植物冠层叶片叶绿素含量快速测定模型、测定方法及应用专利检索-随机效应防辐射专利检索查询-专利查询网

植物冠层叶片叶绿素含量快速测定模型、测定方法及应用

阅读：175发布：2020-05-13

专利汇可以提供植物冠层叶片叶绿素含量快速测定模型、测定方法及应用专利检索，专利查询，专利分析的服务。并且本发明属于植物叶绿素含量测定方法技术领域，具体涉及一种植物冠层叶片叶绿素含量快速测定方法。该方法包括制定采样方案，采集光谱数据，测量叶绿素含量；光谱数据预处理；划分训练集和验证集；构建训练集模型和验证集模型等步骤。本发明创新性的采用光谱诊断方法，采用机器学习的方法构建了植物冠层叶片叶绿素含量的预测模型，实现了数据快速获取，可用于传统作物及中医药等植物冠层叶片叶绿素含量快速检测。，下面是植物冠层叶片叶绿素含量快速测定模型、测定方法及应用专利的具体信息内容。

权利要求

1.一种植物冠层叶片叶绿素含量快速测定方法，其特征在于，包括以下步骤：
步骤1，制定采样方案，采集光谱数据，测量叶绿素含量
随机选取若干未损坏的完整植物冠层叶，作为检测对象叶片；
对每个检测对象叶片进行近红外和可见光范围的光谱反射率测量，获得叶片光谱数据，备用；
收集所述检测对象叶片，并用化学法测量所述检测对象叶片叶绿素含量，备用；
步骤2，光谱数据预处理
步骤2.1，剔除叶片光谱数据异常值，并使用滤波拟合法对光谱数据进行九点平滑处理；
步骤2.2，对九点平滑处理后的光谱数据依次进行标准正态变换、倒数对数、一阶导数处理，获得预处理光谱数据；
步骤3，划分训练集和验证集
采用Kennard-Stone 算法将检测对象叶片的预处理光谱数据及其相应的叶绿素数据随机分为训练集和验证集；
步骤4，构建训练集模型和验证集模型
训练集模型和验证集模型的构建步骤相同，具体如下：
步骤4.1，提取光谱数据特征信息
联合采用连续投影算法及竞争性自适应重加权采样算法提取预处理光谱数据的特征信息；
步骤4.2，构建模型
采用偏最小二乘回归机器学习方法，对提取的训练集特征信息构建训练集模型；对提取的验证集特征信息构建验证集模型；
步骤4.3，验证和评价模型稳定性和预测能力
将训练集模型预测叶绿素含量结果与训练集模型叶绿素含量结果进行对比分析，验证和评价训练集模型的稳定性及预测能力；选择与化学叶绿素含量测量结果接近的训练集模型作为最优的叶绿素含量预测模型，用于植物冠层叶片叶绿素含量的测定。
2.根据权利要求1所述的植物冠层叶片叶绿素含量快速测定方法，其特征在于，步骤1中，采样方案具体如下：共选取12个测试区，每个测试区内随机选择十个未损坏的完整油菜冠层叶，作为检测对象叶片；十个检测对象叶片位于十个不同株油菜的冠层，且它们的高度位置和水平位置均不同。
3.根据权利要求2所述的植物冠层叶片叶绿素含量快速测定方法，其特征在于，采样时应剔除边界效应，即测试区边界的油菜植株以及油菜植株中的边界叶片不作为采样对象。
4.根据权利要求1所述的植物冠层叶片叶绿素含量快速测定方法，其特征在于，步骤1中，单个检测对象叶片的叶片光谱数据测量方法如下：采用便携式地物光谱仪ASDFieldspec4对检测对象叶片分别在四个方向上进行光谱反射率测量，取平均光谱数据作为该检测对象叶片的叶片光谱数据。
5.根据权利要求1所述的植物冠层叶片叶绿素含量快速测定方法，其特征在于，步骤1中，近红外和可见光范围的波段为350-2500nm。
6.根据权利要求1-5任一项所述的植物冠层叶片叶绿素含量快速测定方法，其特征在于，步骤3中，选择70％的检测对象叶片的预处理光谱数据及其相应的叶绿素数据作为训练集样本，剩余30％检测对象叶片的叶片光谱数据作为验证集样本。
7.根据权利要求6所述的植物冠层叶片叶绿素含量快速测定方法，其特征在于，步骤
4.3中，采用均方根误差、决定系数、相对分析偏差来验证和评价训练集模型的稳定性及预测能力；R2、RPD值越大，模型预测能力越好，稳定性越强；RPD的评估标准如下：RPD>3表示模型有出色的预测能力；28.根据权利要求1所述的植物冠层叶片叶绿素含量快速测定方法构建的叶绿素含量预测模型。
9.根据权利要求8所述的叶绿素含量预测模型在测定蔬菜、粮食作物及中药植物冠层叶片叶绿素含量中的应用。

说明书全文

植物冠层叶片叶绿素含量快速测定模型、测定方法及应用

技术领域

[0001] 本发明属于植物叶绿素含量测定方法技术领域，具体涉及一种植物冠层叶片叶绿素含量快速测定模型、测定方法及应用。

背景技术

[0002] 植物叶片中的叶绿素含量是了解植物生理机制和生产力的重要参数，并且是评价植物光合能力、发育状况和营养状况的重要指标。不同生育期叶绿素含量的变化可以反映出作物的光合作用强度和作物的生长期状况，因此估算植物叶片中叶绿素含量的研究对于监测植被生长、估算作物产量、预防病虫害具有重要意义。叶绿素含量的传统测定方法包括原子吸收光谱法和分光光度计法，两种方法均需要采集新鲜植物叶片或干材料，并且需要经过繁琐的预处理及化学实验，费时费力，同时造成了一定程度上的环境污染，不能实现植被叶绿素信息的快速获取。难以满足实时、快速、无损和大面积监测的需求。高光谱遥感技术具有省时、价廉、样品量少、不破坏样品结构、信息丰富等特点，可以在保证植物结构完整的情况下实现作物生长和营养状况的监测。

[0003] 遥感技术在叶绿素含量监测中具有独特的优势。冠层的叶绿素含量能够反映单株植物的信息，反映植被整体的生长状况，是遥感监测的重要组成部分。因此，实时监测冠层叶绿素含量对于远程监测作物生长、估算作物产量以及预防病虫害具有重要意义。由于叶绿素具有独特的生化结构，因此由其电子跃迁引起的光谱吸收通常位于可见光区域。近年来，国内外学者对可见光范围内叶片叶绿素含量的高光谱反演进行了大量研究。而利用整个波段范围反演叶绿素的研究却很少。近红外光谱具有无与伦比的特性，具有高速、准确、简单和低成本的优点。单纯检测可见光范围内光谱的话，无法全面获得叶片光谱数据，以至于产生测量误差。因此，我们需要重新建立一种基于光谱的快速、无损的植物冠层叶片叶绿素含量检测方法。

发明内容

[0004] 为了解决上述技术问题，本发明提供了一种植物冠层叶片叶绿素含量快速测定模型、测定方法及应用。

[0005] 本发明的目的是提供一种植物冠层叶片叶绿素含量快速测定方法，包括以下步骤：

[0006] 步骤1，制定采样方案，采集光谱数据，测量叶绿素含量

[0007] 随机选取若干未损坏的完整植物冠层叶，作为检测对象叶片；

[0008] 对每个检测对象叶片进行近红外和可见光范围的光谱反射率测量，获得叶片光谱数据，备用；

[0009] 收集所述检测对象叶片，并用化学法测量所述检测对象叶片叶绿素含量，备用；

[0010] 步骤2，光谱数据预处理

[0011] 步骤2.1，剔除叶片光谱数据异常值，并使用滤波拟合法对光谱数据进行九点平滑处理；

[0012] 步骤2.2，对九点平滑处理后的光谱数据依次进行标准正态变换、倒数对数、一阶导数处理，获得预处理光谱数据；

[0013] 步骤3，划分训练集和验证集

[0014] 采用Kennard-Stone 算法将检测对象叶片的预处理光谱数据及其相应的叶绿素数据随机分为训练集和验证集；

[0015] 步骤4，构建训练集模型和验证集模型

[0016] 训练集模型和验证集模型的构建步骤相同，具体如下：

[0017] 步骤4.1，提取光谱数据特征信息

[0018] 联合采用连续投影算法及竞争性自适应重加权采样算法提取预处理光谱数据的特征信息；

[0019] 步骤4.2，构建模型

[0020] 采用偏最小二乘回归机器学习方法，对提取的训练集特征信息构建训练集模型；对提取的验证集特征信息构建验证集模型；

[0021] 步骤4.3，验证和评价模型稳定性和预测能力

[0022] 将训练集模型预测叶绿素含量结果与训练集模型叶绿素含量结果进行对比分析，验证和评价训练集模型的稳定性及预测能力；选择与化学叶绿素含量测量结果接近的训练集模型作为最优的叶绿素含量预测模型，用于植物冠层叶片叶绿素含量的测定。

[0023] 优选的，上述植物冠层叶片叶绿素含量快速测定方法，步骤1中，采样方案具体如下：共选取12个测试区，每个测试区内随机选择十个未损坏的完整油菜冠层叶，作为检测对象叶片；十个检测对象叶片位于十个不同株油菜的冠层，且它们的高度位置和水平位置均不同。

[0024] 优选的，上述植物冠层叶片叶绿素含量快速测定方法，采样时应剔除边界效应，即测试区边界的油菜植株以及油菜植株中的边界叶片不作为采样对象。

[0025] 优选的，上述植物冠层叶片叶绿素含量快速测定方法，步骤1中，单个检测对象叶片的叶片光谱数据测量方法如下：采用便携式地物光谱仪ASDFieldspec4对检测对象叶片分别在四个方向上进行光谱反射率测量，取平均光谱数据作为该检测对象叶片的叶片光谱数据。

[0026] 优选的，上述植物冠层叶片叶绿素含量快速测定方法，步骤1中，近红外和可见光范围的波段为350-2500nm。

[0027] 优选的，上述植物冠层叶片叶绿素含量快速测定方法，步骤3中，选择70％的检测对象叶片的预处理光谱数据及其相应的叶绿素数据作为训练集样本，剩余30％检测对象叶片的叶片光谱数据作为验证集样本。

[0028] 优选的，上述植物冠层叶片叶绿素含量快速测定方法，步骤4.3中，采用均方根误差、决定系数、相对分析偏差来验证和评价训练集模型的稳定性及预测能力；R2、RPD值越大，模型预测能力越好，稳定性越强；RPD的评估标准如下：RPD>3表示模型有出色的预测能力；2

[0029] 本发明还提供了一种上述植物冠层叶片叶绿素含量快速测定方法构建的叶绿素含量预测模型。

[0030] 本发明还提供了一种上述的叶绿素含量预测模型在测定蔬菜、粮食作物及中药植物冠层叶片叶绿素含量中的应用。

[0031] 与现有技术相比，本发明提供的植物冠层叶片叶绿素含量快速测定模型、测定方法及应用，具有以下有益效果：

[0032] 本发明创新性的采用光谱诊断方法，采用机器学习的方法构建了植物冠层叶片叶绿素含量的预测模型，实现了数据快速获取，可用于传统作物及中医药等植物冠层叶片叶绿素含量快速检测。

[0033] 为了在光谱数据中有效的提取波段相关信息，并建立可靠的模型，选择的训练集要具有良好的代表性。本发明采用了光谱分析算法Kennard-Stone(KS)，将采集的数据随机分为训练集和验证集，有效的避免了因植被叶片叶绿素及光谱值分布不均产生的问题。

[0034] 由于光谱数据分辨率较高，容易产生冗余问题，本发明综合采用连续投影算法+竞争性自适应重加权采样算法提取油菜光谱的特征信息，有效减少了数据冗余问题，提高了光谱数据特征信息的代表性。

[0035] 本发明的实施例针对油菜的叶绿素含量构建了基于PLSR机器学习的训练集模型；通过对训练集模型预测结果与验证集进行比较，发现经过光谱数据预处理后建立的训练集模型的建模精度和预测精度均优于基于反射率(即不经过光谱数据预处理后)的训练集模型。

[0036] 另外，与传统的化学方法相比，本发明提出的数据处理方法及机器学习方法可以有效的节约成本，避免了常规测量方法对化学试剂的使用，保证了植被的完整性，同时在预测精度和普适性方面具备明显的优势。附图说明

[0037] 图1为实施例1中部分检测对象叶片采集的叶片光谱数据；

[0038] 图2为油菜冠层叶片模型预测值和化学测量值的比较。

具体实施方式

[0039] 为了使本领域技术人员更好地理解本发明的技术方案能予以实施，下面结合具体实施例和附图对本发明作进一步说明。下面各实施例以及上述发明内容中未注明具体条件的试验方法，均按照本领域的常规方法和条件进行。

[0040] 油菜样品种植区域位于陕西省关中平原的西部，隶属于眉县行政区。其南部是秦岭山脉，北部是渭水河，属于黄河中游的沟谷区。眉县属暖温带大陆性半湿润气候，东经107°39′-108°00′，北纬33°59′-34°19′。海拔在442-3767m之间，年平均气温为12.9℃左右，平均年降水量为609.5mm，年平均日照时间为2015.2h，无霜期为21d。

[0041] 实施例1

[0042] 一种植物冠层叶片叶绿素含量快速测定方法，包括以下步骤：

[0043] 步骤1，制定采样方案，采集光谱数据，测量叶绿素含量

[0044] 本实验总共选取了12个测试区。每个测试区内随机选择十个未损坏的完整油菜冠层叶，作为检测对象叶片；十个检测对象叶片位于十个不同株油菜的冠层，且它们的高度位置和水平位置均不同，以便于反应不同高度和水平位置的冠层叶片信息；12个测试区共计120个检测对象叶片。需要说明的是，采样时应剔除边界效应，即测试区边界的油菜植株以及油菜植株中的边界叶片不作为采样对象。

[0045] 单个检测对象叶片的叶片光谱数据测量方法如下：采用便携式地物光谱仪ASDFieldspec4对每个检测对象叶片进行近红外和可见光范围的光谱反射率测量，取平均光谱数据作为该检测对象叶片的叶片光谱数据(R)。

[0046] 图1是部分检测对象叶片采集的叶片光谱数据。

[0047] 收集检测对象叶片装于保鲜袋中，保存于实验室，利用常规丙酮乙醇混合法(吕培泽,LüPeize.水杨酸浸种对白菜型冬油菜部分生理指标的影响[J].甘肃农业科技,2017(4):41-45.)测定检测对象叶片叶绿素含量。

[0048] 步骤2，光谱数据预处理

[0049] 步骤2.1，剔除叶片光谱数据异常值，并使用滤波拟合法(Savitzky-Golay，SG)对光谱数据进行九点平滑处理。经我们实验确定了滤波参数为九时效果最好，因此对光谱数据进行九点平滑处理。

[0050] 步骤2.2，对九点平滑处理后的光谱数据依次进行标准正态变换(SNV)、倒数对数(LOG)、一阶导数(FD)处理，获得预处理光谱数据。

[0051] 步骤3，划分训练集和验证集

[0052] 采用Kennard-Stone(KS)算法将采集的检测对象叶片的预处理光谱数据及其相应的叶绿素数据随机分为训练集和验证集，其中选择70％的检测对象叶片的预处理光谱数据及其相应的叶绿素数据作为训练集样本，共计84样品用于构建训练集模型；剩余30％检测对象叶片的预处理光谱数据及其相应的叶绿素数据作为验证集样本，共计36样品用于构建验证集模型。

[0053] KS算法选取的训练集具有良好的代表性，能够较好的提取相关信息建立可靠的预测模型，从而有效的避免了因叶绿素化学值及光谱值分布不均产生的问题。

[0054] 步骤4，构建训练集模型和验证集模型

[0055] 训练集模型和验证集模型的构建步骤相同，下面以训练集为例说明建模方法，具体如下：

[0056] 步骤4.1，提取光谱数据特征信息：采用连续投影算法(successive projections algorithm,SPA)+竞争性自适应重加权采样算法(competitive adaptive re-weighted sampling,CARS)的方法提取训练集油菜预处理光谱数据的特征信息。即分别采用连续投影算法和竞争性自适应重加权采样算法提取训练集油菜光预处理光谱数据的特征信息，取二者中重合的特征信息作为有效特征信息用于下一步建模，有效减少了数据冗余问题，提高了光谱数据特征信息的代表性。

[0057] 步骤4.2，构建模型：采用偏最小二乘回归(partial least squares regression,PLSR)机器学习方法，对提取的训练集特征信息构建训练集模型；

[0058] 步骤4.3，验证和评价模型稳定性和预测能力

[0059] 将训练集模型预测叶绿素含量结果与训练集模型叶绿素含量结果进行对比分析，采用均方根误差(Root mean square error,RMSE)、决定系数(Coefficient of determination,R2)、相对分析偏差(Ratio of the performance to deviation,RPD)等参数来验证和评价训练集模型的稳定性及预测能力。

[0060]

[0061]

[0062]

[0063]

[0064]

[0065] 式(1)-(5)中，yi表示训练集样本的化学测量值，表示训练集样本的模型预测值，表示训练集样本的化学测量值的平均值，n表示样本数。

[0066] 式中，R2、RPD值越大，模型预测能力越好，稳定性越强。RPD的评估标准如下：RPD>3表示模型有出色的预测能力；2

[0067] 上述实施例的模型构建方法简述为“R+SG+SNV+LOG+FD”。

[0068] 本发明针对测试区油菜的叶绿素含量，构建了基于PLSR机器学习的训练集模型；通过对训练集模型PLSR预测结果与验证集进行比较，发现经过光谱数据预处理后建立的训练集模型的建模精度和预测精度均优于基于反射率(即不经过光谱数据预处理后)的训练集模型。

[0069] 通过比较各指标，实施例1的训练集结果为R2＝0.98，RPD＝7.08，RMSE＝3.12，SE＝3.16，斜率(Slope)＝0.98，偏移量(Offset)＝1.61；验证集结果为R2＝0.98，RPD＝7.52，RMSE＝2.94，SE＝2.98，斜率＝0.98，偏移量＝1.43，所以本发明“R+SG+SNV+LOG+FD方法”构建出的模型被认为是出色的模型。

[0070] 我们在上述测试区内重新选择一些油菜冠层叶片作为检测对象，利用实施例1方法构建的模型预测新取的油菜冠层叶片的叶绿素含量值，利用实施例1中所述化学方法测量实际叶绿素含量值。图2为利用本发明实施例1方法构建的模型测量的新取的油菜冠层叶片(测试区内油菜样品)的叶绿素含量值及其相应的化学测量值的比较。结果显示，模型测量值与实际化学测量值接近，说明本发明构建的模型准确度高，实用性强。

[0071] 需要说明的是，本发明中涉及数值范围时，应理解为每个数值范围的两个端点以及两个端点之间任何一个数值均可选用，由于采用的步骤方法与实施例相同，为了防止赘述，本发明描述了优选的实施例。尽管已描述了本发明的优选实施例，但本领域内的技术人员一旦得知了基本创造性概念，则可对这些实施例做出另外的变更和修改。所以，所附权利要求意欲解释为包括优选实施例以及落入本发明范围的所有变更和修改。

[0072] 显然，本领域的技术人员可以对本发明进行各种改动和变型而不脱离本发明的精神和范围。这样，倘若本发明的这些修改和变型属于本发明权利要求及其等同技术的范围之内，则本发明也意图包含这些改动和变型在内。

标题	发布/更新时间	阅读量
一种针对二维图像中的多尺度多形态目标的自动检测方法	2020-05-08	240
一种卫星轨道机动状态实时监测方法	2020-05-13	846
一种面向电力通信网的业务运行的业务路由寻址方法	2020-05-13	250
基于人工智能算法的油藏物性参数地震预测方法	2020-05-11	424
氧化锌压敏电阻微观特性模拟优化计算模型	2020-05-13	357
考虑滞后效应的大坝长期运行安全度评价及预测集成方法	2020-05-13	936
一种输电网结构形态评估方法	2020-05-14	984
考虑城市化发展及电能替代效应的饱和电力需求预测方法	2020-05-12	988
一种马蹄焰玻璃窑炉数据预处理及热效率计算方法及系统	2020-05-13	19
一种内圆切片超声振动辅助加工装置	2020-05-08	638

植物冠层叶片叶绿素含量快速测定模型、测定方法及应用

植物冠层叶片叶绿素含量快速测定模型、测定方法及应用

技术领域

背景技术

发明内容

具体实施方式

该功能需要专业版企业版VIP权限，您可以：