一种基于冠层高光谱的油茶叶片碳氮比估算方法技术

本发明专利技术涉及油茶叶片碳氮比估算技术领域，具体涉及一种基于冠层高光谱的油茶叶片碳氮比估算方法。该方法利用基于误差逆向传播的多层前馈神经网络即BP神经网络构建油茶叶片碳氮比与可见光及近红外谱区高光谱的估算模型，通过将待测油茶的测量冠层高光谱输入所述估算模型，获得待测油茶叶片的碳氮比数据。本发明专利技术采用BP神经网络算法对油茶叶片碳氮比与冠层高光谱特征进行训练学习，挖掘出影响油茶叶片碳氮比估算的潜在高光谱响应特征，并确定具体的高光谱特征组合，从而利用有效的冠层高光谱特征组合信息对油茶叶片碳氮比进行直接测量，能够大幅度降低人力与时间成本，并且过程中不会对油茶机体造成任何程度的破坏，适用于大规模推广应用。大规模推广应用。大规模推广应用。

【技术实现步骤摘要】
一种基于冠层高光谱的油茶叶片碳氮比估算方法


[0001]本专利技术涉及油茶叶片碳氮比估算
，具体涉及一种基于冠层高光谱的油茶叶片碳氮比估算方法。

技术介绍

[0002]油茶是集生态、经济、社会效益于一身的优良树种，近年来，油茶种植规模和总体产量逐年攀升，对保障中国粮油安全具有重要的现实意义。然而，油茶具有花果同期的生物学特性，树体内养分元素需求量大、调控机制复杂，外界环境因素会产生年产量盈亏交替现象，严重时形成低产林。因此，建立一套油茶养分监测体系具有重要价值。
[0003]油茶叶片碳氮比是一项与树体生长发育及果实产量密切相关的指示性理化参数，能够揭示树体内部碳氮元素相互制约与平衡的作用规律，可以作为指导生产实际的重要诊断指标。
[0004]传统方法通常采用取样通过化学试剂测定元素含量来定性判断局部区域生长情况，此法存在时空局限性并对树体造成破坏，难以支撑精准作业的发展需求。而从植被光谱角度出发，油茶叶片内含物(如光合色素、含水量和各类干物质组分)与光的吸收和散射作用形成了独特的反射率光谱，其波长与反射率的分布状态包含目标物尺度和形状在空间的展布信息及与电磁波相互作用的基本特性。高分辨率光谱(简称“高光谱”)具有更加细腻的表观特征。因此，将高光谱应用于监测生物体内化学计量比的手段已得到研究人员的普遍认同。
[0005]高光谱本身的观测方式决定其具有无损、快速和准确的特点，为油茶叶片碳氮比监测提供了极大便利，给经济林领域的养分动态监测带来了技术层面的发展新机遇。但是在实际应用中，高光谱特征信息的解译仍然充满着挑战。
[0006]油茶叶片内含物成分的复杂性和高光谱数据内部信息的冗余性，是致使高光谱解译问题导向非线性问题和陷入“维数灾难”的关键因素。所以，采用何种适当的光谱特征变换组合和最优变量子集筛选方法，可为挖掘潜在响应信息提供帮助，并能提升估算模型的鲁棒性和泛化能力(YUN Y H,BIN J,LIU D L,etal.A hybrid variable selection strategy based on continuous shrinkage of variable space in multivariate calibration[J].Analytica Chimica Acta,2019,1058:58
‑
69.)。
[0007]因此，有必要提出一种油茶叶片碳氮比无损且快速的估算方法，从而更好地将高光谱技术应用于油茶叶片碳氮比的监测中。

技术实现思路

[0008]为克服传统方法在人工破坏性采样于室内化学分析进行油茶叶片碳氮比估算时，易受人员操作水平和设备硬件限制造成整个过程中效率低下、代价高昂，且无法大面积推广的问题，提出一种基于冠层高光谱的油茶叶片碳氮比估算方法，该方法成本低、易实现，适用于大面积推广应用。
[0009]为了实现上述目的，本专利技术提供如下技术方案：
[0010]一种基于冠层高光谱的油茶叶片碳氮比估算方法，该方法利用基于误差逆向传播的多层前馈神经网络即BP神经网络构建油茶叶片碳氮比与可见光及近红外谱区高光谱的估算模型，通过将待测油茶的测量冠层高光谱输入所述估算模型，获得待测油茶叶片的碳氮比数据。
[0011]优选的，构建油茶叶片碳氮比与可见光及近红外谱区高光谱的估算模型，具体方法为：
[0012]S1.获取至少30株油茶各自冠层反射率，作为油茶冠层高光谱样本数据，同时采摘各株油茶冠层叶片，实验室条件下测量真实碳氮比数据，作为模型优化指标；
[0013]S2.对所述样本数据进行预处理和特征变换，得到光谱特征筛选集合；
[0014]S3.利用特征提取与筛选方法从所述光谱特征筛选集合中得到最优变量组合子集；
[0015]S4.利用网格搜索和交叉验证法对所述最优变量组合子集循环训练BP神经网络模型，得到一组最佳的超参数组合；
[0016]S5.利用所述最佳的超参数组合带入BP神经网络模型，将BP神经网络模型得出的估算值与S1中的真实碳氮比数据进行比较，若BP神经网络模型评价指标达到要求，则完成所述估算模型的构建，否则，进一步优化各项参数直至BP神经网络模型评价指标达到要求。
[0017]优选的，所述步骤S1中，所述油茶的冠层反射率获取方式为：在太阳高度角大于45
°
时段内，对单株油茶进行十次冠层反射光谱测量，剔除异常反射光谱后求均值，得到的平均反射光谱作为单株油茶的冠层反射率。
[0018]优选的，所述步骤S1中，油茶冠层叶片的采摘具体为：将油茶的冠层沿竖直方向等分为三份，自上至下分别记为上层、中层和下层，则在每株油茶冠层的上层和中层的东南西北四个方位各采摘2片叶片，共计16片叶片。
[0019]优选的，将所有采摘的叶片先于105℃下杀青30分钟，再于60℃中烘至恒重，随后研磨过筛，取样并由碳氢氧元素分析仪得到所需真实碳氮比数据。
[0020]优选的，步骤S2中，所述预处理包括重采样、平滑滤波和均值归一化处理，具体操作为：
[0021]S21.重采样：在油茶冠层高光谱400～1000nm范围内，按照5nm重采样间隔提取121个反射率值；
[0022]S22.平滑滤波：使用2阶9窗口点数的Savitzky
‑
Golay滤波对提取的121个反射率值集合进行一次平滑处理；
[0023]S23.均值归一化处理：平滑处理后的高光谱数据中，将单株油茶每个所提取的反射率值分别除以该反射率值对应波长处所有采样油茶的反射率值的平均值，从而以相对值描述单株油茶样本个体。
[0024]优选的，步骤S2中，所述特征变换具体为：对预处理后的高光谱样本数据先使用一阶导数FD变换，再使用两波段归一化指数NDI，放大油茶冠层高光谱信号。优选的，步骤S3中，所述特征提取与筛选方法具体为：
[0025]S31.对S2的光谱特征筛选集合进行皮尔逊相关分析，筛选出p值＜0.01的敏感波段；
[0026]S32.利用变量组合集群分析，去除共线性，得到候选的变量组合子集。
[0027]优选的，步骤S4中，对所述最优变量组合子集循环训练BP神经网络模型，具体方法为：利用留出法按照7：3的比例将所述最优变量组合子集及其对应的真实碳氮比数据随机划分出训练集和测试集，设定BP神经网络中三个隐藏层的各层节点数网格搜索组合项，再使用五折交叉验证法对所述训练集进行验证，选择均方误差最小的隐藏层各层节点数组合项作为最佳的超参数组合。
[0028]优选的，步骤S4的具体操作为：
[0029]S41.设定BP神经网络中三个隐藏层的各层节点数X＝10，基于节点数得到X3个不重复的三层隐藏层节点数组合项，即得到X3等于1000次不重复的网格搜索循环；
[0030]S42.使用五折交叉验证法对训练集进行验证，训练集被随机划分为五份，通过网格搜索随机选择其中4份用于训练模型，另一份用于验证模型精度，验证指标选择均方误本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于冠层高光谱的油茶叶片碳氮比估算方法，其特征在于，该方法利用基于误差逆向传播的多层前馈神经网络即BP神经网络构建油茶叶片碳氮比与可见光及近红外谱区高光谱的估算模型，通过将待测油茶的测量冠层高光谱输入所述估算模型，获得待测油茶叶片的碳氮比数据。2.如权利要求1所述的一种基于冠层高光谱的油茶叶片碳氮比估算方法，其特征在于，构建油茶叶片碳氮比与可见光及近红外谱区高光谱的估算模型，具体方法为：S1.获取至少30株油茶各自的冠层反射率，作为油茶冠层高光谱样本数据，同时采摘各株油茶冠层叶片，实验室条件下测量真实碳氮比数据，作为模型优化指标；S2.对所述样本数据进行预处理和特征变换，得到光谱特征筛选集合；S3.利用特征提取与筛选方法从所述光谱特征筛选集合中得到最优变量组合子集；S4.利用网格搜索和交叉验证法对所述最优变量组合子集循环训练BP神经网络模型，得到一组最佳的超参数组合；S5.利用所述最佳的超参数组合带入BP神经网络模型，将BP神经网络模型得出的估算值与S1中的真实碳氮比数据进行比较，若BP神经网络模型评价指标达到要求，则完成所述估算模型的构建，否则，进一步优化各项参数直至BP神经网络模型评价指标达到要求。3.如权利要求2所述的一种基于冠层高光谱的油茶叶片碳氮比估算方法，其特征在于，所述步骤S1中，所述油茶的冠层反射率获取方式为：在太阳高度角大于45
°
时段内，对单株油茶进行十次冠层反射光谱测量，剔除异常反射光谱后求均值，得到的平均反射光谱作为单株油茶的冠层反射率。4.如权利要求2所述的一种基于冠层高光谱的油茶叶片碳氮比估算方法，其特征在于，所述步骤S1中，油茶冠层叶片的采摘具体为：将油茶的冠层沿竖直方向等分为三份，自上至下分别记为上层、中层和下层，则在每株油茶冠层的上层和中层的东南西北四个方位各采摘2片叶片，共计16片叶片；采摘的叶片先于105℃下杀青30分钟，再于60℃中烘至恒重，随后研磨过筛，取样并由碳氢氧元素分析仪得到所需真实碳氮比数据。5.如权利要求2所述的一种基于冠层高光谱的油茶叶片碳氮比估算方法，其特征在于，步骤S2中，所述预处理包括重采样、平滑滤波和均值归一化处理，具体操作为：S21.重采样：在油茶冠层高光谱400～1000nm范围内，按照5nm重采样间隔提取121个反射率值；S22.平滑滤波：使用2阶9窗口点数的Savitzky
‑
...

【专利技术属性】
技术研发人员：唐雪海，傅根深，匡帆，黄庆丰，高祥，王阿晴，燕李鹏，许程，窦敏，钱文祺，
申请(专利权)人：安徽农业大学，
类型：发明
国别省市：