【技术实现步骤摘要】
本专利技术涉及水稻叶绿素含量估测的，具体来说，涉及一种基于高光谱数据的水稻叶绿素含量估测方法。
技术介绍
1、目前世界上近一半人口以稻米为主食，随着世界范围内人口的增长，预计未来稻谷的需求量会较持续增长。中国作为水稻原产区，种植面积位居世界第二位，产量位居世界第一位，可见中国地区水稻产量对世界粮食安全起着至关重要的作用。传统提高水稻产量的方式主要依靠育种和基因改良，我国在这一方面已经取得了丰硕的研究成果，并且不同地区种植的水稻品种也逐渐趋于稳定。水稻生长发育质量和最终产量与其种植方式、生长状况以及生长环境等因素息息相关，如种植密度、叶绿素含量以及杂草胁迫状况等。叶绿素是光合作用中最重要的指示色素，也是植物将光能转化为化学能的动力源泉。从精准农业的角度来看，由于叶绿素含量与植物的胁迫和衰老直接相关，叶绿素含量的实时监测对于实时掌握作物的生长状况具有重要意义。
2、传统采样调查方法对水稻这一类大田作物的取样数量要求较高且具有破坏性。此外，水田恶劣的作业环境也会导致数据采集效率低下，甚至存在供试样本被污染的可能。这些因素极大地增加了人工调查采样困难程度，降低了样本数据信息的可信度。同时，传统的作物管理方式过于主观，主要通过管理人员的经验判断作为决策的依据，而此种主观臆断往往准确性较差，易造成农药或化肥的过度施用，对作物生长及土壤环境造成负面影响。因此，亟需一种综合应用现代化信息化技术、并能够有效提升农作物经济效益的技术手段，对大范围种植的农作物采取因地制宜的田间管理策略。
3、随着光谱技术的发展，使水稻叶绿素含
4、在建立叶绿素含量估测模型方面，使用的方法主要有多元逐步回归、主成分回归、bp神经网络、偏最小二乘回归（partial least squares regression，plsr）和随机森林回归。由于机器学习算法难以解释机理过程，只能提供预测结果，因此存在普适性差的特点。plsr是一种多元统计数据分析方法，集多元线性回归分析、典型相关分析和主成分分析的基本功能于一体。该方法能够有效降维并消除高光谱数据中多变量可能存在的复共线关系，提高估测模型的可靠性和准确度。
5、在高光谱数据预处理技术方面，例如一阶微分、对数、倒数、小波包变换（waveletpacket transform，wpt）等在特定场景（氮肥控制、水胁迫控制）下均能提高作物叶绿素含量估测精度，但在作物不同生育期的叶绿素含量估测方面难以保持通用性。
技术实现思路
1、针对相关技术中的上述技术问题，本专利技术提供一种基于高光谱数据的水稻叶绿素含量估测方法，能够解决上述问题。
2、为实现上述技术目的，本专利技术的技术方案是这样实现的：
3、一种基于高光谱数据的水稻叶绿素含量估测方法，包括如下步骤：
4、s100、在水稻的幼苗期、分蘖期、拔节期、抽穗期、灌浆期、乳熟期通过asdfieldspec4光谱测量仪进行光谱测定，对水稻样本叶片的高光谱数据进行采集；
5、s200、在水稻的幼苗期、分蘖期、拔节期、抽穗期、灌浆期、乳熟期通过spad-502叶绿素测量仪进行水稻叶绿素含量测量，评估水稻叶绿素的含量；
6、s300、对采集的水稻样本叶片高光谱数据进行预处理；
7、s310、对采集的光谱信号进行小波包分解，根据最优小波包基和量化后的最优小波包分解系数进行光谱重构；
8、s320、对经小波包分解处理后的光谱进行一阶微分处理，得到wpt-fd数据；
9、s330、引入谐波分析将wpt-fd数据作为序列信号进行时频空间转换；
10、s340、将通过谐波分析处理后的数据进行主成分分析，最终筛选可用于建模的输入变量；
11、s400、特征波段选择，将原始光谱数据、对原始光谱数据进行处理后得到的wpt-fd数据与全时期水稻叶绿素含量进行相关性分析，计算wpt-fd数据各个波段与叶绿素含量的相关系数，并确定特征波段挑选原则；
12、s500、利用plsr多元统计方法构建不同生育期水稻叶绿素含量的估测模型。
13、进一步的，在执行步骤s100时，在每个试验小区随机选取5个目标采样点，每个目标采样点采集10条光谱，最后取光谱平均值作为试验小区的光谱测量值。
14、进一步的，在执行步骤s200时，在每个试验小区选取5个均匀分布的目标采样点，对水稻植株进行叶绿素含量测量，并用spad值表示，每株水稻上选取最上面的3片叶片，每个目标采样点测量10次，将测量平均值作为试验小区的spad值。
15、进一步的，在执行步骤s320时，反射率波谱一阶微分的计算方法如下：
16、；
17、式中，为相邻波长，波长对应的一阶微分光谱值，和分别为波长为对应的光谱值。
18、进一步的，在执行步骤s330利用谐波分析处理光谱数据时，将由n个波段组成的光谱曲线看作周期为n的函数，将每个样本的光谱曲线表达为一系列由谐波余项、振幅和相位的能量谱特征分量组成的正/余弦波叠加之和，若将由n个波段组成的一组光谱表示为，h次谐波分析得到的谐波分解展开式为：
19、；
20、其中h次谐波分解的谐波特征分量计算为：
21、；
22、式中，为谐波余项；为第h次谐波分量，和分别为第h次谐波分解的余弦振幅、正弦振幅、谐波分量振幅和谐波分量的相位，其中，和反映了光谱在各个波段的能量均值、不同波段的能量变化及能量出现幅值的波段位置。
23、进一步的，步骤s400中特征波段挑选原则为：相关系数；相关系数按照绝对值依次从大到小选择；波段数量适中。
24、进一步的，在水稻各个生育期的wpt-fd数据中，挑选合适数量的特征波段，对wpt-fd数据进行谐波分解，获得谐波能量谱特征分量，并计算谐波能量谱特征分量与叶片叶绿素含量的相关系数。
25、进一步的，在执行步骤s500时，选取了水稻6个生育期主成分分析结果的前5个分量作为plsr输入因本文档来自技高网...
【技术保护点】
1.一种基于高光谱数据的水稻叶绿素含量估测方法，其特征在于，包括如下步骤：
2.根据权利要求1所述的一种基于高光谱数据的水稻叶绿素含量估测方法，其特征在于，在执行步骤S100时，在每个试验小区随机选取5个目标采样点，每个目标采样点采集10条光谱，最后取光谱平均值作为试验小区的光谱测量值。
3.根据权利要求1所述的一种基于高光谱数据的水稻叶绿素含量估测方法，其特征在于，在执行步骤S200时，在每个试验小区选取5个均匀分布的目标采样点，对水稻植株进行叶绿素含量测量，并用SPAD值表示，每株水稻上选取最上面的3片叶片，每个目标采样点测量10次，将测量平均值作为试验小区的SPAD值。
4.根据权利要求1所述的一种基于高光谱数据的水稻叶绿素含量估测方法，其特征在于，在执行步骤S320时，反射率波谱一阶微分的计算方法如下：
5.根据权利要求1所述的一种基于高光谱数据的水稻叶绿素含量估测方法，其特征在于，在执行步骤S330利用谐波分析处理光谱数据时，将由N个波段组成的光谱曲线看作周期为N的函数，将每个样本的光谱曲线表达为一系列由谐波余项、振幅和相
6.根据权利要求5所述的一种基于高光谱数据的水稻叶绿素含量估测方法，其特征在于，步骤S400中特征波段挑选原则为：相关系数；相关系数按照绝对值依次从大到小选择。
7.根据权利要求6所述的一种基于高光谱数据的水稻叶绿素含量估测方法，其特征在于，在水稻各个生育期的WPT-FD数据中，挑选特征波段，对WPT-FD数据进行谐波分解，获得谐波能量谱特征分量，并计算谐波能量谱特征分量与叶片叶绿素含量的相关系数。
8.根据权利要求1所述的一种基于高光谱数据的水稻叶绿素含量估测方法，其特征在于，在执行步骤S500时，选取了水稻6个生育期主成分分析结果的前5个分量作为PLSR输入因子，并随机将输入变量按照2:1分成建模集和验证集，构建基于WPT-FD-HA的水稻叶绿素预测模型。
9.根据权利要求1所述的一种基于高光谱数据的水稻叶绿素含量估测方法，其特征在于，步骤S500还包括模型精度和稳定性的验证，利用预留的三分之一的验证集样本进行模型精度验证，并以此作为模型选择的依据，同时采集跨地区和时间的数据样本进行模型稳定性验证。
...【技术特征摘要】
1.一种基于高光谱数据的水稻叶绿素含量估测方法，其特征在于，包括如下步骤：
2.根据权利要求1所述的一种基于高光谱数据的水稻叶绿素含量估测方法，其特征在于，在执行步骤s100时，在每个试验小区随机选取5个目标采样点，每个目标采样点采集10条光谱，最后取光谱平均值作为试验小区的光谱测量值。
3.根据权利要求1所述的一种基于高光谱数据的水稻叶绿素含量估测方法，其特征在于，在执行步骤s200时，在每个试验小区选取5个均匀分布的目标采样点，对水稻植株进行叶绿素含量测量，并用spad值表示，每株水稻上选取最上面的3片叶片，每个目标采样点测量10次，将测量平均值作为试验小区的spad值。
4.根据权利要求1所述的一种基于高光谱数据的水稻叶绿素含量估测方法，其特征在于，在执行步骤s320时，反射率波谱一阶微分的计算方法如下：
5.根据权利要求1所述的一种基于高光谱数据的水稻叶绿素含量估测方法，其特征在于，在执行步骤s330利用谐波分析处理光谱数据时，将由n个波段组成的光谱曲线看作周期为n的函数，将每个样本的光谱曲线表达为一系列由谐波余项、振幅和相位的能量谱特征分量组成的正/余弦波叠加之和，...
【专利技术属性】
技术研发人员：何英彬，吴文斌，罗善军，王向一，李茜，陈慧聪，韩盛楠，
申请(专利权)人：中国农业科学院农业资源与农业区划研究所，
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。