一种基于高光谱的杉木叶绿素含量预测方法及系统技术方案

本发明专利技术公开一种基于高光谱的杉木叶绿素含量预测方法及系统，涉及林木光谱采集与生理指标分析领域；训练数据分为训练集和测试集；基于训练集分别对偏最小二乘回归模型

【技术实现步骤摘要】
一种基于高光谱的杉木叶绿素含量预测方法及系统


[0001]本专利技术涉及林木光谱采集与生理指标分析
，特别是涉及一种基于高光谱的杉木叶绿素含量预测方法及系统
。

技术介绍

[0002]杉木是最重要的针叶速生树种，在木材工业中具有重要的地位
。
叶绿素是植物进行光合作用的主要色素，其含量是反映植物光合效率和生长状况的重要指标，可作为植物生长
、
抗逆等重要性状的评价依据
。
有效评价叶绿素含量对于杉木种质资源生长
、
抗逆性状的评价，以及杉木种苗质量的监测具有重要意义
。
[0003]高光谱成像技术是基于非常多窄波长的影像数据技术，它将成像技术与光谱技术相结合，已被用于植物生理指标的无损检测
。
与传统的化学方法检测相比，高光谱计算不仅耗时短
、
成本低，而且可以无损精确地获取植物的生长生理信息，能够极大地提高林业生产和育种的效率
。
[0004]由于高光谱成像技术的光谱范围很广，选择合适的光谱预处理算法<本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.
一种基于高光谱的杉木叶绿素含量预测方法，其特征在于，所述基于高光谱的杉木叶绿素含量预测方法包括：构建训练数据；将杉木样品的特征光谱数据作为训练数据的输入；将杉木样品的特征光谱数据对应的杉木样品的叶绿素含量作为训练数据的输出；将所述训练数据分为训练集和测试集；利用
PyCharm
软件的
pytorch
框架分别搭建偏最小二乘回归模型
、
支持向量机模型和
BP
神经网络模型；基于所述训练集分别对所述偏最小二乘回归模型
、
所述支持向量机模型和所述
BP
神经网络模型的参数进行训练，得到训练后的偏最小二乘回归模型
、
训练后的支持向量机模型和训练后的
BP
神经网络模型；基于所述测试集分别对训练后的偏最小二乘回归模型
、
训练后的支持向量机模型和训练后的
BP
神经网络模型进行测试，得到第一测试结果
、
第二测试结果和第三测试结果；选取所述第一测试结果
、
所述第二测试结果和所述第三测试结果中最优结果对应的模型作为叶绿素含量预测模型；将待测杉木的特征光谱数据输入至所述叶绿素含量预测模型中，得到待测杉木样品叶绿素含量
。2.
根据权利要求1所述的基于高光谱的杉木叶绿素含量预测方法，其特征在于，构建训练数据，具体包括：获取杉木样品；利用高光谱成像系统采集杉木样品的高光谱图像；利用
ENVI 5.3
软件选取杉木样品的高光谱图像的
ROI
区域；提取
ROI
区域的总光谱数据和杉木样品的总光谱数据；基于杉木样品的高光谱图像的
ROI
区域对杉木样品进行剪取，得到
ROI
区域对应的杉木叶片；基于杉木叶片利用叶绿素含量计算公式，确定杉木样品叶绿素含量；基于
ROI
区域的总光谱数据和杉木样品叶绿素含量采用竞争性自适应权重算法和连续投影算法提取特征波长；基于特征波长对杉木样品的总光谱数据进行选取，得到杉木样品的特征光谱数据；将杉木样品的特征光谱数据作为训练数据的输入；将杉木样品的特征光谱数据对应的杉木样品的叶绿素含量作为训练数据的输出
。3.
根据权利要求2所述的基于高光谱的杉木叶绿素含量预测方法，其特征在于，提取
ROI
区域的总光谱数据和杉木样品的总光谱数据，之后还包括：采用
SG
平滑算法对
ROI
区域的总光谱数据和杉木样品的总光谱数据内
870
‑
1720nm
波长的光谱数据进行平滑处理
。4.
根据权利要求2所述的基于高光谱的杉木叶绿素含量预测方法，其特征在于，所述叶绿素含量计算公式为：
L
＝
(18.16A649+6.63A665)
×
V)/W
；其中，
L
表示叶绿素含量
(mg/g)
；
V
表示提取液体积；
W
表示杉木样品鲜重；
18.16A
表示分光光度计测定波长为
649nm
的吸光值；
6.63A
表示分光光度计测定波长为
665nm
的吸光值
。
5.
根据权利要求1所述的基于高光谱的杉木叶绿素含量预测方法，其特征在于，基于所述测试集分别对训练后的偏最小二乘回归模型
、
训练后的支持向量机模型和训练后的
BP
神经网络模型进行测试，得到第一测试结果
、
第二测试结果和第三测试结果，具体包括：基于所述测试集分别对训练后的偏最小二乘回归模型
、
训练后的支持向量机模型和训练后的
BP
神经网络模型进行预测，得到训练后的偏最小二乘回归模型输出的第一预测结果
、
训练后的支持向量机模型输出的第二预测结果和训练后的
BP
神经...

【专利技术属性】
技术研发人员：林二培，孙鹏辉，邢栋，黄华宏，
申请(专利权)人：浙江农林大学，
类型：发明
国别省市：