一种利用高光谱技术的烟草生长过程氮素营养诊断方法技术

本发明专利技术公开了一种利用高光谱技术的烟草生长过程氮素营养诊断方法，包括以下步骤：S1.通过无人机采集高光谱图像，并获取SPAD可视化的反演图；S2.在高光谱图上建立感兴趣区，并抽取特征值；S3.建立bp神经网络模型，并依据S2步骤中提取的特征值预测叶绿素值。还包括一个构建预测模型及训练集的步骤：S01.构建氮素估测模型；S02.构建训练数据集，并依据训练集获取模型输入的5个特征值。本发明专利技术有效地解决了现有技术中测试周期长、因对缺氮区域的漏检而对测试结果造成误判以及易受云雾天气影响的问题。题。题。

【技术实现步骤摘要】
一种利用高光谱技术的烟草生长过程氮素营养诊断方法


[0001]本专利技术涉及作物生长检测领域，具体为一种利用高光谱技术的烟草生长过程氮素营养诊断方法。

技术介绍

[0002]现有对烟草生长过程氮素营养诊断的常用的方法有三种；
[0003]一是传统的氮素营养诊断法.多用于对小区域内的土壤氮素成分进行分析，该诊断法的优点是简单易操作，而且取样简单通过对试验田内部的少量土壤进行随机抽样,在实验室内借助简单检测仪器就可以完成。缺点是测试周期长,即使对微小区域内的土壤进行检测分析,通常也需要花费数周时间才能得出结论。另外如果需要进行深度分析，受限于使用仪器和检测条件也会使使用结果不甚明显。随着科学技术手段的发展,传统的氮素营养诊断法已经逐步被新兴的诊断法取代。目前只有在相对简单的条件下才会使用。
[0004]二是肥料窗口法，此种方法的操作流程是:首先选取一大面积的被测试验田，在试验田中央或随机抽样部位，两出一小片的“微区”，通过对“微区”内作物的氮元素吸收程度和氮素含量进行跟踪监测。如果“微区”内实验对象出现缺氮现象，则表明整个试验田初中缺氮的边缘，需要及时补充氮肥。肥料窗口诊断法操作也相对简单而且适用性更加广阔，尤其是在我国的平原地带，常常用该方法做初步的氮素检测。缺点是如果试验田内缺氮地区分布不均匀，而选取的“微区”避开了缺氮区域,就会造成检测的误判,从而影响后续的改善措施。
[0005]三是卫星高光谱遥感诊断，该诊断方法比普通的高光测定法更加准确，而日能够通过收集大量的信息数据，通过系统进行综合对比分析.预测检测区域的作物长势。但是卫星数据的获取需要较多的花费，因此多应用于对大片作物的统
‑
信息采集。检测过程可能会受到云雾雨雪天气的干扰。

技术实现思路

[0006]本专利技术提供一种利用高光谱技术的烟草生长过程氮素营养诊断方法，包括以下步骤：
[0007]S1.通过无人机采集高光谱图像，并获取SPAD可视化的反演图；S2.在高光谱图上建立感兴趣区，并抽取特征值；S3.建立bp神经网络模型，并依据S2步骤中提取的特征值预测叶绿素值。
[0008]进一步地，还包括一个构建预测模型及训练集的步骤：S01.构建氮素估测模型；S02.构建训练数据集，并依据训练集获取模型输入特征值。
[0009]进一步地，所述S01步骤中氮素估测模型的输入值包括：氮含量敏感波段和叶绿素吸收波段，红边位置，植物指数，和对应的SPAD值；所述植物指数包括：NDVI，DVI，NDCI，SAVI，RVI。
[0010]进一步地，所述S02步骤中包括以下子步骤：S021.在试验区采集地面标记样本的
GPS，对应的SPAD值，以及试验区的无人机高光谱图像；S022.根据采集的GPS点位找到对应试验区高光谱图像上的烟草植株，对所有实地采集样本烟株的冠层建立感兴趣区，并提取对应的光谱曲线；S023.对提取到的光谱曲线进行SG平滑降噪；S024.光谱曲线与SPAD值构成原始数据集，在该数据集上进行特征提取和相关性分析。
[0011]进一步地，所述S024步骤中对于特征提取采用XGboost选择树模型作为基学习器进行特征提取，获取特征值；所述特征值包括：绿光归一化光谱指数、(SDr
‑
SDb)/(SDr+SDb)、绿光叶绿素光谱指数、MNDVI1。
[0012]进一步地，所述S1步骤中通过设置阈值获取SPAD的反演图；所述阈值范围为：20
‑
70。
[0013]进一步地，所述S2步骤中使用ENVI对高光谱数据进行大气校正。
[0014]进一步地，模型预测性能的评价指标包括：相对误差的绝对平均值K，均方根误差RMSE和模型决定系数R2，其计算公式如下：其中，为模型预测值，y
i
为实测值，N为样本数，为样本平均。
[0015]本专利技术提供一种利用高光谱技术的烟草生长过程氮素营养诊断方法，有效地解决了现有技术中测试周期长、因对缺氮区域的漏检而对测试结果造成误判以及易受云雾天气影响的问题。
附图说明
[0016]图1为本专利技术提供一种利用高光谱技术的烟草生长过程氮素营养诊断方法的流程图；
[0017]图2为本专利技术提供一种利用高光谱技术的烟草生长过程氮素营养诊断方法的感兴趣区光谱反射率的算术平均曲线；
[0018]图3为本专利技术提供一种利用高光谱技术的烟草生长过程氮素营养诊断方法的平滑处理后烟草反射率光谱曲线图；
[0019]图4为本专利技术提供一种利用高光谱技术的烟草生长过程氮素营养诊断方法的bp神经网络模型的模型流程图；
[0020]图5为本专利技术提供一种利用高光谱技术的烟草生长过程氮素营养诊断方法的崇州平滑处理后烟草反射率光谱曲线图；
[0021]图6为本专利技术提供一种利用高光谱技术的烟草生长过程氮素营养诊断方法的广元剑阁县平滑处理后烟草反射率光谱曲线图；
[0022]图7为本专利技术提供一种利用高光谱技术的烟草生长过程氮素营养诊断方法的什邡平滑处理后烟草反射率光谱曲线图。
具体实施方式
[0023]以下结合附图对本专利技术的实施方法进行详细说明，所描述的仅为部分实施例，并非全部实施例，为了清楚的目的，在附图及说明中省略了与本专利技术无关的表示及描述。
[0024]如图1所示，本专利技术提供一种利用高光谱技术的烟草生长过程氮素营养诊断方法，包括以下步骤：S1.通过无人机采集高光谱图像，并获取SPAD可视化的反演图；S2.在高光谱图上建立感兴趣区，并抽取特征值；S3.建立bp神经网络模型，并依据S2步骤中提取的特征值预测叶绿素值。还包括一个构建预测模型及训练集的步骤：S01.构建氮素估测模型；S02.构建训练数据集，并依据训练集获取模型输入特征值。
[0025]其中，S01步骤中氮素估测模型的输入值包括：氮含量敏感波段和叶绿素吸收波段，红边位置，植物指数，和对应的SPAD值；所述植物指数包括：NDVI，DVI，NDCI，SAVI，RVI。
[0026]S02步骤中包括以下子步骤：S021.在试验区采集地面标记样本的GPS，对应的SPAD值，以及试验区的无人机高光谱图像；S022.根据采集的GPS点位找到对应试验区高光谱图像上的烟草植株，对所有实地采集样本烟株的冠层建立感兴趣区，并提取对应的光谱曲线；S023.对提取到的光谱曲线进行SG平滑降噪；S024.光谱曲线与SPAD值构成原始数据集，在该数据集上进行特征提取和相关性分析。S024步骤中对于特征提取采用XGboost选择树模型作为基学习器进行特征提取，获取特征值；所述特征值包括：绿光归一化光谱指数、(SDr
‑
SDb)/(SDr+SDb)、绿光叶绿素光谱指数、MNDVI1。
[0027]S1步骤中通过设置阈值获取SPAD的反演图；所述阈值范围为：20
‑
70。S2步骤中使用ENVI对高光谱数据进行大气校正。
[0028]模型预测性能的评价指标包括：本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种利用高光谱技术的烟草生长过程氮素营养诊断方法，其特征在于，包括以下步骤：S1.通过无人机采集高光谱图像，并获取SPAD可视化的反演图；S2.在高光谱图上建立感兴趣区，并抽取特征值；S3.建立bp神经网络模型，并依据S2步骤中提取的特征值预测叶绿素值。2.根据权利要求1所述的一种利用高光谱技术的烟草生长过程氮素营养诊断方法，其特征在于，还包括一个构建预测模型及训练集的步骤：S01.构建氮素估测模型；S02.构建训练数据集，并依据训练集获取模型输入特征值。3.根据权利要求2所述的一种利用高光谱技术的烟草生长过程氮素营养诊断方法，其特征在于，所述S01步骤中氮素估测模型的输入值包括：氮含量敏感波段和叶绿素吸收波段，红边位置，植物指数，和对应的SPAD值；所述植物指数包括：NDVI，DVI，NDCI，SAVI，RVI。4.根据权利要求2所述的一种利用高光谱技术的烟草生长过程氮素营养诊断方法，其特征在于，所述S02步骤中包括以下子步骤：S021.在试验区采集地面标记样本的GPS，对应的SPAD值，以及试验区的无人机高光谱图像；S022.根据采集的GPS点位找到对应试验区高光谱图像上的烟草植株，对所有实地采集样本烟株的冠层建立感兴趣区，并提取对应的光谱曲线；...

【专利技术属性】
技术研发人员：高峻，马鹏，刘东阳，李斌，谢云波，曹新彬，刘永建，鲁黎明，罗旭，简思春，康杭辉，
申请(专利权)人：中国烟草总公司四川省公司成都淞幸科技有限责任公司，
类型：发明
国别省市：