CN116883874A - 一种用于芳樟矮林综合长势的评估方法及系统 - Google Patents

一种用于芳樟矮林综合长势的评估方法及系统 Download PDF

Info

Publication number
CN116883874A
CN116883874A CN202310859586.6A CN202310859586A CN116883874A CN 116883874 A CN116883874 A CN 116883874A CN 202310859586 A CN202310859586 A CN 202310859586A CN 116883874 A CN116883874 A CN 116883874A
Authority
CN
China
Prior art keywords
index
growth
cinnamomum camphora
comprehensive
forest
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
CN202310859586.6A
Other languages
English (en)
Inventor
龚荣新
鲁向晖
闫子黄
张海娜
张�杰
杨宝诚
王倩
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.)
Nanchang Institute of Technology
Original Assignee
Nanchang Institute of Technology
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 Nanchang Institute of Technology filed Critical Nanchang Institute of Technology
Priority to CN202310859586.6A priority Critical patent/CN116883874A/zh
Publication of CN116883874A publication Critical patent/CN116883874A/zh
Pending legal-status Critical Current

Links

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
    • 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
    • G01N21/55—Specular reflectivity
    • 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
    • G06N3/0499—Feedforward 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
    • G06N3/08—Learning methods
    • G06N3/084—Backpropagation, e.g. using gradient descent
    • 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
    • G06N3/086—Learning methods using evolutionary algorithms, e.g. genetic algorithms or genetic programming
    • 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
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/40—Extraction of image or video features
    • G06V10/58—Extraction of image or video features relating to hyperspectral data
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/40—Extraction of image or video features
    • G06V10/60—Extraction of image or video features relating to illumination properties, e.g. using a reflectance or lighting model
    • 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
    • G06V10/764—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using classification, e.g. of video objects
    • 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
    • G06V10/766—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using regression, e.g. by projecting features on hyperplanes
    • 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
    • G06V10/7747—Organisation of the process, e.g. bagging or boosting
    • 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
    • G06V10/82—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using neural networks
    • 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
    • G06V10/87—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using selection of the recognition techniques, e.g. of a classifier in a multiple classifier system
    • 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
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V20/00—Scenes; Scene-specific elements
    • G06V20/10—Terrestrial scenes
    • G06V20/194—Terrestrial scenes using hyperspectral data, i.e. more or other wavelengths than RGB

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Health & Medical Sciences (AREA)
  • General Health & Medical Sciences (AREA)
  • Multimedia (AREA)
  • Software Systems (AREA)
  • Evolutionary Computation (AREA)
  • Computing Systems (AREA)
  • Artificial Intelligence (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Databases & Information Systems (AREA)
  • Medical Informatics (AREA)
  • Biomedical Technology (AREA)
  • Biophysics (AREA)
  • Mathematical Physics (AREA)
  • General Engineering & Computer Science (AREA)
  • Molecular Biology (AREA)
  • Data Mining & Analysis (AREA)
  • Computational Linguistics (AREA)
  • Spectroscopy & Molecular Physics (AREA)
  • Business, Economics & Management (AREA)
  • Chemical & Material Sciences (AREA)
  • Analytical Chemistry (AREA)
  • Biochemistry (AREA)
  • Immunology (AREA)
  • Pathology (AREA)
  • Remote Sensing (AREA)
  • Animal Husbandry (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Physiology (AREA)
  • Agronomy & Crop Science (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Marine Sciences & Fisheries (AREA)
  • Mining & Mineral Resources (AREA)
  • Evolutionary Biology (AREA)
  • Economics (AREA)
  • Human Resources & Organizations (AREA)

Abstract

本发明公开了一种用于芳樟矮林综合长势的评估方法及系统，应用于植物长势监测技术领域，以矮林芳樟为研究对象，通过无人机搭载的多光谱相机获取其冠层光谱反射率，同步测量其SPAD、AGB、PH和LAI4种单一长势指标，分别采用变异系数法和均等权重法构建矮林芳樟综合长势监指标，采用MLR、PLS、SVR、RF、RBFNN、BPNN及鲸鱼算法优化的BPNN模型建立芳樟矮林综合长势监测模型，以期建立高效的矮林芳樟长势估算方法，为矮林芳樟精油及其他矮化林业产业的现代化田间管理方法提供技术支持。

Description

一种用于芳樟矮林综合长势的评估方法及系统
技术领域
本发明涉及植物长势监测技术领域，更具体的说是涉及一种用于芳樟矮林综合长势的评估方法及系统。
背景技术
作物长势是指不同生育阶段内作物生长的状态和趋势，常见的作物长势参数主要有株高，叶面积指数，叶绿素含量，水分，地上部生物量等。作物长势的好坏直接关系到作物的产量和品质，因此必须重视对其的观察和判断，以便为农业生产提供有效的指导。但传统的作物长势监测方法是通过肉眼观察或者破坏性取样来判别作物的生长情况，这种方式需要耗费大量的人力、时间与资源，在监测大面积作物时显得尤为低效。
随着遥感技术的发展，快速无损且大范围获取作物信息成为可能，因此遥感技术在作物长势预测上有广阔的应用前景。Shiyuan Liu等利用大疆精灵4多光谱无人机获取水稻冠层光谱反射率，分别建立了水稻SPAD，地上部生物量(AGB)和叶面积三种长势指标与植被指数的回归模型，发现多植被指数的回归模型精度优于一元回归模型，使用支持向量机建立的多植被指数与水稻SPAD回归模型精度最高；Yixiu Han等以小麦为研究对象，使用蝗虫算法(GOA)优化的XGBoost模型建立了多光谱植被指数与小麦生AGB的反演模型。但单一长势指标表征的是作物某一方面的生长状况，在一定程度上它不能代表作物综合长势，因此有研究者在综合单一长势指标方面做了探索，例如徐云飞等以冬小麦为研究对象，获取冬小麦AGB、株高、SPAD和植株含水率数据，基于变异系数法(Coefficient ofVariationMethod，CV)构建了冬小麦长势监测指标(Comprehensive Growth Monitoring Indicator，CGMI)，发现遗传算法优化神经网络构建的小麦CGMI和植被指数的反演模型精度最高，决定系数R2达到0.8；Xiaobin Xu等使用改进的模糊综合评价(FCE)方法建立对小麦叶面积指数、叶片生物量、叶片含水量和叶片含氮量等信息综合产量评价指标(CYEI)，以监测小麦生长和估计产量。
以上研究表明，机器学习(ML)已经成为利用无人机多光谱技术建立作物单一或综合长势预测模型的有效方法。ML模型的准确性和效率在很大程度上取决于内部模型参数，使用优化算法确定模型参数可以提高模型准确性。
芳樟(Cinnamomum camphora(Linn.)Presl)是中国重要的木本油料植物及观赏树木，芳樟精油中的多酚类物质具有消炎、抗菌和止痛的功效，也作为香料出口世界各国，在医疗与香料产业中占有独特地位，具有很高的经济价值。近年来矮林芳樟精油产业发展迅速。芳樟的长势状况直接影响到其出油率和精油质量，如何对樟树长势进行快速精准监测，及时指导林业生产田间管理制度的制定，已成为保证芳樟精油产业高质量发展的必然要求，但目前鲜有研究对多个长势指标组合，实现矮林芳樟综合长势监测。
发明内容
有鉴于此，本发明提供了一种用于芳樟矮林综合长势的评估方法及系统。
为了实现上述目的，本发明提供如下技术方案：
一方面，本发明公开了一种用于芳樟矮林综合长势的评估方法，具体步骤如下：
采集芳樟矮林长势指标；其中，所述芳樟矮林长势指标包括：SPAD、地上部生物量、株高和叶面积指数；
根据各个指标的变异系数确定每个指标的重要度，构建芳樟矮林综合长势监测指标；
根据芳樟矮林植被指数利用多种方法建立芳樟矮林综合长势监测模型，并进行模型优化，依据决定系数、归一化均方根误差筛选出最优模型。
优选的，在上述的一种用于芳樟矮林综合长势的评估方法中，构建芳樟矮林综合长势监测指标具体步骤如下：
对四种单一长势指标进行归一化以消除量纲，计算公式为(1)；将归一化后的4种芳樟矮林长势指标按均等权重构建长势监测指标CGMI1，计算公式为(2)：
式中i为指标类别，Ui为归一化后的第i类指标，maxxi和minxi分别为第i类指标的最大和最小值；
计算变异系数，即指标的标准差除以均值，其计算公式为：
式中为第i类指标的平均值，Si为第i类指标的标注差，Vi为第i类指标的变异系数，使用变异系数法确定归一化后的4种芳樟矮林长势指标的权重，进而构建基于变异系数法的综合长势监测指标CGMI2，计算公式为：
式中Wi为第i类指标权重。
优选的，在上述的一种用于芳樟矮林综合长势的评估方法中，根据变异系数法计算综合长势监测指标CGMI2如下：
四种单一指标权重分别为0.130514，0.236403，0.302251，0.330832，根据(6)公式，综合长势监测指标CGMI2为：
CGMI2＝0.130514U1+0.236403U2+0.302251U3+0.330832U4。
优选的，在上述的一种用于芳樟矮林综合长势的评估方法中，建立芳樟矮林综合长势监测模型采用多元线性回归、支持向量回归、随机森林、偏最小二乘法、径向基函数神经网络、反向传播神经网络。
优选的，在上述的一种用于芳樟矮林综合长势的评估方法中，对模型进行优化具体步骤如下：采用鲸鱼优化算法：
(1)模拟搜索和包围猎物：
A＝2ar-a (9)：
式中A为系数向量，B表示包围步长，是迭代到第t代时种群内全局最优解的鲸鱼个体位置，/>是迭代到第t代时个体位置，r是[0，1]内随机数，a为从2到0的线性递减系数，T是最大迭代次数；
(2)模拟气泡网捕食：
式中，C表示鲸鱼到猎物之间距离，b是控制对数螺旋形状的常数，l是[-1，1]上一个随机数。
优选的，在上述的一种用于芳樟矮林综合长势的评估方法中，依据决定系数、归一化均方根误差筛选出最优模型，具体步骤如下：
利用多光谱遥感数据提取植被指数；
根据植被指数与所述芳樟矮林长势指标进行相关性分析；
选取重要度高的所述植被指数，利用多元线性回归、支持向量回归、随机森林、偏最小二乘法、径向基函数神经网络、反向传播神经网络对长势监测指标CGMI1和综合长势监测指标CGMI2进行预测；
根据决定系数和归一化均方根误差筛选出最优模型。
另一方面，本发明公开了一种用于芳樟矮林综合长势的评估系统，包括：
采集模块，采集芳樟矮林长势指标；其中，所述芳樟矮林长势指标包括：SPAD(叶片在两种波长光学浓度差方式650nm和940nm来确定叶片当前叶绿素的相对数量(两种波长范围内的透光系数来确定叶片当前叶绿素的相对数量)测量值是通过对在二个不同波长区域，叶片传输光的数量进行计算，在这二个区域叶绿素对光吸收不相同的。)、地上部生物量、株高和叶面积指数；
综合长势监测指标构建模块，根据各个指标的变异系数确定每个指标的重要度，构建芳樟矮林综合长势监测指标；
模型构建模块，根据芳樟矮林植被指数利用多种方法建立芳樟矮林综合长势监测模型；
模型优化模块，利用鲸鱼优化算法对进行芳樟矮林综合长势监测模型优化；
筛选模块，依据决定系数、归一化均方根误差筛选出最优模型。
优选的，在上述的一种用于芳樟矮林综合长势的评估系统中，综合长势监测指标构建模块包括：
归一化单元，对四种单一长势指标进行归一化以消除量纲，计算公式为(1)；
长势监测指标构建单元，将归一化后的4种芳樟矮林长势指标按均等权重构建长势监测指标CGMI1，计算公式为(2)：
式中i为指标类别，Ui为归一化后的第i类指标，maxxi和minxi分别为第i类指标的最大和最小值；
计算变异系数单元，其计算公式为：
式中为第i类指标的平均值，Si为第i类指标的标注差，Vi为第i类指标的变异系数，使用变异系数法确定归一化后的4种芳樟矮林长势指标的权重；
综合长势监测指标构建单元，计算公式为：
式中Wi为第i类指标权重。
经由上述的技术方案可知，与现有技术相比，本发明公开提供了一种用于芳樟矮林综合长势的评估方法及系统，以矮林芳樟为研究对象，通过无人机搭载的多光谱相机获取其冠层光谱反射率，同步测量其SPAD、AGB、PH和LAI 4种单一长势指标，分别采用变异系数法和均等权重法构建矮林芳樟综合长势监指标，采用MLR、PLS、SVR、RF、RBFNN、BPNN及鲸鱼算法优化的BPNN模型建立芳樟矮林综合长势监测模型，以期建立高效的矮林芳樟长势估算方法，为矮林芳樟精油及其他矮化林业产业的现代化田间管理方法提供技术支持。
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，下面将对实施例或现有技术描述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，还可以根据提供的附图获得其他的附图。
图1为本发明的研究区示意图；
图2为本发明的相关性分析示意图；
图3为本发明的反演CGMI1模型拟合结果示意图；
图4为本发明的反演CGMI2模型拟合结果示意图；
图5为本发明的验证集拟合结果对比示意图；
图6为本发明的方法流程图。
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。
本发明的实施例研究地点位于江西省南昌市南昌工程学院的樟树种质资源圃，经纬度分别为28°41′40.85″N和116°1′41.18″E，研究区示意图如图1所示。该地区属于亚热带湿润季风气候，具有充足的光照和多年平均降雨量为1600mm的气候条件。该地区的降水日在147～157天之间，多年平均气温约为17℃左右，历年平均日照时数约为1772～1845小时，日照率为40％。该地区部分土壤密度较大，土壤质地为红壤，pH值偏向微酸到中性，有机质含量6.39g/kg，全氮含量为0.62g/kg，全磷含量为0.30g/kg，全钾含量为13.00g/kg，碱解氮含量为47.74mg/kg，速效磷含量为1.49mg/kg，速效钾含量为61.10mg/kg。
供试芳樟品种为赣芳1号，研究区小区划分如图1所示，设66个小区，每个小区种植3行3列共9株矮林芳樟，株距1m，每个样本小区3m×3m，共594株，于2021年4月栽植，一年生扦插苗。
具体步骤如下：
多光谱数据采集：本实施例采用大疆经纬M300RTK四旋翼无人机搭载长光禹辰信息技术与装备(青岛)有限公司生产的MS600pro多光谱相机平台(MS600pro,Yusense,Inc.，Qingdao,China)获取遥感数据，其中多光谱相机包含6个光谱通道。多光谱影像于2022年9月25日上午拍摄，天气晴朗无云，根据研究区范围规划飞行航线，并进行白板校正，飞行高度设置为30m，设置速度为2.5m/s，像元分辨率是4.09cm，选用自动捕获模式，航向重叠度为75％、旁向重叠度65％。
使用Yusense Map航空遥感预处理软件对获取的无人机图片拼接处理，并进行几何校正和辐射校正预处理，将预处理后的无人机多光谱影像信息导入ENVI软件，将研究区中每个小区作为一个感兴趣区域(Region ofinterest，ROI)，截取芳樟叶片的影像、剔除土壤和阴影的影响波段如图所示，以每个ROI内矮林芳樟叶片样本的平均反射光谱，作为该小区的光谱反射率。
芳樟矮林长势指标采集：芳樟矮林长势指标采集与无人机飞行同步进行。使用SPAD-502型手持式叶绿素仪，每个小区选择3棵长势良好的芳樟，每棵树随机选取5片中上部健康的成熟叶片，测定其SPAD，每个叶片不同部位测量3次取平均值，最后计算5个叶片的平均值作为该树的SPAD。使用卷尺测量每个小区九株芳樟的高度取平均值作为该小区PH，高度为植株从地面至枝条最高点的距离。LAI数据测定采用美国LAI-2200C植物冠层分析仪，每个样本小区选取3株具有代表性的樟树，在每棵树选择4处测量并记录LAI值，取4次测量平均值作为该树的LAI值，最后取3株树的平均值作为该小区的LAI值。将每个样本小区所选取3株具有代表性的樟树带回实验室后，先放置在烘箱中105℃杀青30min，然后设置80℃烘烤至恒质量，并用电子天平测量，最后称取样本质量，每个小区取均值，测得地上生物量。
植被指数构建：植被指数指从多光谱遥感数据中提取的有关地球表面植被覆盖状况的定量数值，通常是用红波段和近红外波段通过数学运算后得到。本实施例选用多种常见植被指数，其计算公式如表1，其中B、G、R、RE、NIR分别为450mm、550nm、660nm、750nm、840nm波段的光谱反射率。
表1植被指数计算公式
综合长势指标构建：
为了较为准确地获取研究区矮林芳樟的长势情况，选取SPAD、PH、LAI、AGB这4种植被长势指标组合构建综合长势监测指标。首先对四种单一长势指标进行归一化以消除量纲，计算公式为(1)。将归一化后的SPAD、PH、LAI、AGB 4种植被长势指标按均等权重构建长势监测指标(CGMI1)，计算公式为(2)：
式中i为指标类别，Ui为归一化后的第i类指标，maxxi和minxi分别为第i类指标的最大和最小值。
变异系数法是一种常用的权重确定方法，利用各评价指标的变异程度来确定其权重，变异系数越大的指标赋予的权重越高，反之赋予的权重越低。因为变异系数反映了指标的相对波动大小，一般而言，变异系数大的指标反映的信息更为重要，具有更高的区分度和稳定性，赋予该指标以较大的权数；反之，赋予该评价指标以较小的权数。变异系数，即指标的标准差除以均值，其计算公式为：
式中为第i类指标的平均值，Si为第i类指标的标注差，Vi为第i类指标的变异系数，使用变异系数法确定归一化后的SPAD、PH、LAI、AGB 4种植被长势指标的权重，进而构建基于变异系数法的综合长势监测指标(CGMI2)，计算公式为：
式中Wi为第i类指标权重。
建立芳樟矮林综合长势监测模型采用多元线性回归、支持向量回归、随机森林、偏最小二乘法、径向基函数神经网络、反向传播神经网络。
(1)多元线性回归
多元线性回归(Multiple Linear Regression，MLR)是一种广泛使用的统计模型，用于通过多个自变量预测一个连续的因变量。与简单线性回归只利用单个自变量不同，多元线性回归可以适应多个自变量的情况，从而提高预测模型的复杂性和准确性。
(2)支持向量回归
支持向量机(Support vector machine,SVM)本身是针对二分类问题提出的，而支持向量回归(support vector regression，SVR)是SVM中的一个重要的应用分支，SVR通过核函数将特征空间投影到高维空间中来实现非线性回归建模。本实施例使用高斯径向基核(Radial Basis Function，RBF)作为核函数，采用网络搜索法选择最佳参数，径向基函数参数为30，惩罚因子为20。
(3)随机森林
随机森林(Random Forest，RF)是一种集成学习方法，它由多个决策树构成，每个决策树都使用随机选取的特征和样本进行训练，最后通过投票法确定预测结果，随机森林在分类和回归问题中都有广泛的应用，它在以决策树为机器学习构建Bagging集成的基础上，进一步在决策树的训练过程中引入了随机属性选择，以降低过拟合风险。本实施例采用10折交叉验证的网格搜索方法调节随机森林参数，设置叶子节点数为4，决策树数量为100。
(4)偏最小二乘法
偏最小二乘法(Partial Least Squares，PLS)集典型相关分析、主成分分析和多元线性回归的优势集于一体，可以处理高维数据和多重共线性，为解决多变量问题提供了很好的途径。
(5)径向基函数神经网络
径向基函数神经网络(Radial Basis Function Neural Network，RBFNN)是一种非参数的回归方法，它使用径向基函数(RBF)作为基函数来拟合连续的非线性函数，可以将非线性问题映射到高维空间中使其线性可分。与传统的前馈神经网络相比，RBFNN的计算速度更快，是因为它的隐藏层只有一个线性层，这减少了迭代次数和计算时间，提高了训练速度。本实施例中径向基函数的扩展速度被设置为100。
(6)反向传播神经网络
反向传播神经网络(Back Propagation Neural Network，BPNN)是一种基于误差反向传播算法的人工神经网络，其基本结构包括输入层、隐藏层和输出层，主要思想是通过多层神经元的组合，构建出一个非线性的映射关系通过改变隐藏层的权重和偏置，BP神经网络可以对输入输出之间的非线性关系进行逼近。其最大的特点是信号前向传播和误差反向传播，这种传播机制使其输出数据与期望值的接近度越来越高。BP神经网络可以通过增加中间层、神经元数量等方式，对BP神经网络进行改进，以适用于不同的应用领域和任务类型。
本实施例中的BPNN估计模型是使用MATLAB的Neural-Net-work工具箱构建的，基于数值优化理论，将隐式层的传递函数设置为Tansig函数，网络训练采用Levenberg-Marquardt(L-M)算法，经过多次训练，中间层神经元数量设置为12，最大迭代次数设置为1000，训练目标为，学习速率为0.1，每次用来梯度下降的批处理数据大小为，神经网络训练后进行模拟，得到模拟值。
对模型进行优化具体步骤如下：采用鲸鱼优化算法：
座头鲸有特殊的捕猎方法，这种觅食行为被称为泡泡网觅食法，鲸鱼优化算法(WOA)模拟了座头鲸特有的搜索方法和围捕机制，主要分为搜索和包围猎物、气泡网捕食,最终获得全局最优解。其计算方法如下，首先模拟搜索和包围猎物：
A＝2ar-a (9)
式中A为系数向量，B表示包围步长，是迭代到第t代时种群内全局最优解的鲸鱼个体位置，/>是迭代到第t代时个体位置,r是[0,1]内随机数，a为从2到0的线性递减系数,T是最大迭代次数。然后模拟气泡网捕食：
式中，C表示鲸鱼到猎物之间距离，b是控制对数螺旋形状的常数，l是[-1,1]上一个随机数。
模型精度评价：
为选出最理想的模型，并对其可靠性和预测结果的精准性进行检验，选取R2、NRMSE，其公式如下：
式中n为样本个数，为芳樟矮林长势估测值，/>和/>分别为芳樟矮林长势估测值最大值和最小值，ai为芳樟矮林光合参数实测值，/>为矮林芳樟光合参数实际测量值的均值。R2越趋近1，表明模型的拟合性越强；NRMSE越接近0，说明模型的拟合性越强、预测结果也更为接近实测结果，模型的拟合性越强。本实施例对模型的精度参数进行统计和比较，以更直观的选择最优模型。
结果与分析：
(1)数据分析
根据变异系数法可以计算出SPAD，PH，LAI和AGB四种单一指标权重分别为0.130514，0.236403，0.302251，0.330832，因此根据(6)公式，本实施例中CGMI2为：
CGMI2＝0.130514U1+0.236403U2+0.302251U3+0.330832U4 (16)
式中U1为归一化后的SPAD值，U2为归一化后的株高，U3为归一化后的生物量，U4为归一化后的植株含水率。矮林芳樟长势数据统计结果如表2所示，样本数为66，SPAD，PH，LAI和AGB的变异系数分别为0.09，0.17，0.22，0.23，除SPAD外单一长势指标变异系数均大于0.15，说明长势数据受试验处理影响明显，而综合长势指标变异系数在0.30以上，较单一长势指标至少提升了0.1，离散程度更大，对于噪声容忍度大的算法来说，建模分析影响较小。
表2样本统计
(2)植被指数与长势指标相关性分析
本实施例基于无人机多光谱反射率计算的植被指数和矮林芳樟长势指标的皮尔逊相关系数(Pearson)如图2所示，相关系数取值范围为[-1,1],当两个变量同时增大时，它们之间为正相关。
可以看出一些植被指数间相关性较高，因此为减少信息沉余和共线性，本实施例只选择TCART、Clrededge、OSAVI、DVI、MNVI五种与矮林芳樟长势指标相关性较高且均在0.01水平上显著的植被指数，作为模型输入量。其中，TCART为与矮林芳樟长势指标最高的植被指数，其与SPAD，PH，LAI和AGB四种单一长势指标以及CGMI1和CGMI2两种综合长势指标相关性分别为0.69、0.41、0.66、0.77、0.76、0.79。相较于单一长势指标，CGMI与通过了显著性检验的五种植被指数其相关性明显提高，且CGMI2提升较CGMI1更显著。其中PH的相关性提高最为明显，CGMI2与DVI的相关性比PH与DVI的相关性提升最多，为123.33％，其次是CGMI2与TCART的相关性比PH与TCART的相关性提升了92.45％，说明所选植被指数能更好地响应CGMI2。
将TCART、Clrededge、OSAVI、DVI、MNVI五种植被指数作为自变量，选取52个样本作为训练集，14个样本作为测试集，采用MLR、PLS、SVR、RF、RBFNN、BPNN六种模型对CGMI1和CGMI2估测，结果如下。
表3.模型精度评价
在均等权重法构建的矮林芳樟综合长势指标监测模型中，仅BPNN模型训练集和验证集R2均大于0.6，分别为0.7260和0.6332，NRMSE分别为0.1513和0.1869。其次是RBFNN、RF和SVR模型，训练集和验证集R2大于0.5，其中SVR模型训练集和验证集NRMSE最低分别为0.1510和0.1642。而MLR和PLS模型验证集R2低于0.5，且NRMSE较高，无法有效的反演芳樟矮林综合长势。
在变异系数法构建的矮林芳樟综合长势指标监测模型中，BPNN模型精度最优，其训练集和验证集R2均最高，分别为0.8803和0.7761，训练集和验证集NRMSE均最低，分别为0.0878和0.1642。其次是RF和RBFNN模型，训练集R2分别为0.7098和0.7550，验证集R2分别为0.6940和0.6646，RBFNN模型训练集和验证集NRMSE较低，分别为0.1292和0.1661，但RF模型训练集和验证集NRMSE较高，分别为0.2048和0.4381MLR和SVR模型精度相似，训练集和验证集R2均大于0.6。仅PLS模型验证集R2小于0.6，其训练集和验证集R2分别为0.6264和0.5102，其训练集和验证集NRMSE分别为0.1951和0.1932。
变异系数法构建的矮林芳樟综合长势指标监测模型精度明显高于均等权重法构建模型，其中MLR模型精提升最为显著，CGMI2构建的MLR模型比CGMI1构建的MLR模型测试集R2提高了87％，测试集NRMSE下降了16％。其次是BPNN模型，CGMI2构建的BPNN模型比CGMI1构建的BPNN模型训练集R2提升21％，测试集R2提升了21％，训练集和测试集NRMSE分别下降了41％和12％。PLS模型变化幅度最小，CGMI2构建的PLS模型比CGMI1构建的PLS模型训练集和验证集R2分别提升了16％和10％，NRMSE分别降低12％和6％。
BPNN与变异系数法结合构建的芳樟矮林长势反演模型预测精度高、建模效果较好，但在部署反向传播神经网络架构时，最具挑战性的部分之一是训练过程，由于所需的训练时间非常长，存在一定的低效率。因此本实施例使用WOA算法优化BPNN模型的权值和阈值，而对BPNN模型其余参数设置部分保持不变，其优化参数主要包括种群大小、进化次数、输入层神经元个数、输出层神经元个数、输入层到隐层的权值、隐层到输出层的权值。本实施例设置WOA优化BPNN模型的初始种群大小为10、迭代次数为60，优化后模型拟合结果如图5所示。
使用WOA算法优化后的WOA-BPNN模型较BPNN模型精度有显著提升，WOA-BPNN与变异系数法结合构建的芳樟矮林樟长势反演模型训练集和验证集R2分别为0.9960和0.9020，NRMSE分别为0.0124和0.0722。
WOA-BPNN模型较BPNN模型训练集和验证集R2分别提升了13％和18％，NRMSE分别下降了85％和33％。这说明利用WOA算法可以优化BPNN与变异系数法结合构建的芳樟矮林长势反演模型，此算法可应用于研究芳樟矮林综合长势监测模型的建立。
综上所述，本实施例基于田间和实验室实测数据，利用变异系数法和传统赋权法的基本原理构建了芳樟矮林综合长势监测指标CGMI，分析了CGMI与选定植被指数间的相关关系，同时将构建的CGMI1、CGMI2及无人机多光谱数据与多种长势分析模型和WOA模型优化方法结合，实现了对研究区芳樟矮林长势的有效监测。得到的具体结论如下：
将获取的芳樟矮林SPAD、PH、LAI和AGB数据结合不同赋权方法，经相关性分析可知：构建的综合长势监测指标CGMI较单一指标而言其相关性有不同程度的提高，大部分呈现极显著相关。TCART、Clrededge、OSAVI、DVI和MNVI五种植被指数与矮林芳樟长势指标相关性较高，它们与CGMI2相关性分别为0.79、0.65、0.65、0.67和0.67。
在均等权重法构建的矮林芳樟综合长势指标监测模型中，MLR、PLS、SVR、RF、RBFNN和BPNN模型验证集R2分别为0.3408、0.4632、0.5416、0.5742、0.5649和0.6332；而结合变异系数法构建的芳樟矮林综合长势模型决定系数R2分别为0.6403、0.5102、0.6000、0.6840、0.6646、0.7761。使用变异系数法较均等权重法建立模型可以更好的反演芳樟矮林综合长势。使用WOA算法优化后的WOA-BPNN模型较BPNN模型精度有显著提升，WOA-BPNN与变异系数法结合构建的芳樟矮林樟长势反演模型验证集R2为0.9020，NRMSE为0.0722，较BPNN模型的决定系数提升了18％，NRMSE下降了33％，因此WOA-BPNN为反演芳樟矮林长势的最佳模型。
本说明书中各个实施例采用递进的方式描述，每个实施例重点说明的都是与其他实施例的不同之处，各个实施例之间相同相似部分互相参见即可。对于实施例公开的装置而言，由于其与实施例公开的方法相对应，所以描述的比较简单，相关之处参见方法部分说明即可。
对所公开的实施例的上述说明，使本领域专业技术人员能够实现或使用本发明。对这些实施例的多种修改对本领域的专业技术人员来说将是显而易见的，本文中所定义的一般原理可以在不脱离本发明的精神或范围的情况下，在其它实施例中实现。因此，本发明将不会被限制于本文所示的这些实施例，而是要符合与本文所公开的原理和新颖特点相一致的最宽的范围。

Claims (8)

1.一种用于芳樟矮林综合长势的评估方法，其特征在于，具体步骤如下：
采集芳樟矮林长势指标；其中，所述芳樟矮林长势指标包括：SPAD、地上部生物量、株高和叶面积指数；
根据各个指标的变异系数确定每个指标的重要度，构建芳樟矮林综合长势监测指标；
根据芳樟矮林植被指数利用多种方法建立芳樟矮林综合长势监测模型，并进行模型优化，依据决定系数、归一化均方根误差筛选出最优模型。
2.根据权利要求1所述的一种用于芳樟矮林综合长势的评估方法，其特征在于，构建芳樟矮林综合长势监测指标具体步骤如下：
对四种单一长势指标进行归一化以消除量纲，计算公式为(1)；将归一化后的4种芳樟矮林长势指标按均等权重构建长势监测指标CGMI1，计算公式为(2)：
式中i为指标类别，Ui为归一化后的第i类指标，maxxi和minxi分别为第i类指标的最大和最小值；
计算变异系数，即指标的标准差除以均值，其计算公式为：
式中为第i类指标的平均值，Si为第i类指标的标注差，Vi为第i类指标的变异系数，使用变异系数法确定归一化后的4种芳樟矮林长势指标的权重，进而构建基于变异系数法的综合长势监测指标CGMI2，计算公式为：
式中Wi为第i类指标权重。
3.根据权利要求1所述的一种用于芳樟矮林综合长势的评估方法，其特征在于，根据变异系数法计算综合长势监测指标CGMI2如下：
四种单一指标权重分别为0.130514，0.236403，0.302251，0.330832，根据(6)公式，综合长势监测指标CGMI2为：
CGMI2＝0.130514U1+0.236403U2+0.302251U3+0.330832U4。
4.根据权利要求1所述的一种用于芳樟矮林综合长势的评估方法，其特征在于，建立芳樟矮林综合长势监测模型采用多元线性回归、支持向量回归、随机森林、偏最小二乘法、径向基函数神经网络、反向传播神经网络。
5.根据权利要求3所述的一种用于芳樟矮林综合长势的评估方法，其特征在于，对模型进行优化具体步骤如下：采用鲸鱼优化算法：
(1)模拟搜索和包围猎物：
A＝2ar-a (9)；
式中A为系数向量，B表示包围步长，是迭代到第t代时种群内全局最优解的鲸鱼个体位置，/>是迭代到第t代时个体位置，r是[0，1]内随机数，a为从2到0的线性递减系数，T是最大迭代次数；
(2)模拟气泡网捕食：
式中，C表示鲸鱼到猎物之间距离，b是控制对数螺旋形状的常数，l是[-1，1]上一个随机数。
6.根据权利要求4所述的一种用于芳樟矮林综合长势的评估方法，其特征在于，依据决定系数、归一化均方根误差筛选出最优模型，具体步骤如下：
利用多光谱遥感数据提取植被指数；
根据植被指数与所述芳樟矮林长势指标进行相关性分析；
选取重要度高的所述植被指数，利用多元线性回归、支持向量回归、随机森林、偏最小二乘法、径向基函数神经网络、反向传播神经网络对长势监测指标CGMI1和综合长势监测指标CGMI2进行预测；
根据决定系数和归一化均方根误差筛选出最优模型。
7.一种用于芳樟矮林综合长势的评估系统，其特征在于，包括：
采集模块，采集芳樟矮林长势指标；其中，所述芳樟矮林长势指标包括：
SPAD、地上部生物量、株高和叶面积指数；
综合长势监测指标构建模块，根据各个指标的变异系数确定每个指标的重要度，构建芳樟矮林综合长势监测指标；
模型构建模块，根据芳樟矮林植被指数利用多种方法建立芳樟矮林综合长势监测模型；
模型优化模块，利用鲸鱼优化算法对进行芳樟矮林综合长势监测模型优化；
筛选模块，依据决定系数、归一化均方根误差筛选出最优模型。
8.根据权利要求7所述的一种用于芳樟矮林综合长势的评估系统，其特征在于，综合长势监测指标构建模块包括：
归一化单元，对四种单一长势指标进行归一化以消除量纲，计算公式为(1)；
长势监测指标构建单元，将归一化后的4种芳樟矮林长势指标按均等权重构建长势监测指标CGMI1，计算公式为(2)：
式中i为指标类别，Ui为归一化后的第i类指标，maxxi和minxi分别为第i类指标的最大和最小值；
计算变异系数单元，其计算公式为：
式中为第i类指标的平均值，Si为第i类指标的标注差，Vi为第i类指标的变异系数，使用变异系数法确定归一化后的4种芳樟矮林长势指标的权重；
综合长势监测指标构建单元，计算公式为：
式中Wi为第i类指标权重。
CN202310859586.6A 2023-07-13 2023-07-13 一种用于芳樟矮林综合长势的评估方法及系统 Pending CN116883874A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202310859586.6A CN116883874A (zh) 2023-07-13 2023-07-13 一种用于芳樟矮林综合长势的评估方法及系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202310859586.6A CN116883874A (zh) 2023-07-13 2023-07-13 一种用于芳樟矮林综合长势的评估方法及系统

Publications (1)

Publication Number Publication Date
CN116883874A true CN116883874A (zh) 2023-10-13

Family

ID=88265742

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202310859586.6A Pending CN116883874A (zh) 2023-07-13 2023-07-13 一种用于芳樟矮林综合长势的评估方法及系统

Country Status (1)

Country Link
CN (1) CN116883874A (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117859549A (zh) * 2024-03-11 2024-04-12 中化现代农业有限公司 棉花变量打顶方法、装置、电子设备和存储介质

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117859549A (zh) * 2024-03-11 2024-04-12 中化现代农业有限公司 棉花变量打顶方法、装置、电子设备和存储介质

Similar Documents

Publication Publication Date Title
CN110287944B (zh) 基于深度学习的多光谱遥感影像的农作物虫害监测方法
CN113268923B (zh) 一种基于模拟多光谱的夏玉米产量估算方法
Zhang et al. Monitoring daily variation of leaf layer photosynthesis in rice using UAV-based multi-spectral imagery and a light response curve model
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
Chen et al. Model for estimation of total nitrogen content in sandalwood leaves based on nonlinear mixed effects and dummy variables using multispectral images
CN107271372A (zh) 一种苹果叶片叶绿素遥感估测方法
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
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
CN116883874A (zh) 一种用于芳樟矮林综合长势的评估方法及系统
CN112881327A (zh) 一种基于新型植被指数的烟叶spad值估测方法
CN112381133A (zh) 一种森林地上生物量遥感估测中合理样本数的确定方法
CN117347283A (zh) 一种适用于农业园区尺度的小麦氮肥推荐方法
Lu et al. Inversion of chlorophyll content under the stress of leaf mite for jujube based on model PSO-ELM method
CN115311559A (zh) 棉花药害识别方法、装置、电子设备及存储介质
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
CN117197656A (zh) 多模态牧草图像特征提取与识别系统
Carneiro et al. Biophysical characteristics of soybean estimated by remote sensing associated with artificial intelligence
CN114923908A (zh) 一种基于多源数据的田间水稻白叶枯病监测方法及系统
CN114994036A (zh) 基于多表型参数的水稻白叶枯病害程度预测方法及系统
CN114821300A (zh) 基于无人机多光谱遥感的小麦赤霉病预防植保作业时间判定方法
Pan et al. SPAD inversion of summer maize combined with multi-source remote sensing data
Tang et al. Study on soil moisture content in soybean root zone based on UAV multispectral remote sensing
CN112782103A (zh) 棉花苗期叶片棉蚜早期为害的监测方法及系统
CN118501103B (zh) 一种适应性植物叶片含水率检测方法、检测模型建立方法
İrik et al. Using spectral vegetation indices and machine learning models for predicting the yield of sugar beet (Beta vulgaris L.) under different irrigation treatments

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