一种基于高光谱技术的作物叶绿素含量有效估测方法

技术领域

本发明涉及作物叶绿素含量估测、农作物估产和高光谱技术领域，特别是指一种有效基于高光谱技术的作物叶绿素含量有效估测方法。

背景技术

叶绿素是绿色植物进行光合作用的关键驱动因素，其含量与植被的光合能力、生长发育及营养状况密切相关。因此，及时、准确地获取叶绿素含量对于作物田间管理、长势监测及产量估算具有重要意义。高光谱技术因其高效、无损等优势，已广泛应用于作物生理指标及生长状态的快速检测。在以往基于高光谱技术对作物生理指标估测研究中，忽略了叶片近红外光谱的吸收峰重叠严重的问题，导致光谱中冗余信息较多，影响估测模型的精度。

本发明采用SG-SNV结合的方法对高光谱数据进行预处理。在单一变量筛选算法基础上，将UVE算法和IRIV算法进行耦合，提出一种改进的特征波长筛选算法——UVE-IRIV算法，选用XGBoost模型构建基于高光谱技术的作物叶绿素含量估测模型。

发明内容

本发明提出一种基于高光谱技术的作物叶绿素含量有效估测方法，能够快速有效的获得作物叶绿素含量，对于作物田间管理、长势监测及产量估算具有重要意义。

本发明实现发明目的采用如下技术方案：

一种有效的作物叶绿素含量估测方法，以作物高光谱数据作为数据源，结合SG和SNV光谱数据预处理方法，通过一种改进的特征波长筛选算法(UVE-IRIV算法)提取最少量有效信息波段，作为XGBoost模型变量输入，构建基于高光谱技术的UVE-IRIV-XGBoost叶绿素含量估测模型，有利于提高作物叶绿素含量估测模型的建模速度和模型精度。

一种有效的基于高光谱技术的作物叶绿素含量估测方法，步骤为：

步骤1，本方法采用的数据源是高光谱数据和实测的作物叶绿素含量数据，高光谱数据采用美国ASD(Analytical Spectral Devices)公司的ASD Field Spec4野外便携式高光谱仪获得，作物样本叶片叶绿素含量的测定采用分光光度法；

步骤2，高光谱数据采用Savitzky-Golay卷积平滑(SG)结合标准正态变换(Standard Normal Variate Transformation，SNV)的预处理方式；

步骤3，提出一种改进的特征波段筛选算法(UVE-IRIV算法)，将无信息变量消除法(Uninformative variable elimination，UVE)和迭代保留信息变量法(IterativelyRetains Informative Variables，IRIV)进行耦合，对模型特征波长变量进行二次降维；

步骤4，建立叶绿素含量估测模型。选用极端梯度提升(eXtreme GradientBoosting，XGBoost)模型构建基于高光谱和改进特征波段筛选算法的叶绿素含量估测模型。

进一步地，所述步骤1包括：

步骤5，在作物冠层光谱测量时，其波长范围在350-2500nm之间，采样间隔为1.4nm(350-1000nm)和2nm(1000-2500nm)，重采样间隔为1nm，视场角为25°；

步骤6，每次采集光谱前先用白板定标，仪器探头垂直向下，探头在冠层上方80cm处，对每个试验样本区选定具有代表性的植株冠层，采集多次光谱值，剔除异常值后，平均剩余的光谱值，作为该试验样本区的最终光谱；

步骤7，在实验测定作物样本叶片叶绿素含量时，首先对样本叶片去除主茎，剪碎、混匀，称取0.4g，用99％丙酮和无水乙醇2：1混合液25mL浸泡24h，浸泡过程中摇动3次，加速叶绿素的提取；其次利用分光光度计对萃取液进行测定，分别获取645nm和663nm处的吸光度值；最后利用以下公式计算叶绿素：

C

C

C

式中，A

进一步地，所述步骤3包括：

步骤8，在UVE算法筛选的基础上采用IRIV算法进行特征波长二次降维，提取出基于UVE-IRIV耦合算法的光谱特征波长。

进一步地，所述步骤4包括：

步骤9，利用步骤3中筛选出的光谱特征波长作为模型变量，建立基于XGBoost算法的作物叶绿素含量预测模型。

本发明的有益效果：

上述方案中，高光谱数据采用SG结合SNV的预处理方式，有利于降低由于试验环境和仪器本身而产生的噪音的同时减弱表面散射以及光程变化对漫反射光谱的影响。在以往基于高光谱技术对作物生理指标估测研究中，往往忽略了叶片近红外光谱的吸收峰重叠严重的问题，导致光谱中冗余信息较多，影响估测模型的精度。方案中将UVE算法与IRIV算法进行耦合，对模型特征波长变量进行二次降维，能够有效地优化光谱变量组冗余度高、共线性强问题，提升反演模型的运行速度。方案中选用XGBoost模型构建基于高光谱和改进特征波段筛选算法的叶绿素含量估测模型，有较强的适用性、较高的预测精度和泛化能力。

附图说明

图1是本发明一种基于高光谱技术的作物叶绿素含量有效估测方法的工作流程简图；

图2是本发明一种基于高光谱技术的作物叶绿素含量有效估测方法实施例的预测模型结果图。

具体实施方式

以下通过具体实施例对本发明做进一步解释说明。以下实施例用于说明本发明，但不用来限制本发明的范围。

本发明提出一种基于高光谱技术的作物叶绿素含量有效估测方法，能够快速有效的获得作物叶绿素含量，对于作物田间管理、长势监测及产量估算具有一定的指导意义。

如图1所示，本发明实施例提供了一种基于高光谱技术的作物叶绿素含量有效估测方法，包括如下主要步骤：

步骤1，本方法采用的数据源是高光谱数据和实测的作物叶绿素含量数据，高光谱数据采用美国ASD(Analytical Spectral Devices)公司的ASD Field Spec4野外便携式高光谱仪获得，作物样本叶片叶绿素含量的测定采用分光光度法；

步骤2，高光谱数据采用Savitzky-Golay卷积平滑(SG)结合标准正态变换(Standard Normal Variate Transformation，SNV)的预处理方式；

步骤3，提出一种改进的特征波段筛选算法(UVE-IRIV算法)，将无信息变量消除法(Uninformative variable elimination，UVE)和迭代保留信息变量法(IterativelyRetains Informative Variables，IRIV)进行耦合，对模型特征波长变量进行二次降维；

步骤4，建立叶绿素含量估测模型。选用极端梯度提升(eXtreme GradientBoosting，XGBoost)模型构建基于高光谱和改进特征波段筛选算法的叶绿素含量估测模型。

以上描述了本发明的基本特点，技术方案和有益效果。对于本领域技术人员而言，本发明不限于上述示范性实施例的细节，而且在不背离本发明的精神或基本特征的情况下，能够以其他的具体形式实现本发明。因此，无论从哪一点来看，均应将实施例看作是示范性的，而且是非限制性的，本发明的范围由所附权利要求而不是上述说明限定，因此旨在将落在权利要求的等同要件的含义和范围内的所有变化囊括在本发明内。