CN110987830A - 植物冠层叶片叶绿素含量快速测定模型、测定方法及应用 - Google Patents
植物冠层叶片叶绿素含量快速测定模型、测定方法及应用 Download PDFInfo
- Publication number
- CN110987830A CN110987830A CN201911338503.9A CN201911338503A CN110987830A CN 110987830 A CN110987830 A CN 110987830A CN 201911338503 A CN201911338503 A CN 201911338503A CN 110987830 A CN110987830 A CN 110987830A
- Authority
- CN
- China
- Prior art keywords
- leaves
- chlorophyll content
- model
- training set
- spectral data
- 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
Links
- 229930002875 chlorophyll Natural products 0.000 title claims abstract description 80
- 235000019804 chlorophyll Nutrition 0.000 title claims abstract description 80
- ATNHDLDRLWWWCB-AENOIHSZSA-M chlorophyll a Chemical compound C1([C@@H](C(=O)OC)C(=O)C2=C3C)=C2N2C3=CC(C(CC)=C3C)=[N+]4C3=CC3=C(C=C)C(C)=C5N3[Mg-2]42[N+]2=C1[C@@H](CCC(=O)OC\C=C(/C)CCC[C@H](C)CCC[C@H](C)CCCC(C)C)[C@H](C)C2=C5 ATNHDLDRLWWWCB-AENOIHSZSA-M 0.000 title claims abstract description 80
- 238000000034 method Methods 0.000 title claims abstract description 51
- 230000003595 spectral effect Effects 0.000 claims abstract description 57
- 238000012549 training Methods 0.000 claims abstract description 57
- 238000012795 verification Methods 0.000 claims abstract description 25
- 238000001514 detection method Methods 0.000 claims abstract description 19
- 238000005070 sampling Methods 0.000 claims abstract description 18
- 238000007781 pre-processing Methods 0.000 claims abstract description 12
- 238000010801 machine learning Methods 0.000 claims abstract description 8
- 238000001228 spectrum Methods 0.000 claims description 15
- 238000012360 testing method Methods 0.000 claims description 14
- 239000000126 substance Substances 0.000 claims description 12
- 238000005259 measurement Methods 0.000 claims description 8
- 238000012545 processing Methods 0.000 claims description 8
- 238000009499 grossing Methods 0.000 claims description 7
- 238000010238 partial least squares regression Methods 0.000 claims description 7
- 230000002860 competitive effect Effects 0.000 claims description 6
- 238000010276 construction Methods 0.000 claims description 6
- 238000010987 Kennard-Stone algorithm Methods 0.000 claims description 4
- 230000003044 adaptive effect Effects 0.000 claims description 4
- 238000002310 reflectometry Methods 0.000 claims description 4
- 230000002159 abnormal effect Effects 0.000 claims description 3
- 238000004458 analytical method Methods 0.000 claims description 3
- 230000000694 effects Effects 0.000 claims description 3
- 238000011156 evaluation Methods 0.000 claims description 3
- 230000009466 transformation Effects 0.000 claims description 3
- 239000003814 drug Substances 0.000 claims description 2
- 238000001914 filtration Methods 0.000 claims description 2
- 235000013311 vegetables Nutrition 0.000 claims description 2
- 235000013305 food Nutrition 0.000 claims 1
- 238000010200 validation analysis Methods 0.000 claims 1
- 238000003745 diagnosis Methods 0.000 abstract description 2
- 229940126680 traditional chinese medicines Drugs 0.000 abstract description 2
- 241000196324 Embryophyta Species 0.000 description 35
- 238000012544 monitoring process Methods 0.000 description 7
- 238000012986 modification Methods 0.000 description 5
- 230000004048 modification Effects 0.000 description 5
- 235000014698 Brassica juncea var multisecta Nutrition 0.000 description 3
- 235000006008 Brassica napus var napus Nutrition 0.000 description 3
- 235000006618 Brassica rapa subsp oleifera Nutrition 0.000 description 3
- 241001301148 Brassica rapa subsp. oleifera Species 0.000 description 3
- 235000004977 Brassica sinapistrum Nutrition 0.000 description 3
- 238000005516 engineering process Methods 0.000 description 3
- 238000002474 experimental method Methods 0.000 description 3
- 241000238631 Hexapoda Species 0.000 description 2
- 241000607479 Yersinia pestis Species 0.000 description 2
- 201000010099 disease Diseases 0.000 description 2
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 description 2
- 238000007689 inspection Methods 0.000 description 2
- 235000003715 nutritional status Nutrition 0.000 description 2
- 238000011160 research Methods 0.000 description 2
- 229930091051 Arenine Natural products 0.000 description 1
- 241000499436 Brassica rapa subsp. pekinensis Species 0.000 description 1
- 238000010521 absorption reaction Methods 0.000 description 1
- 230000004075 alteration Effects 0.000 description 1
- 238000003556 assay Methods 0.000 description 1
- 238000001479 atomic absorption spectroscopy Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 239000003153 chemical reaction reagent Substances 0.000 description 1
- 230000001066 destructive effect Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000003912 environmental pollution Methods 0.000 description 1
- XTLNYNMNUCLWEZ-UHFFFAOYSA-N ethanol;propan-2-one Chemical compound CCO.CC(C)=O XTLNYNMNUCLWEZ-UHFFFAOYSA-N 0.000 description 1
- 238000002329 infrared spectrum Methods 0.000 description 1
- 239000000463 material Substances 0.000 description 1
- 238000000691 measurement method Methods 0.000 description 1
- 230000029553 photosynthesis Effects 0.000 description 1
- 238000010672 photosynthesis Methods 0.000 description 1
- 230000000243 photosynthetic effect Effects 0.000 description 1
- 230000008288 physiological mechanism Effects 0.000 description 1
- 238000001556 precipitation Methods 0.000 description 1
- 230000002265 prevention Effects 0.000 description 1
- 238000003672 processing method Methods 0.000 description 1
- 238000010183 spectrum analysis Methods 0.000 description 1
- 239000004575 stone Substances 0.000 description 1
- 238000010998 test method Methods 0.000 description 1
- 230000007704 transition Effects 0.000 description 1
Images
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
-
- 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
- G01N21/35—Investigating relative effect of material at wavelengths characteristic of specific elements or molecules, e.g. atomic absorption spectrometry using infrared light
- G01N21/3563—Investigating relative effect of material at wavelengths characteristic of specific elements or molecules, e.g. atomic absorption spectrometry using infrared light for analysing solids; Preparation of samples therefor
-
- 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
- G01N21/35—Investigating relative effect of material at wavelengths characteristic of specific elements or molecules, e.g. atomic absorption spectrometry using infrared light
- G01N21/359—Investigating relative effect of material at wavelengths characteristic of specific elements or molecules, e.g. atomic absorption spectrometry using infrared light using near infrared light
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N33/00—Investigating or analysing materials by specific methods not covered by groups G01N1/00 - G01N31/00
- G01N33/0098—Plants or trees
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/40—Extraction of image or video features
- G06V10/56—Extraction of image or video features relating to colour
Landscapes
- Physics & Mathematics (AREA)
- Engineering & Computer Science (AREA)
- Life Sciences & Earth Sciences (AREA)
- General Physics & Mathematics (AREA)
- Chemical & Material Sciences (AREA)
- Health & Medical Sciences (AREA)
- Spectroscopy & Molecular Physics (AREA)
- Pathology (AREA)
- Immunology (AREA)
- General Health & Medical Sciences (AREA)
- Biochemistry (AREA)
- Analytical Chemistry (AREA)
- Theoretical Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Evolutionary Computation (AREA)
- Evolutionary Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Bioinformatics & Computational Biology (AREA)
- Multimedia (AREA)
- Artificial Intelligence (AREA)
- General Engineering & Computer Science (AREA)
- Botany (AREA)
- Wood Science & Technology (AREA)
- Food Science & Technology (AREA)
- Medicinal Chemistry (AREA)
- Investigating Or Analysing Materials By Optical Means (AREA)
Abstract
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。
Description
技术领域
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
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。
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
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。
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:
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。
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。
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。
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。
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。
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。
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<RPD<3表示模型具有有限的预测能力;RPD<2表示模型没有预测能力。
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。
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。
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:
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。
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。
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。
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。
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
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;
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
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。
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。
实施例1
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:
步骤1,制定采样方案,采集光谱数据,测量叶绿素含量
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。
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)。
图1是部分检测对象叶片采集的叶片光谱数据。
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。
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(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。
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。
步骤3,划分训练集和验证集
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。
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。
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,下面以训练集为例说明建模方法,具体如下:
步骤4.1,提取光谱数据特征信息:采用连续投影算法(successive projectionsalgorithm,SPA)+竞争性自适应重加权采样算法(competitive adaptive re-weightedsampling,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。
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;
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,采用均方根误差(Root mean square error,RMSE)、决定系数(Coefficient ofdetermination,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。
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<RPD<3表示模型具有有限的预测能力;RPD<2表示模型没有预测能力。
上述实施例的模型构建方法简述为“R+SG+SNV+LOG+FD”。
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。
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。
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。
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。
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。
Claims (9)
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;2<RPD<3表示模型具有有限的预测能力;RPD<2表示模型没有预测能力。
8.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。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911338503.9A CN110987830A (zh) | 2019-12-23 | 2019-12-23 | 植物冠层叶片叶绿素含量快速测定模型、测定方法及应用 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911338503.9A CN110987830A (zh) | 2019-12-23 | 2019-12-23 | 植物冠层叶片叶绿素含量快速测定模型、测定方法及应用 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN110987830A true CN110987830A (zh) | 2020-04-10 |
Family
ID=70075725
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201911338503.9A Pending CN110987830A (zh) | 2019-12-23 | 2019-12-23 | 植物冠层叶片叶绿素含量快速测定模型、测定方法及应用 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110987830A (zh) |
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112129709A (zh) * | 2020-09-16 | 2020-12-25 | 西北农林科技大学 | 一种苹果树冠层尺度氮含量诊断方法 |
CN114324215A (zh) * | 2021-12-31 | 2022-04-12 | 重庆市农业科学院 | 一种柠檬叶片叶绿素含量及其二维分布检测方法 |
CN114460015A (zh) * | 2021-10-29 | 2022-05-10 | 东北农业大学 | 一种用于预测寒地水稻冠层叶绿素含量的方法及模型 |
CN116660206A (zh) * | 2023-05-31 | 2023-08-29 | 浙江省农业科学院 | 一种作物产量预估方法及*** |
CN113686821B (zh) * | 2021-08-27 | 2024-06-11 | 广西壮族自治区中国科学院广西植物研究所 | 一种喀斯特植物叶片tn含量无损监测方法 |
Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101762463A (zh) * | 2009-12-16 | 2010-06-30 | 中国烟草总公司郑州烟草研究院 | 一种基于冠层多光谱的烤烟鲜烟叶叶绿素含量测定方法 |
CN102507453A (zh) * | 2011-10-25 | 2012-06-20 | 南京林业大学 | 一种黑松松材线虫病的高光谱监测方法 |
CN103345707A (zh) * | 2013-06-04 | 2013-10-09 | 中国科学院遥感与数字地球研究所 | 一种基于多源遥感数据的农作物成熟期遥感预测方法 |
CN105277491A (zh) * | 2015-09-24 | 2016-01-27 | 中国农业科学院农业资源与农业区划研究所 | 叶绿素含量测量方法及装置 |
CN108195794A (zh) * | 2017-11-21 | 2018-06-22 | 山东大学 | 一种近红外光谱测定地龙提取中间体中蚓激酶效价的方法 |
CN109030378A (zh) * | 2018-06-04 | 2018-12-18 | 沈阳农业大学 | 基于pso-elm的粳稻冠层叶绿素含量反演模型方法 |
CN109657653A (zh) * | 2019-01-21 | 2019-04-19 | 安徽大学 | 一种基于成像高光谱数据的小麦籽粒赤霉病识别方法 |
CN110160967A (zh) * | 2019-04-16 | 2019-08-23 | 安徽大学 | 一种作物冠层叶片的全氮含量估算方法 |
-
2019
- 2019-12-23 CN CN201911338503.9A patent/CN110987830A/zh active Pending
Patent Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101762463A (zh) * | 2009-12-16 | 2010-06-30 | 中国烟草总公司郑州烟草研究院 | 一种基于冠层多光谱的烤烟鲜烟叶叶绿素含量测定方法 |
CN102507453A (zh) * | 2011-10-25 | 2012-06-20 | 南京林业大学 | 一种黑松松材线虫病的高光谱监测方法 |
CN103345707A (zh) * | 2013-06-04 | 2013-10-09 | 中国科学院遥感与数字地球研究所 | 一种基于多源遥感数据的农作物成熟期遥感预测方法 |
CN105277491A (zh) * | 2015-09-24 | 2016-01-27 | 中国农业科学院农业资源与农业区划研究所 | 叶绿素含量测量方法及装置 |
CN108195794A (zh) * | 2017-11-21 | 2018-06-22 | 山东大学 | 一种近红外光谱测定地龙提取中间体中蚓激酶效价的方法 |
CN109030378A (zh) * | 2018-06-04 | 2018-12-18 | 沈阳农业大学 | 基于pso-elm的粳稻冠层叶绿素含量反演模型方法 |
CN109657653A (zh) * | 2019-01-21 | 2019-04-19 | 安徽大学 | 一种基于成像高光谱数据的小麦籽粒赤霉病识别方法 |
CN110160967A (zh) * | 2019-04-16 | 2019-08-23 | 安徽大学 | 一种作物冠层叶片的全氮含量估算方法 |
Non-Patent Citations (3)
Title |
---|
刘燕德 等: "基于高光谱成像技术的脐橙叶片的叶绿素含量及其分布测量", 《发光学报》 * |
贺英 等: "基于数码相机的玉米冠层 SPAD 遥感估算", 《中国农业科学》 * |
马文君 等: "棉花全生育期叶片 SPAD 值的遥感估算模型", 《干旱地区农业研究》 * |
Cited By (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112129709A (zh) * | 2020-09-16 | 2020-12-25 | 西北农林科技大学 | 一种苹果树冠层尺度氮含量诊断方法 |
CN113686821B (zh) * | 2021-08-27 | 2024-06-11 | 广西壮族自治区中国科学院广西植物研究所 | 一种喀斯特植物叶片tn含量无损监测方法 |
CN114460015A (zh) * | 2021-10-29 | 2022-05-10 | 东北农业大学 | 一种用于预测寒地水稻冠层叶绿素含量的方法及模型 |
CN114324215A (zh) * | 2021-12-31 | 2022-04-12 | 重庆市农业科学院 | 一种柠檬叶片叶绿素含量及其二维分布检测方法 |
CN116660206A (zh) * | 2023-05-31 | 2023-08-29 | 浙江省农业科学院 | 一种作物产量预估方法及*** |
CN116660206B (zh) * | 2023-05-31 | 2024-05-28 | 浙江省农业科学院 | 一种作物产量预估方法及*** |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110987830A (zh) | 植物冠层叶片叶绿素含量快速测定模型、测定方法及应用 | |
CN110376167A (zh) | 基于无人机高光谱的水稻叶片氮含量监测方法 | |
CN107796764B (zh) | 一种基于三波段植被指数的小麦叶面积指数估算模型的构建方法 | |
CN102426153B (zh) | 一种基于冠层高光谱指数的小麦植株水分监测方法 | |
Lamb et al. | Estimating leaf nitrogen concentration in ryegrass (Lolium spp.) pasture using the chlorophyll red-edge: theoretical modelling and experimental observations | |
CN108875913B (zh) | 一种基于卷积神经网络的松茸快速无损检测***及方法 | |
CN113268923B (zh) | 一种基于模拟多光谱的夏玉米产量估算方法 | |
CN102435564B (zh) | 一种基于三波段光谱指数估测植物氮含量的方法 | |
CN109187398A (zh) | 一种小麦植株氮含量的高光谱测定方法 | |
CN110567892B (zh) | 一种基于临界氮浓度的夏玉米氮素高光谱预测方法 | |
Song et al. | Using multi-angle hyperspectral data to monitor canopy leaf nitrogen content of wheat | |
CN103868880A (zh) | 基于光谱双峰指数的小麦叶片氮含量监测方法及其监测模型的构建方法 | |
CN103472009A (zh) | 一种不同植株氮含量水平下小麦植株含水率的监测方法 | |
Yang et al. | Rapid determination of leaf water content for monitoring waterlogging in winter wheat based on hyperspectral parameters | |
Huang et al. | Detection of scab in wheat ears using in situ hyperspectral data and support vector machine optimized by genetic algorithm | |
CN111882242A (zh) | 一种植被指数在牧草生物量估算研究中的评价方法 | |
CN115184322A (zh) | 一种水稻叶片水分含量监测方法 | |
CN112129709A (zh) | 一种苹果树冠层尺度氮含量诊断方法 | |
CN114140695B (zh) | 一种基于无人机多光谱遥感的茶树氮素诊断及品质指标测定的预测方法和*** | |
CN112924401B (zh) | 一种植被冠层叶绿素含量半经验反演方法 | |
Wang et al. | Monitoring model for predicting maize grain moisture at the filling stage using NIRS and a small sample size | |
Zhang et al. | A comparative study on wheat leaf area index by different measurement methods | |
Ling et al. | Winter wheat biomass estimation based on canopy spectra | |
CN113504186B (zh) | 一种遥感估算小麦氮肥利用率的方法 | |
CN113640230B (zh) | 一种田间小麦水分利用率快速检测方法及*** |
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 |