【技术实现步骤摘要】
本专利技术属于农业遥感监测，具体的说，涉及一种玉米冠层叶绿素含量的建模方法。
技术介绍
1、现有技术中，随着智慧农业的提出与发展，农业领域对精细化管理的需求不断增加，准确检测作物叶绿素含量成为提高作物生产效率的关键因素之一。叶绿素反映植物的生长、健康状况，与生物量及作物产量密切相关。传统的作物叶绿素信息获取方法是通过实地采样进行生理生化分析，存在破坏性强、耗时费力、成本高等缺点，且易受主观因素影响，信息的时效性和精准度较低。日本柯尼卡美能达株式会社生产的一款手持式叶绿素仪spad-502plus，虽然可以实现无损测量并实时显示植物叶片叶绿素含量，但该设备在大田环境下的测量效率较低，并不适宜植物群体叶绿素含量的检测，增加了工作人员的劳动强度。
技术实现思路
1、为解决或部分解决相关技术中存在的问题，本申请提供一种玉米冠层叶绿素含量的建模方法，能够避免与玉米的接触，便能获取玉米冠层层叶片的叶绿素含量，降低工作人员的劳动强度。
2、本申请第一方面提供了一种玉米冠层叶绿素含量的建模方法，包括：
3、获取玉米冠层的多光谱图像和可见光图像；
4、提取所述可见光图像的纹理特征和颜色特征，通过所述多光谱图像获取植被指数，通过所述纹理特征、所述颜色特征以及所述植被指数构建数据集；
5、构建反演模型，并向所述反演模型中输入所述数据集进行模型训练；
6、其中，所述反演模型包括：bp神经网络模型、支持向量回归模型、多层感知器模型；
7
8、其中，抽样获取玉米冠层叶绿素含量的方式为：使用手持式叶绿素仪spad-502plus采集。采集标记玉米自顶而下2-5片叶，测量时避开叶脉位置，根据叶片大小随机测量3～5处，取平均值作为该叶片的叶绿素值，该方式获取的叶绿素含量作为该玉米冠层叶绿素含量采集地的标准值，用于与各模型输出值比较，以判断各模型输出值与该标准值的偏差。
9、可选的，在一个方案中，获取的所述多光谱图像和所述可见光图像的数量均为多个，并分别对应将各所述多光谱图像和所述可见光图像进行图像拼接；所述数据集分为用于训练模型的训练集和用于测试模型的测试集。
10、可选的，在一个方案中，通过无人机搭载的数码相机和多光谱传感器分别获取玉米冠层的所述可见光图像和所述多光谱图像。
11、可选的，在一个方案中，所述反演模型还包括：梯度提升决策树模型。
12、可选的，在一个方案中，玉米冠层的图像采集为玉米生长阶段的四叶期、拔节期、抽雄期。
13、可选的，在一个方案中，通过所述无人机获取的所述可见光图像和所述多光谱图像均经过辐射校正。
14、可选的，在一个方案中，所述植被指数包括：归一化植被指数、绿色归一化植被指数、归一化差异红色边缘植被指数。
15、可选的，在一个方案中，提取所述可见光图像的纹理特征包括：纹理熵、纹理对比度、纹理相关性、纹理均匀性、纹理平滑度以及纹理标准偏差。
16、可选的，在一个方案中，提取所述可见光图像的颜色特征包括：红绿蓝色相参数、归一化绿红差异参数、归一化绿蓝差异参数。
17、可选的，在一个方案中，比较所述bp神经网络模型、所述支持向量回归模型、所述多层感知器模型所输出值的rmse、nrmse和r2；其中，rmse为均方根误差，nrmse归一化均方根误差，r2为判定系数；具体计算公式如下：
18、
19、
20、
21、其中，n是样本数，yp是模型的预测值，ya是实际值，ymax和ymin分别是目标变量的最大值和最小值，ym表示实际值的平均值。
22、本申请的有益效果：
23、通过获取的多光谱图像和可见光图像，并进行提取出对应的植被指数、纹理特征和颜色特征，整合形成数据集，将数据集输入至bp神经网络模型、支持向量回归模型、多层感知器模型对其进行训练，完成对玉米冠层叶绿素含量的建模。通过训练后的各模型的输出值与抽样获取玉米冠层叶绿素含量值比较，以验证模型的准确性，客户可根据自身需求选择合适的模型进行使用。
24、客户在用相应模型对下一地区的玉米冠层叶绿素含量检测时，即可省去需要通过人工去抽样获取玉米冠层叶绿素含量的步骤，避免了工作人员与玉米的直接接触，降低工作人员的劳动强度，同时还能提高检测效率。
25、应当理解的是，以上的一般描述和后文的细节描述仅是示例性和解释性的，并不能限制本申请。
本文档来自技高网...【技术保护点】
1.一种玉米冠层叶绿素含量的建模方法，其特征在于，包括：
2.根据权利要求1所述的玉米冠层叶绿素含量测定方法，其特征在于：获取的所述多光谱图像和所述可见光图像的数量均为多个，并分别对应将各所述多光谱图像和所述可见光图像进行图像拼接；所述数据集分为用于训练模型的训练集和用于测试模型的测试集。
3.根据权利要求2所述的玉米冠层叶绿素含量测定方法，其特征在于：通过无人机搭载的数码相机和多光谱传感器分别获取玉米冠层的所述可见光图像和所述多光谱图像。
4.根据权利要求1所述的玉米冠层叶绿素含量测定方法，其特征在于：所述反演模型还包括：梯度提升决策树模型。
5.根据权利要求1所述的玉米冠层叶绿素含量测定方法，其特征在于：玉米冠层的图像采集为玉米生长阶段的四叶期、拔节期、抽雄期。
6.根据权利要求3所述的玉米冠层叶绿素含量测定方法，其特征在于：通过所述无人机获取的所述可见光图像和所述多光谱图像均经过辐射校正。
7.根据权利要求1所述的玉米冠层叶绿素含量测定方法，其特征在于：所述植被指数包括：归一化植被指数、绿色归一化植被指
8.根据权利要求1所述的玉米冠层叶绿素含量测定方法，其特征在于：提取所述可见光图像的纹理特征包括：纹理熵、纹理对比度、纹理相关性、纹理均匀性、纹理平滑度以及纹理标准偏差。
9.根据权利要求1所述的玉米冠层叶绿素含量测定方法，其特征在于：提取所述可见光图像的颜色特征包括：红绿蓝色相参数、归一化绿红差异参数、归一化绿蓝差异参数。
10.根据权利要求4所述的玉米冠层叶绿素含量测定方法，其特征在于：比较所述BP神经网络模型、所述支持向量回归模型、所述多层感知器模型所输出值的RMSE、NRMSE和R2；其中，RMSE为均方根误差，NRMSE归一化均方根误差，R2为判定系数；具体计算公式如下：
...【技术特征摘要】
1.一种玉米冠层叶绿素含量的建模方法，其特征在于，包括：
2.根据权利要求1所述的玉米冠层叶绿素含量测定方法，其特征在于：获取的所述多光谱图像和所述可见光图像的数量均为多个，并分别对应将各所述多光谱图像和所述可见光图像进行图像拼接；所述数据集分为用于训练模型的训练集和用于测试模型的测试集。
3.根据权利要求2所述的玉米冠层叶绿素含量测定方法，其特征在于：通过无人机搭载的数码相机和多光谱传感器分别获取玉米冠层的所述可见光图像和所述多光谱图像。
4.根据权利要求1所述的玉米冠层叶绿素含量测定方法，其特征在于：所述反演模型还包括：梯度提升决策树模型。
5.根据权利要求1所述的玉米冠层叶绿素含量测定方法，其特征在于：玉米冠层的图像采集为玉米生长阶段的四叶期、拔节期、抽雄期。
6.根据权利要求3所述的玉米冠层叶绿素含量测定方法，其特征在于：通过所述无人机获取的所述可...
【专利技术属性】
技术研发人员：李文峰，潘坤，刘文荣，付国栋，何继中，黄悦，陈澳，
申请(专利权)人：云南农业大学，
类型：发明
国别省市：
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。