一种植物光谱库的建立方法技术

本发明专利技术公开一种植物光谱库的建立方法。本发明专利技术采用标准化的数据采集方法收集数据，提出一套完整齐备的光谱特征提取方法、特征敏感性分析方法、模型建立方法并进行植物分类和状态监测，其中提出波段自适应聚类法可有效去除相邻或相近波段中的信息冗余，有效提高数据使用效率。基于上述方法，建立植物光谱光谱库，并为之提供一套完整光谱分析和应用的方法。

【技术实现步骤摘要】
一种植物光谱库的建立方法
本专利技术涉及植物光谱库的建立和应用，具体包括基于植物光谱库的高光谱数据采集方法，基于高光谱数据的特征提取方法、特征敏感性分析方法和分类算法研究，并建立实现植物光谱及配套信息存储和查询，植物分类和状态监测等应用的植物光谱库。
技术介绍
植物分类对于农业种植区规划、营养调控、病虫害防治等农事管理十分重要；在生态学中了解植物的种类、分布，群落构成，指示生态环境变化，在园林绿化设计中植物种类选择，种植分布设计等方面都有非常重要的应用价值。利用无人机、卫星遥感影像中的光谱信息进行植物分类和状态监测可以为大面积植物分类制图提供重要手段。光谱库技术作为遥感影像自动解译过程的重要技术在植物分类和状态监测方面具有潜力。目前为止，基于不同的应用目的，国内外学者构建了多种不同类型的地物光谱库，主要涉及岩石、植被、土壤、冰雪、建筑材料等类型。而植物遥感监测由于具有较强的特殊性，如植物的光谱反射或发射特性由其组织结构、生理生化参数和自身形态学特征共同决定，而这些特征又与植物的发育、受胁迫状况以及生长环境等密切相关。因此，需要通过大量实验和研究确定适应植物种类和状态监测特点的光谱特征，作为植物光谱库技术的核心。同时，一些传统光谱库偏重对光谱信息的浏览和查询，往往通过光谱的直接匹配或基于一些通用光谱特征进行查询，从功能上无法满足植物遥感监测这种细分领域的应用需求。针对目前专用植物光谱库技术的缺失，本方法提出一套植物光谱库构建方法，包括标准化的数据采集方法，针对植物分类和状态监测的光谱特征敏感性分析方法、光谱特征提取方法、分类建模方法等。其中，在光谱特征提取环节提出的自适应波段聚类和波段冗余信息消减方法能够有效提高光谱特征在植物分类和状态监测上的精度。依据本方法建立的植物光谱库能够为植物遥感监测的分析和应用提供有效的支持。
技术实现思路
本专利技术的目的是针对现有技术的不足，提供一种植物光谱库的建立方法。该植物光谱库用于常见植物的光谱及配套信息展示、植物分类和状态监测研究。本专利技术具体步骤如下：步骤一：获取数据采用现有技术按照严格标准规范的方法获取植物冠层高光谱数据以及配套信息，其中配套信息包括植物种类和状态信息，状态信息是指植物生育期、长势和病虫害情况等。本专利技术中可以采用严格标准规范的方法，通过ASDFieldSpec4ProFR(350nm～2500nm)型光谱仪等仪器获取植物冠层光谱。之后，采用规范标准的配套信息获取方法，通过咨询专家，查阅专门书籍和资料等方式获取植物种类和状态信息等配套数据。步骤二：光谱特征提取根据步骤一获取的植物冠层高光谱数据和配套信息提取光谱特征，作为植物分类特征。这里的光谱特征包括原始波段特征，一阶微分特征，连续统特征和植被指数。原始波段特征，包括所有采集的原始波段光谱数据；一阶微分特征包括波段为490-540nm的蓝边处最大微分值(Maximumdifferentialvalue(BMV))，最大微分值位置(Positionofthemaximumdifferentialvalue(BPMV))，微分值之和(Sumofdifferentialvalues(BSV))；波段为540-620nm的黄边处最大微分值(Maximumdifferentialvalue(YMV))，最大微分值位置(Positionofthemaximumdifferentialvalue(YPMV))，微分值之和(Sumofdifferentialvalues(YSV))；以及波段为660-780nm的红边处的最大微分值(Maximumdifferentialvalue(RMV))，最大微分值位置(Positionofthemaximumdifferentialvalue(RPMV))，微分值之和(Sumofdifferentialvalues(RSV))。上述最大微分值、最大微分值位置、微分值之和的获取方式属于现有成熟技术，故不详解。连续统特征主要包括近红外波段530-770nm处连续统处深度(Depth)、宽度(Width)和面积(Area)；上述深度(Depth)、宽度(Width)和面积(Area)的获取方式属于现有成熟技术，故不详解。植被指数特征是根据植被的光谱特性，将波段进行组合，可以构建多种植被指数。植被指数可以作为对地表植物种类、植物状态以及环境情况的简单、有效和经验的度量。本专利技术中具体使用的植被指数见表1。表1植被指数上表中，R800指800nm波长处的光谱反射率，同理，其他R波长均代表该波长处的光谱反射率，X，a，b，S等均为调节参数。步骤三：特征敏感性分析针对原始波段特征，为了选择出敏感性较高的波段特征，可采用JM距离作为每个波长处的敏感性指标，JM距离较大则该波长处在植物分类和状态监测中的可分离性越大，则认为该波长较敏感。但是在使用JM距离对原始波段特征进行选择的过程中，容易将一些相邻或相近波长处的波段同时选中，这些波段由于相互较高的相关性导致了大量的信息冗余，降低了特征选择的效率，故在使用JM距离作为敏感性指标前先利用自适应波段聚类法将原始光谱波段进行聚类，可将相关性较高的波长聚类，此时再利用JM距离针对每一种聚类进行分析，选取每一聚类中JM距离较大的波长作为敏感波段特征，可有效避免相关性较高的波段特征被同时选中，去除高光谱原始波段数据中的信息冗余。针对指数特征(指代一阶微分特征、连续统特征、植被指数特征)，可采用JM距离作为每个指数特征的敏感性指标，获取JM距离最大的10项作为敏感指数特征。3.1.利用自适应波段聚类法将原始光谱波段进行聚类，将相关性较高的波长聚类；为了去除高光谱数据中相邻或者相近波段间的高度相关性，去除数据中冗余信息，利用自适应法波段聚类，将相邻和相近波段进行聚类，主要方法和流程如下：波段自适应聚类是基于Kmeans聚类算法，但主要有两处不同。一是与常规聚类以样本为中心进行聚类不同，本专利技术中自适应波段聚类则是以特征维(即本例中波段)为中心进行聚类，这样可以将有效将相似波段聚类，便于后续敏感波段选择中去除相邻相近波段中的信息冗余。二是为了提高其自适应性，在聚类过程中，增加了“合并”和“分裂”两个操作，并设定了控制算法运行的参数，解决了Kmeans聚类法中分类数目固定，无法根据数据性质自适应分类数目的问题。通过参数设计，可有效合并相邻相似的数据类别和分裂存在较大差异的数据类别，将波段聚类更加灵活的应用于光谱实际应用，更好的实现波段聚类。具体步骤如下：(1)确定预定参数，可用于决定后续分析中的聚类数目。C，期望聚类的类别数目；Tn，每类允许最少样本数Ts，为类内各分量标准差上限。Td，两个聚类中心间的最小距离下限，若小于此数，两个聚类需进行合并；L，在一次迭代运算中可以合并的聚类中心的最多对数It，允许的最大迭代次数Nc，初始聚类数目，与C可相同也可不同。(2)随机产生聚类中心。根据初始确定的聚类数目Nc，产生对应数目的初始聚类中心。为防止聚类中心随机获取时集中在某一处波长附近，采用分层获取分类中心，先将波长按照初始聚类数目分为Nc层，再获取聚类中心；按照分层均匀分布的随机聚类中心的获取方法如下：其中，Rc为初始聚类数目Nc对应的聚类中心处波长光谱，i为第i个聚本文档来自技高网...

【技术保护点】
1.一种植物光谱库的建立方法，其特征在于包括以下步骤：步骤一：获取数据获取植物冠层高光谱数据以及配套信息，其中配套信息包括植物种类和状态信息；步骤二：光谱特征提取根据步骤一获取的植物冠层高光谱数据和配套信息提取光谱特征，作为植物分类和状态监测特征，其中光谱特征包括原始波段特征，一阶微分特征，连续统特征和植被指数；步骤三：特征敏感性分析针对原始波段特征，先利用自适应波段聚类法将原始光谱波段进行聚类，将相关性较高的波长聚类，再利用JM距离针对每一种聚类进行分析，选取每一聚类中JM距离较大的波长作为敏感波段特征；针对指数特征(指代一阶微分特征、连续统特征、植被指数特征)，采用JM距离作为每个指数特征的敏感性指标，获取JM距离最大的10项作为敏感指数特征；上述利用自适应波段聚类法将原始光谱波段进行聚类具体是：(1)确定预定参数，可用于决定后续分析中的聚类数目；C，期望聚类的类别数目；Tn，每类允许最少样本数Ts，为类内各分量标准差上限；Td，两个聚类中心间的最小距离下限，若小于此数，两个聚类需进行合并；L，在一次迭代运算中可以合并的聚类中心的最多对数It，允许的最大迭代次数Nc，初始聚类数目，与C可相同也可不同；(2)随机产生聚类中心；根据初始确定的聚类数目Nc，产生对应数目的初始聚类中心；为防止聚类中心随机获取时集中在某一处波长附近，采用分层获取分类中心，先将波长按照初始聚类数目分为Nc层，再获取聚类中心；按照分层均匀分布的随机聚类中心的获取方法如下：...

【技术特征摘要】
1.一种植物光谱库的建立方法，其特征在于包括以下步骤：步骤一：获取数据获取植物冠层高光谱数据以及配套信息，其中配套信息包括植物种类和状态信息；步骤二：光谱特征提取根据步骤一获取的植物冠层高光谱数据和配套信息提取光谱特征，作为植物分类和状态监测特征，其中光谱特征包括原始波段特征，一阶微分特征，连续统特征和植被指数；步骤三：特征敏感性分析针对原始波段特征，先利用自适应波段聚类法将原始光谱波段进行聚类，将相关性较高的波长聚类，再利用JM距离针对每一种聚类进行分析，选取每一聚类中JM距离较大的波长作为敏感波段特征；针对指数特征(指代一阶微分特征、连续统特征、植被指数特征)，采用JM距离作为每个指数特征的敏感性指标，获取JM距离最大的10项作为敏感指数特征；上述利用自适应波段聚类法将原始光谱波段进行聚类具体是：(1)确定预定参数，可用于决定后续分析中的聚类数目；C，期望聚类的类别数目；Tn，每类允许最少样本数Ts，为类内各分量标准差上限；Td，两个聚类中心间的最小距离下限，若小于此数，两个聚类需进行合并；L，在一次迭代运算中可以合并的聚类中心的最多对数It，允许的最大迭代次数Nc，初始聚类数目，与C可相同也可不同；(2)随机产生聚类中心；根据初始确定的聚类数目Nc，产生对应数目的初始聚类中心；为防止聚类中心随机获取时集中在某一处波长附近，采用分层获取分类中心，先将波长按照初始聚类数目分为Nc层，再获取聚类中心；按照分层均匀分布的随机聚类中心的获取方法如下：其中，Rc为初始聚类数目Nc对应的聚类中心处波长光谱，i为第i个聚类中心，Ls为波段总数，Nc为初始设定聚类数目，rand为0～1间的随机数，为将所有波长按照需要的初始聚类数目分层取整，为每一层中的某个随机波长取整处作为聚类中心；(3)根据距离公式(2)遍历每个波长数据x，将x分类到最近的聚类中心Scj，获取聚类中心Scj处的聚类SCj；Dj＝min{||x-Sci||，i＝1，2，...，j，...，Nc}式(2)x为波长光谱数据，Sci为第i个聚类中心，Dj表示某一波长数据与所有聚类中心距离中最小处的距离值，该中心为第j类聚类中心，将该波长光谱归类为该聚类；(4)去除聚类中波段数目较少的类别；当所有聚类SC中某一个聚类内波段数目sci＜Tn时，取消该聚类，并删除其聚类中心Sci，同时判断迭代次数，若当前迭代次数达到允许的最大迭代次数It，则结束，若未达到则返回第3步；直至所有聚类的样本数目均满足sci＞Tn，则执行第5步，Tn为每类允许最少样本数；(5)修正聚类中心；计算步骤4处理后每个聚类的样本平均值，并作为新的聚类中心；Sci＝NSci式(4)其中，NSci为新的聚类中心，sci为第i个聚类中的波段数目，SCi为第i个聚类，x为聚类SCi中的波长光谱数据，Sci为更新后的第i个聚类中心；(6)计算各聚类SC中样本与各聚类中心间的平均距离；其中，为第i个聚类中波长数据与各新聚类中心间的平均距离，sci为第i个聚类中的波段数目，x为聚类SCi中的波长光谱数据，Sci为第i个聚类中心；(7)计算全部波长数据和其对应聚类中心的总平均距离；其中，为全部波长数据和其对应聚类中心的总平均距离，Nc为聚类...

【专利技术属性】
技术研发人员：张竞成，刘鹏，王斌，陈冬梅，袁琳，吴开华，张垚，周贤锋，
申请(专利权)人：杭州电子科技大学，
类型：发明
国别省市：浙江,33