植物冠层叶片叶绿素含量快速测定模型、测定方法及应用技术

本发明专利技术属于植物叶绿素含量测定方法技术领域，具体涉及一种植物冠层叶片叶绿素含量快速测定方法。该方法包括制定采样方案，采集光谱数据，测量叶绿素含量；光谱数据预处理；划分训练集和验证集；构建训练集模型和验证集模型等步骤。本发明专利技术创新性的采用光谱诊断方法，采用机器学习的方法构建了植物冠层叶片叶绿素含量的预测模型，实现了数据快速获取，可用于传统作物及中医药等植物冠层叶片叶绿素含量快速检测。

Model, method and application of rapid determination of chlorophyll content in plant canopy leaves

【技术实现步骤摘要】
植物冠层叶片叶绿素含量快速测定模型、测定方法及应用
本专利技术属于植物叶绿素含量测定方法
，具体涉及一种植物冠层叶片叶绿素含量快速测定模型、测定方法及应用。
技术介绍
植物叶片中的叶绿素含量是了解植物生理机制和生产力的重要参数，并且是评价植物光合能力、发育状况和营养状况的重要指标。不同生育期叶绿素含量的变化可以反映出作物的光合作用强度和作物的生长期状况，因此估算植物叶片中叶绿素含量的研究对于监测植被生长、估算作物产量、预防病虫害具有重要意义。叶绿素含量的传统测定方法包括原子吸收光谱法和分光光度计法，两种方法均需要采集新鲜植物叶片或干材料，并且需要经过繁琐的预处理及化学实验，费时费力，同时造成了一定程度上的环境污染，不能实现植被叶绿素信息的快速获取。难以满足实时、快速、无损和大面积监测的需求。高光谱遥感技术具有省时、价廉、样品量少、不破坏样品结构、信息丰富等特点，可以在保证植物结构完整的情况下实现作物生长和营养状况的监测。遥感技术在叶绿素含量监测中具有独特的优势。冠层的叶绿素含量能够反映单株植物的信息，反映植被整体的生长状况，是遥感监测的重要组成部分。因此，实时监测冠层叶绿素含量对于远程监测作物生长、估算作物产量以及预防病虫害具有重要意义。由于叶绿素具有独特的生化结构，因此由其电子跃迁引起的光谱吸收通常位于可见光区域。近年来，国内外学者对可见光范围内叶片叶绿素含量的高光谱反演进行了大量研究。而利用整个波段范围反演叶绿素的研究却很少。近红外光谱具有无与伦比的特性，具有高速、准确、简单和低成本的优点。单纯检测可见光范围内光谱的话，无法全面获得叶片光谱数据，以至于产生测量误差。因此，我们需要重新建立一种基于光谱的快速、无损的植物冠层叶片叶绿素含量检测方法。
技术实现思路
为了解决上述技术问题，本专利技术提供了一种植物冠层叶片叶绿素含量快速测定模型、测定方法及应用。本专利技术的目的是提供一种植物冠层叶片叶绿素含量快速测定方法，包括以下步骤：步骤1，制定采样方案，采集光谱数据，测量叶绿素含量随机选取若干未损坏的完整植物冠层叶，作为检测对象叶片；对每个检测对象叶片进行近红外和可见光范围的光谱反射率测量，获得叶片光谱数据，备用；收集所述检测对象叶片，并用化学法测量所述检测对象叶片叶绿素含量，备用；步骤2，光谱数据预处理步骤2.1，剔除叶片光谱数据异常值，并使用滤波拟合法对光谱数据进行九点平滑处理；步骤2.2，对九点平滑处理后的光谱数据依次进行标准正态变换、倒数对数、一阶导数处理，获得预处理光谱数据；步骤3，划分训练集和验证集采用Kennard-Stone算法将检测对象叶片的预处理光谱数据及其相应的叶绿素数据随机分为训练集和验证集；步骤4，构建训练集模型和验证集模型训练集模型和验证集模型的构建步骤相同，具体如下：步骤4.1，提取光谱数据特征信息联合采用连续投影算法及竞争性自适应重加权采样算法提取预处理光谱数据的特征信息；步骤4.2，构建模型采用偏最小二乘回归机器学习方法，对提取的训练集特征信息构建训练集模型；对提取的验证集特征信息构建验证集模型；步骤4.3，验证和评价模型稳定性和预测能力将训练集模型预测叶绿素含量结果与训练集模型叶绿素含量结果进行对比分析，验证和评价训练集模型的稳定性及预测能力；选择与化学叶绿素含量测量结果接近的训练集模型作为最优的叶绿素含量预测模型，用于植物冠层叶片叶绿素含量的测定。优选的，上述植物冠层叶片叶绿素含量快速测定方法，步骤1中，采样方案具体如下：共选取12个测试区，每个测试区内随机选择十个未损坏的完整油菜冠层叶，作为检测对象叶片；十个检测对象叶片位于十个不同株油菜的冠层，且它们的高度位置和水平位置均不同。优选的，上述植物冠层叶片叶绿素含量快速测定方法，采样时应剔除边界效应，即测试区边界的油菜植株以及油菜植株中的边界叶片不作为采样对象。优选的，上述植物冠层叶片叶绿素含量快速测定方法，步骤1中，单个检测对象叶片的叶片光谱数据测量方法如下：采用便携式地物光谱仪ASDFieldspec4对检测对象叶片分别在四个方向上进行光谱反射率测量，取平均光谱数据作为该检测对象叶片的叶片光谱数据。优选的，上述植物冠层叶片叶绿素含量快速测定方法，步骤1中，近红外和可见光范围的波段为350-2500nm。优选的，上述植物冠层叶片叶绿素含量快速测定方法，步骤3中，选择70％的检测对象叶片的预处理光谱数据及其相应的叶绿素数据作为训练集样本，剩余30％检测对象叶片的叶片光谱数据作为验证集样本。优选的，上述植物冠层叶片叶绿素含量快速测定方法，步骤4.3中，采用均方根误差、决定系数、相对分析偏差来验证和评价训练集模型的稳定性及预测能力；R2、RPD值越大，模型预测能力越好，稳定性越强；RPD的评估标准如下：RPD>3表示模型有出色的预测能力；2<RPD<3表示模型具有有限的预测能力；RPD<2表示模型没有预测能力。本专利技术还提供了一种上述植物冠层叶片叶绿素含量快速测定方法构建的叶绿素含量预测模型。本专利技术还提供了一种上述的叶绿素含量预测模型在测定蔬菜、粮食作物及中药植物冠层叶片叶绿素含量中的应用。与现有技术相比，本专利技术提供的植物冠层叶片叶绿素含量快速测定模型、测定方法及应用，具有以下有益效果：本专利技术创新性的采用光谱诊断方法，采用机器学习的方法构建了植物冠层叶片叶绿素含量的预测模型，实现了数据快速获取，可用于传统作物及中医药等植物冠层叶片叶绿素含量快速检测。为了在光谱数据中有效的提取波段相关信息，并建立可靠的模型，选择的训练集要具有良好的代表性。本专利技术采用了光谱分析算法Kennard-Stone(KS)，将采集的数据随机分为训练集和验证集，有效的避免了因植被叶片叶绿素及光谱值分布不均产生的问题。由于光谱数据分辨率较高，容易产生冗余问题，本专利技术综合采用连续投影算法+竞争性自适应重加权采样算法提取油菜光谱的特征信息，有效减少了数据冗余问题，提高了光谱数据特征信息的代表性。本专利技术的实施例针对油菜的叶绿素含量构建了基于PLSR机器学习的训练集模型；通过对训练集模型预测结果与验证集进行比较，发现经过光谱数据预处理后建立的训练集模型的建模精度和预测精度均优于基于反射率(即不经过光谱数据预处理后)的训练集模型。另外，与传统的化学方法相比，本专利技术提出的数据处理方法及机器学习方法可以有效的节约成本，避免了常规测量方法对化学试剂的使用，保证了植被的完整性，同时在预测精度和普适性方面具备明显的优势。附图说明图1为实施例1中部分检测对象叶片采集的叶片光谱数据；图2为油菜冠层叶片模型预测值和化学测量值的比较。具体实施方式为了使本领域技术人员更好地理解本专利技术的技术方案能予以实施，下面结合具体实施例和附图对本专利技术作进一步说明。下面各实施例以及上述
技术实现思路
中本文档来自技高网...

【技术保护点】
1.一种植物冠层叶片叶绿素含量快速测定方法，其特征在于，包括以下步骤：/n步骤1，制定采样方案，采集光谱数据，测量叶绿素含量/n随机选取若干未损坏的完整植物冠层叶，作为检测对象叶片；/n对每个检测对象叶片进行近红外和可见光范围的光谱反射率测量，获得叶片光谱数据，备用；/n收集所述检测对象叶片，并用化学法测量所述检测对象叶片叶绿素含量，备用；/n步骤2，光谱数据预处理/n步骤2.1，剔除叶片光谱数据异常值，并使用滤波拟合法对光谱数据进行九点平滑处理；/n步骤2.2，对九点平滑处理后的光谱数据依次进行标准正态变换、倒数对数、一阶导数处理，获得预处理光谱数据；/n步骤3，划分训练集和验证集/n采用Kennard-Stone算法将检测对象叶片的预处理光谱数据及其相应的叶绿素数据随机分为训练集和验证集；/n步骤4，构建训练集模型和验证集模型/n训练集模型和验证集模型的构建步骤相同，具体如下：/n步骤4.1，提取光谱数据特征信息/n联合采用连续投影算法及竞争性自适应重加权采样算法提取预处理光谱数据的特征信息；/n步骤4.2，构建模型/n采用偏最小二乘回归机器学习方法，对提取的训练集特征信息构建训练集模型；对提取的验证集特征信息构建验证集模型；/n步骤4.3，验证和评价模型稳定性和预测能力/n将训练集模型预测叶绿素含量结果与训练集模型叶绿素含量结果进行对比分析，验证和评价训练集模型的稳定性及预测能力；选择与化学叶绿素含量测量结果接近的训练集模型作为最优的叶绿素含量预测模型，用于植物冠层叶片叶绿素含量的测定。/n...

【技术特征摘要】
1.一种植物冠层叶片叶绿素含量快速测定方法，其特征在于，包括以下步骤：
步骤1，制定采样方案，采集光谱数据，测量叶绿素含量
随机选取若干未损坏的完整植物冠层叶，作为检测对象叶片；
对每个检测对象叶片进行近红外和可见光范围的光谱反射率测量，获得叶片光谱数据，备用；
收集所述检测对象叶片，并用化学法测量所述检测对象叶片叶绿素含量，备用；
步骤2，光谱数据预处理
步骤2.1，剔除叶片光谱数据异常值，并使用滤波拟合法对光谱数据进行九点平滑处理；
步骤2.2，对九点平滑处理后的光谱数据依次进行标准正态变换、倒数对数、一阶导数处理，获得预处理光谱数据；
步骤3，划分训练集和验证集
采用Kennard-Stone算法将检测对象叶片的预处理光谱数据及其相应的叶绿素数据随机分为训练集和验证集；
步骤4，构建训练集模型和验证集模型
训练集模型和验证集模型的构建步骤相同，具体如下：
步骤4.1，提取光谱数据特征信息
联合采用连续投影算法及竞争性自适应重加权采样算法提取预处理光谱数据的特征信息；
步骤4.2，构建模型
采用偏最小二乘回归机器学习方法，对提取的训练集特征信息构建训练集模型；对提取的验证集特征信息构建验证集模型；
步骤4.3，验证和评价模型稳定性和预测能力
将训练集模型预测叶绿素含量结果与训练集模型叶绿素含量结果进行对比分析，验证和评价训练集模型的稳定性及预测能力；选择与化学叶绿素含量测量结果接近的训练集模型作为最优的叶绿素含量预测模型，用于植物冠层叶片叶绿素含量的测定。


2.根据权利要求1所述的植物冠层叶片叶绿素含量快速测定方法，其特征在于，步骤1中，采样方案具体如下：共选取12个测试区，每个测试区内随机选择十个未损坏的完整油菜冠层叶，作为检测对...

【专利技术属性】
技术研发人员：刘金宝，程杰，张瑞庆，陈茜，杨亮彦，石磊，孟婷婷，武丹，
申请(专利权)人：陕西地建土地工程技术研究院有限责任公司，
类型：发明
国别省市：陕西;61