CN114486761B - 一种橡胶树叶片镁含量快速估算方法 - Google Patents
一种橡胶树叶片镁含量快速估算方法 Download PDFInfo
- Publication number
- CN114486761B CN114486761B CN202210079073.9A CN202210079073A CN114486761B CN 114486761 B CN114486761 B CN 114486761B CN 202210079073 A CN202210079073 A CN 202210079073A CN 114486761 B CN114486761 B CN 114486761B
- Authority
- CN
- China
- Prior art keywords
- wavelength
- partial
- magnesium content
- square
- rubber tree
- 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.)
- Active
Links
- 238000000034 method Methods 0.000 title claims abstract description 108
- FYYHWMGAXLPEAU-UHFFFAOYSA-N Magnesium Chemical compound [Mg] FYYHWMGAXLPEAU-UHFFFAOYSA-N 0.000 title claims abstract description 85
- 229910052749 magnesium Inorganic materials 0.000 title claims abstract description 85
- 239000011777 magnesium Substances 0.000 title claims abstract description 85
- 244000043261 Hevea brasiliensis Species 0.000 title claims abstract description 56
- 238000001228 spectrum Methods 0.000 claims abstract description 114
- 230000003595 spectral effect Effects 0.000 claims abstract description 48
- 230000009466 transformation Effects 0.000 claims abstract description 36
- 238000002310 reflectometry Methods 0.000 claims abstract description 15
- 230000008030 elimination Effects 0.000 claims abstract description 11
- 238000003379 elimination reaction Methods 0.000 claims abstract description 11
- 238000012952 Resampling Methods 0.000 claims abstract description 9
- 238000010238 partial least squares regression Methods 0.000 claims abstract description 7
- 238000009614 chemical analysis method Methods 0.000 claims abstract description 5
- 238000012795 verification Methods 0.000 claims description 31
- 238000012937 correction Methods 0.000 claims description 23
- 230000008569 process Effects 0.000 claims description 11
- 238000005457 optimization Methods 0.000 claims description 7
- 238000002790 cross-validation Methods 0.000 claims description 6
- 238000004364 calculation method Methods 0.000 claims description 3
- 238000001914 filtration Methods 0.000 claims description 3
- 235000016709 nutrition Nutrition 0.000 abstract description 10
- 230000035764 nutrition Effects 0.000 abstract description 8
- 239000003337 fertilizer Substances 0.000 abstract description 5
- 238000001514 detection method Methods 0.000 description 9
- 238000012216 screening Methods 0.000 description 6
- 238000003745 diagnosis Methods 0.000 description 4
- 230000000694 effects Effects 0.000 description 4
- 238000012545 processing Methods 0.000 description 4
- 230000009467 reduction Effects 0.000 description 4
- 238000004458 analytical method Methods 0.000 description 3
- 235000015097 nutrients Nutrition 0.000 description 3
- 239000000126 substance Substances 0.000 description 3
- 238000012935 Averaging Methods 0.000 description 2
- 238000004422 calculation algorithm Methods 0.000 description 2
- 238000005520 cutting process Methods 0.000 description 2
- 230000007547 defect Effects 0.000 description 2
- 230000004069 differentiation Effects 0.000 description 2
- 229920001971 elastomer Polymers 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 238000005259 measurement Methods 0.000 description 2
- 238000005070 sampling Methods 0.000 description 2
- 102000011931 Nucleoproteins Human genes 0.000 description 1
- 108010061100 Nucleoproteins Proteins 0.000 description 1
- 230000009471 action Effects 0.000 description 1
- 238000013459 approach Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000015572 biosynthetic process Effects 0.000 description 1
- 102000006362 catalytic activity proteins Human genes 0.000 description 1
- 108040011022 catalytic activity proteins Proteins 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 229930002875 chlorophyll Natural products 0.000 description 1
- 235000019804 chlorophyll Nutrition 0.000 description 1
- 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 description 1
- 230000002950 deficient Effects 0.000 description 1
- 238000012631 diagnostic technique Methods 0.000 description 1
- 230000004720 fertilization Effects 0.000 description 1
- 238000000227 grinding Methods 0.000 description 1
- 239000004816 latex Substances 0.000 description 1
- 229920000126 latex Polymers 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 230000004060 metabolic process Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 150000003904 phospholipids Chemical class 0.000 description 1
- 230000008654 plant damage Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 238000007789 sealing Methods 0.000 description 1
- 239000004575 stone Substances 0.000 description 1
- 239000013589 supplement Substances 0.000 description 1
- 238000011426 transformation method Methods 0.000 description 1
- 238000010200 validation analysis Methods 0.000 description 1
- 210000003462 vein Anatomy 0.000 description 1
- 238000005303 weighing Methods 0.000 description 1
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
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02P—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN THE PRODUCTION OR PROCESSING OF GOODS
- Y02P90/00—Enabling technologies with a potential contribution to greenhouse gas [GHG] emissions mitigation
- Y02P90/30—Computing systems specially adapted for manufacturing
Landscapes
- Physics & Mathematics (AREA)
- Spectroscopy & Molecular Physics (AREA)
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Chemical & Material Sciences (AREA)
- Analytical Chemistry (AREA)
- Biochemistry (AREA)
- General Health & Medical Sciences (AREA)
- General Physics & Mathematics (AREA)
- Immunology (AREA)
- Pathology (AREA)
- Investigating Or Analysing Materials By Optical Means (AREA)
Abstract
本发明公开一种橡胶树叶片镁含量快速估算方法,采集橡胶树叶光谱反射率,并用化学分析方法测定镁含量;对所述鲜叶光谱反射率进行噪声波段去除和重采样获得叶片样本;对光谱反射率进行微分光谱变换,按照预测均方根误差最小的原则确定了最优微分光谱变换数据;选择最佳主成分数下偏最小二乘回归系数曲线图中特征点对应的波长作为初步选定的特征波长;并采用逐一波长剔除法对微分光谱特征波长进一步优选,从而得到微分光谱特征变量;基于光谱特征变量、最佳偏最小二乘回归系数和截距构建模型作为橡胶树叶片镁含量估算模型。本发明通过建立橡胶树叶片镁含量估算模型,能够快速且精确获取橡胶树镁素营养状况,及时指导橡胶树镁肥的施用。
Description
技术领域
本发明属于叶片元素测量技术领域,特别是涉及一种橡胶树叶片镁含量快速估算方法。
背景技术
橡胶树要获得高产、稳产,离不开科学合理的施肥。橡胶树配方施肥技术,是运用营养诊断及早发现所亏缺的营养元素,及时补充肥料,促进橡胶树的快速生长,增加胶乳产量和提高品质。镁是叶绿素的重要组成部分,镁还参与磷脂的代谢、酶的活动和核蛋白质的形成,对橡胶树的生长和和产胶都有很大影响。目前橡胶树营养诊断主要采用叶片营养诊断法,通过测定橡胶树叶片中主要养分含量,计算养分间的比值,判断其养分丰缺状况。
传统叶片化学分析,虽然具有较高的检测精度,但存在消耗时间长、过程繁琐、工作量大、时效性差和损坏植株等弊端。
高光谱技术是目前应用最为广泛的作物营养快速诊断技术之一。作物在缺乏营养元素时,会引起叶片颜色、厚度、水分含量以及形态结构等发生一系列变化,从而引起光谱反射率特征的变化,基于作物光谱特征来对其营养元素实施监测和快速诊断成为可能。
虽然现有技术中有提出利用光谱仪对叶片反射光谱数据,经过处理分析后构建叶片镁含量预测模型。但是现有的方式是利用波段平均方法对预处理后的光谱数据进行降维处理,获得降维处理后的光谱数据;对降维处理后的光谱数据进行正交信号校正处理,获得正交信号较正处理后的光谱数据;将所获得的正交信号较正处理后的光谱数据和叶片样本的叶片镁含量进行偏最小二乘算法回归建模,获得叶片镁含量预测模型。利用波段平均方法对光谱数据进行降维处理,虽然减少了模型输入变量,但并未进行波长筛选与优化,本质上还是属于全波段光谱建模,模型预测稳定性较差。此外,正交信号校正处理不可避免要丢失一些光谱信息,容易导致模型校正效果不佳。这种方式虽然能够对叶片镁含量进行预测,但是预测的结果准确度并不高。
发明内容
为了解决上述问题,本发明提出了一种橡胶树叶片镁含量快速估算方法,通过建立橡胶树叶片镁含量估算模型,能够快速且精确获取橡胶树镁素营养状况,及时指导橡胶树镁肥的施用。
为达到上述目的,本发明采用的技术方案是:一种橡胶树叶片镁含量快速估算方法,其特征在于,包括步骤:
S10,采集橡胶树叶光谱反射率,并用化学分析方法测定镁含量;
S20,对所述鲜叶光谱反射率进行噪声波段去除和重采样获得叶片样本,将叶片样本划分为校正集和验证集;
S30,对光谱反射率进行微分光谱变换,基于不同变换模式下的微分光谱与镁含量数据,采用偏最小二乘法及留一交叉验证方法建模,按照预测均方根误差最小的原则确定了最优微分光谱变换数据;
S40,基于全波段的最优微分光谱变换数据与相应镁含量数据采用偏最小二乘法及留一交叉验证方法建立偏最小二乘模型,选择最佳主成分数下偏最小二乘回归系数曲线图中特征点对应的波长作为初步选定的特征波长;并采用逐一波长剔除法对微分光谱特征波长进一步优选,从而得到微分光谱特征变量;
S50,基于校正集的叶片镁含量与微分光谱特征变量,采用偏最小二乘法及留一交叉验证方法建立偏最小二乘模型,得到最佳偏最小二乘回归系数和截距;基于光谱特征变量、最佳偏最小二乘回归系数和截距构建橡胶树叶片镁含量估算模型。
进一步的是,对所述鲜叶光谱反射率进行噪声波段去除和重采样时,将光谱反射率中350nm-399nm波段去除,由剩余的400nm-2500nm光谱反射率重采样为5nm间隔获得叶片样本;将叶片样本按2:1的比例,划分为校正集和验证集。
进一步的是,对光谱反射率数据进行微分光谱变换,利用移动窗口加权平均的滤波方法,获得微分光谱数据SGD的计算公式如下:
式中,d表示微分阶数,p表示滤波窗口大小,k表示多项式次数,j表示滤波窗口中心对应的波长,i表示以j为中心波长的滤波窗口所覆盖的p个波长之一,Ri是i波长的光谱反射率,C(d,p,k)i是在微分阶数、滤波窗口大小和多项式次数分别为d、p和k时i波长对应的微分滤波权重系数。
相比直接差分法计算光谱微分,微分光谱变换既可以有效消除光谱信号中的随机噪声,又可以有效扣除仪器背景或漂移对信号的影响,提高预测精准度。
进一步的是,基于不同d、p、k取值下的微分光谱数据SGD(d,p,k)与镁含量数据,采用偏最小二乘法及留一交叉验证方法建模;其中,d在1~2中筛选,p在3~101的奇数中筛选,k在1~9中筛选,主成分数在1~20中筛选,按照预测均方根误差最小的原则选择最优的微分光谱变换模式,获得最优微分光谱变换数据记为SGD(2,71,2)。
进一步的是,基于全波段的最优微分光谱变换数据SGD(2,71,2)与相应镁含量数据,采用偏最小二乘法及留一交叉验证方法建立偏最小二乘模型,选择最佳主成分数为20下,利用偏最小二乘模型的偏最小二回归系数建立偏最小二乘回归系数曲线图,偏最小二乘回归系数曲线图中选择特征点包括波峰、波谷和端点对应的波长作为初步选定的特征波长。
本发明基于偏最小二乘回归系数曲线图中波峰、波谷、端点等特征点作为初步选定的特征波长,通过选取这些特征点作为初步选定的特征波长,用于得到微分光谱特征变量,能够在提高检测速度的同时精准定位检测值,从而使后期建立的模型在实现预测速度快的同时提高了精准度。
进一步的是,采用逐一波长剔除法对微分光谱特征波长进一步优选,从而得到微分光谱特征变量,包括步骤:
从上述初步选定的n特征波长中,剔除任意1个波长,剩余n-1个波长用于偏最小二乘建模,建立偏最小二乘模型,按照预测均方根误差最小来确定拟剔除的1个波长,如果剔除该波长后,模型预测均方根误差比剔除前更小,则确定剔除该波长;否则,不予剔除,优选结束;
若优选过程未结束,从上一步中剩余的n-1个波长中,剔除任意1个波长,剩余的n-2个波长用于偏最小二乘建模,建立偏最小二乘模型,按照预测均方根误差最小来确定拟剔除的1个波长,如果剔除该波长后,模型预测均方根误差比剔除前更小,则确定剔除该波长;否则,不予剔除,优选结束;
依次类推,每次剔除1个波长,直至剔除1个波长后的模型预测均方根误差不再比剔除前更小为止,得到最后剩余的微分光谱特征波长作为微分光谱特征变量SGD(2,71,2)wk,wk为上述最后剩余的微分光谱特征波长,k为波长编号。
本发明采用的波长筛选方法大大简化了变量子集筛选过程中的迭代寻优过程。通过上述逐一波长剔除法对微分光谱特征波长进一步优选,从而得到微分光谱特征变量,能够在提高检测速度的同时精准定位检测值,从而使后期建立的模型在实现预测速度快的同时提高了精准度。
进一步的是,基于校正集的叶片镁含量与微分光谱特征变量,采用偏最小二乘法及留一交叉验证方法建立偏最小二乘模型,得到最佳偏最小二乘回归系数和截距;
基于光谱特征变量、最佳偏最小二乘回归系数和截距构建橡胶树叶片镁含量估算模型为:
LMC=b0+SGD(2,71,2)w1×b1+SGD(2,71,2)w2×b2+……+SGD(2,71,2)wk×bk;
LMC为镁含量估算值,b0为截距,bk为变量SGD(2,71,2)wk对应的偏最小二乘回归系数。
进一步的是,还包括步骤:获取所述验证集的微分光谱特征变量;并将验证集的微分光谱特征变量代入橡胶树叶片镁含量快速估算模型,得到叶片镁含量估算值。
采用本技术方案的有益效果:
本发明通过将光谱反射率进行微分光谱变换,基于不同变换模式下的微分光谱与镁含量数据,采用偏最小二乘法及留一交叉验证方法建模,按照预测均方根误差最小的原则确定了最优微分光谱变换数据;基于全波段的最优微分光谱变换数据与相应镁含量数据采用偏最小二乘法及留一交叉验证方法建立偏最小二乘模型,选择最佳主成分数下偏最小二乘回归系数曲线图中特征点对应的波长作为初步选定的特征波长;并采用逐一波长剔除法对微分光谱特征波长进一步优选,从而得到微分光谱特征变量。通过上述方法对微分光谱变换和微分光谱特征变量优选,基于选取的微分光谱特征变量构建的偏最小二乘模型校正效果具有较大的提升,从而使得建立的橡胶树叶片镁含量估算模型,能够快速且精确获取橡胶树镁素营养状况,及时指导橡胶树镁肥的施用。
本发明经过初步选定的特征波长并采用逐一波长剔除法对微分光谱特征波长进一步优选,从而得到微分光谱特征变量,在建立估算模型;能够避免光谱信息的丢失,能够提高模型稳定性,提高模型校正效果,提高橡胶树叶片镁含量预测结果准确度。
附图说明
图1为本发明的一种橡胶树叶片镁含量快速估算方法流程示意图。
具体实施方式
为了使本发明的目的、技术方案和优点更加清楚,下面结合附图对本发明作进一步阐述。
在本实施例中,参见图1所示,本发明提出了一种橡胶树叶片镁含量快速估算方法,包括步骤:
S10,采集橡胶树叶光谱反射率,并用化学分析方法测定镁含量;
S20,对所述鲜叶光谱反射率进行噪声波段去除和重采样获得叶片样本,将叶片样本划分为校正集和验证集;
S30,对光谱反射率进行微分光谱变换,基于不同变换模式下的微分光谱与镁含量数据,采用偏最小二乘法及留一交叉验证方法建模,按照预测均方根误差最小的原则确定了最优微分光谱变换数据;
S40,基于全波段的最优微分光谱变换数据与相应镁含量数据采用偏最小二乘法及留一交叉验证方法建立偏最小二乘模型,选择最佳主成分数下偏最小二乘回归系数曲线图中特征点对应的波长作为初步选定的特征波长;并采用逐一波长剔除法对微分光谱特征波长进一步优选,从而得到微分光谱特征变量;
S50,基于校正集的叶片镁含量与微分光谱特征变量,采用偏最小二乘法及留一交叉验证方法建立偏最小二乘模型,得到最佳偏最小二乘回归系数和截距;基于光谱特征变量、最佳偏最小二乘回归系数和截距构建橡胶树叶片镁含量估算模型。
作为上述实施例的具体实施方案:步骤S10中,采集橡胶树叶光谱反射率,并用化学分析方法测定镁含量。
采集多区域、多品种、多割龄的橡胶树成熟鲜叶,并测定鲜叶正面的光谱反射率。待测的橡胶树叶片样品采集于西双版纳植胶区的8个橡胶园,包括2个品种(云研77-4和RRIM600)和8个割龄(6、8、10、11、13、15、19和29),共204个叶片样品。鲜叶采集后迅速装入自封袋,储存于移动冷藏箱中,并尽快完成鲜叶的光谱测量。利用标准白板进行定标,采用ASD公司的FieldSpec4地物光谱仪及其自带光源的叶片夹测量叶片正面光谱反射率,波长范围:350~2500nm,其中350-1000nm采样间隔1.4nm,光谱分辨率3nm;1001-2500nm采样间隔2nm,光谱分辨率8nm,输出光谱数据间隔为1nm。将已采集光谱数据的橡胶树叶片剪去叶柄和主叶脉,经烘干、研磨称重后,用化学分析方法测定镁含量。
将橡胶树鲜叶经处理后测定得到叶片镁含量实测值。橡胶树叶片镁含量正常值为3.50g/kg~4.50g/kg,采集的叶片镁含量的最小值为0.85g/kg,最大值为5.22g/kg,平均值和标准差分别为2.86g/kg、0.81g/kg,涵盖了缺、正常、丰富不同镁含量等级,为建立普适性和推广性高的叶片镁含量估算模型提供了基础。
作为上述实施例的具体实施方案:步骤S20中,对所述鲜叶光谱反射率进行噪声波段去除和重采样获得叶片样本,将叶片样本划分为校正集和验证集。
对所述鲜叶光谱反射率进行噪声波段去除和重采样时,橡胶树鲜叶光谱反射率变化范围中,经测量350nm~399nm波段的光谱反射率噪声较大,去除噪声较大的350nm~399nm波段,由剩余的400nm-2500nm光谱反射率重采样为5nm间隔(400nm、405nm、410nm、…、2495nm、2500nm)获得叶片样本;将叶片样本按2:1的比例,划分为校正集和验证集。例如:采用Kennard-Stone(KS)算法对204个叶片样本进行优选,选出136个作为校正集,剩余68个作为验证集。
作为上述实施例的具体实施方案:步骤S30中,对光谱反射率进行微分光谱变换,基于不同变换模式下的微分光谱与镁含量数据,采用偏最小二乘法及留一交叉验证方法建模,按照预测均方根误差最小的原则确定了最优微分光谱变换数据。
对光谱反射率数据进行微分光谱变换,利用移动窗口加权平均的滤波方法,获得微分光谱数据SGD的计算公式如下:
式中,d表示微分阶数,p表示滤波窗口大小,k表示多项式次数,j表示滤波窗口中心对应的波长,i表示以j为中心波长的滤波窗口所覆盖的p个波长之一,Ri是i波长的光谱反射率,C(d,p,k)i是在微分阶数、滤波窗口大小和多项式次数分别为d、p和k时i波长对应的微分滤波权重系数。
相比直接差分法计算光谱微分,本发明所采用的这种微分光谱变换方法既可以有效消除光谱信号中的随机噪声,又可以有效扣除仪器背景或漂移对信号的影响,提高预测精准度。
基于不同d、p、k取值下的微分光谱数据SGD(d,p,k)与镁含量数据,采用偏最小二乘法及留一交叉验证方法建模;其中,d在1~2中筛选,p在3~101的奇数中筛选,k在1~9中筛选,主成分数在1~20中筛选,按照预测均方根误差最小的原则选择最优的微分光谱变换模式,获得最优微分光谱变换数据记为SGD(2,71,2)。
作为上述实施例的具体实施方案:步骤S40中,基于全波段的最优微分光谱变换数据与相应镁含量数据采用偏最小二乘法及留一交叉验证方法建立偏最小二乘模型,选择最佳主成分数下偏最小二乘回归系数曲线图中特征点对应的波长作为初步选定的特征波长;并采用逐一波长剔除法对微分光谱特征波长进一步优选,从而得到微分光谱特征变量。
基于全波段的最优微分光谱变换数据SGD(2,71,2)与相应镁含量数据,采用偏最小二乘法及留一交叉验证方法建立偏最小二乘模型,选择最佳主成分数为20下,利用偏最小二乘模型的偏最小二回归系数建立偏最小二乘回归系数曲线图,偏最小二乘回归系数曲线图中选择特征点包括波峰、波谷和端点对应的波长作为初步选定的特征波长。共计35个波长,分别为575nm、620nm、665nm、695nm、725nm、780nm、850nm、890nm、920nm、940nm、990nm、1045nm、1120nm、1215nm、1255nm、1360nm、1410nm、1485nm、1535nm、1570nm、1620nm、1690nm、1770nm、1850nm、1870nm、1905nm、1950nm、1980nm、2020nm、2060nm、2115nm、2165nm、2215nm、2275nm、2325nm。
由于特定波长对应的偏最小二乘回归系数绝对值大小反映的是该波长变量对模型的作用大小,因此偏最小二乘模型回归系数可以用于变量筛选。本发明基于偏最小二乘回归系数曲线图中波峰、波谷、端点等特征点作为初步选定的特征波长,主要选取的依据有:(1)波峰、波谷、端点等特征点对应的回归系数绝对值是某个波段范围内的最大值;(2)这些特征点的两侧波长变量通常与特征点波长变量有较强的共线性,因此去除特征点以外的波长。通过选取这些特征点作为初步选定的特征波长,用于得到微分光谱特征变量,能够在提高检测速度的同时精准定位检测值,从而使后期建立的模型在实现预测速度快的同时提高了精准度。
基于叶片镁含量与上述35个初步选定的特征波长,采用逐一波长剔除法对微分光谱特征波长进一步优选,从而得到微分光谱特征变量,包括步骤:
从上述初步选定的35特征波长中,剔除任意1个波长,剩余34个波长用于偏最小二乘建模,建立偏最小二乘模型,按照预测均方根误差最小来确定拟剔除的1个波长,如果剔除该波长后,模型预测均方根误差比剔除前更小,则确定剔除该波长;否则,不予剔除,优选结束;
若优选过程未结束,从上一步中剩余的34个波长中,剔除任意1个波长,剩余的33个波长用于偏最小二乘建模,建立偏最小二乘模型,按照预测均方根误差最小来确定拟剔除的1个波长,如果剔除该波长后,模型预测均方根误差比剔除前更小,则确定剔除该波长;否则,不予剔除,优选结束;
依次类推,每次剔除1个波长,直至剔除1个波长后的模型预测均方根误差不再比剔除前更小为止,得到最后剩余的微分光谱特征波长作为微分光谱特征变量SGD(2,71,2)wk,wk为上述最后剩余的微分光谱特征波长,k为波长编号。
基于叶片镁含量与上述35个初步选定的特征波长,经过逐一波长剔除法对微分光谱特征波长进一步优选,得到23个波长构建的波长子集为最佳波长组合,最终得到23个特征波长,分别为575nm、620nm、665nm、695nm、725nm、890nm、920nm、1120nm、1215nm、1255nm、1410nm、1570nm、1620nm、1690nm、1770nm、1850nm、1980nm、2020nm、2060nm、2115nm、2165nm、2215nm、2275nm,从而得到23个微分光谱特征变量SGD(2,71,2)wk,wk为上述23个特征波长,k=1,2,3…23。剔除过程详见表1。
表1不同波长个数下的微分光谱最佳波长组合对应的预测均方根误差
根据表2的校正效果可以看出,本发明通过上述逐一波长剔除法对微分光谱特征波长进一步优选,从而得到微分光谱特征变量。本发明采用的波长筛选方法大大简化了变量子集筛选过程中的迭代寻优过程;能够在提高检测速度的同时精准定位检测值,从而使后期建立的模型在实现预测速度快的同时提高了精准度。
表2基于不同类型光谱数据构建的PLS模型校正效果
作为上述实施例的具体实施方案:步骤S50中,基于校正集的叶片镁含量与微分光谱特征变量,采用偏最小二乘法及留一交叉验证方法建立偏最小二乘模型,得到最佳偏最小二乘回归系数和截距;基于光谱特征变量、最佳偏最小二乘回归系数和截距构建橡胶树叶片镁含量估算模型。
基于校正集的叶片镁含量与微分光谱特征变量,采用偏最小二乘法及留一交叉验证方法建立偏最小二乘模型,得到最佳偏最小二乘回归系数和截距;
基于光谱特征变量、最佳偏最小二乘回归系数和截距构建橡胶树叶片镁含量估算模型为:
LMC=b0+SGD(2,71,2)w1×b1+SGD(2,71,2)w2×b2+……+SGD(2,71,2)wk×bk;
LMC为镁含量估算值,b0为截距,bk为变量SGD(2,71,2)wk对应的偏最小二乘回归系数。
本发明基于叶片镁含量与23个微分光谱特征变量,采用偏最小二乘法及留一交叉验证方法建立偏最小二乘模型,当主成分数取19时,建立的偏最小二乘模型为最优模型。通过偏最小二乘最优模型的输出参数获得偏最小二乘回归系数和截距,最终构建的橡胶树叶片镁含量快速估算模型表达式如下:
LMC=10.2426+SGD(2,71,2)575×(-578017)+SGD(2,71,2)620×888714+SGD(2,71,2)665×(-764378)+SGD(2,71,2)695×326440+SGD(2,71,2)725×(-257596)+SGD(2,71,2)890×172846+SGD(2,71,2)920×(-357282)+SGD(2,71,2)1120×(-141193)+SGD(2,71,2)1215×502916+SGD(2,71,2)1255×(-814784)+SGD(2,71,2)1410×(-227145)+SGD(2,71,2)1570×(-753737)+SGD(2,71,2)1620×1386332+SGD(2,71,2)1690×(-721623)+SGD(2,71,2)1770×365470+SGD(2,71,2)1850×(-568836)+SGD(2,71,2)1980×561987+SGD(2,71,2)2020×(-589290)+SGD(2,71,2)2060×405215+SGD(2,71,2)2115×(-546925)+SGD(2,71,2)2165×1104681+SGD(2,71,2)2215×(-1254095)+SGD(2,71,2)2275×397663。
作为上述实施例的优化方案,还包括步骤:获取所述验证集的微分光谱特征变量;并将验证集的微分光谱特征变量代入橡胶树叶片镁含量快速估算模型,得到叶片镁含量估算值。
以上显示和描述了本发明的基本原理和主要特征和本发明的优点。本行业的技术人员应该了解,本发明不受上述实施例的限制,上述实施例和说明书中描述的只是说明本发明的原理,在不脱离本发明精神和范围的前提下,本发明还会有各种变化和改进,这些变化和改进都落入要求保护的本发明范围内。本发明要求保护范围由所附的权利要求书及其等效物界定。
Claims (7)
1.一种橡胶树叶片镁含量快速估算方法,其特征在于,包括步骤:
S10,采集橡胶树叶光谱反射率,并用化学分析方法测定镁含量;
S20,对所述橡胶树叶光谱反射率进行噪声波段去除和重采样获得叶片样本,将叶片样本划分为校正集和验证集;
S30,对光谱反射率进行微分光谱变换,基于不同变换模式下的微分光谱与镁含量数据,采用偏最小二乘法及留一交叉验证方法建模,按照预测均方根误差最小的原则确定了最优微分光谱变换数据;
S40,基于全波段的最优微分光谱变换数据与相应镁含量数据采用偏最小二乘法及留一交叉验证方法建立偏最小二乘模型,选择最佳主成分数下偏最小二乘回归系数曲线图中特征点对应的波长作为初步选定的特征波长;并采用逐一波长剔除法对微分光谱特征波长进一步优选,从而得到微分光谱特征变量;
采用逐一波长剔除法对微分光谱特征波长进一步优选,从而得到微分光谱特征变量,包括步骤:
从上述初步选定的n特征波长中,剔除任意1个波长,剩余n-1个波长用于偏最小二乘建模,建立偏最小二乘模型,按照预测均方根误差最小来确定拟剔除的1个波长,如果剔除该波长后,模型预测均方根误差比剔除前更小,则确定剔除该波长;否则,不予剔除,优选结束;
若优选过程未结束,从上一步中剩余的n-1个波长中,剔除任意1个波长,剩余的n-2个波长用于偏最小二乘建模,建立偏最小二乘模型,按照预测均方根误差最小来确定拟剔除的1个波长,如果剔除该波长后,模型预测均方根误差比剔除前更小,则确定剔除该波长;否则,不予剔除,优选结束;
依次类推,每次剔除1个波长,直至剔除1个波长后的模型预测均方根误差不再比剔除前更小为止,得到最后剩余的微分光谱特征波长作为微分光谱特征变量SGD(2,71,2)wk,wk为上述最后剩余的微分光谱特征波长,k为波长编号;
S50,基于校正集的叶片镁含量与微分光谱特征变量,采用偏最小二乘法及留一交叉验证方法建立偏最小二乘模型,得到最佳偏最小二乘回归系数和截距;基于光谱特征变量、最佳偏最小二乘回归系数和截距构建橡胶树叶片镁含量估算模型。
2.根据权利要求1所述的一种橡胶树叶片镁含量快速估算方法,其特征在于,对所述橡胶树叶光谱反射率进行噪声波段去除和重采样时,将光谱反射率中350nm-399nm波段去除,由剩余的400nm-2500nm光谱反射率重采样为5nm间隔获得叶片样本;将叶片样本按2:1的比例,划分为校正集和验证集。
3.根据权利要求1或2所述的一种橡胶树叶片镁含量快速估算方法,其特征在于,对光谱反射率数据进行微分光谱变换,利用移动窗口加权平均的滤波方法,获得微分光谱数据SGD的计算公式如下:
式中,d表示微分阶数,p表示滤波窗口大小,k表示多项式次数,j表示滤波窗口中心对应的波长,i表示以j为中心波长的滤波窗口所覆盖的p个波长之一,Ri是i波长的光谱反射率,C(d,p,k)i是在微分阶数、滤波窗口大小和多项式次数分别为d、p和k时i波长对应的微分滤波权重系数。
4.根据权利要求3所述的一种橡胶树叶片镁含量快速估算方法,其特征在于,基于不同d、p、k取值下的微分光谱数据SGD(d,p,k)与镁含量数据,采用偏最小二乘法及留一交叉验证方法建模;其中,d在1~2中筛选,p在3~101的奇数中筛选,k在1~9中筛选,主成分数在1~20中筛选,按照预测均方根误差最小的原则选择最优的微分光谱变换模式,获得最优微分光谱变换数据记为SGD(2,71,2)。
5.根据权利要求4所述的一种橡胶树叶片镁含量快速估算方法,其特征在于,基于全波段的最优微分光谱变换数据SGD(2,71,2)与相应镁含量数据,采用偏最小二乘法及留一交叉验证方法建立偏最小二乘模型,选择最佳主成分数为20下,利用偏最小二乘模型的偏最小二回归系数建立偏最小二乘回归系数曲线图,偏最小二乘回归系数曲线图中选择特征点包括波峰、波谷和端点对应的波长作为初步选定的特征波长。
6.根据权利要求1所述的一种橡胶树叶片镁含量快速估算方法,其特征在于,基于校正集的叶片镁含量与微分光谱特征变量,采用最小二乘法及留一交叉验证方法建立偏最小二乘模型,得到最佳偏最小二乘回归系数和截距;
基于光谱特征变量、最佳偏最小二乘回归系数和截距构建橡胶树叶片镁含量估算模型为:
LMC=b0+SGD(2,71,2)w1×b1+SGD(2,71,2)w2×b2+……+SGD(2,71,2)wk×bk;
LMC为镁含量估算值,b0为截距,bk为变量SGD(2,71,2)wk对应的偏最小二乘回归系数。
7.根据权利要求1所述的一种橡胶树叶片镁含量快速估算方法,其特征在于,还包括步骤:获取所述验证集的微分光谱特征变量;并将验证集的微分光谱特征变量代入橡胶树叶片镁含量快速估算模型,得到叶片镁含量估算值。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210079073.9A CN114486761B (zh) | 2022-01-24 | 2022-01-24 | 一种橡胶树叶片镁含量快速估算方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210079073.9A CN114486761B (zh) | 2022-01-24 | 2022-01-24 | 一种橡胶树叶片镁含量快速估算方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN114486761A CN114486761A (zh) | 2022-05-13 |
CN114486761B true CN114486761B (zh) | 2024-04-12 |
Family
ID=81474198
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210079073.9A Active CN114486761B (zh) | 2022-01-24 | 2022-01-24 | 一种橡胶树叶片镁含量快速估算方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114486761B (zh) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115308135A (zh) * | 2022-08-06 | 2022-11-08 | 福州大学 | 一种基于光谱成像的海洋甲藻细胞浓度检测变量选择方法 |
Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104020127A (zh) * | 2014-06-18 | 2014-09-03 | 山东烟草研究院有限公司 | 一种利用近红外光谱快速测量烟叶中无机元素的方法 |
JP2016065778A (ja) * | 2014-09-24 | 2016-04-28 | 浜松ホトニクス株式会社 | 植物におけるマグネシウム欠乏症を診断する方法 |
CN105630743A (zh) * | 2015-12-24 | 2016-06-01 | 浙江大学 | 一种光谱波数的选择方法 |
CN109540811A (zh) * | 2018-12-25 | 2019-03-29 | 核工业北京地质研究院 | 一种通过光谱变换提高黑土养分含量预测精度的方法 |
CN110596028A (zh) * | 2019-10-22 | 2019-12-20 | 中国地质科学院矿产综合利用研究所 | 一种沉积型稀土La元素含量的高光谱反演方法 |
CN111650130A (zh) * | 2020-03-05 | 2020-09-11 | 广州地理研究所 | 一种荔枝叶片镁含量的预测方法及预测*** |
US10845243B1 (en) * | 2019-05-20 | 2020-11-24 | China Institute Of Water Resources And Hydropower Research | Method for establishing content monitoring model of canopy water of winter wheat based on spectral parameters |
WO2021035858A1 (zh) * | 2019-08-26 | 2021-03-04 | 江苏大学 | 叶片叶绿素叶面分布特征同步诊断氮钾镁元素亏缺的方法 |
CN113670913A (zh) * | 2021-08-18 | 2021-11-19 | 沈阳农业大学 | 水稻氮素含量反演高光谱植被指数构建方法 |
-
2022
- 2022-01-24 CN CN202210079073.9A patent/CN114486761B/zh active Active
Patent Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104020127A (zh) * | 2014-06-18 | 2014-09-03 | 山东烟草研究院有限公司 | 一种利用近红外光谱快速测量烟叶中无机元素的方法 |
JP2016065778A (ja) * | 2014-09-24 | 2016-04-28 | 浜松ホトニクス株式会社 | 植物におけるマグネシウム欠乏症を診断する方法 |
CN105630743A (zh) * | 2015-12-24 | 2016-06-01 | 浙江大学 | 一种光谱波数的选择方法 |
CN109540811A (zh) * | 2018-12-25 | 2019-03-29 | 核工业北京地质研究院 | 一种通过光谱变换提高黑土养分含量预测精度的方法 |
US10845243B1 (en) * | 2019-05-20 | 2020-11-24 | China Institute Of Water Resources And Hydropower Research | Method for establishing content monitoring model of canopy water of winter wheat based on spectral parameters |
WO2021035858A1 (zh) * | 2019-08-26 | 2021-03-04 | 江苏大学 | 叶片叶绿素叶面分布特征同步诊断氮钾镁元素亏缺的方法 |
CN110596028A (zh) * | 2019-10-22 | 2019-12-20 | 中国地质科学院矿产综合利用研究所 | 一种沉积型稀土La元素含量的高光谱反演方法 |
CN111650130A (zh) * | 2020-03-05 | 2020-09-11 | 广州地理研究所 | 一种荔枝叶片镁含量的预测方法及预测*** |
CN113670913A (zh) * | 2021-08-18 | 2021-11-19 | 沈阳农业大学 | 水稻氮素含量反演高光谱植被指数构建方法 |
Non-Patent Citations (1)
Title |
---|
基于分数阶微分的橡胶树割胶期氮素含量定量检测;郑人文;李子波;唐荣年;;南方农业学报;20190415(第04期);第802-808页 * |
Also Published As
Publication number | Publication date |
---|---|
CN114486761A (zh) | 2022-05-13 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Rungpichayapichet et al. | Robust NIRS models for non-destructive prediction of postharvest fruit ripeness and quality in mango | |
CN109187441B (zh) | 基于冠层光谱信息的夏玉米含氮量监测模型的构建方法 | |
Nyasordzi et al. | Utilizing the IAD index to determine internal quality attributes of apples at harvest and after storage | |
Dambergs et al. | A review of the state of the art, limitations, and perspectives of infrared spectroscopy for the analysis of wine grapes, must, and grapevine tissue | |
CN114486761B (zh) | 一种橡胶树叶片镁含量快速估算方法 | |
CN110069895B (zh) | 冬小麦含氮量全生育时段光谱监测模型建立方法 | |
CN106770019A (zh) | 一种多花黑麦草可溶性糖含量的测定方法 | |
CN109142238B (zh) | 一种棉花磷素营养快速诊断方法 | |
CN111795943A (zh) | 基于近红外光谱技术无损检测茶叶中外源掺杂蔗糖的方法 | |
CN115479902A (zh) | 基于波长的叶绿素含量测定模型构建方法及其*** | |
Yang | Nondestructive prediction of optimal harvest time of cherry tomatoes using VIS-NIR spectroscopy and PLSR calibration | |
CN113065230B (zh) | 基于优化光谱指数建立水稻叶片spad的高光谱反演模型 | |
Wang et al. | Monitoring model for predicting maize grain moisture at the filling stage using NIRS and a small sample size | |
Liu et al. | A novel wavelength selection strategy for chlorophyll prediction by MWPLS and GA | |
Vallone et al. | Quality evaluation of grapes for mechanical harvest using vis NIR spectroscopy | |
CN109520964A (zh) | 基于nirs的种子活力测定方法、***及存储介质 | |
CN107153047B (zh) | 一种利用近红外光谱检测油菜茎秆倒伏指数的方法 | |
Zhang et al. | Three different SVM classification models in Tea Oil FTIR Application Research in Adulteration Detection | |
CN115508356A (zh) | 一种基于氮分配理论的稻麦叶片氮含量高光谱估算方法 | |
Jang et al. | Estimation of Apple Leaf Nitrogen Concentration Using Hyperspectral Imaging-Based Wavelength Selection and Machine Learning | |
CN113049526A (zh) | 一种基于太赫兹衰减全反射的玉米种子水分含量测定方法 | |
CN116385784A (zh) | 一种镉胁迫下水稻叶绿素含量测算方法及*** | |
CN116994675B (zh) | 基于近红外数据的锦灯笼宿萼表皮检测方法 | |
CN113504186B (zh) | 一种遥感估算小麦氮肥利用率的方法 | |
Guo et al. | Determination of storage period of harvested plums by near‐infrared spectroscopy and quality attributes |
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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant |