CN115144342B - 基于半监督学习的无人机多光谱柑橘叶片氮含量估算方法 - Google Patents
基于半监督学习的无人机多光谱柑橘叶片氮含量估算方法 Download PDFInfo
- Publication number
- CN115144342B CN115144342B CN202210704827.5A CN202210704827A CN115144342B CN 115144342 B CN115144342 B CN 115144342B CN 202210704827 A CN202210704827 A CN 202210704827A CN 115144342 B CN115144342 B CN 115144342B
- Authority
- CN
- China
- Prior art keywords
- trained
- model
- nitrogen content
- target
- subset
- 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 220
- 229910052757 nitrogen Inorganic materials 0.000 title claims abstract description 110
- 238000000034 method Methods 0.000 title claims abstract description 94
- 241000207199 Citrus Species 0.000 title claims abstract description 38
- 235000020971 citrus fruits Nutrition 0.000 title claims abstract description 38
- 238000005070 sampling Methods 0.000 claims abstract description 103
- 238000010219 correlation analysis Methods 0.000 claims abstract description 51
- 235000013399 edible fruits Nutrition 0.000 claims abstract description 44
- 238000001228 spectrum Methods 0.000 claims abstract description 37
- 238000001514 detection method Methods 0.000 claims abstract description 34
- 239000002420 orchard Substances 0.000 claims abstract description 23
- 230000003595 spectral effect Effects 0.000 claims description 33
- 238000004458 analytical method Methods 0.000 claims description 15
- 238000012549 training Methods 0.000 claims description 13
- 238000004364 calculation method Methods 0.000 claims description 12
- 239000000126 substance Substances 0.000 claims description 6
- 238000010220 Pearson correlation analysis Methods 0.000 claims description 4
- 238000004422 calculation algorithm Methods 0.000 claims description 3
- 238000009826 distribution Methods 0.000 claims description 3
- 238000012163 sequencing technique Methods 0.000 claims description 3
- 239000002689 soil Substances 0.000 claims description 3
- 238000012795 verification Methods 0.000 claims description 2
- 238000005457 optimization Methods 0.000 claims 1
- 238000013461 design Methods 0.000 abstract description 7
- 238000012544 monitoring process Methods 0.000 abstract description 7
- 238000011161 development Methods 0.000 description 4
- 238000005516 engineering process Methods 0.000 description 3
- 239000000618 nitrogen fertilizer Substances 0.000 description 3
- 238000007637 random forest analysis Methods 0.000 description 2
- 238000011160 research Methods 0.000 description 2
- 238000012271 agricultural production Methods 0.000 description 1
- 230000003851 biochemical process Effects 0.000 description 1
- 230000001276 controlling effect Effects 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000003912 environmental pollution Methods 0.000 description 1
- 235000020774 essential nutrients Nutrition 0.000 description 1
- 235000003642 hunger Nutrition 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 230000035790 physiological processes and functions Effects 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
- 230000001105 regulatory effect Effects 0.000 description 1
- 230000037351 starvation Effects 0.000 description 1
- 238000012706 support-vector machine Methods 0.000 description 1
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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
- G06V10/77—Processing image or video features in feature spaces; using data integration or data reduction, e.g. principal component analysis [PCA] or independent component analysis [ICA] or self-organising maps [SOM]; Blind source separation
- G06V10/774—Generating sets of training patterns; Bootstrap methods, e.g. bagging or boosting
- G06V10/7753—Incorporation of unlabelled data, e.g. multiple instance learning [MIL]
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
- G06V20/10—Terrestrial scenes
- G06V20/17—Terrestrial scenes taken from planes or by drones
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
- G06V20/10—Terrestrial scenes
- G06V20/188—Vegetation
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Health & Medical Sciences (AREA)
- Multimedia (AREA)
- General Health & Medical Sciences (AREA)
- Databases & Information Systems (AREA)
- Computing Systems (AREA)
- Spectroscopy & Molecular Physics (AREA)
- Medical Informatics (AREA)
- Evolutionary Computation (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Artificial Intelligence (AREA)
- Remote Sensing (AREA)
- Software Systems (AREA)
- Life Sciences & Earth Sciences (AREA)
- Chemical & Material Sciences (AREA)
- Analytical Chemistry (AREA)
- Biochemistry (AREA)
- Immunology (AREA)
- Pathology (AREA)
- Image Analysis (AREA)
Abstract
本发明涉及基于半监督学习的无人机多光谱柑橘叶片氮含量估算方法，首先获得目标果园区域遥感影像；接着获得各相关性分析方法下各目标光谱植被指数；再引入目标果园区域中各辅助采样位置、以及对应叶片氮含量伪标签；然后获得各相关性分析方法下、各回归器下的各个训练后模型；最后选择检测精度最高的训练后模型，构成目标果园区域所对应的柑橘叶片氮含量估算模型，即可对目标果树冠部所对应叶片氮含量实现检测；设计应用无人机获取数据，能根据天气状况随时起降、获取高分辨率影像，适合田间地块的监测，极大地节约了监测成本；并且设计利用无标签数据容易获取的特点，有效增多标签数据量，减轻标记样本的工作量解决少样本问题，同时增强模型的泛化能力。
Description
技术领域
本发明涉及基于半监督学习的无人机多光谱柑橘叶片氮含量估算方法，属于果树氮含量遥感检测技术领域。
背景技术
氮是果树生长发育必不可少的营养元素，对果树的生理生化过程起着重要的调控作用，与果实最终的品质和产量密切相关。在实际的农业生产中，对氮肥的施用往往依靠人工经验，缺氮会影响果树的生长发育，而过量的氮肥则会导致果实的减产和环境的污染。快速准确地获取果树叶片氮含量(Leaf Nitrogen Content，LNC)，对果园科学合理地施用氮肥、节约成本有着重要意义。以往获取LNC的方法主要是化学检测，这种方法需要到野外实地采样，还需经过长时间的样品处理和实验室分析，其结果虽然准确，但是成本高昂、对果树具有破坏性，此外还存在时效性差、结果不具代表性等弊端。
随着光谱探测技术的快速发展，其以无损、便捷等优势成为了作物生长机理分析和定量化研究的热点。卫星影像数据由于重访周期限制以及空间分辨率较低、固定过境时间的不确定性等因素，往往导致研究区关键时期数据匮乏。近年来随着无人机技术的快速发展，基于无人机平台的地表遥感探测技术已经具备了一定的基础。无人机机动灵活、操作简单便于普及的特点，它可根据天气状况随时起降，能搭载多种类型的传感器且换装容易，能在一定程度实现低成本与高数据可获得性兼顾。
目前大量学者针对基于无人机遥感影像对作物氮含量监测展开了讨论和研究，但实际应用中的工作效率、以及检测准确率，均有待进一步提升。
发明内容
本发明所要解决的技术问题是提供基于半监督学习的无人机多光谱柑橘叶片氮含量估算方法，采用全新设计策略，能够对果园大范围的叶片氮含量实现准确估算，提高检测效率。
本发明为了解决上述技术问题采用以下技术方案：本发明设计了基于半监督学习的无人机多光谱柑橘叶片氮含量估算方法，通过步骤A至步骤E，获得目标果园区域所对应的柑橘叶片氮含量估算模型，通过步骤i，应用柑橘叶片氮含量估算模型，实现对目标果园区域中目标果树冠部叶片氮含量的检测；
步骤A.获得目标果园区域对应预设果树叶片生长成熟、且理化参数稳定时期的遥感影像，并通过归一化阴影指数方式，剔除遥感影像中的果树冠层阴影与土壤背景，更新遥感影像，进入步骤B；
步骤B.基于遥感影像，获得目标果园区域中预设各主采样位置分别所对应预设各待选光谱植被指数，并结合目标果园区域中预设各主采样位置的叶片氮含量检测值，分别在预设各相关性分析方法下，通过待选光谱植被指数与叶片氮含量检测值之间的相关系数，选择获得各目标光谱植被指数，进而获得各相关性分析方法下分别对应的各目标光谱植被指数，然后进入步骤C；
步骤C.基于全部主采样位置的分组划分，获得各分组所在遥感影像中区域内的各个辅助采样位置、以及各辅助采样位置的叶片氮含量伪标签，并由全部主采样位置构成有标签集合，以及由全部辅助采样位置构成伪标签集合，然后进入步骤D；
步骤D.分别基于各相关性分析方法，并进一步分别基于预设各回归器，执行如下步骤D1至步骤D7，获得各相关性分析方法下、各回归器下的各个训练后模型，然后进入步骤E；
步骤D1.基于回归器，构建以采样位置对应相关性分析方法下各目标光谱植被指数为输入，采样位置对应叶片氮含量为输出的两个待训练模型h1、h2，且该两个待训练模型h1、h2的参数彼此不同，然后进入步骤D2；
步骤D2.由有标签集合中选择两个互不相交、且分别均包括至少两个主采样位置的子集{L1}和子集{L2}，基于子集{L1}中各主采样位置分别对应相关性分析方法下各目标光谱植被指数、以及叶片氮含量检测值，由子集{L1}针对待训练模型h1进行训练，更新待训练模型h1，以及基于子集{L2}中各主采样位置分别对应相关性分析方法下各目标光谱植被指数、以及叶片氮含量检测值，由子集{L2}针对待训练模型h2进行训练，更新待训练模型h2，然后进入步骤D3；
步骤D3.由伪标签集合中随机获得两个分别均包括至少两个辅助采样位置的子集{NL1}和子集{NL2}，然后进入步骤D4；
步骤D4.基于子集{NL1}、子集{NL2}，以及该两子集中各辅助采样位置对应的叶片氮含量伪标签，获得待训练模型h1所对应置信度，以及待训练模型h2所对应置信度，然后进入步骤D5；
步骤D5.若待训练模型h1所对应置信度小于预设置信度阈值，则将子集{NL1}加入到子集{L2}中，更新子集{L2}，若待训练模型h2所对应置信度小于预设置信度阈值，则将子集{NL2}加入到子集{L1}中，更新子集{L1}，除此之外，不做任何操作，然后进入步骤D6；
步骤D6.基于子集{L1}中各采样位置分别对应相关性分析方法下各目标光谱植被指数、以及叶片氮含量，由子集{L1}继续针对待训练模型h1进行训练，更新待训练模型h1，以及基于子集{L2}中各采样位置分别对应相关性分析方法下各目标光谱植被指数、以及叶片氮含量，由子集{L2}继续针对待训练模型h2进行训练，更新待训练模型h2；并由伪标签集合中剔除子集{NL1}、子集{NL2}，更新伪标签集合，然后进入步骤D7；
步骤D7.判断是否达到溢出条件，是则由待训练模型h1、待训练模型h2构成训练后模型h1、h2，否则返回步骤D2；
步骤E.通过交叉验证方法，获得各相关性分析方法下、各回归器下的各个训练后模型分别所对应的检测精度，并选择检测精度最高的训练后模型，构成目标果园区域所对应的柑橘叶片氮含量估算模型；
步骤i.基于目标果园区域的遥感影像，获得目标果树冠部对应柑橘叶片氮含量估算模型的各目标光谱植被指数，应用柑橘叶片氮含量估算模型，获得目标果树冠部所对应的叶片氮含量。
作为本发明的一种优选技术方案：还包括步骤DE如下，执行完步骤D之后进入步骤DE；
步骤DE.针对各相关性分析方法下、各回归器下的各个训练后模型，分别采用贝叶斯优化方法，优化训练后的各模型的参数，更新各个训练后模型，然后进入步骤E。
作为本发明的一种优选技术方案：所述步骤B中基于目标果园区域中预设各主采样位置，执行如下步骤B1至步骤B2，然后进入步骤C；
步骤B1.基于遥感影像，获得目标果园区域中各主采样位置分别所对应预设各待选光谱植被指数，并进入步骤B2；
步骤B2.根据目标果园区域中各主采样位置的叶片氮含量检测值，分别基于预设各相关性分析方法，执行如下步骤B2-1至步骤B2-2，获得相关性分析方法下对应的各个目标光谱植被指数，进而获得各相关性分析方法下分别对应的各目标光谱植被指数；
步骤B2-1.分别针对各待选光谱植被指数，按相关性分析方法，获得各主采样位置分别所对应待选光谱植被指数与各主采样位置叶片氮含量检测值之间的相关系数，构成该待选光谱植被指数所对应的相关系数，进而获得各待选光谱植被指数分别所对应的相关系数，并进入步骤B2-2；
步骤B2-2.按所对应相关系数由大至小顺序，针对各待选光谱植被指数进行排序，并顺序选择前个待选光谱植被指数，构成该相关性分析方法下对应的各个目标光谱植被指数，其中，N表示待选光谱植被指数的个数，a表示预设百分比，/>表示向上取整。
作为本发明的一种优选技术方案：所述各相关性分析方法包括pearson相关性分析方法和灰色关联度GRA分析方法。
作为本发明的一种优选技术方案：所述步骤C中包括如下步骤C1至步骤C3；
步骤C1.按彼此间距离小于预设距离阈值的各主采样位置划为一组，针对全部主采样位置进行分组划分，获得各个分组，并进入步骤C2；
步骤C2.分别针对各分组，在遥感影像中以分组中各主采样位置间连线向其两侧方向分别延伸预设距离，构成遥感影像缓冲区，并根据该分组中各主采样位置，通过K邻近算法，在该遥感影像缓冲区中的果树分布区域选取预设数量的辅助采样位置，进而获得各分组分别对应的各辅助采样位置、以及各辅助采样位置的叶片氮含量伪标签，然后进入步骤C3；
步骤C3.由全部主采样位置构成有标签集合，以及由全部辅助采样位置构成伪标签集合，然后进入步骤D。
作为本发明的一种优选技术方案：所述步骤D4包括如下：
根据子集{NL1}中各辅助采样位置分别对应相关性分析方法下各目标光谱植被指数，应用待训练模型h1，获得子集{NL1}中各辅助采样位置分别对应叶片氮含量计算标签，并获得该各辅助采样位置所对应叶片氮含量伪标签与叶片氮含量计算标签之间的均方根误差，进而获得待训练模型h1所对应置信度；
同时，根据子集{NL2}中各辅助采样位置分别对应相关性分析方法下各目标光谱植被指数，应用待训练模型h2，获得子集{NL2}中各辅助采样位置分别对应叶片氮含量计算标签，并获得该各辅助采样位置所对应叶片氮含量伪标签与叶片氮含量计算标签之间的均方根误差，进而获得待训练模型h2所对应置信度；
然后进入步骤D5。
作为本发明的一种优选技术方案：所述步骤D4中，基于子集{NL1}所获待训练模型h1对应的均方根误差mse*，结合上一迭代步骤D6所获待训练模型h1对应的均方根误差mse，按|mse*-mse|，获得待训练模型h1所对应置信度；
同时基于子集{NL2}所获待训练模型h2对应的均方根误差mse*，结合上一迭代步骤D6所获待训练模型h2对应的均方根误差mse，按|mse*-mse|，获得待训练模型h2所对应置信度；
所述步骤D6中，针对待训练模型h1进行训练，更新待训练模型h1，并获得相应均方根误差；以及针对待训练模型h2进行训练，更新待训练模型h2，并获得相应均方根误差。
作为本发明的一种优选技术方案：所述步骤D7中，判断步骤D6所获待训练模型h1所对应均方根误差、待训练模型h2所对应均方根误差分别相较上一次迭代下步骤D6的结果是否均不再降低，是则由待训练模型h1、待训练模型h2构成训练后模型h1、h2，否则返回步骤D2。
作为本发明的一种优选技术方案：所述步骤D7中，判断是否达到最大迭代次数，是则由待训练模型h1、待训练模型h2构成训练后模型h1、h2，否则返回步骤D2。
本发明所述基于半监督学习的无人机多光谱柑橘叶片氮含量估算方法，采用以上技术方案与现有技术相比，具有以下技术效果：
本发明所设计基于半监督学习的无人机多光谱柑橘叶片氮含量估算方法，首先获得目标果园区域遥感影像；接着获得目标果园区域对应各相关性分析方法下分别对应的各目标光谱植被指数；再引入目标果园区域中各辅助采样位置、以及各辅助采样位置的叶片氮含量伪标签；然后获得各相关性分析方法下、各回归器下的各个训练后模型；最后选择检测精度最高的训练后模型，构成目标果园区域所对应的柑橘叶片氮含量估算模型；即可在应用中，应用柑橘叶片氮含量估算模型，对目标果树冠部所对应叶片氮含量实现检测；设计方案应用无人机获取数据，机动灵活、操作简单，同时能根据天气状况随时起降、获取高分辨率影像，适合田间地块的监测，减少了传统化学检测方法人力和时间的消耗，极大地节约了监测成本；并且设计利用无标签数据容易获取的特点，有效增多标签数据量，减轻标记样本的工作量解决少样本问题，同时增强模型的泛化能力。
附图说明
图1是本发明设计中所获柑橘叶片氮含量估算模型的训练方法流程图。
具体实施方式
下面结合说明书附图对本发明的具体实施方式作进一步详细的说明。
本发明设计了基于半监督学习的无人机多光谱柑橘叶片氮含量估算方法，通过步骤A至步骤E，获得目标果园区域所对应的柑橘叶片氮含量估算模型。
步骤A.获得目标果园区域对应预设果树叶片生长成熟、且理化参数稳定时期的遥感影像，并通过归一化阴影指数方式(Normalized Difference Canopy Shadow Index，NDCSI)，剔除遥感影像中的果树冠层阴影与土壤背景，更新遥感影像，进入步骤B。
步骤B.基于遥感影像，获得目标果园区域中预设各主采样位置分别所对应预设各待选光谱植被指数，并结合目标果园区域中预设各主采样位置的叶片氮含量检测值，分别在预设各相关性分析方法下，通过待选光谱植被指数与叶片氮含量检测值之间的相关系数，选择获得各目标光谱植被指数，进而获得各相关性分析方法下分别对应的各目标光谱植被指数，然后进入步骤C。
实际应用中，上述步骤B中基于目标果园区域中预设各主采样位置，执行如下步骤B1至步骤B2，然后进入步骤C。
步骤B1.基于遥感影像，获得目标果园区域中各主采样位置分别所对应预设各待选光谱植被指数，并进入步骤B2。
步骤B2.根据目标果园区域中各主采样位置的叶片氮含量检测值，分别基于预设各相关性分析方法，执行如下步骤B2-1至步骤B2-2，获得相关性分析方法下对应的各个目标光谱植被指数，进而获得各相关性分析方法下分别对应的各目标光谱植被指数。
步骤B2-1.分别针对各待选光谱植被指数，按相关性分析方法，获得各主采样位置分别所对应待选光谱植被指数与各主采样位置叶片氮含量检测值之间的相关系数，构成该待选光谱植被指数所对应的相关系数，进而获得各待选光谱植被指数分别所对应的相关系数，并进入步骤B2-2。
步骤B2-2.按所对应相关系数由大至小顺序，针对各待选光谱植被指数进行排序，并顺序选择前个待选光谱植被指数，构成该相关性分析方法下对应的各个目标光谱植被指数，其中，N表示待选光谱植被指数的个数，a表示预设百分比，/>表示向上取整。
实际应用中，关于各相关性分析方法，具体设计采用pearson相关性分析方法和灰色关联度GRA分析方法(Grey Relation Analysis，GRA)，即上述步骤B获得pearson相关性分析方法和灰色关联度GRA分析方法下分别对应的各目标光谱植被指数。
步骤C.基于全部主采样位置的分组划分，获得各分组所在遥感影像中区域内的各个辅助采样位置、以及各辅助采样位置的叶片氮含量伪标签，并由全部主采样位置构成有标签集合，以及由全部辅助采样位置构成伪标签集合，然后进入步骤D。
实际应用当中，上述步骤C具体执行如下步骤C1至步骤C3。
步骤C1.按彼此间距离小于预设距离阈值的各主采样位置划为一组，针对全部主采样位置进行分组划分，获得各个分组，并进入步骤C2。
步骤C2.分别针对各分组，在遥感影像中以分组中各主采样位置间连线向其两侧方向分别延伸诸如10m预设距离，构成遥感影像缓冲区，并根据该分组中各主采样位置，通过K邻近算法，在该遥感影像缓冲区中的果树分布区域选取预设数量的辅助采样位置，进而获得各分组分别对应的各辅助采样位置、以及各辅助采样位置的叶片氮含量伪标签，然后进入步骤C3。
步骤C3.由全部主采样位置构成有标签集合，以及由全部辅助采样位置构成伪标签集合，然后进入步骤D。
步骤D.分别基于各相关性分析方法，并进一步分别基于诸如岭回归(RidgeRegression，RR)、随机森林(Random Forest，RF)、支持向量机(Support VectorRegression，SVR)的预设各回归器，如图1所示，执行如下步骤D1至步骤D7，获得各相关性分析方法下、各回归器下的各个训练后模型，然后进入步骤DE。
步骤D1.基于回归器，构建以采样位置对应相关性分析方法下各目标光谱植被指数为输入，采样位置对应叶片氮含量为输出的两个待训练模型h1、h2，且该两个待训练模型h1、h2的参数彼此不同，然后进入步骤D2。
步骤D2.由有标签集合中选择两个互不相交、且分别均包括至少两个主采样位置的子集{L1}和子集{L2}，基于子集{L1}中各主采样位置分别对应相关性分析方法下各目标光谱植被指数、以及叶片氮含量检测值，由子集{L1}针对待训练模型h1进行训练，更新待训练模型h1，以及基于子集{L2}中各主采样位置分别对应相关性分析方法下各目标光谱植被指数、以及叶片氮含量检测值，由子集{L2}针对待训练模型h2进行训练，更新待训练模型h2，然后进入步骤D3。
步骤D3.由伪标签集合中随机获得两个分别均包括至少两个辅助采样位置的子集{NL1}和子集{NL2}，然后进入步骤D4。
步骤D4.基于子集{NL1}、子集{NL2}，以及该两子集中各辅助采样位置对应的叶片氮含量伪标签，获得待训练模型h1所对应置信度，以及待训练模型h2所对应置信度，然后进入步骤D5。
实际应用中，上述步骤D4具体执行如下：
根据子集{NL1}中各辅助采样位置分别对应相关性分析方法下各目标光谱植被指数，应用待训练模型h1，获得子集{NL1}中各辅助采样位置分别对应叶片氮含量计算标签，并获得该各辅助采样位置所对应叶片氮含量伪标签与叶片氮含量计算标签之间的均方根误差，即获得待训练模型h1所对应的均方根误差mse*，进一步结合上一迭代步骤D6所获待训练模型h1对应的均方根误差mse，按|mse*-mse|，获得待训练模型h1所对应置信度。
同时，根据子集{NL2}中各辅助采样位置分别对应相关性分析方法下各目标光谱植被指数，应用待训练模型h2，获得子集{NL2}中各辅助采样位置分别对应叶片氮含量计算标签，并获得该各辅助采样位置所对应叶片氮含量伪标签与叶片氮含量计算标签之间的均方根误差，即获得待训练模型h2所对应的均方根误差mse*，结合上一迭代步骤D6所获待训练模型h2对应的均方根误差mse，按|mse*-mse|，获得待训练模型h2所对应置信度；然后进入步骤D5。
步骤D5.若待训练模型h1所对应置信度小于预设置信度阈值，则将子集{NL1}加入到子集{L2}中，更新子集{L2}，若待训练模型h2所对应置信度小于预设置信度阈值，则将子集{NL2}加入到子集{L1}中，更新子集{L1}，除此之外，不做任何操作，然后进入步骤D6。
步骤D6.基于子集{L1}中各采样位置分别对应相关性分析方法下各目标光谱植被指数、以及叶片氮含量，由子集{L1}继续针对待训练模型h1进行训练，更新待训练模型h1，并获得相应均方根误差；以及基于子集{L2}中各采样位置分别对应相关性分析方法下各目标光谱植被指数、以及叶片氮含量，由子集{L2}继续针对待训练模型h2进行训练，更新待训练模型h2，并获得相应均方根误差；并由伪标签集合中剔除子集{NL1}、子集{NL2}，更新伪标签集合，然后进入步骤D7。
步骤D7.判断是否达到溢出条件，是则由待训练模型h1、待训练模型h2构成训练后模型h1、h2，否则返回步骤D2。
实际应用中，关于上述步骤D7中的溢出条件判断，具体设计两种溢出判断，其一是判断步骤D6所获待训练模型h1所对应均方根误差、待训练模型h2所对应均方根误差分别相较上一次迭代下步骤D6的结果是否均不再降低，是则由待训练模型h1、待训练模型h2构成训练后模型h1、h2，否则返回步骤D2。
其二是判断是否达到最大迭代次数，是则由待训练模型h1、待训练模型h2构成训练后模型h1、h2，否则返回步骤D2。
步骤DE.针对各相关性分析方法下、各回归器下的各个训练后模型，分别采用贝叶斯优化方法(Bayesian Optimization，BO)，优化训练后的各模型的参数，更新各个训练后模型，然后进入步骤E。
步骤E.通过交叉验证方法，获得各相关性分析方法下、各回归器下的各个训练后模型分别所对应的检测精度，并选择检测精度最高的训练后模型，构成目标果园区域所对应的柑橘叶片氮含量估算模型。
基于所获目标果园区域对应的柑橘叶片氮含量估算模型后，进一步通过如下步骤i，应用柑橘叶片氮含量估算模型，实现对目标果园区域中目标果树冠部叶片氮含量的检测。
步骤i.基于目标果园区域的遥感影像，获得目标果树冠部对应柑橘叶片氮含量估算模型的各目标光谱植被指数，应用柑橘叶片氮含量估算模型，获得目标果树冠部所对应的叶片氮含量。
上述技术方案所设计基于半监督学习的无人机多光谱柑橘叶片氮含量估算方法，首先获得目标果园区域遥感影像；接着获得目标果园区域对应各相关性分析方法下分别对应的各目标光谱植被指数；再引入目标果园区域中各辅助采样位置、以及各辅助采样位置的叶片氮含量伪标签；然后获得各相关性分析方法下、各回归器下的各个训练后模型；最后选择检测精度最高的训练后模型，构成目标果园区域所对应的柑橘叶片氮含量估算模型；即可在应用中，应用柑橘叶片氮含量估算模型，对目标果树冠部所对应叶片氮含量实现检测；设计方案应用无人机获取数据，机动灵活、操作简单，同时能根据天气状况随时起降、获取高分辨率影像，适合田间地块的监测，减少了传统化学检测方法人力和时间的消耗，极大地节约了监测成本；并且设计利用无标签数据容易获取的特点，有效增多标签数据量，减轻标记样本的工作量解决少样本问题，同时增强模型的泛化能力。
上面结合附图对本发明的实施方式作了详细说明，但是本发明并不限于上述实施方式，在本领域普通技术人员所具备的知识范围内，还可以在不脱离本发明宗旨的前提下做出各种变化。
Claims (9)
1.基于半监督学习的无人机多光谱柑橘叶片氮含量估算方法，其特征在于：通过步骤A至步骤E，获得目标果园区域所对应的柑橘叶片氮含量估算模型，通过步骤i，应用柑橘叶片氮含量估算模型，实现对目标果园区域中目标果树冠部叶片氮含量的检测；
步骤A.获得目标果园区域对应预设果树叶片生长成熟、且理化参数稳定时期的遥感影像，并通过归一化阴影指数方式，剔除遥感影像中的果树冠层阴影与土壤背景，更新遥感影像，进入步骤B；
步骤B.基于遥感影像，获得目标果园区域中预设各主采样位置分别所对应预设各待选光谱植被指数，并结合目标果园区域中预设各主采样位置的叶片氮含量检测值，分别在预设各相关性分析方法下，通过待选光谱植被指数与叶片氮含量检测值之间的相关系数，选择获得各目标光谱植被指数，进而获得各相关性分析方法下分别对应的各目标光谱植被指数，然后进入步骤C；
步骤C.基于全部主采样位置的分组划分，获得各分组所在遥感影像中区域内的各个辅助采样位置、以及各辅助采样位置的叶片氮含量伪标签，并由全部主采样位置构成有标签集合，以及由全部辅助采样位置构成伪标签集合，然后进入步骤D；
步骤D.分别基于各相关性分析方法，并进一步分别基于预设各回归器，执行如下步骤D1至步骤D7，获得各相关性分析方法下、各回归器下的各个训练后模型，然后进入步骤E；
步骤D1.基于回归器，构建以采样位置对应相关性分析方法下各目标光谱植被指数为输入，采样位置对应叶片氮含量为输出的两个待训练模型h1、h2，且该两个待训练模型h1、h2的参数彼此不同，然后进入步骤D2；
步骤D2.由有标签集合中选择两个互不相交、且分别均包括至少两个主采样位置的子集{L1}和子集{L2}，基于子集{L1}中各主采样位置分别对应相关性分析方法下各目标光谱植被指数、以及叶片氮含量检测值，由子集{L1}针对待训练模型h1进行训练，更新待训练模型h1，以及基于子集{L2}中各主采样位置分别对应相关性分析方法下各目标光谱植被指数、以及叶片氮含量检测值，由子集{L2}针对待训练模型h2进行训练，更新待训练模型h2，然后进入步骤D3；
步骤D3.由伪标签集合中随机获得两个分别均包括至少两个辅助采样位置的子集{NL1}和子集{NL2}，然后进入步骤D4；
步骤D4.基于子集{NL1}、子集{NL2}，以及该两子集中各辅助采样位置对应的叶片氮含量伪标签，获得待训练模型h1所对应置信度，以及待训练模型h2所对应置信度，然后进入步骤D5；
步骤D5.若待训练模型h1所对应置信度小于预设置信度阈值，则将子集{NL1}加入到子集{L2}中，更新子集{L2}，若待训练模型h2所对应置信度小于预设置信度阈值，则将子集{NL2}加入到子集{L1}中，更新子集{L1}，除此之外，不做任何操作，然后进入步骤D6；
步骤D6.基于子集{L1}中各采样位置分别对应相关性分析方法下各目标光谱植被指数、以及叶片氮含量，由子集{L1}继续针对待训练模型h1进行训练，更新待训练模型h1，以及基于子集{L2}中各采样位置分别对应相关性分析方法下各目标光谱植被指数、以及叶片氮含量，由子集{L2}继续针对待训练模型h2进行训练，更新待训练模型h2；并由伪标签集合中剔除子集{NL1}、子集{NL2}，更新伪标签集合，然后进入步骤D7；
步骤D7.判断是否达到溢出条件，是则由待训练模型h1、待训练模型h2构成训练后模型h1、h2，否则返回步骤D2；
步骤E.通过交叉验证方法，获得各相关性分析方法下、各回归器下的各个训练后模型分别所对应的检测精度，并选择检测精度最高的训练后模型，构成目标果园区域所对应的柑橘叶片氮含量估算模型；
步骤i.基于目标果园区域的遥感影像，获得目标果树冠部对应柑橘叶片氮含量估算模型的各目标光谱植被指数，应用柑橘叶片氮含量估算模型，获得目标果树冠部所对应的叶片氮含量。
2.根据权利要求1所述基于半监督学习的无人机多光谱柑橘叶片氮含量估算方法，其特征在于：还包括步骤DE如下，执行完步骤D之后进入步骤DE；
步骤DE.针对各相关性分析方法下、各回归器下的各个训练后模型，分别采用贝叶斯优化方法，优化训练后的各模型的参数，更新各个训练后模型，然后进入步骤E。
3.根据权利要求1所述基于半监督学习的无人机多光谱柑橘叶片氮含量估算方法，其特征在于：所述步骤B中基于目标果园区域中预设各主采样位置，执行如下步骤B1至步骤B2，然后进入步骤C；
步骤B1.基于遥感影像，获得目标果园区域中各主采样位置分别所对应预设各待选光谱植被指数，并进入步骤B2；
步骤B2.根据目标果园区域中各主采样位置的叶片氮含量检测值，分别基于预设各相关性分析方法，执行如下步骤B2-1至步骤B2-2，获得相关性分析方法下对应的各个目标光谱植被指数，进而获得各相关性分析方法下分别对应的各目标光谱植被指数；
步骤B2-1.分别针对各待选光谱植被指数，按相关性分析方法，获得各主采样位置分别所对应待选光谱植被指数与各主采样位置叶片氮含量检测值之间的相关系数，构成该待选光谱植被指数所对应的相关系数，进而获得各待选光谱植被指数分别所对应的相关系数，并进入步骤B2-2；
步骤B2-2.按所对应相关系数由大至小顺序，针对各待选光谱植被指数进行排序，并顺序选择前个待选光谱植被指数，构成该相关性分析方法下对应的各个目标光谱植被指数，其中，N表示待选光谱植被指数的个数，a表示预设百分比，/>表示向上取整。
4.根据权利要求3所述基于半监督学习的无人机多光谱柑橘叶片氮含量估算方法，其特征在于：所述各相关性分析方法包括pearson相关性分析方法和灰色关联度GRA分析方法。
5.根据权利要求1所述基于半监督学习的无人机多光谱柑橘叶片氮含量估算方法，其特征在于：所述步骤C中包括如下步骤C1至步骤C3；
步骤C1.按彼此间距离小于预设距离阈值的各主采样位置划为一组，针对全部主采样位置进行分组划分，获得各个分组，并进入步骤C2；
步骤C2.分别针对各分组，在遥感影像中以分组中各主采样位置间连线向其两侧方向分别延伸预设距离，构成遥感影像缓冲区，并根据该分组中各主采样位置，通过K邻近算法，在该遥感影像缓冲区中的果树分布区域选取预设数量的辅助采样位置，进而获得各分组分别对应的各辅助采样位置、以及各辅助采样位置的叶片氮含量伪标签，然后进入步骤C3；
步骤C3.由全部主采样位置构成有标签集合，以及由全部辅助采样位置构成伪标签集合，然后进入步骤D。
6.根据权利要求1所述基于半监督学习的无人机多光谱柑橘叶片氮含量估算方法，其特征在于：所述步骤D4包括如下：
根据子集{NL1}中各辅助采样位置分别对应相关性分析方法下各目标光谱植被指数，应用待训练模型h1，获得子集{NL1}中各辅助采样位置分别对应叶片氮含量计算标签，并获得该各辅助采样位置所对应叶片氮含量伪标签与叶片氮含量计算标签之间的均方根误差，进而获得待训练模型h1所对应置信度；
同时，根据子集{NL2}中各辅助采样位置分别对应相关性分析方法下各目标光谱植被指数，应用待训练模型h2，获得子集{NL2}中各辅助采样位置分别对应叶片氮含量计算标签，并获得该各辅助采样位置所对应叶片氮含量伪标签与叶片氮含量计算标签之间的均方根误差，进而获得待训练模型h2所对应置信度；
然后进入步骤D5。
7.根据权利要求6所述基于半监督学习的无人机多光谱柑橘叶片氮含量估算方法，其特征在于：所述步骤D4中，基于子集{NL1}所获待训练模型h1对应的均方根误差mse*，结合上一迭代步骤D6所获待训练模型h1对应的均方根误差mse，按|mse*-mse|，获得待训练模型h1所对应置信度；
同时基于子集{NL2}所获待训练模型h2对应的均方根误差mse*，结合上一迭代步骤D6所获待训练模型h2对应的均方根误差mse，按|mse*-mse|，获得待训练模型h2所对应置信度；
所述步骤D6中，针对待训练模型h1进行训练，更新待训练模型h1，并获得相应均方根误差；以及针对待训练模型h2进行训练，更新待训练模型h2，并获得相应均方根误差。
8.根据权利要求7所述基于半监督学习的无人机多光谱柑橘叶片氮含量估算方法，其特征在于：
所述步骤D7中，判断步骤D6所获待训练模型h1所对应均方根误差、待训练模型h2所对应均方根误差分别相较上一次迭代下步骤D6的结果是否均不再降低，是则由待训练模型h1、待训练模型h2构成训练后模型h1、h2，否则返回步骤D2。
9.根据权利要求1所述基于半监督学习的无人机多光谱柑橘叶片氮含量估算方法，其特征在于：所述步骤D7中，判断是否达到最大迭代次数，是则由待训练模型h1、待训练模型h2构成训练后模型h1、h2，否则返回步骤D2。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202210704827.5A CN115144342B (zh) | 2022-06-21 | 2022-06-21 | 基于半监督学习的无人机多光谱柑橘叶片氮含量估算方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202210704827.5A CN115144342B (zh) | 2022-06-21 | 2022-06-21 | 基于半监督学习的无人机多光谱柑橘叶片氮含量估算方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN115144342A CN115144342A (zh) | 2022-10-04 |
| CN115144342B true CN115144342B (zh) | 2024-05-28 |
Family
ID=83409075
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202210704827.5A Active CN115144342B (zh) | 2022-06-21 | 2022-06-21 | 基于半监督学习的无人机多光谱柑橘叶片氮含量估算方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN115144342B (zh) |
Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US6160902A (en) * | 1997-10-10 | 2000-12-12 | Case Corporation | Method for monitoring nitrogen status using a multi-spectral imaging system |
| CN103940748A (zh) * | 2014-03-10 | 2014-07-23 | 浙江大学 | 基于高光谱技术的柑橘冠层含氮量预测与可视化的方法 |
| CN113063740A (zh) * | 2021-02-25 | 2021-07-02 | 北京麦飞科技有限公司 | 一种基于多源遥感数据的小麦冠层氮含量监测方法 |
| CN114140695A (zh) * | 2021-12-17 | 2022-03-04 | 青岛农业大学 | 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 |
Family Cites Families (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US10154624B2 (en) * | 2016-08-08 | 2018-12-18 | The Climate Corporation | Estimating nitrogen content using hyperspectral and multispectral images |
-
2022
- 2022-06-21 CN CN202210704827.5A patent/CN115144342B/zh active Active
Patent Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US6160902A (en) * | 1997-10-10 | 2000-12-12 | Case Corporation | Method for monitoring nitrogen status using a multi-spectral imaging system |
| CN103940748A (zh) * | 2014-03-10 | 2014-07-23 | 浙江大学 | 基于高光谱技术的柑橘冠层含氮量预测与可视化的方法 |
| CN113063740A (zh) * | 2021-02-25 | 2021-07-02 | 北京麦飞科技有限公司 | 一种基于多源遥感数据的小麦冠层氮含量监测方法 |
| CN114140695A (zh) * | 2021-12-17 | 2022-03-04 | 青岛农业大学 | 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 |
Non-Patent Citations (2)
| Title |
|---|
| Remote estimation of nitrogen and chlorophyll contents in maize at leaf and canopy levels;M. Schlemmer et al.;《Published in International Journal of Applied Earth Observation and Geoinformation》;20131231;第47-54页 * |
| 利用Stacking集成学习估算柑橘叶片氮含量;吴彤 等;《农业工程学报》;20210731;第37卷(第13期);第163-171页 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN115144342A (zh) | 2022-10-04 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN111241912A (zh) | 一种基于机器学习算法的多植被指数的水稻产量估测方法 | |
| CN115481368B (zh) | 一种基于全遥感机器学习的植被覆盖度估算方法 | |
| CN112766155A (zh) | 一种基于深度学习的海水养殖区提取方法 | |
| CN114612794B (zh) | 一种细碎化农业区土地覆被与种植结构的遥感识别方法 | |
| CN116403048B (zh) | 一种基于多模态数据融合的农作物生长估计模型构建方法 | |
| CN112434569B (zh) | 一种无人机热成像系统 | |
| 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 | |
| CN117114374B (zh) | 一种基于天气预测的智慧农业灌溉管理系统 | |
| CN112836725A (zh) | 基于时序遥感数据的弱监督lstm循环神经网络稻田识别方法 | |
| Lang et al. | Detection of chlorophyll content in maize canopy from UAV imagery | |
| CN116485757A (zh) | 一种冬小麦全氮含量预测方法 | |
| CN117197668A (zh) | 基于深度学习的作物倒伏级别的预测方法及系统 | |
| CN115169728A (zh) | 一种基于简化神经网络的土壤肥力预测方法 | |
| CN117480927B (zh) | 一种智能施肥方法及装置 | |
| CN118153802A (zh) | 遥感与多环境因素耦合的小麦关键物候期预测方法及装置 | |
| CN114782840A (zh) | 一种基于无人机rgb影像的小麦物候期实时分类方法 | |
| CN115144342B (zh) | 基于半监督学习的无人机多光谱柑橘叶片氮含量估算方法 | |
| CN114925947B (zh) | 一种物候自适应的作物生理指标深度学习估测方法及系统 | |
| CN116503740A (zh) | 一种精准识别作物种类的无人机视觉系统 | |
| CN113643248B (zh) | 一种基于改进卷积神经网络的小麦生育进程监测方法 | |
| CN113761790B (zh) | 一种基于Stacking集成学习的果树叶片氮含量估算方法 | |
| WO2023131949A1 (en) | A versatile crop yield estimator | |
| CN110210376A (zh) | 一种基于深度学习的高分遥感影像西北地区农膜提取方法 | |
| Li et al. | Early drought plant stress detection with bi-directional long-term memory networks | |
| Cao et al. | A deep learning method for detecting leaf phenology from phenocam imagery |
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 |