一种基于高光谱的苹果叶片含氮量检测方法技术

本发明专利技术提供了一种基于高光谱的苹果叶片含氮量检测方法，包括以下步骤：步骤1，对苹果生长发育的四个时期的叶片进行采集并进行光谱扫描；步骤2，对光谱数据展开特征波长分析并提取特征向量；步骤3，依据GBDT算法搭建机器学习反演模型，将步骤2中提取出的特征向量作为输入矢量导入反演模型中；步骤4，使用交叉验证优化反演模型参数；步骤5，用优化完成后的反演模型对苹果叶片氮含量进行检测。本发明专利技术的苹果叶片含氮量检测方法更准确，验证了特征波长提取方法的有效性，并为高光谱无损检测技术在苹果树营养元素含量快速检测和生长发育态势实时监测等方面的应用提供参考依据。时监测等方面的应用提供参考依据。时监测等方面的应用提供参考依据。

【技术实现步骤摘要】
一种基于高光谱的苹果叶片含氮量检测方法


[0001]本专利技术属于苹果叶片含氮量检测
，尤其涉及一种基于高光谱的苹果叶片含氮量检测方法。

技术介绍

[0002]氮含量是植物健康状况和营养水平的重要指标，氮元素的缺失会大大降低农作物的光合产量。传统检测叶片氮含量大多采用化学计量检测法，例如凯氏定氮法，但是这种常规方法存在着耗时，检测过程繁琐的缺点。近年来，随着高光谱遥感技术的发展，利用作物在受到氮肥胁迫时会引起反射光谱变化的原理，叶片氮含量无损快速检测研究有了重大的进展，比如在小麦，水稻，玉米等领域，已经出现了一系列讨论不同光谱指数性质的研究。
[0003]当前叶片氮含量检测研究中一般利用多植被指数或者高光谱敏感波段反射率作为估测因子，并且使用的光谱波段大多集中在可见光
‑
近红外短波范围内(350nm
‑
1100nm)。研究不直接使用全波段原始反射光谱组成的光谱指标作为估测因子是由于原始反射光谱通常包含土壤背景信息，并且全波段用作变量可能导致反演模型泛化精度降低。研究表明，光谱导数变换可以有效地减小土壤背景信息和低频噪声，使光谱估测模型更加可靠。目前，微分光谱和由微分光谱构建的光谱指数都得到了广泛且成功的应用，它们被认为是估计植物生理参数的最佳方法。但是这种方法同样极大减少了氮含量估测模型的光谱输入变量数量。

技术实现思路

[0004]本专利技术基于高光谱对于苹果叶片进行含氮量检测，对苹果叶片原始光谱数据进行不同导数间隙下的微分处理，并以此构建光谱参数，并依据GBDT算法建模以实现苹果叶片氮含量的准确反演，为高光谱无损检测技术在苹果树营养元素含量快速检测和生长发育态势实时监测等方面的应用。为实现上述目的，本专利技术采用如下技术方案，具体步骤为：
[0005]步骤1，对苹果生长发育的四个时期的叶片进行采集并进行光谱扫描；
[0006]步骤2，对光谱数据展开特征波长分析并提取特征向量；
[0007]步骤3，依据GBDT算法搭建机器学习反演模型，将步骤2中提取出的特征向量作为输入矢量导入反演模型中；
[0008]步骤4，使用交叉验证优化反演模型参数；
[0009]步骤5，用优化完成后的反演模型对苹果叶片氮含量进行检测。
[0010]优选的，所述步骤1中对苹果生长发育的四个时期的叶片进行采集，分别是盛花期、新梢旺长期、春梢旺长期和秋梢旺长期。
[0011]优选的，所述步骤2中对光谱数据展开特征波长分析并提取特征向量，是在不同导数间隙上分别对微分光谱、微分光谱变换和植被光谱指数三个方面展开特征波长分析，并选择提取出来微分光谱、光谱变换得到的光谱向量以及植被光谱指数共13个特征向量作为GBDT反演模型的输入向量。
[0012]优选的，对光谱数据展开特征波长分析并提取特征向量的具体步骤为：
[0013]S1：将采集的苹果树叶片原始高光谱数据分别进行导数间隙为1至30的一阶微分变换，微分变换的公式为：
[0014][0015]FD
i
代表波长为i时的一阶微分值，R
i
代表波长为i时的高光谱反射率值，w代表导数间隙值，对苹果叶片氮含量与变换后的一阶微分光谱值分别进行相关性分析，依据相关性分析结果，确定30种导数间隙下与苹果树叶片氮含量显著相关的5个敏感波长，构建苹果叶片氮素含量的光谱参量，从高到低分别为FDW1_806，FDW2_837，FDW4_813，FDW
11
_415，FDW
17
_1001；
[0016]S2：使用原始光谱向量分别做倒数，对数的光谱向量变换，构建倒数、对数的微分光谱向量，对光谱向量与氮含量进行相关性分析选定倒数光谱的第775nm处的光谱向量，对数光谱第801nm处的光谱向量作为特征向量；
[0017]S3：选择六个具有明确物理意义和高度识别度的光谱指数进行比较分析，根据分析结果，选择NDVI705_1、MNDVI_3、VOG3_23、PRI_1、NDCI_7和RVI3_8作为氮含量估算的光谱向量。
[0018]优选的，所述步骤4中使用交叉验证优化反演模型参数，是通过交叉验证对GBDT算法中影响估计精度的最大深度、损失函数和迭代次数的反演模型参数进行了优化。
[0019]本专利技术的有益效果在于：与现有技术相比，本专利技术的苹果叶片含氮量检测方法更准确，验证了特征波长提取方法的有效性，并为高光谱无损检测技术在苹果树营养元素含量快速检测和生长发育态势实时监测等方面的应用提供参考依据。
附图说明
[0020]图1为不同时期苹果叶片的光谱反射率图。
[0021]图2为不同导数间隙下微分光谱值与叶片氮含量相关性分析图。
[0022]图3为不同导数间隙下的光谱变换向量与苹果叶片氮含量的相关性分析图。
[0023]图4为不同导数间隙下的高光谱指数与苹果叶片氮含量的相关性分析图。
[0024]图5为不同n_estimators和max_depth对模型的影响分析图。
[0025]图6为不同损失函数下的苹果叶片氮含量预测分析图。
[0026]图7为训练集上各特征的重要性排序以及在测试集上各特征的重要性排序图。
[0027]图8为微分光谱向量重要性排列图。
[0028]图9为经过光谱变换后得到的光谱向量重要性排列图。
[0029]图10为光谱指数特征向量重要性排列图。
[0030]图11为不同损失函数的RFR模型和SVR模型预测结果图。
[0031]图12为本专利技术检测方法的流程图。
具体实施方式
[0032]下面结合具体实施例对专利技术进行进一步说明。
[0033]如图12所示，一种基于高光谱的苹果叶片含氮量检测方法，其特征在于，包括以下
步骤：
[0034]步骤1，对苹果生长发育的四个时期的叶片进行采集并进行光谱扫描；
[0035]步骤2，对光谱数据展开特征波长分析并提取特征向量；
[0036]步骤3，依据GBDT算法搭建机器学习反演模型，将步骤2中提取出的特征向量作为输入矢量导入反演模型中；
[0037]步骤4，使用交叉验证优化反演模型参数；
[0038]步骤5，用优化完成后的反演模型对苹果叶片氮含量进行检测。
[0039]本专利技术的研究对象是苹果叶片，样本采集地点位于中国山东省栖霞市西城镇(东经120
°
45
’
24”，北纬37
°
19
’
20”)，地处海拔210米的丘陵山区，气候类型为温带季风型气候，平均气温11.4℃，年均日照总时数为2659.9小时，年平均降水量为640毫米至846毫米，树龄平均达到7
‑
8年，苹果树品种是成熟期红富士。
[0040]分别于2020年4月20日(盛花期)、5月20日(新梢旺长期)、6月20日(春梢停长期)、9月20日(秋梢本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于高光谱的苹果叶片含氮量检测方法，其特征在于，包括以下步骤：步骤1，对苹果生长发育的四个时期的叶片进行采集并进行光谱扫描；步骤2，对光谱数据展开特征波长分析并提取特征向量；步骤3，依据GBDT算法搭建机器学习反演模型，将步骤2中提取出的特征向量作为输入矢量导入反演模型中；步骤4，使用交叉验证优化反演模型参数；步骤5，用优化完成后的反演模型对苹果叶片氮含量进行检测。2.如权利要求1所述的一种基于高光谱的苹果叶片含氮量检测方法，其特征在于：所述步骤1中对苹果生长发育的四个时期的叶片进行采集，分别是盛花期、新梢旺长期、春梢旺长期和秋梢旺长期。3.如权利要求1中所述的一种基于高光谱的苹果叶片含氮量检测方法，其特征在于：所述步骤2中对光谱数据展开特征波长分析并提取特征向量，是在不同导数间隙上分别对微分光谱、微分光谱变换和植被光谱指数三个方面展开特征波长分析，并选择提取出来微分光谱、光谱变换得到的光谱向量以及植被光谱指数共13个特征向量作为GBDT反演模型的输入向量。4.如权利要求3所述的一种基于高光谱的苹果叶片含氮量检测方法，其特征在于，对光谱数据展开特征波长分析并提取特征向量的具体步骤为：S1：将采集的苹果树叶片原始高光谱数据分别进行导数间隙为1至30的一阶微分变换，微分变换的公式为：FD...

【专利技术属性】
技术研发人员：白皓然，孙伟浩，徐树生，李凤梅，柳松，马皓冉，夏鹏辉，
申请(专利权)人：青岛农业大学，
类型：发明
国别省市：