CN116660206A - 一种作物产量预估方法及系统 - Google Patents
一种作物产量预估方法及系统 Download PDFInfo
- Publication number
- CN116660206A CN116660206A CN202310632300.0A CN202310632300A CN116660206A CN 116660206 A CN116660206 A CN 116660206A CN 202310632300 A CN202310632300 A CN 202310632300A CN 116660206 A CN116660206 A CN 116660206A
- Authority
- CN
- China
- Prior art keywords
- crop
- chlorophyll content
- near infrared
- infrared spectrum
- chlorophyll
- 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
- 238000000034 method Methods 0.000 title claims abstract description 44
- 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 abstract description 106
- 229930002875 chlorophyll Natural products 0.000 claims abstract description 105
- 235000019804 chlorophyll Nutrition 0.000 claims abstract description 105
- 238000002329 infrared spectrum Methods 0.000 claims abstract description 71
- 238000001228 spectrum Methods 0.000 claims abstract description 52
- 238000004458 analytical method Methods 0.000 claims abstract description 24
- 230000003595 spectral effect Effects 0.000 claims abstract description 13
- 238000001514 detection method Methods 0.000 claims description 21
- 230000008569 process Effects 0.000 claims description 11
- 238000002835 absorbance Methods 0.000 claims description 9
- 230000006870 function Effects 0.000 claims description 7
- 238000012545 processing Methods 0.000 claims description 7
- 238000012549 training Methods 0.000 claims description 7
- 230000003287 optical effect Effects 0.000 claims description 6
- 230000015654 memory Effects 0.000 claims description 5
- 238000013528 artificial neural network Methods 0.000 claims description 4
- 238000010606 normalization Methods 0.000 claims description 3
- 238000011022 operating instruction Methods 0.000 claims description 3
- 238000012795 verification Methods 0.000 claims description 3
- 125000004122 cyclic group Chemical group 0.000 claims description 2
- 238000007781 pre-processing Methods 0.000 claims description 2
- 238000004497 NIR spectroscopy Methods 0.000 claims 1
- 230000008901 benefit Effects 0.000 description 6
- 238000005516 engineering process Methods 0.000 description 6
- 230000007613 environmental effect Effects 0.000 description 5
- 238000010183 spectrum analysis Methods 0.000 description 5
- 239000011159 matrix material Substances 0.000 description 4
- 238000012271 agricultural production Methods 0.000 description 3
- 238000010586 diagram Methods 0.000 description 3
- 238000010200 validation analysis Methods 0.000 description 3
- CSCPPACGZOOCGX-UHFFFAOYSA-N Acetone Chemical compound CC(C)=O CSCPPACGZOOCGX-UHFFFAOYSA-N 0.000 description 2
- LFQSCWFLJHTTHZ-UHFFFAOYSA-N Ethanol Chemical compound CCO LFQSCWFLJHTTHZ-UHFFFAOYSA-N 0.000 description 2
- 230000005540 biological transmission Effects 0.000 description 2
- 239000004973 liquid crystal related substance Substances 0.000 description 2
- 238000010801 machine learning Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 230000000306 recurrent effect Effects 0.000 description 2
- 238000011160 research Methods 0.000 description 2
- 241000196324 Embryophyta Species 0.000 description 1
- 230000002159 abnormal effect Effects 0.000 description 1
- 230000004075 alteration Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 229930002868 chlorophyll a Natural products 0.000 description 1
- 229930002869 chlorophyll b Natural products 0.000 description 1
- NSMUHPMZFPKNMZ-VBYMZDBQSA-M chlorophyll b Chemical compound C1([C@@H](C(=O)OC)C(=O)C2=C3C)=C2N2C3=CC(C(CC)=C3C=O)=[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 NSMUHPMZFPKNMZ-VBYMZDBQSA-M 0.000 description 1
- 239000003086 colorant Substances 0.000 description 1
- 238000007405 data analysis Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 230000008034 disappearance Effects 0.000 description 1
- 238000004880 explosion Methods 0.000 description 1
- 230000036541 health Effects 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 230000003446 memory effect Effects 0.000 description 1
- 238000010238 partial least squares regression Methods 0.000 description 1
- -1 polytetrafluoroethylene Polymers 0.000 description 1
- 229920001343 polytetrafluoroethylene Polymers 0.000 description 1
- 239000004810 polytetrafluoroethylene Substances 0.000 description 1
- 238000005070 sampling Methods 0.000 description 1
- 230000006403 short-term memory Effects 0.000 description 1
- 239000002904 solvent Substances 0.000 description 1
- 238000000870 ultraviolet spectroscopy 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
- 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
- G01N21/359—Investigating relative effect of material at wavelengths characteristic of specific elements or molecules, e.g. atomic absorption spectrometry using infrared light using near infrared light
-
- 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
- G01N21/01—Arrangements or apparatus for facilitating the optical investigation
-
- 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
-
- 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
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/044—Recurrent networks, e.g. Hopfield networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/044—Recurrent networks, e.g. Hopfield networks
- G06N3/0442—Recurrent networks, e.g. Hopfield networks characterised by memory or gating, e.g. long short-term memory [LSTM] or gated recurrent units [GRU]
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
- G06N3/084—Backpropagation, e.g. using gradient descent
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
- G06Q50/02—Agriculture; Fishing; Forestry; Mining
-
- 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
- G01N21/01—Arrangements or apparatus for facilitating the optical investigation
- G01N2021/0106—General arrangement of respective parts
- G01N2021/0112—Apparatus in one mechanical, optical or electronic block
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02A—TECHNOLOGIES FOR ADAPTATION TO CLIMATE CHANGE
- Y02A40/00—Adaptation technologies in agriculture, forestry, livestock or agroalimentary production
- Y02A40/10—Adaptation technologies in agriculture, forestry, livestock or agroalimentary production in agriculture
Landscapes
- Physics & Mathematics (AREA)
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Spectroscopy & Molecular Physics (AREA)
- Data Mining & Analysis (AREA)
- Business, Economics & Management (AREA)
- Chemical & Material Sciences (AREA)
- Pathology (AREA)
- Artificial Intelligence (AREA)
- Immunology (AREA)
- Biochemistry (AREA)
- Analytical Chemistry (AREA)
- General Engineering & Computer Science (AREA)
- Evolutionary Computation (AREA)
- Software Systems (AREA)
- Computing Systems (AREA)
- Molecular Biology (AREA)
- Mathematical Physics (AREA)
- Computational Linguistics (AREA)
- Biophysics (AREA)
- Strategic Management (AREA)
- Biomedical Technology (AREA)
- Human Resources & Organizations (AREA)
- Economics (AREA)
- General Business, Economics & Management (AREA)
- Tourism & Hospitality (AREA)
- Marketing (AREA)
- Game Theory and Decision Science (AREA)
- Bioinformatics & Computational Biology (AREA)
- Evolutionary Biology (AREA)
- Entrepreneurship & Innovation (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Development Economics (AREA)
- Bioinformatics & Cheminformatics (AREA)
Abstract
本发明提出了一种作物产量预估方法及系统,该方法包括:采集作物叶片在预定波长范围内的光谱数据;根据所述光谱数据获得作物叶片在不同波长条件下所对应的叶绿素含量;根据所述光谱数据和叶绿素含量建立作物叶片叶绿素的近红外光谱分析模型;跟踪作物的完整生长周期,根据所述近红外光谱分析模型获得作物完整生长周期的叶绿素含量,并获得作物的实际产量;根据所述作物完整生长周期的叶绿素含量和实际产量建立叶绿素含量及作物产量预估模型;根据所述叶绿素含量及作物产量预估模型获得作物产量预估结果。本发明解决了传统预估难以简单低成本、精准高效获取作物产量的问题。
Description
技术领域
本申请涉及农业生产领域,尤其涉及一种作物产量预估方法及系统。
背景技术
作物产量预估是农业生产和粮食安全管理的重要任务,随着农业生产自动化、信息化和智能化水平的提高,作物产量预估技术逐渐成为研究热点。当前主要的作物产量预估技术包括遥感、气象模型、机器学习等。然而,这些技术在实践中仍存在数据准确性不高、模型普适性差、检测效率低等方面的问题。
目前,通过光谱分析技术预估作物产量方法引起了广泛关注。该方法通过分析植物叶片反射或吸收的光谱,可以获取关于作物生长和健康状况的信息,从而估算作物产量。可以在不破坏作物的情况下,快速准确地采集数据,同时采集多个波段的光谱数据,并通过统计学和机器学习等方法,实现高效的数据分析和处理。还可以提供多样化的参数,如叶绿素含量、植被指数等,这些参数与作物的生长和产量密切相关,因此具有较高的预测精度。然而现有的光谱仪等测量设备存在价格较贵,操作复杂,设备应用种类单一等缺点,目前仅适用于大型科研单位,无法进行普及性的应用和推广。
发明内容
为解决上述技术问题之一,本发明提供了一种作物产量预估方法及系统。
本发明实施例第一方面提供了一种作物产量预估方法,所述方法包括:
采集作物叶片在预定波长范围内的光谱数据;
根据所述光谱数据获得作物叶片在不同波长条件下所对应的叶绿素含量;
根据所述光谱数据和叶绿素含量建立作物叶片叶绿素的近红外光谱分析模型;
跟踪作物的完整生长周期,根据所述近红外光谱分析模型获得作物完整生长周期的叶绿素含量,并获得作物的实际产量;
根据所述作物完整生长周期的叶绿素含量和实际产量建立叶绿素含量及作物产量预估模型;
根据所述叶绿素含量及作物产量预估模型获得作物产量预估结果。
优选地,所述采集作物叶片采集作物叶片在预定波长范围内的光谱数据的过程包括:
预定近红外光谱检测装置的采集时间、间隔时间和波长范围;
根据所述采集时间和间隔时间定时采集作物相同部位叶片上多个不同点在预定波长范围内的光谱数据;
将所述多个不同点在预定波长范围内的光谱数据的平均值作为作物叶片在预定波长范围内的光谱数据。
优选地,所述采集作物叶片采集作物叶片在预定波长范围内的光谱数据的过程还包括:
定时对所述近红外光谱检测装置进行标准光谱校准。
优选地,所述根据所述光谱数据获得作物叶片在不同波长条件下所对应的叶绿素含量的过程包括:
根据所述光谱数据对作物叶片进行处理获得叶绿素提取液;
在不同波长下测量所述叶绿素提取液中的吸光度;
根据所述吸光度获得所述叶绿素含量。
优选地,所述根据所述光谱数据和叶绿素含量建立作物叶片叶绿素的近红外光谱分析模型的过程包括:
将采集的光谱数据分为训练集和验证集;
以所述吸光度作为输入变量,所述叶绿素含量作为输出变量建立所述近红外光谱分析模型。
优选地,所述根据所述作物完整生长周期的叶绿素含量和实际产量建立叶绿素含量及作物产量预估模型的过程包括:
在循环神经网络RNN的基础上增加记忆单元结构存储过去时刻的序列信息;
设置输入门、输出门和遗忘门,所述输入门用于控制信息输入,所述遗忘门用于控制细胞历史状态的取舍,所述输出门用于控制信息输出;
根据所述作物完整生长周期的叶绿素含量和实际产量、记忆单元结构、输入门、输出门和遗忘门建立叶绿素含量及作物产量预估模型并输出预估产量值;
确定损失函数,根据所述作物的实际产量与所述预估模型输出的预估产量值计算所述叶绿素含量及作物产量预估模型的训练损失,并通过梯度反向传播更新所述叶绿素含量及作物产量预估模型的参数权值。
优选地,所述根据所述叶绿素含量及作物产量预估模型获得作物产量预估结果的过程包括:
将作物叶片在不同波长条件下所对应的叶绿素含量组成时间序列;
对所述时间序列进行异常值处理和归一化处理获得预处理数据;
将所述预处理数据输入至所述叶绿素含量及作物产量预估模型,获得作物产量预估结果。
本发明实施例第二方面提供了一种作物产量预估系统,所述系统包括:
近红外光谱检测装置,用于采集作物叶片在预定波长范围内的光谱数据;
处理器,其被配置有处理器可执行的操作指令,以执行如下操作:
根据所述光谱数据获得作物叶片在不同波长条件下所对应的叶绿素含量;
根据所述光谱数据和叶绿素含量建立作物叶片叶绿素的近红外光谱分析模型;
跟踪作物的完整生长周期,根据所述近红外光谱分析模型获得作物完整生长周期的叶绿素含量,并获得作物的实际产量;
根据所述作物完整生长周期的叶绿素含量和实际产量建立叶绿素含量及作物产量预估模型;
根据所述叶绿素含量及作物产量预估模型获得作物产量预估结果。
优选地,所述近红外光谱检测装置包括:
壳体;
近红外光谱模组,设置在所述壳体中,所述近红外光谱模组向外部发射光信号,以及接收反馈的信号;
开关控制单元,包括开关按键和开关电路,所述开关按键设置在所述壳体表面,所述开关按键与所述开关电路电连接,所述开关电路与所述近红外光谱模组电连接;
LED运行显示灯,设置在壳体表面并与所述近红外光谱模组电连接,指示所述近红外光谱模组的运行状态;
充电接口,设置在壳体表面;
可充电电池,设置在壳体内部并与所述充电接口和近红外光谱模组电连接。
优选地,所述壳体上半部分为可手持结构。
本发明的有益效果如下:本发明所提出的作物产量预估方法基于光谱分析技术和特征算法实现。首先建立叶绿素的近红外光谱分析模型,然后通过跟踪作物生长周期的叶绿素含量和作物实际产量建立叶绿素含量及作物产量预估模型,最后通过该预估模型实现作物产量的预估。本发明能够更准确地预测作物产量,帮助用户调控种植策略,增加收益。通过本发明的技术手段,解决了传统预估难以简单低成本、精准高效获取作物产量的问题,具有非常重要的应用价值和社会经济效益,可以广泛应用于农业、园林、环保等多个领域。
附图说明
此处所说明的附图用来提供对本申请的进一步理解,构成本申请的一部分,本申请的示意性实施例及其说明用于解释本申请,并不构成对本申请的不当限定。在附图中:
图1为本发明实施例1所述的作物产量预估方法的流程图;
图2为本发明实施例2所述的作物产量预估系统的原理示意图;
图3为本发明实施例2所述的近红外光谱检测装置的结构示意图;
图4为本发明实施例2所述的近红外光谱检测装置的侧视图;
图5为本发明实施例2所述的近红外光谱检测装置的俯视图;
图6为本发明实施例2所述的近红外光谱检测装置的原理示意图。
附图标记:
1、壳体,2、开关按键,3、充电接口,4、LED运行显示灯。
具体实施方式
为了使本申请实施例中的技术方案及优点更加清楚明白,以下结合附图对本申请的示例性实施例进行进一步详细的说明,显然,所描述的实施例仅是本申请的一部分实施例,而不是所有实施例的穷举。需要说明的是,在不冲突的情况下,本申请中的实施例及实施例中的特征可以相互组合。
实施例1
如图1所示,本实施例提出一种作物产量预估方法,该方法包括:
S101、采集作物叶片在预定波长范围内的光谱数据。
具体的,本实施例中,光谱数据的采集通过近红外光谱检测装置实现。其中,该近红外光谱检测装置可被设计为便携手持式,以便携带和操作使用。基于该近红外光谱检测装置,可采集作物叶片在预定波长范围内的光谱数据,本实施例将波长范围设定为900nm至1700nm。当然,根据作物种类、环境气候等诸多方面因素,波长范围也可适当进行调整,本实施例不做特殊限定。
为了保证光谱数据采集的准确性,本实施例定时采集作物相同部位的叶片,设置好采样时间点和间隔,对多次采集的数据进行平均以提高精度。同时,在采集前,对近红外光谱检测装置进行标准光谱校准,具体可使用材质为聚四氟乙烯的标准漫反射白板实现校准,并保证每隔一段时间进行一次校准,以确保采集过程中光谱数据的准确性。另外,考虑到作物叶片本身的不均匀特性,每组叶片重复采集多个不同点的光谱数据,以多次扫描的平均值作为叶片的光谱数据,以进一步提高光谱数据的准确性。
S102、根据所述光谱数据获得作物叶片在不同波长条件下所对应的叶绿素含量。
具体的,在采集获得物叶片在预定波长范围内的光谱数据后,将其编号并置于离心管中。加入适量乙醇或丙酮等溶剂,使叶绿素与溶剂充分接触并溶解。然后进行振荡混合并离心处理后即可得到叶绿素提取液。使用紫外-可见分光光度计,在不同波长下测量该叶绿素提取液中的吸光度。一般选择波长为663nm(A663)和645nm(A645),分别代表叶绿素a(Ca)和叶绿素b(Cb)的吸收峰。按如下公式计算:
Ca=12.7A663-2.69A645
Cb=22.9A645-4.68A663
C=Ca+Cb
根据所选波长下的吸光度值,通过上述公式即可计算叶绿素含量,从而获取一系列新鲜叶片的光谱数据以及叶片的叶绿素含量。
S103、根据所述光谱数据和叶绿素含量建立作物叶片叶绿素的近红外光谱分析模型。
具体的,将上述采集的光谱数据分为训练(校准)集和验证(预测)集。采用偏最小二乘算法(Partial Least Squares Regression,PLSR),以光谱的吸光度作为输入变量,叶片叶绿素含量作为输出变量建立PLSR的光谱分析模型,即为近红外光谱分析模型。该近红外光谱分析模型采用决定系数(R2)、预测的均方根误差(RMSEP)对模型的预测性能进行评估和比较。Rc2和Rp2分别代表训练集和验证集的决定系数。R2越接近1,RMSEP越小说明模型的精度越高。
其中,为验证值,/>为测量真实值的平均值,yi为测量真实值,n为数据量,SDp验证集的标准偏差。
S104、跟踪作物的完整生长周期,根据所述近红外光谱分析模型获得作物完整生长周期的叶绿素含量,并获得作物的实际产量。
具体的,本实施例跟踪作物的完整生长周期,可获得作物在该完整生长周期内的实际产量以及光谱数据,通过将该光谱数据输入至近红外光谱分析模型中即可获得作物完整生长周期的叶绿素含量。
S105、根据所述作物完整生长周期的叶绿素含量和实际产量建立叶绿素含量及作物产量预估模型。
具体的,本实施例通过跟踪整个作物的生长周期,通过检测作物不同生长阶段的叶绿素含量,建立作物生长模型,并基于LSTM算法,建立叶绿素含量以及作物产量预估模型。
LSTM(Long Short-TermMemory)算法模型是一种循环神经网络(RNN)的变种,它可以解决传统RNN中存在的梯度消失或爆炸的问题,以及在处理长序列数据时出现的记忆效果不理想的问题。
本实施例中,LSTM在循环神经网络RNN的基础上增加了记忆单元结构(cell)用来存储过去时刻的序列信息,同时增加输入门、输出门和遗忘门。其中,输入门用来控制信息输入,遗忘门用来控制细胞历史状态的取舍,输出门用来控制信息输出。设输入时间序列为(x1,x2,…,xt),隐藏层状态为(h1,h2,…,ht),在t时刻输出信息ht计算为
ht=ottanh□(Ct)
ot=σ(Wo[ht-1,xt]+b0)
it=σ(Wi[ht-1,xt]+bi
ft=σ(Wf[ht-1,xt]+bf
其中,Ct为t时刻cell单元,Ct-1为前一时刻cell单元,为单元状态更新值,it为输入门,ft为遗忘门,ot为输出门,ht-1为前一时刻隐藏层的输出信息,Wi为输入门中的权重矩阵,Wf为遗忘门中的权重矩阵,Wo为输出门中的权重矩阵,Wc为当前单元状态的权重矩阵,b0,bc,bi,bf为各个函数的偏移值,σ为sigmoid函数。
选取smooth L1 loss为损失函数,根据作物的实际产量与预估模型输出的预估产量值计算叶绿素含量及作物产量预估模型的训练损失,并通过梯度反向传播更新叶绿素含量及作物产量预估模型的参数权值,其公式为:
其中,y为模型预测产量值,为实际产量值。
S106、根据所述叶绿素含量及作物产量预估模型获得作物产量预估结果。
具体的,在实际生产过程中,通过近红外光谱检测装置采集获得光谱数据,然后通过该光谱数据输入至近红外光谱分析模型中获得叶绿素含量。将该叶绿素含量组成时间序列,经过异常值处理和归一化预处理后,输入至训练好的LSTM叶绿素含量及作物产量预估模型中,即可获得作物产量预估结果。
本实施例所提出的作物产量预估方法基于光谱分析技术和特征算法实现。首先建立叶绿素的近红外光谱分析模型,然后通过跟踪作物生长周期的叶绿素含量和作物实际产量建立叶绿素含量及作物产量预估模型,最后通过该预估模型实现作物产量的预估。该方法能够更准确地预测作物产量,帮助用户调控种植策略,增加收益。解决了传统预估难以简单低成本、精准高效获取作物产量的问题,具有非常重要的应用价值和社会经济效益,可以广泛应用于农业、园林、环保等多个领域。
实施例2
如图2所示,本实施例提出一种作物产量预估系统,该系统包括:
近红外光谱检测装置,用于采集作物叶片在预定波长范围内的光谱数据;
处理器,其被配置有处理器可执行的操作指令,以执行如下操作:
根据所述光谱数据获得作物叶片在不同波长条件下所对应的叶绿素含量;
根据所述光谱数据和叶绿素含量建立作物叶片叶绿素的近红外光谱分析模型;
跟踪作物的完整生长周期,根据所述近红外光谱分析模型获得作物完整生长周期的叶绿素含量,并获得作物的实际产量;
根据所述作物完整生长周期的叶绿素含量和实际产量建立叶绿素含量及作物产量预估模型;
根据所述叶绿素含量及作物产量预估模型获得作物产量预估结果。
具体的,本实施例所提出的作物产量预估系统的预估流程和工作原理可参照实施例1所记载的内容,本实施例不再进行赘述。
本实施例中,光谱数据的采集通过近红外光谱检测装置实现。其中,该近红外光谱检测装置可被设计为便携手持式,以便携带和操作使用。如图3至图6所示,该近红外光谱检测装置包括:
壳体1;
近红外光谱模组,设置在壳体1中,近红外光谱模组向外部发射光信号,以及接收反馈的光谱信号;
开关控制单元,包括开关按键2和开关电路,开关按键2设置在壳体1表面,开关按键2与开关电路电连接,开关电路与近红外光谱模组电连接;
LED运行显示灯4,设置在壳体1表面并与近红外光谱模组电连接,指示近红外光谱模组的运行状态;
充电接口3,设置在壳体1表面;
可充电电池,设置在壳体1内部并与充电接口3和近红外光谱模组电连接。
具体的,本实施例中,壳体1主要起到保护和承载作用,其内部承载有近红外光谱模组,该近红外光谱模组可向外发射光信号,从而采集作物叶片在预定波长范围内的光谱数据,为后续作物产量预估计算提供数据支持。同时该近红外光谱模组也可以集成处理器功能,为整个装置提供电路控制。为了使近红外光谱模组发射的光信号顺利射出,本实施例可在壳体1的表面开设透光通孔,近红外光谱模组发射的光信号可通过该透光通孔射出至外部作物叶片上,同时接收作物叶片反馈的光谱信号。近红外光谱模组通过该反馈的光谱信号实现作物叶片光谱数据的采集。
本实施例中,壳体1的上半部分可设计为便于操作人员携带和操作的可手持结构。该手持结构可以为操作人员提供符合人体工学的手持方式,方便携带和受力。该壳体1可为弯折状结构,以便操作人员手持更为舒适。
进一步的,本实施例中,开关按键2与开关电路组成开关控制单元。开关按键2与开关电路电连接,开关电路与近红外光谱模组电连接,进而可以控制整个装置的开关状态。该开关按键2可设置在手指接触位置或手掌接触位置,进一步方便操作人员的单手操作,使得操作过程更为顺滑和方便。
更进一步的,LED运行显示灯4与近红外光谱模组电连接,可以指示装置当前的运行状态。不同运行状态可显示不同颜色,例如,正常状态显示为绿色,异常状态显示为红色等。以上功能均可采用现有技术实现,本实施例不再进行过多赘述。
为了能够为整个装置提供充足的电能,本实施例在壳体1内部设置有可充电电池。该可充电电池连接有充电接口3。该充电接口3设置在壳体1表面。该充电接口3可与外部电源连接,从而为该可充电电池充电。该可充电电池与近红外光谱模组电连接,可以为近红外光谱模组、开关控制单元、LED运行显示灯4等电子元件提供电能,以保证装置正常工作。
基于该近红外光谱检测装置,可采集作物叶片在预定波长范围内的光谱数据,本实施例将波长范围设定为900nm至1700nm。当然,根据作物种类、环境气候等诸多方面因素,波长范围也可适当进行调整,本实施例不做特殊限定。
本实施例所提出的作物产量预估系统基于光谱分析技术和特征算法实现。首先建立叶绿素的近红外光谱分析模型,然后通过跟踪作物生长周期的叶绿素含量和作物实际产量建立叶绿素含量及作物产量预估模型,最后通过该预估模型实现作物产量的预估。该方法能够更准确地预测作物产量,帮助用户调控种植策略,增加收益。解决了传统预估难以简单低成本、精准高效获取作物产量的问题,具有非常重要的应用价值和社会经济效益,可以广泛应用于农业、园林、环保等多个领域。
显然,本领域的技术人员可以对本申请进行各种改动和变型而不脱离本申请的精神和范围。这样,倘若本申请的这些修改和变型属于本申请权利要求及其等同技术的范围之内,则本申请也意图包含这些改动和变型在内。
Claims (10)
1.一种作物产量预估方法,其特征在于,所述方法包括:
采集作物叶片在预定波长范围内的光谱数据;
根据所述光谱数据获得作物叶片在不同波长条件下所对应的叶绿素含量;
根据所述光谱数据和叶绿素含量建立作物叶片叶绿素的近红外光谱分析模型;
跟踪作物的完整生长周期,根据所述近红外光谱分析模型获得作物完整生长周期的叶绿素含量,并获得作物的实际产量;
根据所述作物完整生长周期的叶绿素含量和实际产量建立叶绿素含量及作物产量预估模型;
根据所述叶绿素含量及作物产量预估模型获得作物产量预估结果。
2.根据权利要求1所述的方法,其特征在于,所述采集作物叶片采集作物叶片在预定波长范围内的光谱数据的过程包括:
预定近红外光谱检测装置的采集时间、间隔时间和波长范围;
根据所述采集时间和间隔时间定时采集作物相同部位叶片上多个不同点在预定波长范围内的光谱数据;
将所述多个不同点在预定波长范围内的光谱数据的平均值作为作物叶片在预定波长范围内的光谱数据。
3.根据权利要求2所述的方法,其特征在于,所述采集作物叶片采集作物叶片在预定波长范围内的光谱数据的过程还包括:
定时对所述近红外光谱检测装置进行标准光谱校准。
4.根据权利要求1所述的方法,其特征在于,所述根据所述光谱数据获得作物叶片在不同波长条件下所对应的叶绿素含量的过程包括:
根据所述光谱数据对作物叶片进行处理获得叶绿素提取液;
在不同波长下测量所述叶绿素提取液中的吸光度;
根据所述吸光度获得所述叶绿素含量。
5.根据权利要求4所述的方法,其特征在于,所述根据所述光谱数据和叶绿素含量建立作物叶片叶绿素的近红外光谱分析模型的过程包括:
将采集的光谱数据分为训练集和验证集;
以所述吸光度作为输入变量,所述叶绿素含量作为输出变量建立所述近红外光谱分析模型。
6.根据权利要求1所述的方法,其特征在于,所述根据所述作物完整生长周期的叶绿素含量和实际产量建立叶绿素含量及作物产量预估模型的过程包括:
在循环神经网络RNN的基础上增加记忆单元结构存储过去时刻的序列信息;
设置输入门、输出门和遗忘门,所述输入门用于控制信息输入,所述遗忘门用于控制细胞历史状态的取舍,所述输出门用于控制信息输出;
根据所述作物完整生长周期的叶绿素含量和实际产量、记忆单元结构、输入门、输出门和遗忘门建立叶绿素含量及作物产量预估模型并输出预估产量值;
确定损失函数,根据所述作物的实际产量与所述预估模型输出的预估产量值计算所述叶绿素含量及作物产量预估模型的训练损失,并通过梯度反向传播更新所述叶绿素含量及作物产量预估模型的参数权值。
7.根据权利要求6所述的方法,其特征在于,所述根据所述叶绿素含量及作物产量预估模型获得作物产量预估结果的过程包括:
将作物叶片在不同波长条件下所对应的叶绿素含量组成时间序列;
对所述时间序列进行异常值处理和归一化处理获得预处理数据;
将所述预处理数据输入至所述叶绿素含量及作物产量预估模型,获得作物产量预估结果。
8.一种作物产量预估系统,其特征在于,所述系统包括:
近红外光谱检测装置,用于采集作物叶片在预定波长范围内的光谱数据;
处理器,其被配置有处理器可执行的操作指令,以执行如下操作:
根据所述光谱数据获得作物叶片在不同波长条件下所对应的叶绿素含量;
根据所述光谱数据和叶绿素含量建立作物叶片叶绿素的近红外光谱分析模型;
跟踪作物的完整生长周期,根据所述近红外光谱分析模型获得作物完整生长周期的叶绿素含量,并获得作物的实际产量;
根据所述作物完整生长周期的叶绿素含量和实际产量建立叶绿素含量及作物产量预估模型;
根据所述叶绿素含量及作物产量预估模型获得作物产量预估结果。
9.根据权利要求8所述的系统,其特征在于,所述近红外光谱检测装置包括:
壳体;
近红外光谱模组,设置在所述壳体中,所述近红外光谱模组向外部发射光信号,以及接收反馈的信号;
开关控制单元,包括开关按键和开关电路,所述开关按键设置在所述壳体表面,所述开关按键与所述开关电路电连接,所述开关电路与所述近红外光谱模组电连接;
LED运行显示灯,设置在壳体表面并与所述近红外光谱模组电连接,指示所述近红外光谱模组的运行状态;
充电接口,设置在壳体表面;
可充电电池,设置在壳体内部并与所述充电接口和近红外光谱模组电连接。
10.根据权利要求9所述的系统,其特征在于,所述壳体上半部分为可手持结构。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310632300.0A CN116660206B (zh) | 2023-05-31 | 2023-05-31 | 一种作物产量预估方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310632300.0A CN116660206B (zh) | 2023-05-31 | 2023-05-31 | 一种作物产量预估方法及系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN116660206A true CN116660206A (zh) | 2023-08-29 |
CN116660206B CN116660206B (zh) | 2024-05-28 |
Family
ID=87723726
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310632300.0A Active CN116660206B (zh) | 2023-05-31 | 2023-05-31 | 一种作物产量预估方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116660206B (zh) |
Citations (17)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN201503392U (zh) * | 2009-06-29 | 2010-06-09 | 浙江托普仪器有限公司 | 基于近红外光谱的手持式土壤养分无损测量装置 |
CN103699803A (zh) * | 2013-12-31 | 2014-04-02 | 北京农业信息技术研究中心 | 一种基于多光谱遥感信息的区域作物养分管理方法 |
CN104297461A (zh) * | 2014-09-30 | 2015-01-21 | 江汉大学 | 一种预测豇豆产量的方法 |
CN104777108A (zh) * | 2015-02-04 | 2015-07-15 | 中国农业大学 | 一种叶绿素含量的检测装置及方法 |
CN105277491A (zh) * | 2015-09-24 | 2016-01-27 | 中国农业科学院农业资源与农业区划研究所 | 叶绿素含量测量方法及装置 |
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 |
CN106290171A (zh) * | 2016-07-27 | 2017-01-04 | 内蒙古大学 | 基于svm和回归分析的玉米叶片叶绿素含量及表型参数测定方法 |
CN106323909A (zh) * | 2016-09-14 | 2017-01-11 | 江苏大学 | 果蔬品质手持式近红外光谱检测系统及检测方法 |
CN107064069A (zh) * | 2017-03-23 | 2017-08-18 | 西北农林科技大学 | 一种猕猴桃树叶片叶绿素含量高光谱估算方法 |
CN107271372A (zh) * | 2017-06-02 | 2017-10-20 | 西北农林科技大学 | 一种苹果叶片叶绿素遥感估测方法 |
US20190050948A1 (en) * | 2017-08-08 | 2019-02-14 | Indigo Ag, Inc. | Machine learning in agricultural planting, growing, and harvesting contexts |
CN110987830A (zh) * | 2019-12-23 | 2020-04-10 | 陕西地建土地工程技术研究院有限责任公司 | 植物冠层叶片叶绿素含量快速测定模型、测定方法及应用 |
CN113268923A (zh) * | 2021-05-17 | 2021-08-17 | 中国水利水电科学研究院 | 一种基于模拟多光谱的夏玉米产量估算方法 |
CN114324215A (zh) * | 2021-12-31 | 2022-04-12 | 重庆市农业科学院 | 一种柠檬叶片叶绿素含量及其二维分布检测方法 |
CN115128036A (zh) * | 2022-07-18 | 2022-09-30 | 山东大学 | 一种手持式近红外光谱检测方法及装置 |
CN115479902A (zh) * | 2022-09-08 | 2022-12-16 | 贵州省山地资源研究所 | 基于波长的叶绿素含量测定模型构建方法及其系统 |
CN115479903A (zh) * | 2022-09-08 | 2022-12-16 | 贵州省山地资源研究所 | 一种基于波长的叶绿素含量测定方法及其系统 |
-
2023
- 2023-05-31 CN CN202310632300.0A patent/CN116660206B/zh active Active
Patent Citations (17)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN201503392U (zh) * | 2009-06-29 | 2010-06-09 | 浙江托普仪器有限公司 | 基于近红外光谱的手持式土壤养分无损测量装置 |
CN103699803A (zh) * | 2013-12-31 | 2014-04-02 | 北京农业信息技术研究中心 | 一种基于多光谱遥感信息的区域作物养分管理方法 |
CN104297461A (zh) * | 2014-09-30 | 2015-01-21 | 江汉大学 | 一种预测豇豆产量的方法 |
CN104777108A (zh) * | 2015-02-04 | 2015-07-15 | 中国农业大学 | 一种叶绿素含量的检测装置及方法 |
CN105277491A (zh) * | 2015-09-24 | 2016-01-27 | 中国农业科学院农业资源与农业区划研究所 | 叶绿素含量测量方法及装置 |
CN106290171A (zh) * | 2016-07-27 | 2017-01-04 | 内蒙古大学 | 基于svm和回归分析的玉米叶片叶绿素含量及表型参数测定方法 |
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 |
CN106323909A (zh) * | 2016-09-14 | 2017-01-11 | 江苏大学 | 果蔬品质手持式近红外光谱检测系统及检测方法 |
CN107064069A (zh) * | 2017-03-23 | 2017-08-18 | 西北农林科技大学 | 一种猕猴桃树叶片叶绿素含量高光谱估算方法 |
CN107271372A (zh) * | 2017-06-02 | 2017-10-20 | 西北农林科技大学 | 一种苹果叶片叶绿素遥感估测方法 |
US20190050948A1 (en) * | 2017-08-08 | 2019-02-14 | Indigo Ag, Inc. | Machine learning in agricultural planting, growing, and harvesting contexts |
CN110987830A (zh) * | 2019-12-23 | 2020-04-10 | 陕西地建土地工程技术研究院有限责任公司 | 植物冠层叶片叶绿素含量快速测定模型、测定方法及应用 |
CN113268923A (zh) * | 2021-05-17 | 2021-08-17 | 中国水利水电科学研究院 | 一种基于模拟多光谱的夏玉米产量估算方法 |
CN114324215A (zh) * | 2021-12-31 | 2022-04-12 | 重庆市农业科学院 | 一种柠檬叶片叶绿素含量及其二维分布检测方法 |
CN115128036A (zh) * | 2022-07-18 | 2022-09-30 | 山东大学 | 一种手持式近红外光谱检测方法及装置 |
CN115479902A (zh) * | 2022-09-08 | 2022-12-16 | 贵州省山地资源研究所 | 基于波长的叶绿素含量测定模型构建方法及其系统 |
CN115479903A (zh) * | 2022-09-08 | 2022-12-16 | 贵州省山地资源研究所 | 一种基于波长的叶绿素含量测定方法及其系统 |
Non-Patent Citations (3)
Title |
---|
丁永军;张晶晶;孙红;李修华;: "玻璃温室环境下番茄叶绿素含量敏感光谱波段提取及估测模型", 光谱学与光谱分析, no. 01, 15 January 2017 (2017-01-15), pages 194 - 199 * |
吴琼;齐波;赵团结;姚鑫锋;朱艳;盖钧镒;: "高光谱遥感估测大豆冠层生长和籽粒产量的探讨", 作物学报, no. 02, 11 December 2012 (2012-12-11), pages 309 - 318 * |
杨智;李映雪;徐德福;刘寿东;: "冠层反射光谱与小麦产量及产量构成因素的定量关系", 中国农业气象, no. 03, 20 August 2008 (2008-08-20), pages 338 - 342 * |
Also Published As
Publication number | Publication date |
---|---|
CN116660206B (zh) | 2024-05-28 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Patrizi et al. | A virtual soil moisture sensor for smart farming using deep learning | |
CN110346305B (zh) | 一种测量植物叶片氮含量的方法和装置 | |
CN110411957A (zh) | 水果货架期及新鲜程度的无损快速预测方法及装置 | |
CN107202761A (zh) | 一种快速检测水果内部品质的便携式检测设备及检测方法 | |
CN107222682A (zh) | 农作物生长状况检测方法及装置 | |
CN107389573A (zh) | 氮营养指数估算方法及装置 | |
AU2019230450A1 (en) | Agricultural condition determination | |
CN111754045A (zh) | 一种基于果树生长的预测系统 | |
Zhou et al. | Determination of leaf water content with a portable NIRS system based on deep learning and information fusion analysis | |
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 | |
Yi et al. | Evaluating the performance of PC-ANN for the estimation of rice nitrogen concentration from canopy hyperspectral reflectance | |
Wang et al. | Application of hyperspectral technology combined with bat algorithm-AdaBoost model in field soil nutrient prediction | |
CN116660206B (zh) | 一种作物产量预估方法及系统 | |
Yang et al. | Identification of high-oil content soybean using hyperspectral reflectance and one-dimensional convolutional neural network | |
Chen et al. | Combination of modified optical path length estimation and correction and moving window partial least squares to waveband selection for the fourier transform near-infrared determination of pectin in shaddock peel | |
CN105784606A (zh) | 一种基于光学特性的水质监控系统 | |
CN113570240A (zh) | 一种基于农作物全生命周期管理的智慧农场平台 | |
Malounas et al. | Testing the suitability of automated machine learning, hyperspectral imaging and CIELAB color space for proximal in situ fertilization level classification | |
Prasad et al. | System model for smart precision farming for high crop yielding | |
CN105717048A (zh) | 一种基于养殖水体光学特性的水质采集处理系统 | |
CN114692971A (zh) | 一种基于产量差的作物产量预测方法及装置 | |
Huang et al. | Estimation of chlorophyll content in pepper leaves using spectral transmittance red-edge parameters | |
Spisic et al. | IoT Based Network Model And Sensor Node Prototype For Precision Agriculture Application | |
Skewes et al. | Smartphone tools for measuring vine water status | |
Madhumathi et al. | Intelligent Time-based Irrigation System using Predictive Algorithms and Internet of Things |
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 |