一种多光谱无人机预测矮林芳樟精油产量的方法及系统技术方案

本发明专利技术公开了一种多光谱无人机预测矮林芳樟精油产量的方法及系统，涉及农业技术领域，利用无人机获得多光谱影像，同步采集了矮林芳樟精油产量数据，分析了樟树精油产量与植被指数之间的相关性，进而筛选出与樟树精油产量相关度高的植被指数组，再利用得到的植被指数组分别构建了矮林芳樟精油产量的支持向量机模型、反向传播神经网络模型和随机森林模型，通过选定模型评价指标比较多种模型的预测精度，最后得出最合适的植被指数与预测模型，用来对樟树的精油产量进行快速预测，为矮林芳樟田间灌溉施肥管理提供决策支持。樟田间灌溉施肥管理提供决策支持。樟田间灌溉施肥管理提供决策支持。

【技术实现步骤摘要】
一种多光谱无人机预测矮林芳樟精油产量的方法及系统


[0001]本专利技术涉及农业
，尤其涉及一种多光谱无人机预测矮林芳樟精油产量的方法及系统。

技术介绍

[0002]樟树作为我国珍贵的精油原料树种，不仅可以用于木材和园林绿化，还在医疗与香料产业有着独特地位。樟树精油的多酚类物质在各种疾病中有治疗作用，醇类物质作为天然香料出口世界各国。樟树主要分布于我国长江流域及其以南红壤区，是香精香料、药用卫生、园林、和食品等领域的主要原材料来源，其樟树精油产业已成为南方地区林业的主导产业之一。我国以樟科植物为主的工业原料林种植面积达6.67万hm2，并且拥有天然芳樟醇的国际市场价格定价权。芳樟的长势状况影响着生物量和出油率，进而影响芳樟产业优质高效生产，这给芳樟产业经济效益与可持续发展带来挑战。因此，借助新兴科技手段，在芳樟收获前对精油产量进行精准预测，进而科学指导下施肥或灌溉等田间管理，对芳樟精油产量保护与提升有重要意义。
[0003]传统上樟树精油提取与测产，无论是蒸馏法还是萃取法，都是通过实地抽样调查来测定的，这不仅消耗了大量的时间和精力，而且还会损害植物，为破坏性取样的直接测定方法。此外，由于采样点的限制，这些方法只能应用于小面积，无法扩大规模以监测大面积种植的矮林芳樟；而间接测定法，如通过遥感技术获取经济植物光谱信息，利用算法模型对经济植物进行产量估算的方法，为大面积矮林芳樟精油产量监测提供新的思路和途径。利用无人机多光谱数据大量筛选植被指数，为预测模型提供了更准确更全面的参数输入条件，使模型预测结果的准确性得以提高。
[0004]因此，提出一种多光谱无人机预测矮林芳樟精油产量的方法及系统，来解决现有大面积矮林芳樟精油产量预测技术存在的困难，是本领域技术人员亟需解决的问题。

技术实现思路

[0005]有鉴于此，本专利技术提供了一种多光谱无人机预测矮林芳樟精油产量的方法及系统，可对樟树的精油产量进行快速预测和灌溉施肥管理，提供准确的科学、理论支持。
[0006]为了实现上述目的，本专利技术采用如下技术方案：
[0007]一种多光谱无人机预测矮林芳樟精油产量的方法，包括以下步骤：
[0008]S1.数据采集：获取矮林芳樟精油产量数据，以及无人机拍摄的多光谱影像数据；
[0009]S2.数据处理：对S1中多光谱影像数据进行拼接处理，获得不同波段的光谱反射率数据；利用每株均测量的方法对S1中矮林芳樟精油产量进行测定；
[0010]S3.模型构建：将S2中光谱反射率数据通过线性或非线性的组合构成植被指数，选取多光谱植被指数用于构建多种光谱指数模型；
[0011]S4.选定模型：选定模型评价指标对S3中构建的多种光谱指数模型进行选择，与S2中测定的精油产量进行相关性分析，得到最优模型；
[0012]S5.结果分析：利用最优模型对樟树的精油产量进行快速预测以实现对樟树的灌溉施肥管理进行决策。
[0013]上述的方法，可选的，S2中对无人机获取的多光谱影像数据进行拼接处理具体内容为：
[0014]利用拼接软件Yusense Map V2.2.2对多光谱影像数据进行几何校正和辐射校正的预处理，将预处理后的无人机多光谱影像信息导入到ENVI5.3中，以地面实测取样区为中心，在图像上裁剪出对应的光谱影像，剔除土壤与树木阴影后，将区域范围内矮林芳樟样本的平均反射光谱作为该取样点的光谱反射率，获得不同波段的光谱反射率数据。
[0015]上述的方法，可选的，S2中矮林芳樟精油产量的测定公式为：
[0016][0017]式中，i、j均为正整数，O
i
单位为kg
·
hm
‑2，G
瓶j+油j
为第j棵树精油及瓶子的重量，G单位为g，G
叶j
为第j棵树测油的叶子样品重量，G
总叶j
为第j棵树总叶重。
[0018]上述的方法，可选的，S3中植被指数的具体内容为：植物因其本身内在的植物细胞生化参数有明显差异而表现出不同的光谱反射率；在可见光波段内，健康绿色植物的主要吸收峰在红光波段和蓝光波段的附近形成，主要反射峰在绿光波段形成；而将这些波段的光谱反射率通过线性或非线性的组合构成植被指数，可用来诊断经济植物生长状态以及反演各种经济植物参数。
[0019]上述的方法，可选的，S3中多种模型包括但不限于支持向量机模型、反向传播神经网络模型和随机森林模型。
[0020]上述的方法，可选的，S4中模型评价指标的具体内容为：
[0021]模型拟合结果采用决定系数R2、均方根误差RMSE、与平均相对误差MRE进行评价，决定系数R2越接近1，模型的预测精度越高；均方根误差RMSE与平均相对误差MRE越接近0，模型效果越好、预测结果也更为集中，计算公式如下：
[0022][0023][0024][0025]式中，为模型预测值；a
i
为实际采样值；为平均值；n为样本个数。
[0026]一种多光谱无人机预测矮林芳樟精油产量的系统，应用上述任一项的一种多光谱无人机预测矮林芳樟精油产量的方法，包括：数据采集模块、数据处理模块、模型构建模块、选定模型模块、结果分析模块；
[0027]数据采集模块：与数据处理模块的输入端连接，用于获取矮林芳樟精油产量数据，以及无人机拍摄的多光谱影像数据；
[0028]数据处理模块：与模型构建模块的输入端连接，用于对获取的多光谱影像数据进行拼接处理，获得不同波段的光谱反射率数据；利用每株均测量的方法对矮林芳樟精油产量进行测定；
[0029]模型构建模块：与选定模型模块的输入端连接，用于将光谱反射率数据通过线性或非线性的组合构成植被指数，选取多光谱植被指数用于构建多种光谱指数模型；
[0030]选定模型模块：与结果分析模块的输入端连接，用于选定模型评价指标对构建的多种模型进行选择，与测定的精油产量进行相关性分析，得到最优模型；
[0031]结果分析模块：用于利用最优模型对樟树的精油产量进行快速预测以实现对樟树的灌溉施肥管理进行决策。
[0032]经由上述的技术方案可知，与现有技术相比，本专利技术提供了一种多光谱无人机预测矮林芳樟精油产量的方法及系统：
[0033]1)利用无人机获得多光谱影像，同步采集了矮林芳樟精油产量数据，分析了樟树精油产量与植被指数之间的相关性，进而筛选出与樟树精油产量相关度高的植被指数组，再利用得到的植被指数组分别构建了矮林芳樟精油产量的支持向量机模型、反向传播神经网络模型和随机森林模型，通过选定模型评价指标比较3种模型的预测精度，最后得出最合适的植被指数与预测模型，用来对樟树的精油产量进行快速预测，为矮林芳樟田间灌溉施肥管理提供决策支持。
[0034]2)基于随机森林模型构建的矮林芳樟精油产量预测模型的精度显著高于支持向量机模型与反向传播神经网络模型。因此，随机森林模型可以作为大矮林芳樟精油产量建模的首选方法。
附图说明
...

【技术保护点】

【技术特征摘要】
1.一种多光谱无人机预测矮林芳樟精油产量的方法，其特征在于，包括以下步骤：S1.数据采集：获取矮林芳樟精油产量数据，以及无人机拍摄的多光谱影像数据；S2.数据处理：对S1中多光谱影像数据进行拼接处理，获得不同波段的光谱反射率数据；利用每株均测量的方法对S1中矮林芳樟精油产量进行测定；S3.模型构建：将S2中光谱反射率数据通过线性或非线性的组合构成植被指数，选取多光谱植被指数用于构建多种光谱指数模型；S4.选定模型：选定模型评价指标对S3中构建的多种光谱指数模型进行选择，与S2中测定的精油产量进行相关性分析，得到最优模型；S5.结果分析：利用最优模型对樟树的精油产量进行快速预测以实现对樟树的灌溉施肥管理进行决策。2.根据权利要求1所述的一种多光谱无人机预测矮林芳樟精油产量的方法，其特征在于，S2中矮林芳樟精油产量的测定公式为：式中，i、j均为正整数，O
i
单位为kg
·
hm
‑2，G
瓶j+油j
为第j棵树精油及瓶子的重量，G单位为g，G
叶j
为第j棵树测油的叶子样品重量，G
总叶j
为第j棵树总叶重。3.根据权利要求1所述的一种多光谱无人机预测矮林芳樟精油产量的方法，其特征在于，S3中指数模型包括但不限于支持向量机模型、反向传播神经网络模型和随机森林模型。4.根据权利要求1所述的一种多光谱无人机预测矮林芳樟精油产量的方法，其特征在于，S4中模型评价指...

【专利技术属性】
技术研发人员：鲁向晖，张海娜，杨宝城，龚荣新，张杰，
申请(专利权)人：南昌工程学院，
类型：发明
国别省市：