的特征波段为530 nm ~550 nm、590 nm ~660 nm、690 nm ~730 nm、770 nm ~810 nm、850 nm ~910 nm、960 nm;与PSII原初光能转化效率相关性最高的特征波段为460 nm、670 nm、700 nm ~740 nm、780nm、820 nm ~850 nm、900 nm ~920 nm;与干旱程度相关性最高的特征波段为450 nm ~530nm、540 nm ~600 nm、670 nm ~820 nm、830 nm ~870 nm、910 nm、950 nm。
6.根据权利要求4所述的基于高光谱成像系统的茶树干旱诱导成分及干旱程度评估的预测方法,其特征在于,所述步骤(2)和步骤(3)中的算法包括UVE、SPA、CARS算法。
7.根据权利要求1所述的基于高光谱成像系统的茶树干旱诱导成分及干旱程度评估的预测方法,其特征在于,所述步骤S4中,采用机器学习的方法构建茶树干旱诱导成分及干旱程度的回归预测模型,具体步骤为:
(1)建立回归预测模型时,将所有数据集分为75%的训练集和25%的测试集,通过决定系数R2、均方根误差RMSE和相对分析误差RPD来评价回归预测模型的性能,并选择最佳模型;
(2)将每个茶树叶片的干旱诱导成分和干旱程度的测定值与高光谱数据进行拟合,构建茶树叶片干旱诱导成分和干旱程度的回归预测模型;
(3)为了评价步骤(2)中回归预测模型的精度,将测试集中各指标的测定值与回归预测模型的估计值进行比较,以验证回归预测模型的稳定性。
8.根据权利要求7所述的基于高光谱成像系统的茶树干旱诱导成分及干旱程度评估的预测方法,其特征在于,当测试所述回归预测模型的R2、RMSE与训练集接近,且RPD大于2.0时,表明所述回归预测模型具有良好的稳定性。
9.根据权利要求7所述的基于高光谱成像系统的茶树干旱诱导成分及干旱程度评估的预测方法,其特征在于,所述机器学习的方法包括PLSR、SVM、RF神经网络。
10.一种基于高光谱成像系统的茶树干旱诱导成分及干旱程度评估的预测系统,其特征在于,包括:高光谱相机,用来采集茶树叶片的高光谱图像;暗室,其中设有固定光源,用来放置所述高光谱相机进行茶树叶片的光谱图像采集;干旱指标检测装置,用来测定茶树叶片的干旱诱导成分的值及干旱程度的等级;处理器,用来执行以下操作:利用其中的高光谱数据反演软件预处理所述高光谱相机采集的高光谱图像;利用其中的环境可视化程序确定感兴区域;构建茶树叶片的干旱诱导成分及干旱程度的回归预测模型;测试所述回归预测模型的稳定性;预测茶树叶片干旱诱导成分及干旱程度的估算数据。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111555636.9A CN114219795A (zh) | 2021-12-17 | 2021-12-17 | 一种基于高光谱成像系统的茶树干旱诱导成分及干旱程度评估的预测方法和系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111555636.9A CN114219795A (zh) | 2021-12-17 | 2021-12-17 | 一种基于高光谱成像系统的茶树干旱诱导成分及干旱程度评估的预测方法和系统 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN114219795A true CN114219795A (zh) | 2022-03-22 |
Family
ID=80703926
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202111555636.9A Pending CN114219795A (zh) | 2021-12-17 | 2021-12-17 | 一种基于高光谱成像系统的茶树干旱诱导成分及干旱程度评估的预测方法和系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114219795A (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115205688A (zh) * | 2022-09-07 | 2022-10-18 | 浙江甲骨文超级码科技股份有限公司 | 茶树种植区域提取方法及系统 |
CN117451639A (zh) * | 2023-12-21 | 2024-01-26 | 内蒙古工业大学 | 一种基于遥感数据的水体叶绿素浓度反演方法 |
-
2021
- 2021-12-17 CN CN202111555636.9A patent/CN114219795A/zh active Pending
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115205688A (zh) * | 2022-09-07 | 2022-10-18 | 浙江甲骨文超级码科技股份有限公司 | 茶树种植区域提取方法及系统 |
CN117451639A (zh) * | 2023-12-21 | 2024-01-26 | 内蒙古工业大学 | 一种基于遥感数据的水体叶绿素浓度反演方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US11029251B2 (en) | Method for estimating aboveground biomass of rice based on multi-spectral images of unmanned aerial vehicle | |
WO2022166939A1 (zh) | 一种基于Sentinel-2卫星影像红边波段改进小麦生长早期叶面积指数估算的方法 | |
CN102495005B (zh) | 高光谱图像技术诊断作物水分亏缺的方法 | |
CN101692037B (zh) | 高光谱图像和独立分量分析植物叶面叶绿素分布的方法 | |
CN111751376B (zh) | 一种基于冠层图像特征衍生的水稻氮素营养估算方法 | |
CN110414738B (zh) | 一种农作物产量预测方法及系统 | |
CN114219795A (zh) | 一种基于高光谱成像系统的茶树干旱诱导成分及干旱程度评估的预测方法和系统 | |
CN108956505B (zh) | 基于Sentinel-2图像的小型水体中叶绿素a浓度的检测方法及装置 | |
CN112345458A (zh) | 一种基于无人机多光谱影像的小麦产量估测方法 | |
Wenting et al. | Detecting maize leaf water status by using digital RGB images | |
CN103278503B (zh) | 一种基于多传感器技术的葡萄水分胁迫诊断方法及系统 | |
CN108169141A (zh) | 一种基于高光谱图像的茶树lai及氮含量估算方法 | |
CN112348812A (zh) | 林分年龄信息测量方法及装置 | |
CN109827957B (zh) | 一种基于计算机视觉的水稻叶片spad值估测方法及系统 | |
CN113252583B (zh) | 一种基于枯草植被指数计算高寒枯草覆盖度的方法 | |
WO2023197496A1 (zh) | 一种机采棉脱叶效果综合评价指标监测与评价方法及系统 | |
CN114778483A (zh) | 用于监测山地的遥感影像近红外波段地形阴影校正方法 | |
CN106568730B (zh) | 一种基于近地面高光谱影像的水稻阴阳叶穗识别方法 | |
CN117541835A (zh) | 基于高光谱成像及深度学习的柑橘叶片水分胁迫检测方法及系统 | |
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 | |
Qian et al. | Development and application of crop monitoring system for detecting chlorophyll content of tomato seedlings | |
CN114140695B (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 | |
CN102788796B (zh) | 基于高光谱图像及荧光图像多信息融合的作物氮营养诊断装置及方法 | |
CN114529838A (zh) | 基于卷积神经网络的土壤含氮量反演模型构建方法及系统 | |
CN114494689A (zh) | 番茄干旱胁迫的识别方法 |
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 |