CN109270011A - 一种基于机器学习算法的植物滞尘能力检测方法 - Google Patents

一种基于机器学习算法的植物滞尘能力检测方法 Download PDF

Info

Publication number
CN109270011A
CN109270011A CN201811362050.9A CN201811362050A CN109270011A CN 109270011 A CN109270011 A CN 109270011A CN 201811362050 A CN201811362050 A CN 201811362050A CN 109270011 A CN109270011 A CN 109270011A
Authority
CN
China
Prior art keywords
dust
spectral reflectivity
laying
wave band
plant
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Pending
Application number
CN201811362050.9A
Other languages
English (en)
Inventor
周霞
周成虎
杨骥
张晨
荆文龙
王重洋
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Guangzhou Institute of Geography of GDAS
Original Assignee
Guangzhou Institute of Geography of GDAS
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Guangzhou Institute of Geography of GDAS filed Critical Guangzhou Institute of Geography of GDAS
Priority to CN201811362050.9A priority Critical patent/CN109270011A/zh
Publication of CN109270011A publication Critical patent/CN109270011A/zh
Pending legal-status Critical Current

Links

Classifications

    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
    • G01N21/00—Investigating or analysing materials by the use of optical means, i.e. using sub-millimetre waves, infrared, visible or ultraviolet light
    • G01N21/17—Systems in which incident light is modified in accordance with the properties of the material investigated
    • G01N21/25—Colour; Spectral properties, i.e. comparison of effect of material on the light at two or more different wavelengths or wavelength bands
    • G01N21/31—Investigating relative effect of material at wavelengths characteristic of specific elements or molecules, e.g. atomic absorption spectrometry
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
    • G01N21/00—Investigating or analysing materials by the use of optical means, i.e. using sub-millimetre waves, infrared, visible or ultraviolet light
    • G01N21/17—Systems in which incident light is modified in accordance with the properties of the material investigated
    • G01N21/55—Specular reflectivity
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
    • G01N21/00—Investigating or analysing materials by the use of optical means, i.e. using sub-millimetre waves, infrared, visible or ultraviolet light
    • G01N21/84—Systems specially adapted for particular applications
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F30/00—Computer-aided design [CAD]
    • G06F30/20—Design optimisation, verification or simulation
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
    • G01N21/00—Investigating or analysing materials by the use of optical means, i.e. using sub-millimetre waves, infrared, visible or ultraviolet light
    • G01N21/84—Systems specially adapted for particular applications
    • G01N2021/8466—Investigation of vegetal material, e.g. leaves, plants, fruits

Landscapes

  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Immunology (AREA)
  • Pathology (AREA)
  • Analytical Chemistry (AREA)
  • Biochemistry (AREA)
  • General Health & Medical Sciences (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Health & Medical Sciences (AREA)
  • Chemical & Material Sciences (AREA)
  • Engineering & Computer Science (AREA)
  • Spectroscopy & Molecular Physics (AREA)
  • Theoretical Computer Science (AREA)
  • Computer Hardware Design (AREA)
  • Evolutionary Computation (AREA)
  • Geometry (AREA)
  • General Engineering & Computer Science (AREA)
  • Investigating Or Analysing Materials By Optical Means (AREA)

Abstract

本发明涉及一种基于机器学习算法的植物滞尘能力检测方法，包括：获取植物在各个波段的光谱反射率的一阶倒数以及对应的滞尘量数据；计算各个波段的光谱反射率的一阶倒数和滞尘量数据的相关性系数，确定反演波段；以反演波段对应的光谱反射率一阶倒数作为输入，以反演波段对应的滞尘量数据作为预期输出，采用grid‑search算法和支持向量机算法构建滞尘反演模型；获取待测植物在反演波段的光谱反射率的一阶倒数，并输入到滞尘反演模型中，获得滞尘量数据。通过计算各个波段的光谱反射率的一阶倒数和滞尘量数据的相关性系数获得反演波段，再结合grid‑search算法和支持向量机算法准确构建滞尘反演模型，实现了对待测植物的滞尘量数据的快速准确获取。

Description

一种基于机器学习算法的植物滞尘能力检测方法
技术领域
本发明涉及环境监测与评价技术领域，特别是涉及一种基于机器学习算法的植物滞尘能力检测方法。
背景技术
随着工业化和城市化的迅速发展，城市大气污染日趋严重。粉尘是城市大气污染中的主要污染物，粉尘中除含有重金属外，还含有致癌物质和细菌病毒等，对人体健康造成极大的威胁。
城市绿化植物能够有效地阻滞空气中的粉尘，改善城市的生态环境质量。目前，植物的滞尘效应已成为筛选城市绿化植物的一个重要指标。因此，如何评估植物的滞尘量已成为当前研究的重点。
发明内容
基于此，本发明的目的在于，提供一种基于机器学习算法的植物滞尘能力检测方法，其具有可快速准确获取待测植物的滞尘量数据的优点。
一种基于机器学习算法的植物滞尘能力检测方法，包括如下步骤：
获取植物在各个波段的光谱反射率的一阶倒数以及对应的表征植物滞尘能力的滞尘量数据；
计算各个波段的光谱反射率的一阶倒数和滞尘量数据的相关性系数，并根据所述相关性系数筛选获得反演波段；
以反演波段对应的光谱反射率一阶倒数作为输入，以反演波段对应的滞尘量数据作为预期输出，采用grid-search算法和支持向量机算法构建滞尘反演模型；
获取待测植物在反演波段的光谱反射率的一阶倒数，并输入到滞尘反演模型中，获得滞尘量数据。
本发明通过计算各个波段的光谱反射率的一阶倒数和滞尘量数据的相关性系数实现快速筛选获得反演波段，再结合grid-search算法和支持向量机算法准确构建滞尘反演模型，进而实现了对待测植物的滞尘量数据的快速准确获取。
在一个实施例中，所述计算各个波段的光谱反射率的一阶倒数和对应的滞尘量数据的相关性系数的方式为：
其中，rij为第i个样本中第j个波段的光谱反射率一阶导数；为第j个波段的光谱反射率一阶导数的平均值；xij为第i个样本中第j个波段的滞尘量数据；为第j个波段滞尘量数据的平均值；N为样本的数量；每个样本包括各个波段的各个波段的光谱反射率的一阶倒数以及对应的滞尘量数据。
在一个实施例中，所述根据相关性系数筛选获得反演波段的步骤，包括：
将各个波段的相关性系数的绝对值按照由大至小的方式进行排序；
筛选相关性系数的绝对值满足第一设定阈值的波段作为反演波段。
在一个实施例中，所述获取植物在各个波段的光谱反射率的一阶倒数的步骤，包括：
获取植物的光谱反射率，并对光谱反射率进行预处理；
对预处理后的光谱反射率进行光谱变换，获得各个波段的光谱反射率的一阶倒数。
在一个实施例中，所述对光谱反射率进行预处理的步骤，包括：
获取植物的光谱反射率，并剔除误差超过第一设定阈值的光谱反射率，之后将剩余的光谱反射率数据求平均，以平均值作为植物的光谱反射率；
对所述植物的光谱反射率采用就近原则除以对应的白板值，作为植物的实际光谱反射率；
根据植物的实际光谱反射率，获得水汽吸收波段，并剔除水汽吸收波段下的光谱反射率，再沿着光谱反射率的光谱曲线拟合补全获得预处理后的光谱反射率。
通过剔除误差数据再求平均值的方式可减少数据测量的误差；通过采用就近原则除以对应的白板值的方式，可使不同时间段、不同实验条件下获取的数据具有可比性，并同时消除实验环境背景所带来的误差；通过剔除水汽吸收波段，可方便之后的数据处理。
本发明还提供一种基于机器学习算法的植物滞尘能力检测装置，包括：
数据获取模块，用于获取植物在各个波段的光谱反射率的一阶倒数以及对应的表征植物滞尘能力的滞尘量数据；
反演波段获取模块，用于计算各个波段的光谱反射率的一阶倒数和滞尘量数据的相关性系数，并根据所述相关性系数筛选获得反演波段；
滞尘反演模型构建模块，用于以反演波段对应的光谱反射率一阶倒数作为输入，以反演波段对应的滞尘量数据作为预期输出，采用grid-search算法和支持向量机算法构建滞尘反演模型；
滞尘量数据获取模块，用于获取待测植物在反演波段的光谱反射率的一阶倒数，并输入到滞尘反演模型中，获得滞尘量数据。
本发明通过计算各个波段的光谱反射率的一阶倒数和滞尘量数据的相关性系数实现快速筛选获得反演波段，再结合grid-search算法和支持向量机算法准确构建滞尘反演模型，进而实现了对待测植物的滞尘量数据的快速准确获取。
本发明还提供一种计算机可读存储介质，其上储存有计算机程序，其特征在于，该计算机程序被处理器执行时实现如上述任意一项所述的基于机器学习算法的植物滞尘能力检测方法的步骤。
本发明还提供一种计算机设备，其包括储存器、处理器以及储存在所述储存器中并可被所述处理器执行的计算机程序，所述处理器执行所述计算机程序时实现如上述任意一项所述的基于机器学习算法的植物滞尘能力检测方法的步骤。
为了更好地理解和实施，下面结合附图详细说明本发明。
附图说明
图1为本发明基于机器学习算法的植物滞尘能力检测方法的流程图；
图2为本发明获取植物在各个波段的光谱反射率的一阶倒数的流程图；
图3为本发明对光谱反射率进行预处理的流程图；
图4为本发明剔除水汽吸收波段的前后比较图；
图5为本发明获取反演波段的流程图。
具体实施方式
请参阅图1，其为本发明基于机器学习算法的植物滞尘能力检测方法的流程图。所述基于机器学习算法的植物滞尘能力检测方法，包括如下步骤：
步骤S1：获取植物在各个波段的光谱反射率的一阶倒数以及对应的表征植物滞尘能力的滞尘量数据。
其中，所述植物的光谱反射率为植物在各个波段的反射的光通量与入射到物体的光通量之比。具体在本实施例中所述植物的光谱反射率为所述植物在350nm-2500nm波段且间隔为1nm波段的反射通量与该波段的入射通量之比，即包括所述植物在350nm的反射通量与该波段的入射通量之比、所述植物在351nm的反射通量与该波段的入射通量之比…所述植物在2500nm的反射通量与该波段的入射通量之比。
步骤S2：计算各个波段的光谱反射率的一阶倒数和滞尘量数据的相关性系数，并根据所述相关性系数筛选获得反演波段。
其中，所述相关性系数的绝对值越大，对应的所述波段的光谱反射率的一阶倒数越能表征植物滞尘量数据；
步骤S3：以反演波段对应的光谱反射率一阶倒数作为输入，以反演波段对应的滞尘量数据作为预期输出，采用grid-search算法和支持向量机算法构建滞尘反演模型；
步骤S4：获取待测植物在反演波段的光谱反射率的一阶倒数，并输入到滞尘反演模型中，获得滞尘量数据。
本发明通过计算各个波段的光谱反射率的一阶倒数和滞尘量数据的相关性系数实现快速筛选获得反演波段，再结合grid-search算法和支持向量机算法准确构建滞尘反演模型，进而实现了对待测植物的滞尘量数据的快速准确获取。
请参阅图2，其为本发明获取植物在各个波段的光谱反射率的一阶倒数的流程图。
在一个实施例中，步骤S1中，所述获取植物在各个波段的光谱反射率的一阶倒数的步骤，包括：
步骤S11：获取植物的光谱反射率，并对光谱反射率进行预处理。
步骤S12：对预处理后的光谱反射率进行光谱变换，获得各个波段的光谱反射率的一阶倒数。
其中，通过对预处理后的光谱反射率进行光谱变换，可压缩背景噪声对目标信息的影响，提高后续数据处理的精确度。
请参阅图3，其为本发明对光谱反射率进行预处理的流程图。
在一个实施例中，步骤S11中所述对光谱反射率进行预处理的步骤，包括：
步骤S111：获取植物的光谱反射率，并剔除误差超过第一设定阈值的光谱反射率，之后将剩余的光谱反射率数据求平均，以平均值作为植物的光谱反射率。
在一个实施例中，对于一种植物选取单个植株多个方位的叶片，每片叶子选取固定的某一点作为测量点，每个测量点重复测量5组光谱反射率，再剔除这5组光谱反射率中大于第一设定阈值内的值后，再将剩下的光谱反射率求平均，以平均值表征这片叶子的光谱反射率，进而减少数据测量的误差，提高数据测量的准确性。其中的多个方位可为单个植株的上、下、左、右等方位。所述第一设定阈值为根据测量的5组光谱反射率，通过经验选定的用于剔除与其他数据具有较大误差的数据的阈值。
在一个实施例中，植物的光谱反射率采用ASD Field-Spec 3光谱仪测定获得，由于测定的数据格式为.asp格式，这种格式的数据不能直接方便地读取和处理，因此，在测定获得植物的光谱反射率后进行数据处理之前，还利用View Spectral Pro软件光谱反射率的数据格式转换为.txt格式。
步骤S112：对所述植物的光谱反射率采用就近原则除以对应的白板值，作为植物的实际光谱反射率。
为使不同时间段、不同实验条件下获取的数据具有可比性，并同时消除实验环境背景所带来的误差，本申请在不同的时间段均获取不同的白板值，从而对于在某个时间段获取的植物的光谱反射率，则需要将该植物的光谱反射率处于该时间段的白板值，作为处理后的植物的光谱反射率。
步骤S113：根据植物的实际光谱反射率，确定水汽吸收波段，并剔除水汽吸收波段对应的光谱反射率，再沿着光谱反射率的光谱曲线拟合补全获得预处理后的光谱反射率。
由于光谱反射率的测定仪器本身的原因，测定出的光谱反射率会因水汽的吸收而对植物的光谱反射率影响较大，且该波段范围对植被光谱的研究也没有太大的意义，因此通过剔除水汽吸收波段，可方便之后的数据处理。请参阅图4，其为本发明剔除水汽吸收波段的前后比较图。具体的，将植物的实际光谱反射率数据拟合成光谱反射率曲线，通过观察光谱反射率曲线，将光谱反射率曲线中数据出现异常的波段作为水汽吸收波段；再将该水汽吸收波段中的光谱反射率剔除，再沿着光谱反射率的光谱曲线拟合补全获得预处理后的光谱反射率。
在一个实施例中，步骤S22中所述对预处理后的光谱反射率进行光谱变换，获得各个波段的光谱反射率的一阶倒数的计算方式为：
其中，λi+1，λi，λi-1为相邻波长，dR(λi)为波长λi的一阶导数光谱，R(λi+1)，R(λi)，R(λi-1)分别是波长为λi+1，λi，λi-1处的反射率。
在一个实施例中，步骤S1中所述获取表征植物滞尘能力的滞尘量数据的计算方式为：
D＝ΔW/S
上述公式中，D为表征植物滞尘能力的滞尘量数据；滞尘量数据越大，则滞尘能力越大；ΔW为一段时间内植物叶片的滞尘量，S为叶片面积。
其中，植物的每个叶片的滞尘量数据是一致的，即每个叶片中各个波段的光谱反射率的一阶倒数对应的滞尘量数据相同的，即可以认为每个叶片对应一个样本，每个样本包括所述叶片的各个波段的光谱反射率的一阶倒数和对应的滞尘量数据。
在一个实施例中，步骤2中所述计算各个波段的光谱反射率的一阶倒数和对应的滞尘量数据的相关性系数的方式为：
其中，rij为第i个样本中第j个波段的光谱反射率一阶导数；为第j个波段的光谱反射率一阶导数的平均值；xij为第i个样本中第j个波段的滞尘量数据；为第j个波段滞尘量数据的平均值；N为样本的数量。
上述公式可衡量某个波段的光谱反射率的一阶倒数和对应的滞尘量数据这两个变量的线性指标，其取值范围是[-1，1]。而且上述公式计算出的相关性系数的绝对值越大，表示该波段的光谱反射率的一阶倒数和滞尘量数据的相关性越强，即该波段越能表征植物的滞尘量数据，可通过以下取值范围来判断两个变量的相关强度，具体请参阅表1-相关性系数与相关强度对应表。
表2-相关性系数与相关强度对应表
相关性系数(绝对值) 相关性强度
0.8-1.0 极强相关
0.6-0.8 强相关
0.4-0.6 中等程度相关
0.2-0.4 弱相关
0.0-0.2 极弱相关或无相关
请参阅图5，其为本发明获取反演波段的流程图。
在一个实施例中，步骤2中所述根据相关性系数筛选获得反演波段的步骤，包括：
步骤21：将各个波段的相关性系数的绝对值按照由大至小的方式进行排序；
步骤22：筛选相关性系数的绝对值满足第一设定阈值的波段作为反演波段。
所述第一设定阈值可为关于相关性系数的具体数值，如第一设定阈值为相关性系数的绝对值大于0.8，即相关性系数的绝对值大于0.8的波段作为反演波段；所述第一设定阈值也可以为排序值，如第一设定阈值为相关性系数的绝对值排序在前10以内，即相关性系数的绝对值由大至小的排序在10以对应的波段作为反演波段，或者第一设定阈值为相关性系数的绝对值排序数量占所有相关性系数数量的10％以对应的波段作为反演波段等。
支持向量机的基本思想是利用一个超平面根据最大化间隔值，将输入数据划分到n维的特征空间中，具体的，在一个实施例中，步骤S4中所述反演波段对应的光谱反射率一阶倒数作为输入，以反演波段对应的滞尘量数据作为预期输出，采用grid-search算法和支持向量机算法构建滞尘反演模型的步骤，包括：
步骤S41：将反演波段对应的光谱反射率一阶倒数和对应的滞尘量数据组成样本集；
步骤S42：基于支持向量机算法的参数设置范围，采用grid-search算法寻找支持向量机算法的最优参数。
其中grid-search算法使用的是穷举搜索的手段，即在所有候选参数集中，通过循环遍历，尝试每一种可能性，表现最好的参数就是最终的结果。
步骤S43：将所述最优参数代入支持向量机算法，根据最大化间隔值寻找一个最优的超平面来对样本集进行分割，并将样本集划分到m维的特征空间，进而建立最优的滞尘反演模型。
在一个实施例中，所述最大化间隔值通过求解约束二次函数获得，具体计算公式如下：
其中，W(α)表示最大化间隔值；K(xi，xj)为核函数；α表示拉格朗日乘子；xi和xj分别表示第i个和第j个样本对应的光谱反射率一阶倒数，yi和yj分别表示第i个和第j个样本对应的滞尘量数据；n表示样本的数量。
所述超平面的计算方式为：
其中，wj表示希尔伯特空间(Hilbert space)中的权向量；gj(x)表示第j维的非线性变换，其中j＝1，2，…m，m表示m维的特征空间；b为偏差项。
本申请中为快速构建滞尘反演模型，根据grid-search算法获得的支持向量机算法的最优参数具体为：径向基函数的γ系数的候选参数集为：2-6，2-5，2-4，2-3，2-2，2-1，1，21，22，23，24，25，26。惩罚参数C的候选参数集为20，40，60，80，100，150，200，220，250，280，300。
在一个实施例中，步骤S4中所述获得滞尘量数据的步骤之后，还包括：获得多组待测植物的滞尘量数据，并根据所述滞尘量数据在设定区域种植对应的植物。具体的，根据滞尘量数据越大，说明待测植物的滞尘能力越强，根据设定区域如具有沙尘暴的地区可种植滞尘能力越强的待测植物。
本发明还提供一种基于机器学习算法的植物滞尘能力检测装置，包括：
数据获取模块，用于获取植物在各个波段的光谱反射率的一阶倒数以及对应的表征植物滞尘能力的滞尘量数据；
反演波段获取模块，用于计算各个波段的光谱反射率的一阶倒数和滞尘量数据的相关性系数，并根据所述相关性系数筛选获得反演波段；
滞尘反演模型构建模块，用于以反演波段对应的光谱反射率一阶倒数作为输入，以反演波段对应的滞尘量数据作为预期输出，采用grid-search算法和支持向量机算法构建滞尘反演模型；
滞尘量数据获取模块，用于获取待测植物在反演波段的光谱反射率的一阶倒数，并输入到滞尘反演模型中，获得滞尘量数据。
本发明通过计算各个波段的光谱反射率的一阶倒数和滞尘量数据的相关性系数实现快速筛选获得反演波段，再结合grid-search算法和支持向量机算法准确构建滞尘反演模型，进而实现了对待测植物的滞尘量数据的快速准确获取。
在一个实施例中，所述数据获取模块包括：
预处理模块，用于获取植物的光谱反射率，并对光谱反射率进行预处理。
光谱变换模块，用于对预处理后的光谱反射率进行光谱变换，获得各个波段的光谱反射率的一阶倒数。
其中，所述预处理模块包括：
平均值计算模块，用于获取植物的光谱反射率，并剔除误差超过第一设定阈值的光谱反射率，之后将剩余的光谱反射率数据求平均，以平均值作为植物的光谱反射率。
实际光谱反射率计算模块，用于对所述植物的光谱反射率采用就近原则除以对应的白板值，作为植物的实际光谱反射率。
水汽吸收波段剔除模块，用于根据植物的实际光谱反射率，获得水汽吸收波段，并剔除水汽吸收波段下的光谱反射率，再沿着光谱反射率的光谱曲线拟合补全获得预处理后的光谱反射率。
在一个实施例中，所述对预处理后的光谱反射率进行光谱变换，获得各个波段的光谱反射率的一阶倒数的计算方式为：
其中，λi+1，λi，λi-1为相邻波长，dR(λi)为波长λi的一阶导数光谱，R(λi+1)，R(λi)，R(λi-1)分别是波长为λi+1，λi，λi-1处的反射率。
在一个实施例中，所述获取表征植物滞尘能力的滞尘量数据的计算方式为：
D＝ΔW/S
上述公式中，D为表征植物滞尘能力的滞尘量数据；ΔW为一段时间内植物叶片的滞尘能力，S为叶片面积。
其中，植物的每个叶片的滞尘量数据是一致的，即每个叶片中各个波段的光谱反射率的一阶倒数对应的滞尘量数据相同的，即可以认为每个叶片对应一个样本，每个样本包括所述叶片的各个波段的光谱反射率的一阶倒数和对应的滞尘量数据。
在一个实施例中，所述计算各个波段的光谱反射率的一阶倒数和对应的滞尘量数据的相关性系数的方式为：
其中，rij为第i个样本中第j个波段的光谱反射率一阶导数；为第j个波段的光谱反射率一阶导数的平均值；xij为第i个样本中第j个波段的滞尘量数据；为第j个波段滞尘量数据的平均值；N为样本的数量。
在一个实施例中，所述反演波段获取模块的步骤，包括：
排序模块，用于将各个波段的相关性系数的绝对值按照由大至小的方式进行排序；
筛选模块，用于筛选相关性系数的绝对值满足第一设定阈值的波段作为反演波段。
所述第一设定阈值可为关于相关性系数的具体数值，如第一设定阈值为相关性系数的绝对值大于0.8，即相关性系数的绝对值大于0.8的波段作为反演波段；所述第一设定阈值也可以为排序值，如第一设定阈值为相关性系数的绝对值排序在前10以内，即相关性系数的绝对值由大至小的排序在10以对应的波段作为反演波段，或者第一设定阈值为相关性系数的绝对值排序数量占所有相关性系数数量的10％以对应的波段作为反演波段等。
本发明还提供一种计算机可读存储介质，其上储存有计算机程序，该计算机程序被处理器执行时实现如上述任意一项所述的基于机器学习算法的植物滞尘能力检测方法的步骤。
本发明可采用在一个或多个其中包含有程序代码的存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。计算机可读储存介质包括永久性和非永久性、可移动和非可移动媒体，可以由任何方法或技术来实现信息存储。信息可以是计算机可读指令、数据结构、程序的模块或其他数据。计算机的存储介质的例子包括但不限于：相变内存(PRAM)、静态随机存取存储器(SRAM)、动态随机存取存储器(DRAM)、其他类型的随机存取存储器(RAM)、只读存储器(ROM)、电可擦除可编程只读存储器(EEPROM)、快闪记忆体或其他内存技术、只读光盘只读存储器(CD-ROM)、数字多功能光盘(DVD)或其他光学存储、磁盒式磁带，磁带磁磁盘存储或其他磁性存储设备或任何其他非传输介质，可用于存储可以被计算设备访问的信息。
本发明还提供一种计算机设备，包括储存器、处理器以及储存在所述储存器中并可被所述处理器执行的计算机程序，所述处理器执行所述计算机程序时实现如上述任意一项所述的基于机器学习算法的植物滞尘能力检测方法的步骤。
以上所述实施例仅表达了本发明的几种实施方式，其描述较为具体和详细，但并不能因此而理解为对发明专利范围的限制。应当指出的是，对于本领域的普通技术人员来说，在不脱离本发明构思的前提下，还可以做出若干变形和改进，这些都属于本发明的保护范围。

Claims (10)

1.一种基于机器学习算法的植物滞尘能力检测方法，其特征在于，包括如下步骤：
获取植物在各个波段的光谱反射率的一阶倒数以及对应的表征植物滞尘能力的滞尘量数据；
计算各个波段的光谱反射率的一阶倒数和滞尘量数据的相关性系数，并根据所述相关性系数筛选获得反演波段；
以反演波段对应的光谱反射率一阶倒数作为输入，以反演波段对应的滞尘量数据作为预期输出，采用grid-search算法和支持向量机算法构建滞尘反演模型；
获取待测植物在反演波段的光谱反射率的一阶倒数，并输入到滞尘反演模型中，获得滞尘量数据。
2.根据权利要求1所述的基于机器学习算法的植物滞尘能力检测方法，其特征在于，所述计算各个波段的光谱反射率的一阶倒数和对应的滞尘量数据的相关性系数的方式为：
其中，rij为第i个样本中第j个波段的光谱反射率一阶导数；为第j个波段的光谱反射率一阶导数的平均值；xij为第i个样本中第j个波段的滞尘量数据；为第j个波段滞尘量数据的平均值；N为样本的数量；每个样本包括各个波段的光谱反射率的一阶倒数以及对应的滞尘量数据。
3.根据权利要求2所述的基于机器学习算法的植物滞尘能力检测方法，其特征在于，所述根据相关性系数筛选获得反演波段的步骤，包括：
将各个波段的相关性系数的绝对值按照由大至小的方式进行排序；
筛选相关性系数的绝对值满足第一设定阈值的波段作为反演波段。
4.根据权利要求3所述的基于机器学习算法的植物滞尘能力检测方法，其特征在于，所述获取植物在各个波段的光谱反射率的一阶倒数的步骤，包括：
获取植物的光谱反射率，并对光谱反射率进行预处理；
对预处理后的光谱反射率进行光谱变换，获得各个波段的光谱反射率的一阶倒数。
5.根据权利要求4所述的基于机器学习算法的植物滞尘能力检测方法，其特征在于，所述对光谱反射率进行预处理的步骤，包括：
获取植物的光谱反射率，并剔除误差超过第一设定阈值的光谱反射率，之后将剩余的光谱反射率数据求平均，以平均值作为植物的光谱反射率；
对所述植物的光谱反射率采用就近原则除以对应的白板值，作为植物的实际光谱反射率；
根据植物的实际光谱反射率，确定水汽吸收波段，并剔除水汽吸收波段对应的光谱反射率，再沿着光谱反射率的光谱曲线拟合补全获得预处理后的光谱反射率。
6.根据权利要求5所述的基于机器学习算法的植物滞尘能力检测方法，其特征在于，所述获取各个波段的光谱反射率的一阶倒数的方式为：
其中，λi+1，λi，λi-1为相邻波长，dR(λi)为波长λi的一阶导数光谱，R(λi+1)，R(λi)，R(λi-1)分别是波长为λi+1，λi，λi-1处的反射率。
所述获取表征植物滞尘能力的滞尘量数据的计算方式为：
D＝ΔW/S
其中，D为表征植物滞尘能力的滞尘量数据；ΔW为一段时间内植物叶片的滞尘量；S为叶片面积。
7.根据权利要求1所述的基于机器学习算法的植物滞尘能力检测方法，其特征在于，所述获得滞尘量数据的步骤之后，还包括：获得多组待测植物的滞尘量数据，并根据所述滞尘量数据在设定区域种植对应的植物。
8.一种基于机器学习算法的植物滞尘能力检测装置，其特征在于，包括：
数据获取模块，用于获取植物在各个波段的光谱反射率的一阶倒数以及对应的表征植物滞尘能力的滞尘量数据；
反演波段获取模块，用于计算各个波段的光谱反射率的一阶倒数和滞尘量数据的相关性系数，并根据所述相关性系数筛选获得反演波段；
滞尘反演模型构建模块，用于以反演波段对应的光谱反射率一阶倒数作为输入，以反演波段对应的滞尘量数据作为预期输出，采用grid-search算法和支持向量机算法构建滞尘反演模型；
滞尘量数据获取模块，用于获取待测植物在反演波段的光谱反射率的一阶倒数，并输入到滞尘反演模型中，获得滞尘量数据。
9.一种计算机可读存储介质，其上储存有计算机程序，其特征在于，该计算机程序被处理器执行时实现如权利要求1至7中任意一项所述的基于机器学习算法的植物滞尘能力检测方法的步骤。
10.一种计算机设备，其特征在于，包括储存器、处理器以及储存在所述储存器中并可被所述处理器执行的计算机程序，所述处理器执行所述计算机程序时实现如权利要求1至7中任意一项所述的基于机器学习算法的植物滞尘能力检测方法的步骤。
CN201811362050.9A 2018-11-15 2018-11-15 一种基于机器学习算法的植物滞尘能力检测方法 Pending CN109270011A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201811362050.9A CN109270011A (zh) 2018-11-15 2018-11-15 一种基于机器学习算法的植物滞尘能力检测方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201811362050.9A CN109270011A (zh) 2018-11-15 2018-11-15 一种基于机器学习算法的植物滞尘能力检测方法

Publications (1)

Publication Number Publication Date
CN109270011A true CN109270011A (zh) 2019-01-25

Family

ID=65190169

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201811362050.9A Pending CN109270011A (zh) 2018-11-15 2018-11-15 一种基于机器学习算法的植物滞尘能力检测方法

Country Status (1)

Country Link
CN (1) CN109270011A (zh)

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103411846A (zh) * 2013-08-16 2013-11-27 塔里木大学 基于高光谱技术的叶面降尘量测定方法
CN104374711A (zh) * 2014-10-08 2015-02-25 中国林业科学研究院资源信息研究所 一种树木叶面尘土量的确定方法及***
CN104897592A (zh) * 2015-06-11 2015-09-09 石河子大学 基于高光谱技术的盐渍化土壤盐分离子含量监测方法

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103411846A (zh) * 2013-08-16 2013-11-27 塔里木大学 基于高光谱技术的叶面降尘量测定方法
CN104374711A (zh) * 2014-10-08 2015-02-25 中国林业科学研究院资源信息研究所 一种树木叶面尘土量的确定方法及***
CN104897592A (zh) * 2015-06-11 2015-09-09 石河子大学 基于高光谱技术的盐渍化土壤盐分离子含量监测方法

Non-Patent Citations (4)

* Cited by examiner, † Cited by third party
Title
CHONGYANG WANG,ET AL: "ESTIMATION MODEL FOR DUST-RETENTION CONTENT OF MAIN GREEN PLANTS IN SOUTH CHINA BASED ON THE RED EDGE OF REFLECTANCE", 《IEEE XPLORE》 *
WENLONG JING, ET AL: "Machine Learning for Estimating Leaf Dust Retention Based on Hyperspectral Measurements", 《HINDAWI JOURNAL OF SENSORS》 *
李德毅 等: "《不确定性人工智能》", 31 July 2005 *
肖慧玲 等: "园林植物滞尘能力分析及叶面滞尘高光谱定量遥感模型", 《长江流域资源与环境》 *

Similar Documents

Publication Publication Date Title
Möller et al. Photometric classification of type Ia supernovae in the SuperNova Legacy Survey with supervised learning
Rehman et al. Another outlook to sector-level energy consumption in Pakistan from dominant energy sources and correlation with economic growth
Brown et al. Biomass estimation methods for tropical forests with applications to forest inventory data
Dong et al. Evaluation of chlorophyll-related vegetation indices using simulated Sentinel-2 data for estimation of crop fraction of absorbed photosynthetically active radiation
Zhu et al. UAV-based hyperspectral analysis and spectral indices constructing for quantitatively monitoring leaf nitrogen content of winter wheat
Estrada et al. Allometric models for aboveground biomass estimation of the mangrove Avicennia schaueriana
CN110378925B (zh) 一种机载LiDAR和多光谱遥感技术的生态水储量估算方法
CN109521437B (zh) 面向植被生化参数探测的多光谱激光雷达波长选择方法
Kolada et al. Sampling techniques and inter-surveyor variability as sources of uncertainty in Polish macrophyte metric for lake ecological status assessment
Sha et al. Assessing the impacts of human activities and climate variations on grassland productivity by partial least squares structural equation modeling (PLS-SEM)
CN106952170A (zh) 一种基于随机森林的县域耕地自然质量评价方法
Zervas et al. HeLM: A macrophyte-based method for monitoring and assessment of Greek lakes
CN109270012A (zh) 一种基于相关性系数的植物滞尘能力检测方法
CN103278467A (zh) 一种植物叶片氮素丰缺快速无损高准确率的鉴别方法
Mohammadi et al. Estimation of a basal area growth model for individual trees in uneven-aged Caspian mixed species forests
Wang et al. Monitoring nitrogen concentration of oilseed rape from hyperspectral data using radial basis function
Cheng et al. Exploring the potential of canopy reflectance spectra for estimating organic carbon content of aboveground vegetation in coastal wetlands
Kong et al. Estimation of carotenoid content at the canopy scale using the carotenoid triangle ratio index from in situ and simulated hyperspectral data
Li et al. Hyperspectral inversion of maize biomass coupled with plant height data
Opelele et al. Biomass estimation based on Multilinear regression and machine learning algorithms in the Mayombe tropical forest, in the Democratic Republic of Congo
CN109270009A (zh) 一种基于分类与回归树算法的植物滞尘能力检测方法
Perraut et al. Benchmarking the fundamental parameters of Ap stars with optical long-baseline interferometric measurements
CN109270010A (zh) 一种基于随机森林算法的植物滞尘能力检测方法
CN109270011A (zh) 一种基于机器学习算法的植物滞尘能力检测方法
Li et al. Use of terrestrial laser scanning to obtain the stem diameters of Larix olgensis and construct compatible taper-volume equations

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
RJ01 Rejection of invention patent application after publication
RJ01 Rejection of invention patent application after publication

Application publication date: 20190125