一种基于机器学习和高光谱的柑橘叶片磷素预测方法、系统技术方案

本发明专利技术涉及一种基于机器学习和高光谱的柑橘叶片磷素预测方法及系统，其方法包括：获取柑橘叶片样本的多张高光光谱和每张光谱对应的磷素含量；从每张高光光谱中提取多个一阶微分光谱，并计算每张高光光谱对应的多个植被指数；基于所述多个一阶微分光谱和所述多个植被指数，构建并训练多个预测柑橘叶片磷素含量的机器学习模型并计算每个机器学习模型的准确率；利用准确率最高的机器学习模型预测待测柑橘叶片的磷素含量。本发明专利技术通过将柑橘叶片磷素与光谱特征参数进行重要性排序，筛选出重要性较高的参数建立反演模型，可快速、精准、无损地监测柑橘树自身的磷素含量，为柑橘果园定量按需施用磷肥提供依据。按需施用磷肥提供依据。按需施用磷肥提供依据。

【技术实现步骤摘要】
一种基于机器学习和高光谱的柑橘叶片磷素预测方法、系统


[0001]本专利技术属于机器学习和植物磷素检测
，特别涉及基于机器学习和高光谱的植物磷素检测技术，具体涉及一种基于机器学习和高光谱的柑橘叶片磷素预测方法、系统。

技术介绍

[0002]柑橘是世界第一大类水果，在我国南方地区也是一种非常重要的经济林果树，种植栽培面积最大。磷素是柑橘生长发育过程中必要的营养元素，在柑橘的生长发育、果实质量以及抗寒性、抗旱性等方面都发挥着重要作用。缺磷会导致柑橘叶片小，生长缓慢，坐果减少，幼枝叶片易脱落，果实早落，严重影响产量；磷素供应过多，由于元素间的拮抗作用会使柑橘表现缺铁、锌或铜的症状。所以，适当施用磷肥是提升柑橘品质的关键，而快速、精准、无损地监测柑橘树自身的磷素含量，为柑橘果园定量按需施用磷肥提供依据，可实现精简高效的营养诊断，保障果树优质丰产，提高果农经济效益。
[0003]传统的植物磷素测定方法是比色分析法和全自动间断分析法，其中，比色分析法存在试剂用量大、成本高、干扰因素多、操作费时费力等缺点，不适合大批量样品的测定；全自动间断分析法模拟人工比色法，用计算机控制，能够精确移取样品和试剂进行连续测量，适用于大批量样品的分析，相对而言具有准确度高、分析速度快、试剂及样品用量少、操作简便、劳动强度低等优点。但是，以上方法均对植物有所损伤，需要经过采摘叶片、磨样、消煮等一系列过程，过程复杂且费时费力。
[0004]近年来，高光谱技术作为农作物营养元素无损检测方法而备受关注，大量研究成果表明利用植株高光谱技术对其磷素做出营养诊断是可行的，研究对象主要是水稻、玉米等农作物，在果树方面相对较少。

技术实现思路

[0005]为实现基于高光谱技术对果树农作物营养元素的无损检测，在本专利技术的第一方面提供了一种基于机器学习和高光谱的柑橘叶片磷素预测方法，包括：获取柑橘叶片样本的多张高光光谱和每张光谱对应的磷素含量；从每张高光光谱中提取多个一阶微分光谱，并计算每张高光光谱对应的多个植被指数；基于所述多个一阶微分光谱和所述多个植被指数，构建并训练多个预测柑橘叶片磷素含量的机器学习模型并计算每个机器学习模型的准确率；利用准确率最高的机器学习模型预测待测柑橘叶片的磷素含量。
[0006]在本专利技术的一些实施例中，所述从每张高光光谱中提取多个一阶微分光谱，并计算每张高光光谱对应的多个植被指数包括：将每片叶片的光谱与磷素含量一一对应，利用重要性排序提取多个光谱特征参数，所述多个光谱特征参数包括4个植被指数和18个一阶微分光谱。
[0007]进一步的，所述多个植被指数包括花青素反射指数和转化叶绿素吸收率。
[0008]在本专利技术的一些实施例中，所述基于多个一阶微分光谱和多个植被指数，构建并
训练多个预测柑橘叶片磷素含量的机器学习模型包括：将所述多个一阶微分光谱和所述多个植被指数融合为特征向量；基于所述特征向量和每张光谱对应的磷素含量，训练随机森林模型、BP神经网络、偏最小二乘法模型和支持向量机模型。
[0009]进一步的，所述利用准确率最高的机器学习模型预测待测柑橘叶片的磷素含量包括：利用随机森林模型预测待测柑橘叶片的磷素含量。
[0010]在上述的实施例中，所述获取柑橘叶片样本的多张高光光谱和每张光谱对应的磷素含量包括：利用全自动间断分析法对每个柑橘叶片的磷素含量进行测定。
[0011]本专利技术的第二方面，提供了一种基于机器学习和高光谱的柑橘叶片磷素预测系统，包括：获取模块，用于获取柑橘叶片样本的多张高光光谱和每张光谱对应的磷素含量；提取模块，用于从每张高光光谱中提取多个一阶微分光谱，并计算每张高光光谱对应的多个植被指数；训练模块，用于基于所述多个一阶微分光谱和所述多个植被指数，构建并训练多个预测柑橘叶片磷素含量的机器学习模型并计算每个机器学习模型的准确率；预测模块，用于利用准确率最高的机器学习模型预测待测柑橘叶片的磷素含量。
[0012]本专利技术的第三方面，提供了一种电子设备，包括：一个或多个处理器；存储装置，用于存储一个或多个程序，当所述一个或多个程序被所述一个或多个处理器执行，使得所述一个或多个处理器实现本专利技术在第一方面提供的基于机器学习和高光谱的柑橘叶片磷素预测方法。
[0013]本专利技术的第四方面，提供了一种计算机可读介质，其上存储有计算机程序，其中，所述计算机程序被处理器执行时实现本专利技术在第一方面提供的基于机器学习和高光谱的柑橘叶片磷素预测方法。
[0014]本专利技术的有益效果是：
[0015]本专利技术通过将柑橘叶片磷素与光谱特征参数进行重要性排序，筛选出重要性较高的参数建立反演模型，可快速、精准、无损地监测柑橘树自身的磷素含量，为柑橘果园定量按需施用磷肥提供依据；本专利技术将机器学习与高光谱技术相结合，建立的模型更加全面，除了线性模型之外，还可以建立非线性模型，通过不同算法的比较，有利于筛选出更适合且高精度的模型；可根据实际需要，利用该方法选择其他机器学习算法或其他营养元素或其他植物，建立相应模型。
附图说明
[0016]图1为本专利技术的一些实施例中的基于机器学习和高光谱的柑橘叶片磷素预测方法的基本流程示意图；
[0017]图2为本专利技术的一些实施例中的柑橘叶片磷素含量与光谱特征参数重要性排序示意图；
[0018]图3为本专利技术的一些实施例中的各个机器学习模型的柑橘叶片磷素实测值与预测值比较示意图；
[0019]图4为本专利技术的一些实施例中的基于机器学习和高光谱的柑橘叶片磷素预测系统的结构示意图；
[0020]图5为本专利技术的一些实施例中的电子设备的结构示意图。
具体实施方式
[0021]以下结合附图对本专利技术的原理和特征进行描述，所举实例只用于解释本专利技术，并非用于限定本专利技术的范围。
[0022]实施例1：
[0023]参考图1，在本专利技术的第一方面，提供了一种基于机器学习和高光谱的柑橘叶片磷素预测方法，包括：S100.获取柑橘叶片样本的多张高光光谱和每张光谱对应的磷素含量；S200.从每张高光光谱中提取多个一阶微分光谱，并计算每张高光光谱对应的多个植被指数；S300.基于所述多个一阶微分光谱和所述多个植被指数，构建并训练多个预测柑橘叶片磷素含量的机器学习模型并计算每个机器学习模型的准确率；S400.利用准确率最高的机器学习模型预测待测柑橘叶片的磷素含量。
[0024]在本专利技术的实施例的步骤S100中，所述获取柑橘叶片样本的多张高光光谱和每张光谱对应的磷素含量包括：利用全自动间断分析法对每个柑橘叶片的磷素含量进行测定。
[0025]具体地，S101.柑橘叶片选择：选择纽荷尔脐橙作为采样对象，在不同方位共选择9片长势大小一致的健康叶片，一般位于顶梢起向下数的第3
‑
4片。可以理解，柑橘类果树包括橙类、柚类、枳类、枸橼类、金橘类、大冀橙类、宜昌橙类和宽皮柑橘类等，因此可利用其中的一类作为样本，并不影响利用本专利技术的实施例的柑橘叶片磷素预测。
[0026]S102.高光谱本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于机器学习和高光谱的柑橘叶片磷素预测方法，其特征在于，包括：获取柑橘叶片样本的多张高光光谱和每张光谱对应的磷素含量；从每张高光光谱中提取多个一阶微分光谱，并计算每张高光光谱对应的多个植被指数；基于所述多个一阶微分光谱和所述多个植被指数，构建并训练多个预测柑橘叶片磷素含量的机器学习模型并计算每个机器学习模型的准确率；利用准确率最高的机器学习模型预测待测柑橘叶片的磷素含量。2.根据权利要求1所述的基于机器学习和高光谱的柑橘叶片磷素预测方法，其特征在于，所述从每张高光光谱中提取多个一阶微分光谱，并计算每张高光光谱对应的多个植被指数包括：将每片叶片的光谱与磷素含量一一对应，利用重要性排序提取多个光谱特征参数，所述多个光谱特征参数包括4个植被指数和18个一阶微分光谱。3.根据权利要求2所述的基于机器学习和高光谱的柑橘叶片磷素预测方法，其特征在于，所述多个植被指数包括花青素反射指数和转化叶绿素吸收率。4.根据权利要求1所述的基于机器学习和高光谱的柑橘叶片磷素预测方法，其特征在于，所述基于多个一阶微分光谱和多个植被指数，构建并训练多个预测柑橘叶片磷素含量的机器学习模型包括：将所述多个一阶微分光谱和所述多个植被指数融合为特征向量；基于所述特征向量和每张光谱对应的磷素含量，训练随机森林模型、BP神经网络、偏最小二乘法模型和支持向量机模型。5.根据权利要求4所述的基于机器学习和高光谱的柑橘叶片磷素预测方法，其特征在于，所述利用准确率最高的机器学习模型预测待测柑橘叶片的磷素含量包括：利用随机森林模型预测待测柑橘叶片的磷素含量。6.根...

【专利技术属性】
技术研发人员：周靖靖，胡青青，佃袁勇，张金智，胡春根，刘永忠，
申请(专利权)人：华中农业大学，
类型：发明
国别省市：