本申请提供了一种基于深度学习的植物性状无损监测方法及装置，有效地解决了现有的针对植物性状监测的方法存在的泛化性低不具备普遍性的问题。该方法包括：对多个具备植物物种的植物数据集进在目标光谱范围下进行光谱测量，并通过光谱辐射计获取到测量过程中多种植物性状参数生成多组光谱数据；分别从基于所述多组光谱数据以及多种植物性状参数产生的反射模拟光谱和透射模拟光谱中提取出多组标签对，并编码所述多组标签对得到多个光谱特征；控制所述性状预测模型处理所述光谱特征地图得到植物性状数据，以基于所述植物性状数据完成对不同生态系统中的植物性状的无损监测。
【技术实现步骤摘要】
本申请涉及植物性状无损监测，具体而言，涉及一种基于深度学习的植物性状无损监测方法及装置。
技术介绍
1、叶绿素含量（chl）、等效水厚度（ewt）和单位面积叶质量（lma）等植物性状是评价生态系统功能和植被健康的重要指标。然而，传统的测量方法，如破坏性采样和实验室分析，是劳动密集型，耗时和低吞吐量，限制了其适用性在大空间和时间尺度。因此，迫切需要非破坏性、高效的方法来快速准确地估计植物性状，以便在精准农业、生态保护和气候恢复计划中实现实时决策。
2、而高光谱遥感为性状估计提供了一种非破坏性的方法，现有的高光谱遥感所用到的模型主要侧重于单一的生态系统应用（森林或农田），在这些应用中，模型是在同质环境中训练和验证的，难以在异质生态系统和传感器类型之间进行泛化，这限制了它们在异质生态系统中的普遍性，例如从受控农田过渡到天然草地或混交林，由于物种组成、冠层结构和环境压力源的差异，光谱特征关系可能会发生显著变化，也很少有研究系统地评估迁移学习增强跨生态系统特征预测的能力，在了解如何优化植被监测领域适应方面存在严重的差距。
/>技术本文档来自技高网...
【技术保护点】
1.一种基于深度学习的植物性状无损监测方法，其特征在于，所述方法包括：
2.根据权利要求1所述的方法，其特征在于，所述性状预测模型是基于深度学习建立并训练的具体步骤，包括：
3.根据权利要求2所述的方法，其特征在于，所述基于光谱的宽范围特征和光谱模式，构建出基于深度学习的初始性状预测模型，包括：
4.根据权利要求3所述的方法，其特征在于，所述在所述预训练编码器的输出端连接多层感知器、梯度反转层、域判别头，以构建出初始性状预测模型，包括：
5.根据权利要求2所述的方法，其特征在于，所述通过植物数据集产生的训练集和测试集对所述初始性状预测模型进...
【技术特征摘要】
1.一种基于深度学习的植物性状无损监测方法，其特征在于，所述方法包括：
2.根据权利要求1所述的方法，其特征在于，所述性状预测模型是基于深度学习建立并训练的具体步骤，包括：
3.根据权利要求2所述的方法，其特征在于，所述基于光谱的宽范围特征和光谱模式，构建出基于深度学习的初始性状预测模型，包括：
4.根据权利要求3所述的方法，其特征在于，所述在所述预训练编码器的输出端连接多层感知器、梯度反转层、域判别头，以构建出初始性状预测模型，包括：
5.根据权利要求2所述的方法，其特征在于，所述通过植物数据集产生的训练集和测试集对所述初始性状预测模型进行多次训练和测试，以得到性状预测模型，包括：
6.根据权利要求1所述的方法，其特征在于，所述分别从基于所述多组光谱数据以及多种植物性状参数产生的反射...
【专利技术属性】
技术研发人员：张辉，苏浩轩，
申请(专利权)人：贵州财经大学，
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。