CN118209502A - 烤烟烟叶含钾量估计方法、装置、电子设备及存储介质 - Google Patents
烤烟烟叶含钾量估计方法、装置、电子设备及存储介质 Download PDFInfo
- Publication number
- CN118209502A CN118209502A CN202410637619.7A CN202410637619A CN118209502A CN 118209502 A CN118209502 A CN 118209502A CN 202410637619 A CN202410637619 A CN 202410637619A CN 118209502 A CN118209502 A CN 118209502A
- Authority
- CN
- China
- Prior art keywords
- flue
- cured tobacco
- estimated
- potassium content
- potassium
- 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
- 235000002637 Nicotiana tabacum Nutrition 0.000 title claims abstract description 711
- 241000208125 Nicotiana Species 0.000 title claims abstract description 697
- ZLMJMSJWJFRBEC-UHFFFAOYSA-N Potassium Chemical compound [K] ZLMJMSJWJFRBEC-UHFFFAOYSA-N 0.000 title claims abstract description 335
- 229910052700 potassium Inorganic materials 0.000 title claims abstract description 335
- 239000011591 potassium Substances 0.000 title claims abstract description 335
- 238000000034 method Methods 0.000 title claims abstract description 85
- 238000003860 storage Methods 0.000 title claims abstract description 15
- 238000003745 diagnosis Methods 0.000 claims abstract description 64
- 208000019025 Hypokalemia Diseases 0.000 claims abstract description 39
- 208000007645 potassium deficiency Diseases 0.000 claims abstract description 39
- 230000003595 spectral effect Effects 0.000 claims description 35
- 238000009826 distribution Methods 0.000 claims description 22
- 238000004422 calculation algorithm Methods 0.000 claims description 20
- 238000010586 diagram Methods 0.000 claims description 16
- 238000012549 training Methods 0.000 claims description 15
- 238000004364 calculation method Methods 0.000 claims description 13
- 238000004590 computer program Methods 0.000 claims description 13
- 238000012545 processing Methods 0.000 claims description 9
- 238000012706 support-vector machine Methods 0.000 claims description 9
- 238000007637 random forest analysis Methods 0.000 claims description 8
- 239000003086 colorant Substances 0.000 claims description 4
- 238000002310 reflectometry Methods 0.000 claims description 4
- 239000003337 fertilizer Substances 0.000 abstract description 11
- 239000000523 sample Substances 0.000 description 101
- 230000000875 corresponding effect Effects 0.000 description 48
- 244000061176 Nicotiana tabacum Species 0.000 description 14
- 238000007726 management method Methods 0.000 description 13
- 238000005516 engineering process Methods 0.000 description 12
- 239000002689 soil Substances 0.000 description 9
- 238000005070 sampling Methods 0.000 description 8
- 238000004891 communication Methods 0.000 description 7
- 230000008569 process Effects 0.000 description 7
- 238000001514 detection method Methods 0.000 description 6
- 238000012544 monitoring process Methods 0.000 description 6
- 230000008901 benefit Effects 0.000 description 5
- 238000004519 manufacturing process Methods 0.000 description 5
- 230000009286 beneficial effect Effects 0.000 description 4
- 230000000694 effects Effects 0.000 description 3
- 238000011156 evaluation Methods 0.000 description 3
- 238000012360 testing method Methods 0.000 description 3
- 230000002411 adverse Effects 0.000 description 2
- 238000003556 assay Methods 0.000 description 2
- 230000001276 controlling effect Effects 0.000 description 2
- 238000012937 correction Methods 0.000 description 2
- 238000003066 decision tree Methods 0.000 description 2
- 238000013135 deep learning Methods 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 229940070017 potassium supplement Drugs 0.000 description 2
- 238000007781 pre-processing Methods 0.000 description 2
- 230000001737 promoting effect Effects 0.000 description 2
- 230000001105 regulatory effect Effects 0.000 description 2
- 230000000007 visual effect Effects 0.000 description 2
- SNICXCGAKADSCV-JTQLQIEISA-N (-)-Nicotine Chemical compound CN1CCC[C@H]1C1=CC=CN=C1 SNICXCGAKADSCV-JTQLQIEISA-N 0.000 description 1
- 238000010521 absorption reaction Methods 0.000 description 1
- 230000001133 acceleration Effects 0.000 description 1
- 239000003513 alkali Substances 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 238000013459 approach Methods 0.000 description 1
- 230000015572 biosynthetic process Effects 0.000 description 1
- 238000010224 classification analysis Methods 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 230000002596 correlated effect Effects 0.000 description 1
- 230000003247 decreasing effect Effects 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 230000007812 deficiency Effects 0.000 description 1
- 230000001419 dependent effect Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 239000006185 dispersion Substances 0.000 description 1
- 238000001035 drying Methods 0.000 description 1
- 238000007636 ensemble learning method Methods 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 230000002349 favourable effect Effects 0.000 description 1
- 230000004720 fertilization Effects 0.000 description 1
- 230000006870 function Effects 0.000 description 1
- 230000036541 health Effects 0.000 description 1
- 239000006101 laboratory sample Substances 0.000 description 1
- 239000000463 material Substances 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 229960002715 nicotine Drugs 0.000 description 1
- SNICXCGAKADSCV-UHFFFAOYSA-N nicotine Natural products CN1CCCC1C1=CC=CN=C1 SNICXCGAKADSCV-UHFFFAOYSA-N 0.000 description 1
- 235000015816 nutrient absorption Nutrition 0.000 description 1
- 235000015097 nutrients Nutrition 0.000 description 1
- 230000003204 osmotic effect Effects 0.000 description 1
- 230000029553 photosynthesis Effects 0.000 description 1
- 238000010672 photosynthesis Methods 0.000 description 1
- 238000002360 preparation method Methods 0.000 description 1
- 239000000047 product Substances 0.000 description 1
- 238000000611 regression analysis Methods 0.000 description 1
- 238000000926 separation method Methods 0.000 description 1
- 238000001228 spectrum Methods 0.000 description 1
- 239000000126 substance Substances 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 238000003786 synthesis reaction Methods 0.000 description 1
- 239000013598 vector Substances 0.000 description 1
Landscapes
- Manufacture Of Tobacco Products (AREA)
Abstract
本发明提供一种烤烟烟叶含钾量估计方法、装置、电子设备及存储介质，涉及智慧农业技术领域，该方法包括：基于待估计烤烟种植区域的多光谱影像，获取待估计烤烟种植区域中每一子区域内的待估计烤烟的烟叶钾素诊断指数；将每一子区域内的待估计烤烟的烟叶钾素诊断指数输入烤烟烟叶含钾量估计模型，获取每一子区域内烤烟烟叶含钾量的估计值。本发明提供的烤烟烟叶含钾量估计方法、装置、电子设备及存储介质，能更准确、更高效以及更全面地估计大面积的烤烟种植区域内烤烟烟叶的含钾量，能更及时的发现大面积的烤烟种植区域内烤烟的缺钾情况，能为烤烟种植区域的钾肥管理工作提供数据基础，能提高烤烟种植区域钾肥管理工作的精准性和效率性。
Description
技术领域
本发明涉及智慧农业技术领域，尤其涉及一种烤烟烟叶含钾量估计方法、装置、电子设备及存储介质。
背景技术
烤烟是一种重要的经济作物，在烤烟种植过程中，适当的钾元素供应，对烤烟的产量和品质具有显著影响。烤烟烟叶的含钾量可以用于指导烤烟种植区内的钾肥管理工作。
通常情况下，可以通过人工采样、实地检测或者采集土壤和烤烟植株的物理化学特征等方式，获取烤烟烟叶的含钾量。
但是，上述传统的烤烟烟叶含钾量估计方法需要投入大量的人工成本和时间成本，进行烤烟烟叶含钾量估计的效率较低。并且，上述传统的烤烟烟叶含钾量估计方法通常只能对大面积烤烟种植区域内的有限数量的样本点进行取样，导致检测得到的烤烟烟叶的含钾量缺乏全面性和代表性，难以准确获取大面积烤烟种植区域内烤烟烟叶的含钾量。因此，如何更准确、更高效以及更全面地获取大面积烤烟种植区域内烤烟烟叶的含钾量，是本领域亟待解决的技术问题。
发明内容
本发明提供一种烤烟烟叶含钾量估计方法、装置、电子设备及存储介质，用以解决现有技术中难以准确、高效以及全面地获取大面积烤烟种植区域内烤烟烟叶的含钾量的缺陷，实现更准确、更高效以及更全面地获取大面积烤烟种植区域内烤烟烟叶的含钾量。
本发明提供一种烤烟烟叶含钾量估计方法，包括：
获取待估计烤烟种植区域的多光谱影像，所述待估计烤烟种植区域中种植有待估计烤烟；
基于所述多光谱影像，获取所述待估计烤烟种植区域中每一子区域内的待估计烤烟的烟叶钾素诊断指数；
将每一所述子区域内的待估计烤烟的烟叶钾素诊断指数输入烤烟烟叶含钾量估计模型，获取所述烤烟烟叶含钾量估计模型输出的每一所述子区域内烤烟烟叶含钾量的估计值；
其中，所述烤烟烟叶含钾量估计模型，是基于样本烤烟种植区域对应的烟叶钾素诊断指数以及所述样本烤烟种植区域内样本烤烟烟叶含钾量的实际值训练得到的；所述待估计烤烟与所述样本烤烟处于相同的生育期。
根据本发明提供的一种烤烟烟叶含钾量估计方法，所述基于所述多光谱影像，获取所述待估计烤烟种植区域中每一子区域内的待估计烤烟的烟叶钾素诊断指数，包括：
基于每一原始波段与所述样本烤烟烟叶含钾量的实际值之间的相关性，将与所述样本烤烟烟叶含钾量的实际值相关性最强的两个所述原始波段分别确定为敏感波段，各所述原始波段包括蓝光波段、绿光波段、红光波段、红边波段以及近红外波段；
基于所述多光谱影像，获取每一所述子区域所述敏感波段的冠层光谱反射率；
基于每一所述子区域所述敏感波段的冠层光谱反射率，计算得到每一所述子区域内的待估计烤烟的烟叶钾素诊断指数。
根据本发明提供的一种烤烟烟叶含钾量估计方法，所述敏感波段包括第一敏感波段和第二敏感波段，所述基于每一所述子区域所述敏感波段的冠层光谱反射率，计算得到每一所述子区域内的待估计烤烟的烟叶钾素诊断指数，包括：
计算每一所述子区域第一敏感波段的冠层光谱反射率与第二敏感波段的冠层光谱反射率之差，作为每一所述子区域对应的第一中间结果，计算每一所述子区域第一敏感波段的冠层光谱反射率与第二敏感波段的冠层光谱反射率之和，作为每一所述子区域对应的第二中间结果；
计算每一所述子区域对应的第一中间结果与第二中间结果之商，作为每一所述子区域内的待估计烤烟的烟叶钾素诊断指数。
根据本发明提供的一种烤烟烟叶含钾量估计方法，所述将每一所述子区域内的待估计烤烟的烟叶钾素诊断指数输入烤烟烟叶含钾量估计模型之前，所述方法还包括：
分别基于随机森林算法、支持向量机算法以及梯度提升算法构建第一初始模型、第二初始模型以及第三初始模型；
以所述样本烤烟种植区域对应的烟叶钾素诊断指数为样本，以所述样本烤烟种植区域内样本烤烟烟叶含钾量的实际值为样本标签，分别对所述第一初始模型、所述第二初始模型以及所述第三初始模型进行训练，获得训练好的第一初始模型、训练好的第二初始模型以及训练好的第三初始模型；
将所述训练好的第一初始模型、所述训练好的第二初始模型以及所述训练好的第三初始模型中计算精度和稳定性最佳的模型，确定为所述烤烟烟叶含钾量估计模型。
根据本发明提供的一种烤烟烟叶含钾量估计方法，所述获取待估计烤烟种植区域的多光谱影像，包括：
获取所述待估计烤烟种植区域的无人机影像；
基于所述无人机影像，获取所述多光谱影像。
根据本发明提供的一种烤烟烟叶含钾量估计方法，所述获取所述烤烟烟叶含钾量估计模型输出的每一所述子区域内烤烟烟叶含钾量的估计值之后，所述方法还包括：
基于每一所述子区域内烤烟烟叶含钾量的估计值，绘制所述待估计烤烟种植区域对应的烤烟烟叶含钾量分布图。
根据本发明提供的一种烤烟烟叶含钾量估计方法，所述基于每一所述子区域内烤烟烟叶含钾量的估计值，绘制所述待估计烤烟种植区域对应的烤烟烟叶含钾量分布图，包括：
基于每一所述子区域内烤烟烟叶含钾量的估计值，确定每一所述子区域内烤烟烟叶的缺钾等级；
在空白画布中每一所述子区域对应的区域内，填充每一所述子区域内烤烟烟叶的缺钾等级对应的颜色，获得所述待估计烤烟种植区域对应的烤烟烟叶含钾量分布图。
本发明还提供一种烤烟烟叶含钾量估计装置，包括：
影像获取模块，用于获取待估计烤烟种植区域的多光谱影像，所述待估计烤烟种植区域中种植有待估计烤烟；
数据处理模块，用于基于所述多光谱影像，获取所述待估计烤烟种植区域中每一子区域内的待估计烤烟的烟叶钾素诊断指数；
结果输出模块，用于将每一所述子区域内的待估计烤烟的烟叶钾素诊断指数输入烤烟烟叶含钾量估计模型，获取所述烤烟烟叶含钾量估计模型输出的每一所述子区域内烤烟烟叶含钾量的估计值；
其中，所述烤烟烟叶含钾量估计模型，是基于样本烤烟种植区域对应的烟叶钾素诊断指数以及所述样本烤烟种植区域内样本烤烟烟叶含钾量的实际值训练得到的；所述待估计烤烟与所述样本烤烟处于相同的生育期。
本发明还提供一种电子设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述程序时实现如上述任一种所述烤烟烟叶含钾量估计方法。
本发明还提供一种非暂态计算机可读存储介质，其上存储有计算机程序，该计算机程序被处理器执行时实现如上述任一种所述烤烟烟叶含钾量估计方法。
本发明还提供一种计算机程序产品，包括计算机程序，所述计算机程序被处理器执行时实现如上述任一种所述烤烟烟叶含钾量估计方法。
本发明提供的烤烟烟叶含钾量估计方法、装置、电子设备及存储介质，通过基于待估计烤烟种植区域的多光谱影像，获取待估计烤烟种植区域中每一子区域内的待估计烤烟的烟叶钾素诊断指数之后，将每一子区域内的待估计烤烟的烟叶钾素诊断指数输入烤烟烟叶含钾量估计模型，获取烤烟烟叶含钾量估计模型输出的每一子区域内烤烟烟叶含钾量的估计值，能更准确、更高效以及更全面地估计大面积的烤烟种植区域内烤烟烟叶的含钾量，能更及时的发现大面积的烤烟种植区域内烤烟的缺钾情况，能为烤烟种植区域的钾肥管理工作提供数据基础，能提高烤烟种植区域钾肥管理工作的精准性和效率性，进而提高烤烟产量和品质，提高烤烟生产的效益。
附图说明
为了更清楚地说明本发明或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作一简单地介绍，显而易见地，下面描述中的附图是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
图1是本发明提供的烤烟烟叶含钾量估计方法的流程示意图之一；
图2是本发明提供的烤烟烟叶含钾量估计方法中待估计烤烟种植区域对应的烤烟烟叶含钾量分布图的示意图；
图3是本发明提供的烤烟烟叶含钾量估计方法的流程示意图之二；
图4是本发明提供的烤烟烟叶含钾量估计装置的结构示意图；
图5是本发明提供的电子设备的结构示意图。
具体实施方式
为使本发明的目的、技术方案和优点更加清楚，下面将结合本发明中的附图，对本发明中的技术方案进行清楚、完整地描述，显然，所描述的实施例是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
在发明的描述中，需要说明的是，除非另有明确的规定和限定，术语“安装”、“相连”、“连接”应做广义理解，例如，可以是固定连接，也可以是可拆卸连接，或一体地连接；可以是机械连接，也可以是电连接；可以是直接相连，也可以通过中间媒介间接相连，可以是两个元件内部的连通。对于本领域的普通技术人员而言，可以根据具体情况理解上述术语在本发明中的具体含义。
本申请的描述中，术语“第一”、“第二”等是用于区别类似的对象，而不用于描述特定的顺序或先后次序。应该理解这样使用的数据在适当情况下可以互换，以便本申请的实施例能够以除了在这里图示或描述的那些以外的顺序实施，且“第一”、“第二”等所区分的对象通常为一类，并不限定对象的个数，例如第一对象可以是一个，也可以是多个。此外，本申请的描述中，“和/或”表示所连接对象的至少其中之一，字符“/”，一般表示前后关联对象是一种“或”的关系。
需要说明的是，烤烟在生长过程中，在烤烟种植过程中，适当的钾元素供应，对烤烟的产量和品质具有显著影响。
首先，钾元素是维持烤烟烟叶细胞内外稳定渗透压的关键元素，有助于维持细胞结构稳定、促进养分输送，对烤烟烟叶的生长发育至关重要；其次，钾元素能够提升烤烟植株对各种逆境的抵抗能力，无论是面临干旱、高温、盐碱等逆境，合适的钾元素供应都能帮助烤烟植株更好地适应这些压力，保持正常的生长状态；再次，钾元素也可以直接影响烤烟烟叶的化学成分，充足的钾元素供应有助于调控烤烟烟叶中尼古丁含量，对于控制烟叶质量、改善烟草品质具有重要作用；最后，钾元素对提高烟叶产量和品质起到关键作用，钾元素能够提高烤烟植株的光合作用效率，促进糖分合成和养分的吸收利用，从而增加烤烟烟叶的产量并改善其品质。
通常情况下，可以通过人工采样、实地检测或者采集土壤和烤烟植株的物理化学特征等方式，获取烤烟烟叶的含钾量。
其中，人工采样是一种常见的方法，在烤烟种植区域内选择有代表性的样本点之后，可以人工采集上述样本点处烤烟植株的烤烟叶片或土壤样本。采集得到上述样本点处烤烟植株的烤烟叶片或土壤样本之后，将上述样本送往实验室进行化验或分析，从而可以确定上述样本点处烤烟烟叶的含钾量。然而，采用人工采样的方式获取烤烟烟叶的含钾量，存在取样数量有限、样本点选择主观性较强以及人力物力消耗大等问题，导致获得的烤烟烟叶的含钾量的代表性和准确性不高。
实地化验是一种准确性较高的方法，通过烤烟烟叶或土壤样本进行实地化验，可以确定烤烟烟叶的含钾量。然而，采用实地化验的方式虽然可以较准确的获取烤烟烟叶的含钾量，但是进行实地化验的操作复杂，需要投入大量的时间成本和设备成本，并且难以实现烤烟种植区域的全面检测。
采集土壤和烤烟植株的物理化学特征，可以通过测定土壤或烤烟植株的物理化学特征，例如土壤pH值、电导率等参数，或是烤烟烟叶的颜色、形态等特征，来间接推测得到烤烟烟叶的含钾量。然而，土壤或烤烟植株的物理化学特征易受到环境条件和采样方法的影响，导致获得的结果准确性和全面性有限。
综上，上述传统的烤烟烟叶含钾量估计方法需要投入大量的人工成本和时间成本，进行烤烟烟叶含钾量估计的效率较低。并且，上述传统的烤烟烟叶含钾量估计方法通常只能对大面积烤烟种植区域内的有限数量的样本点进行取样，导致检测得到的烤烟烟叶的含钾量缺乏全面性和代表性，难以准确获取大面积烤烟种植区域内烤烟烟叶的含钾量，进而限制烤烟种植区钾肥管理工作的精准性和效率性。
利用无人机低空遥感技术，可以高效、准确地采集大面积的烤烟种植区域的高清图像。多光谱传感器技术是一种利用多个波段的光谱信息来获取目标物体特征的技术。多光谱传感器技术能够提供更丰富的信息，帮助用户更全面地理解目标物体的性质和特征。
针对上述传统的烤烟烟叶含钾量估计方法的局限性，本发明提供一种烤烟烟叶含钾量估计方法。本发明提供的烤烟烟叶含钾量估计方法，利用无人机低空遥感技术和多光谱传感器技术，能够更准确、更高效以及更全面地获取烤烟烟叶的含钾量，为烤烟烟叶缺钾问题的监测提供了全新的解决途径。
本发明提供的烤烟烟叶含钾量估计方法，通过搭载有多光谱传感器的无人机，能够对大面积的烤烟种植区域进行高分辨率、高频率的烤烟烟叶含钾量监测，从而实现烟叶植株缺钾状态的快速全面检测。
本发明提供的烤烟烟叶含钾量估计方法引入无人机低空遥感技术和多光谱传感器技术，避免了上述传统的烤烟烟叶含钾量估计方法取样受限和实地操作不便的问题。无人机能够快速覆盖大面积的烤烟种植区域，进行低空无损遥感监测，无需大量的人力投入，降低了烤烟烟叶含钾量估计的成本投入，提高了烤烟烟叶含钾量估计的检测效率。并且，多光谱传感器能够获取烤烟烟叶不同波段的光谱数据，有助于更准确地获取烤烟烟叶的含钾量。本发明提供的烤烟烟叶含钾量估计方法的应用，可以使得烤烟植株的缺钾情况能够更及时地被发现和管理，有助于烟叶种植者更科学地调整烤烟种植区域内的钾肥管理策略，进而提高烤烟产量和品质，提高烤烟生产的效益。
图1是本发明提供的烤烟烟叶含钾量估计方法的流程示意图之一。下面结合图1描述本发明的烤烟烟叶含钾量估计方法。如图1所示，该方法包括：步骤101、获取待估计烤烟种植区域的多光谱影像，待估计烤烟种植区域中种植有待估计烤烟；
需要说明的是，本发明实施例的执行主体为烤烟烟叶含钾量估计装置。
具体地，本发明实施例中的待估计烤烟，为待估计烤烟种植区域内种植的烤烟，上述待估计烤烟是本发明提供的烤烟烟叶含钾量估计方法的估计对象。基于本发明提供的烤烟烟叶含钾量估计方法可以对上述待估计烤烟的烟叶含钾量进行估计。
可以理解的是，本发明实施例中的待估计烤烟种植区域为一个面积较大的区域，例如，上述待估计烤烟种植区域的可以为一个长×宽为100×100的方形区域。
可以理解的是，本发明实施例中的待估计烤烟种植区域可以是基于实际需求确定的。本发明实施例中对上述待估计烤烟种植区域不作具体限定。
本发明实施例中可以通过多种方式获取待估计烤烟种植区域的多光谱影像，例如：可以利用无人机低空遥感技术获取待估计烤烟种植区域的多光谱影像；或者，还可以基于遥感卫星获取待估计烤烟种植区域的多光谱影像。本发明实施例中对获取待估计烤烟种植区域的多光谱影像的具体方式不作限定。
作为一个可选地实施例，获取待估计烤烟种植区域的多光谱影像，包括：获取待估计烤烟种植区域的无人机影像；
具体地，本发明实施例中可以控制搭载有多光谱传感器的无人机，在满足预设天气条件、预设飞行高度、预设航向重叠度和预设旁向重叠度的情况下，按照预设航线飞过待估计烤烟种植区域，对待估计烤烟种植区域的待估计烤烟进行垂直拍摄，获取待估计烤烟种植区域的无人机影像。上述多光谱传感器至少包括蓝光波段、绿光波段、红光波段、红边波段以及近红外波段。
可选地，本发明实施例中可以在晴朗、无云、且风速低于3级的天气，在上午10点至下午2点之间，控制控制搭载有多光谱传感器的无人机，按照预设航线飞过待估计烤烟种植区域，对待估计烤烟种植区域的待估计烤烟进行垂直拍摄，获取待估计烤烟种植区域的无人机影像。无人机的飞行高度设置在30至50米之间，以确保影像采集的精度。无人机飞行的航向重叠率设定为80%，旁向重叠率为75%。
可以理解的是，待估计烤烟种植区域的无人机影像的数量为多张。
基于无人机影像，获取多光谱影像。
具体地，获取待估计烤烟种植区域的无人机影像之后，可以使用拼接软件（例如Pix4D或Agisoft Metashape）对待估计烤烟种植区域的无人机影像进行校正拼接，获得待估计烤烟种植区域的原始多光谱影像。
为了待估计烤烟种植区域内待估计烤烟烟叶含钾量的估计准确率，获得待估计烤烟种植区域的原始多光谱影像之后，可以对上述原始多光谱影像进行图像预处理（包括去除噪点和色彩校正等），获得能够更好地反映待估计烤烟种植区域内地表物体真实反射率的多光谱影像。
需要说明的是，本发明实施例中待估计烤烟种植区域的多光谱影像采用地理坐标系GCS_WGS_1984，投影坐标系UTM_Zone_50N，具有0.05m的空间分辨率。
步骤102、基于多光谱影像，获取待估计烤烟种植区域中每一子区域内的待估计烤烟的烟叶钾素诊断指数；
具体地，本发明实施例中可以通过多种方式将待估计烤烟种植区域均匀分割为多个子区域，例如，本发明实施例中可以将待估计烤烟种植区域的多光谱影像中每一像素，在待估计烤烟种植区域中的对应区域，确定为待估计烤烟种植区域内的每一子区域；或者，本发明实施例中还可以基于预设距离对待估计烤烟种植区域进行网格划分，并将网格划分后得到的每一个小区域，确定为待估计烤烟种植区域的一个子区域，上述预设距离可以是根据先验知识和/或实际需求确定的。
获取待估计烤烟种植区域的多光谱影像之后，可以基于上述多光谱影像，通过数值计算、数理统计或深度学习等方式，获取待估计烤烟种植区域中每一子区域内的待估计烤烟的烟叶钾素诊断指数。
作为一个可选地实施例，基于多光谱影像，获取待估计烤烟种植区域中每一子区域内的待估计烤烟的烟叶钾素诊断指数，包括：基于每一原始波段与样本烤烟烟叶含钾量的实际值之间的相关性，将与样本烤烟烟叶含钾量的实际值相关性最强的两个原始波段分别确定为敏感波段，各原始波段包括蓝光波段、绿光波段、红光波段、红边波段以及近红外波段；
需要说明的是，由于处于不同生育期的烤烟，烤烟烟叶的含钾量受其他因素干扰的程度不同，因此处于不同生育期的烤烟对应的敏感波段亦不相同。
相应地，在获取待估计烤烟种植区域中每一子区域内的待估计烤烟的烤烟钾素诊断指数之前，需要确定待估计烤烟对应的敏感波段。
需要说明的是，本发明实施例中选择与待估计烤烟处于相同生育期烤烟作为样本烤烟。相应地，本发明实施例中可以将种植有样本烤烟的区域确定为样本烤烟种植区域。
样本烤烟烟叶含钾量的实际值，可以是使用烘箱对样本烤烟烟叶进行杀青烘干处理之后，将样本烤烟烟叶送往实验室进行钾素含量的测量后得到的。准确获取样本烤烟烟叶含钾量的实际值，可以为待估计烤烟烟叶含钾量的估计提供定标数据支持。
皮尔逊相关系数（Pearson correlation coefficient）是一种用来衡量两个变量之间线性关系强度和方向的统计指标。皮尔逊相关系数的取值范围在-1到1之间，其中：在皮尔逊相关系数为1的情况下，表示两个变量完全正相关；在皮尔逊相关系数为-1的情况下，表示两个变量完全负相关；在皮尔逊相关系数为0的情况下，表示两个变量之间没有线性关系。
本发明实施例中可以通过数值计算的方式，计算得到每一原始波段与样本烤烟烟叶含钾量的实际值之间的皮尔森相关系数。进而可以通过比较每一原始波段与样本烤烟烟叶含钾量的实际值之间的皮尔森相关系数，确定与样本烤烟烟叶含钾量的实际值相关性最强的两个原始波段，并将上述两个原始波段分别确定为待估计烤烟对应的敏感波段。
基于多光谱影像，获取每一子区域敏感波段的冠层光谱反射率；
具体地，确定待估计烤烟对应的敏感波段之后，可以基于待估计烤烟种植区域的多光谱影像，获取待估计烤烟种植区域中每一子区域上述敏感波段的冠层光谱反射率。
基于每一子区域敏感波段的冠层光谱反射率，计算得到每一子区域内的待估计烤烟的烟叶钾素诊断指数。
具体地，获取待估计烤烟种植区域中每一子区域上述敏感波段的冠层光谱反射率之后，可以通过数值计算的方式，计算得到每一子区域内的待估计烤烟的烟叶钾素诊断指数。
作为一个可选地实施例，各敏感波段包括第一敏感波段和第二敏感波段，基于每一子区域敏感波段的冠层光谱反射率，计算得到每一子区域内的待估计烤烟的烟叶钾素诊断指数，包括：计算每一子区域第一敏感波段的冠层光谱反射率与第二敏感波段的冠层光谱反射率之差，作为每一子区域对应的第一中间结果，计算每一子区域第一敏感波段的冠层光谱反射率与第二敏感波段的冠层光谱反射率之和，作为每一子区域对应的第二中间结果；
计算每一子区域对应的第一中间结果与第二中间结果之商，作为每一子区域内的待估计烤烟的烟叶钾素诊断指数。
具体地，本发明实施例中类比归一化植被指数NDVI的构建方法，通过量化对待估计烤烟的含钾量显著相关的两个敏感波段的吸收差异，作为待估计烤烟的烟叶钾素诊断指数，从而量化待估计烤烟的含钾量。
获取待估计烤烟种植区域中每一子区域上述敏感波段的冠层光谱反射率之后，可以通过如下公式，计算得到每一子区域内的待估计烤烟的烟叶钾素诊断指数。
其中，表示待估计烤烟种植区域中第/>个子区域内的待估计烤烟的烟叶钾素诊断指数，/>，/>表示待估计烤烟种植区域中子区域的总数；/>表示待估计烤烟种植区域中第/>个子区域第一敏感波段的冠层光谱反射率；/>表示待估计烤烟种植区域中第/>个子区域第二敏感波段的冠层光谱反射率。
需要说明的是，待估计烤烟种植区域中第个子区域内的待估计烤烟的烟叶钾素诊断指数/>的取值范围为-1至1。
本发明实施例通过基于与待估计烤烟处于相同生长期的样本烤烟烟叶含钾量的实际值，确定待估计烤烟对应的敏感波段之后，基于待估计烤烟种植区域的多光谱影像，通过数值计算的方式，计算得到待估计烤烟种植区域中每一子区域内的待估计烤烟的烟叶加速诊断指数，能将待估计烤烟种植区域的多光谱影像中的光谱信息，转换为更能表征烤烟烟叶含钾量的数值信息，进而能为烤烟烟叶估计提供更准确地数据基础，能提高烤烟烟叶估计的效率。
步骤103、将每一子区域内的待估计烤烟的烟叶钾素诊断指数输入烤烟烟叶含钾量估计模型，获取烤烟烟叶含钾量估计模型输出的每一子区域内烤烟烟叶含钾量的估计值；
其中，烤烟烟叶含钾量估计模型，是基于样本烤烟种植区域对应的烟叶钾素诊断指数以及样本烤烟种植区域内样本烤烟烟叶含钾量的实际值训练得到的；待估计烤烟种植区域内的待估计烤烟与样本烤烟处于相同的生育期。
可以理解的是，本发明实施例中样本烤烟种植区域的数量可以为多个。
可选地，本发明实施例中的样本烤烟种植区域的面积，与待估计烤烟种植区域中任一子区域的面积相同。
需要说明的是，样本烤烟种植区域的多光谱影像可以是基于样本烤烟种植区域的无人机影像获得的。控制搭载有多光谱传感器的无人机，在满足预设天气条件、预设飞行高度、预设航向重叠度和预设旁向重叠度的情况下，按照预设航线飞过样本烤烟种植区域，对样本烤烟种植区域的待估计烤烟进行垂直拍摄，可以获取样本烤烟种植区域的无人机影像。
可选地，本发明实施例中可以在晴朗、无云、且风速低于3级的天气，在上午10点至下午2点之间，控制控制搭载有多光谱传感器的无人机，按照预设航线飞过样本烤烟种植区域，对样本烤烟种植区域的样本烤烟进行垂直拍摄，获取样本烤烟种植区域的无人机影像。无人机的飞行高度设置在30至50米之间，以确保影像采集的精度。无人机飞行的航向重叠率设定为80%，旁向重叠率为75%。
获取样本烤烟种植区域的无人机影像之后，可以对样本烤烟种植区域的无人机影像进行图像预处理（包括去除噪点和色彩校正等），获得样本烤烟种植区域的多光谱影像。
需要说明的是，样本烤烟种植区域对应的烟叶钾素诊断指数可以是基于样本烤烟种植区域的多光谱影像，利用上述实施例中记载的计算方法计算得到的。
获取样本烤烟种植区域对应的烟叶钾素诊断指数以及样本烤烟种植区域内样本烤烟烟叶含钾量的实际值之后，可以以样本烤烟种植区域对应的烟叶钾素诊断指数为样本，以样本烤烟种植区域内样本烤烟烟叶含钾量的实际值的样本标签，对初始模型进行训练，并将训练好的模型确定为烤烟烟叶含钾量估计模型。
需要说明的是，本发明实施例中的初始模型可以是基于随机森林算法、支持向量机算法或梯度提升算法构建得到的。
获取待估计烤烟种植区域中第个子区域内的待估计烤烟的烟叶钾素诊断指数之后，将待估计烤烟种植区域中第/>个子区域内的待估计烤烟的烟叶钾素诊断指数输入烤烟烟叶含钾量估计模型。
烤烟烟叶含钾量估计模型可以输出待估计烤烟种植区域中第个子区域内烤烟烟叶含钾量的估计值。
作为一个可选地实施例，将每一子区域内的待估计烤烟的烟叶钾素诊断指数输入烤烟烟叶含钾量估计模型之前，方法还包括：分别基于随机森林算法、支持向量机模型以及梯度提升算法构建第一初始模型、第二初始模型以及第三初始模型；
需要说明的是，随机森林算法是一种集成学习方法，用于解决分类和回归问题。随机森林算法通过构建多个决策树，并将它们组合起来进行预测，来提高整体模型的性能和稳定性。随机森林算法可以处理大量的输入变量，并且不需要进行特征选择，可以有效地处理高维数据，不易发生过拟合，具有较高的准确性，能够处理大规模数据集。
支持向量机（Support Vector Machine，SVM）模型是一种用于分类和回归分析的监督学***面，将不同类别的样本分隔开来，并且使得两个类别的间隔最大化。支持向量机模型在高维空间中的表现良好，适用于高维数据，可以有效地处理线性和非线性问题，泛化能力强，对于小样本数据集也能表现出较好的性能，由于最优解是由少数支持向量决定的，所以对内存占用较小。
梯度提升算法（Gradient Boosting）是一种集成学习方法，通过串行地训练一系列弱学习器（通常是决策树），每一颗树都试图纠正前面所有树的错误，从而不断提升整体模型的性能。梯度提升算法的关键在于每一步都在减小损失函数的梯度方向上前进，从而使得模型逐步逼近最优解。
以样本烤烟种植区域对应的烟叶钾素诊断指数为样本，以样本烤烟种植区域内样本烤烟烟叶含钾量的实际值为样本标签，分别对第一初始模型、第二初始模型以及第三初始模型进行训练，获得训练好的第一初始模型、训练好的第二初始模型以及训练好的第三初始模型；
将训练好的第一初始模型、训练好的第二初始模型以及训练好的第三初始模型中计算精度和稳定性最佳的模型，确定为烤烟烟叶含钾量估计模型。
具体地，获得训练好的第一初始模型、训练好的第二初始模型以及训练好的第三初始模型之后，可以以R²（R-squared，决定系数）、RMSE（Root Mean Squared Error，均方根误差）和MAPE（Mean Absolute Percentage Error，平均绝对百分比误差）等为评价指标，对训练好的第一初始模型、训练好的第二初始模型以及训练好的第三初始模型的计算精度和稳定性进行评价，进而可以将训练好的第一初始模型、训练好的第二初始模型以及训练好的第三初始模型中计算精度和稳定性最佳的模型，确定为烤烟烟叶含钾量估计模型。
其中，R²是衡量模型解释的变异量的指标，反映了因变量的波动有多少能够被自变量的波动所解释。其值范围从0到1。
RMSE衡量的是预测值与实际值之间差异的标准差。RMSE是MSE（均方误差）的平方根，用来衡量数据的离散程度。RMSE越小，表示模型的预测结果与真实值越接近，模型的性能越好。
MAPE是一个衡量预测准确性的指标，表现为预测值与实际值之差的绝对值，相对于实际值的比例，通常以百分比表示。MAPE越小，表示模型的预测精度越高。
本发明实施例通过基于待估计烤烟种植区域的多光谱影像，获取待估计烤烟种植区域中每一子区域内的待估计烤烟的烟叶钾素诊断指数之后，将每一子区域内的待估计烤烟的烟叶钾素诊断指数输入烤烟烟叶含钾量估计模型，获取烤烟烟叶含钾量估计模型输出的每一子区域内烤烟烟叶含钾量的估计值，能更准确、更高效以及更全面地估计大面积的烤烟种植区域内烤烟烟叶的含钾量，能更及时的发现大面积的烤烟种植区域内烤烟的缺钾情况，能为烤烟种植区域的钾肥管理工作提供数据基础，能提高烤烟种植区域钾肥管理工作的精准性和效率性，进而提高烤烟产量和品质，提高烤烟生产的效益。
作为一个可选地实施例，获取烤烟烟叶含钾量估计模型输出的每一子区域内烤烟烟叶含钾量的估计值之后，所述方法还包括：基于每一子区域内烤烟烟叶含钾量的估计值，绘制待估计烤烟种植区域对应的烤烟烟叶含钾量分布图。
需要说明的是，待估计烤烟种植区域全域地块尺度的烤烟烟叶含钾量分布图的绘制，是针对待估计烤烟种植区域中烤烟烟叶含钾量的整体监测和评估，旨在提供更全面、高效的待估计烤烟种植区域中烤烟烟叶含钾量以及缺钾情况的展示和管理依据。
传统的人工检测方式存在取样不均、耗时耗力的问题，难以覆盖大范围烤烟种植区域，并且难以快速获取全局信息。因此，基于本发明提供的烤烟烟叶含钾量估计方法获取待估计烤烟种植区域中每一子区域内烤烟烟叶含钾量的估计值之后，可以基于待估计烤烟种植区域中每一子区域内烤烟烟叶含钾量的估计值，通过数值计算、数理统计、条件判断以及深度学习技术等方式，绘制待估计烤烟种植区域全域地块尺度的烤烟烟叶含钾量分布图，从而实现对待估计烤烟种植区域内待估计烤烟烟叶含钾量以及缺钾情况的高分辨率、高频率监测，为农业管理决策提供更准确、全面的数据支持。
作为一个可选地实施例，基于每一子区域内烤烟烟叶含钾量的估计值，绘制待估计烤烟种植区域对应的烤烟烟叶含钾量分布图，包括：基于每一子区域内烤烟烟叶含钾量的估计值，确定每一子区域内烤烟烟叶的缺钾等级；
需要说明的是，缺乏直观可视的烤烟烟叶缺钾情况量化标准是烤烟种植领域内的一大挑战。在实际生产中，烤烟烟叶的含钾量通常以百分比表示，但这些数值对于烤烟种植领域的从业人员来说可能缺乏直观的理解和具体概念。这导致了烤烟种植领域的从业人员难以准确评估烤烟烟叶的缺钾情况，从而无法快速准确地判断烤烟植株的健康状况。
因此，亟需建立一个可操作、直观的缺钾等级划分标准。上述烤烟可以以更易于理解的等级形式呈现烤烟烟叶的缺钾情况，使得烤烟种植领域的从业人员能够直观地了解烤烟烟叶的含钾量。
上述缺钾等级划分标准有助于实现烤烟烟叶缺钾情况的快速识别和区分，并为针对不同缺钾等级制定相应的补钾方案提供了重要依据。因此，建立一套简明易懂的烤烟烟叶缺钾等级划分标准，对于有效管理和调控烤烟烟叶生长过程中的钾素供应至关重要。
缺钾等级划分标准具体如表1所示。
表1 缺钾等级划分标准
待估计烤烟种植区域中第个子区域内烤烟烟叶含钾量的估计值之后，可以基于表1，确定待估计烤烟种植区域中第/>个子区域内烤烟烟叶的缺钾等级。
在空白画布中每一子区域对应的区域内，填充每一子区域内烤烟烟叶的缺钾等级对应的颜色，获得待估计烤烟种植区域对应的烤烟烟叶含钾量分布图。
具体地，获取待估计烤烟种植区域中每一子区域内烤烟烟叶的缺钾等级之后，可以根据每一子区域内烤烟烟叶的缺钾等级，在空白画布中每一子区域对应的区域内，填充每一子区域内烤烟烟叶的缺钾等级对应的颜色，获得待估计烤烟种植区域对应的烤烟烟叶含钾量分布图。
图2是本发明提供的烤烟烟叶含钾量估计方法中待估计烤烟种植区域对应的烤烟烟叶含钾量分布图的示意图。
本发明实施例通过全域地块尺度的烤烟烟叶含钾量分布图的绘制，能有效识别和划分出不同地块区域的缺钾情况等级。烤烟烟叶含钾量分布图能够直观展示不同区域的烟叶缺钾等级分布情况，使农户和相关决策者能够在一个整体的视角下快速了解烤烟种植区域内的缺钾情况，有针对性地制定钾素补充措施，从而优化施肥方案和提高钾素利用效率。全域地块尺度的烤烟烟叶含钾量分布图的绘制，有助于推动智能化农业技术在烤烟种植领域的应用，提升农业管理的精准性和决策效率。
为了便于对本发明提供的烤烟烟叶含钾量估计方法的理解，以下通过一个实例对本发明提供的烤烟烟叶含钾量估计方法进行说明。图3是本发明提供的烤烟烟叶含钾估计方法的流程示意图之二。如图3所示，本发明提供的烤烟烟叶含钾估计方法包括：进行待估计烤烟种植区域内待估计烤烟烟叶含钾量估计的准备工作，确认待估计烤烟烟叶的生育期；
获取、处理与分析样本烤烟种植区域的无人机影像，获取样本烤烟种植区域内样本烤烟的烟叶钾素诊断指数，获取样本烤烟烟叶含钾量的实际值；
基于样本烤烟种植区域内样本烤烟的烟叶钾素诊断指数以及样本烤烟烟叶含钾量的实际值，获取烤烟烟叶含钾量估计模型；
获取、处理与分析待估计烤烟种植区域的无人机影像，获取待估计烤烟种植区域中每一子区域内待估计烤烟的烟叶钾素诊断指数，进而基于烤烟烟叶含钾量估计模型，获取待估计烤烟种植区域中每一子区域内烤烟烟叶含钾量的估计值；
根据待估计烤烟种植区域中每一子区域内烤烟烟叶含钾量的估计值，确定待估计烤烟种植区域中每一子区域内烤烟烟叶的缺钾等级；
根据待估计烤烟种植区域中每一子区域内烤烟烟叶的缺钾等级，绘制待估计烤烟种植区域对应的烤烟烟叶含钾量分布图。
本发明提供的烤烟烟叶含钾量估计方法，利用了无人机低空遥感技术，快速获取烤烟种植区域的影像，与传统人工检测相比，大幅缩短了监测周期，提高了监测效率。基于多光谱传感器采集到多光谱影像，全覆盖获取烤烟种植区域的光谱数据，能够准确刻画烤烟烟叶的生长情况，有助于全局性缺钾情况的评估。通过专门设计的算法，将多光谱影像与实验室样本测量结果结合，构建烤烟烟叶含钾量估计模型，能更准确地获取烤烟烟叶含钾量的估计值，进而能更准确划分出不同地块区域的缺钾等级。基于所获得数据，绘制出全域地块尺度的烤烟烟叶含钾量分布图，更直观展示了不同区域的缺钾情况，为农业管理和决策提供了可视化的依据。
图4是本发明提供的烤烟烟叶含钾量估计装置的结构示意图。下面结合图4对本发明提供的烤烟烟叶含钾量估计装置进行描述，下文描述的烤烟烟叶含钾量估计装置与上文描述的本发明提供的烤烟烟叶含钾量估计方法可相互对应参照。如图4所示，该装置包括：影像获取模块401、数据处理模块402和结果输出模块403。
影像获取模块401，用于获取待估计烤烟种植区域的多光谱影像，待估计烤烟种植区域中种植有待估计烤烟；
数据处理模块402，用于基于多光谱影像，获取待估计烤烟种植区域中每一子区域内的待估计烤烟的烟叶钾素诊断指数；
结果输出模块403，用于将每一子区域内的待估计烤烟的烟叶钾素诊断指数输入烤烟烟叶含钾量估计模型，获取烤烟烟叶含钾量估计模型输出的每一子区域内烤烟烟叶含钾量的估计值；
其中，烤烟烟叶含钾量估计模型，是基于样本烤烟种植区域对应的烟叶钾素诊断指数以及样本烤烟种植区域内样本烤烟烟叶含钾量的实际值训练得到的；待估计烤烟与样本烤烟处于相同的生育期。
具体地，影像获取模块401、数据处理模块402和结果输出模块403电连接。
可选地，数据处理模块402具体用于基于每一原始波段与样本烤烟烟叶含钾量的实际值之间的相关性，将与样本烤烟烟叶含钾量的实际值相关性最强的两个原始波段分别确定为敏感波段，各原始波段包括蓝光波段、绿光波段、红光波段、红边波段以及近红外波段；基于多光谱影像，获取每一子区域敏感波段的冠层光谱反射率；基于每一子区域敏感波段的冠层光谱反射率，计算得到每一子区域内的待估计烤烟的烟叶钾素诊断指数。
可选地，数据处理模块402进一步具体用于计算每一子区域第一敏感波段的冠层光谱反射率与第二敏感波段的冠层光谱反射率之差，作为每一子区域对应的第一中间结果，计算每一子区域第一敏感波段的冠层光谱反射率与第二敏感波段的冠层光谱反射率之和，作为每一子区域对应的第二中间结果；计算每一子区域对应的第一中间结果与第二中间结果之商，作为每一子区域内的待估计烤烟的烟叶钾素诊断指数。
可选地，影像获取模块401具体用于获取待估计烤烟种植区域的无人机影像；基于无人机影像，获取多光谱影像。
可选地，结果输出模块403还可以用于分别基于随机森林算法、支持向量机算法以及梯度提升算法构建第一初始模型、第二初始模型以及第三初始模型；以样本烤烟种植区域对应的烟叶钾素诊断指数为样本，以样本烤烟种植区域内样本烤烟烟叶含钾量的实际值为样本标签，分别对第一初始模型、第二初始模型以及第三初始模型进行训练，获得训练好的第一初始模型、训练好的第二初始模型以及训练好的第三初始模型；将训练好的第一初始模型、训练好的第二初始模型以及训练好的第三初始模型中计算精度和稳定性最佳的模型，确定为烤烟烟叶含钾量估计模型。
可选地，烤烟烟叶含钾量估计装置还可以包括图像绘制模块。
图像绘制模块用于基于每一子区域内烤烟烟叶含钾量的估计值，绘制待估计烤烟种植区域对应的烤烟烟叶含钾量分布图。
可选地，图像绘制模块具体用于基于每一子区域内烤烟烟叶含钾量的估计值，确定每一子区域内烤烟烟叶的缺钾等级；在空白画布中每一子区域对应的区域内，填充每一子区域内烤烟烟叶的缺钾等级对应的颜色，获得待估计烤烟种植区域对应的烤烟烟叶含钾量分布图。
本发明实施例中的烤烟烟叶含钾量估计装置，通过基于待估计烤烟种植区域的多光谱影像，获取待估计烤烟种植区域中每一子区域内的待估计烤烟的烟叶钾素诊断指数之后，将每一子区域内的待估计烤烟的烟叶钾素诊断指数输入烤烟烟叶含钾量估计模型，获取烤烟烟叶含钾量估计模型输出的每一子区域内烤烟烟叶含钾量的估计值，能更准确、更高效以及更全面地估计大面积的烤烟种植区域内烤烟烟叶的含钾量，能更及时的发现大面积的烤烟种植区域内烤烟的缺钾情况，能为烤烟种植区域的钾肥管理工作提供数据基础，能提高烤烟种植区域钾肥管理工作的精准性和效率性，进而提高烤烟产量和品质，提高烤烟生产的效益。
图5示例了一种电子设备的实体结构示意图，如图5所示，该电子设备可以包括：处理器（processor）510、通信接口（Communications Interface）520、存储器（memory）530和通信总线540，其中，处理器510，通信接口520，存储器530通过通信总线540完成相互间的通信。处理器510可以调用存储器530中的逻辑指令，以执行烤烟烟叶含钾量估计方法，该方法包括：获取待估计烤烟种植区域的多光谱影像，待估计烤烟种植区域中种植有待估计烤烟；基于多光谱影像，获取待估计烤烟种植区域中每一子区域内的待估计烤烟的烟叶钾素诊断指数；将每一子区域内的待估计烤烟的烟叶钾素诊断指数输入烤烟烟叶含钾量估计模型，获取烤烟烟叶含钾量估计模型输出的每一子区域内烤烟烟叶含钾量的估计值；其中，烤烟烟叶含钾量估计模型，是基于样本烤烟种植区域对应的烟叶钾素诊断指数以及样本烤烟种植区域内样本烤烟烟叶含钾量的实际值训练得到的；待估计烤烟与样本烤烟处于相同的生育期。
此外，上述的存储器530中的逻辑指令可以通过软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。基于这样的理解，本发明的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质中，包括若干指令用以使得一台计算机设备（可以是个人计算机，服务器，或者网络设备等）执行本发明各个实施例所述方法的全部或部分步骤。而前述的存储介质包括：U盘、移动硬盘、只读存储器（ROM，Read-Only Memory）、随机存取存储器（RAM，Random Access Memory）、磁碟或者光盘等各种可以存储程序代码的介质。
另一方面，本发明还提供一种计算机程序产品，所述计算机程序产品包括计算机程序，计算机程序可存储在非暂态计算机可读存储介质上，所述计算机程序被处理器执行时，计算机能够执行上述各方法所提供的烤烟烟叶含钾量估计方法，该方法包括：获取待估计烤烟种植区域的多光谱影像，待估计烤烟种植区域中种植有待估计烤烟；基于多光谱影像，获取待估计烤烟种植区域中每一子区域内的待估计烤烟的烟叶钾素诊断指数；将每一子区域内的待估计烤烟的烟叶钾素诊断指数输入烤烟烟叶含钾量估计模型，获取烤烟烟叶含钾量估计模型输出的每一子区域内烤烟烟叶含钾量的估计值；其中，烤烟烟叶含钾量估计模型，是基于样本烤烟种植区域对应的烟叶钾素诊断指数以及样本烤烟种植区域内样本烤烟烟叶含钾量的实际值训练得到的；待估计烤烟与样本烤烟处于相同的生育期。
又一方面，本发明还提供一种非暂态计算机可读存储介质，其上存储有计算机程序，该计算机程序被处理器执行时实现以执行上述各方法提供的烤烟烟叶含钾量估计方法，该方法包括：获取待估计烤烟种植区域的多光谱影像，待估计烤烟种植区域中种植有待估计烤烟；基于多光谱影像，获取待估计烤烟种植区域中每一子区域内的待估计烤烟的烟叶钾素诊断指数；将每一子区域内的待估计烤烟的烟叶钾素诊断指数输入烤烟烟叶含钾量估计模型，获取烤烟烟叶含钾量估计模型输出的每一子区域内烤烟烟叶含钾量的估计值；其中，烤烟烟叶含钾量估计模型，是基于样本烤烟种植区域对应的烟叶钾素诊断指数以及样本烤烟种植区域内样本烤烟烟叶含钾量的实际值训练得到的；待估计烤烟与样本烤烟处于相同的生育期。
以上所描述的装置实施例仅仅是示意性的，其中所述作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部模块来实现本实施例方案的目的。本领域普通技术人员在不付出创造性的劳动的情况下，即可以理解并实施。
通过以上的实施方式的描述，本领域的技术人员可以清楚地了解到各实施方式可借助软件加必需的通用硬件平台的方式来实现，当然也可以通过硬件。基于这样的理解，上述技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来，该计算机软件产品可以存储在计算机可读存储介质中，如ROM/RAM、磁碟、光盘等，包括若干指令用以使得一台计算机设备（可以是个人计算机，服务器，或者网络设备等）执行各个实施例或者实施例的某些部分所述的方法。
最后应说明的是：以上实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围。
Claims (10)
1.一种烤烟烟叶含钾量估计方法，其特征在于，包括：
获取待估计烤烟种植区域的多光谱影像，所述待估计烤烟种植区域中种植有待估计烤烟；
基于所述多光谱影像，获取所述待估计烤烟种植区域中每一子区域内的待估计烤烟的烟叶钾素诊断指数；
将每一所述子区域内的待估计烤烟的烟叶钾素诊断指数输入烤烟烟叶含钾量估计模型，获取所述烤烟烟叶含钾量估计模型输出的每一所述子区域内烤烟烟叶含钾量的估计值；
其中，所述烤烟烟叶含钾量估计模型，是基于样本烤烟种植区域对应的烟叶钾素诊断指数以及所述样本烤烟种植区域内样本烤烟烟叶含钾量的实际值训练得到的；所述待估计烤烟与所述样本烤烟处于相同的生育期。
2.根据权利要求1所述的烤烟烟叶含钾量估计方法，其特征在于，所述基于所述多光谱影像，获取所述待估计烤烟种植区域中每一子区域内的待估计烤烟的烟叶钾素诊断指数，包括：
基于每一原始波段与所述样本烤烟烟叶含钾量的实际值之间的相关性，将与所述样本烤烟烟叶含钾量的实际值相关性最强的两个所述原始波段分别确定为敏感波段，各所述原始波段包括蓝光波段、绿光波段、红光波段、红边波段以及近红外波段；
基于所述多光谱影像，获取每一所述子区域所述敏感波段的冠层光谱反射率；
基于每一所述子区域所述敏感波段的冠层光谱反射率，计算得到每一所述子区域内的待估计烤烟的烟叶钾素诊断指数。
3.根据权利要求2所述的烤烟烟叶含钾量估计方法，其特征在于，所述敏感波段包括第一敏感波段和第二敏感波段，所述基于每一所述子区域所述敏感波段的冠层光谱反射率，计算得到每一所述子区域内的待估计烤烟的烟叶钾素诊断指数，包括：
计算每一所述子区域第一敏感波段的冠层光谱反射率与第二敏感波段的冠层光谱反射率之差，作为每一所述子区域对应的第一中间结果，计算每一所述子区域第一敏感波段的冠层光谱反射率与第二敏感波段的冠层光谱反射率之和，作为每一所述子区域对应的第二中间结果；
计算每一所述子区域对应的第一中间结果与第二中间结果之商，作为每一所述子区域内的待估计烤烟的烟叶钾素诊断指数。
4.根据权利要求1所述的烤烟烟叶含钾量估计方法，其特征在于，所述将每一所述子区域内的待估计烤烟的烟叶钾素诊断指数输入烤烟烟叶含钾量估计模型之前，所述方法还包括：
分别基于随机森林算法、支持向量机算法以及梯度提升算法构建第一初始模型、第二初始模型以及第三初始模型；
以所述样本烤烟种植区域对应的烟叶钾素诊断指数为样本，以所述样本烤烟种植区域内样本烤烟烟叶含钾量的实际值为样本标签，分别对所述第一初始模型、所述第二初始模型以及所述第三初始模型进行训练，获得训练好的第一初始模型、训练好的第二初始模型以及训练好的第三初始模型；
将所述训练好的第一初始模型、所述训练好的第二初始模型以及所述训练好的第三初始模型中计算精度和稳定性最佳的模型，确定为所述烤烟烟叶含钾量估计模型。
5.根据权利要求1所述的烤烟烟叶含钾量估计方法，其特征在于，所述获取待估计烤烟种植区域的多光谱影像，包括：
获取所述待估计烤烟种植区域的无人机影像；
基于所述无人机影像，获取所述多光谱影像。
6.根据权利要求1至5任一所述的烤烟烟叶含钾量估计方法，其特征在于，所述获取所述烤烟烟叶含钾量估计模型输出的每一所述子区域内烤烟烟叶含钾量的估计值之后，所述方法还包括：
基于每一所述子区域内烤烟烟叶含钾量的估计值，绘制所述待估计烤烟种植区域对应的烤烟烟叶含钾量分布图。
7.根据权利要求6所述的烤烟烟叶含钾量估计方法，其特征在于，所述基于每一所述子区域内烤烟烟叶含钾量的估计值，绘制所述待估计烤烟种植区域对应的烤烟烟叶含钾量分布图，包括：
基于每一所述子区域内烤烟烟叶含钾量的估计值，确定每一所述子区域内烤烟烟叶的缺钾等级；
在空白画布中每一所述子区域对应的区域内，填充每一所述子区域内烤烟烟叶的缺钾等级对应的颜色，获得所述待估计烤烟种植区域对应的烤烟烟叶含钾量分布图。
8.一种烤烟烟叶含钾量估计装置，其特征在于，包括：
影像获取模块，用于获取待估计烤烟种植区域的多光谱影像，所述待估计烤烟种植区域中种植有待估计烤烟；
数据处理模块，用于基于所述多光谱影像，获取所述待估计烤烟种植区域中每一子区域内的待估计烤烟的烟叶钾素诊断指数；
结果输出模块，用于将每一所述子区域内的待估计烤烟的烟叶钾素诊断指数输入烤烟烟叶含钾量估计模型，获取所述烤烟烟叶含钾量估计模型输出的每一所述子区域内烤烟烟叶含钾量的估计值；
其中，所述烤烟烟叶含钾量估计模型，是基于样本烤烟种植区域对应的烟叶钾素诊断指数以及所述样本烤烟种植区域内样本烤烟烟叶含钾量的实际值训练得到的；所述待估计烤烟与所述样本烤烟处于相同的生育期。
9.一种电子设备，包括存储器、处理器及存储在所述存储器上并可在所述处理器上运行的计算机程序，其特征在于，所述处理器执行所述程序时实现如权利要求1至7任一项所述烤烟烟叶含钾量估计方法。
10.一种非暂态计算机可读存储介质，其上存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现如权利要求1至7任一项所述烤烟烟叶含钾量估计方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202410637619.7A CN118209502A (zh) | 2024-05-22 | 2024-05-22 | 烤烟烟叶含钾量估计方法、装置、电子设备及存储介质 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202410637619.7A CN118209502A (zh) | 2024-05-22 | 2024-05-22 | 烤烟烟叶含钾量估计方法、装置、电子设备及存储介质 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN118209502A true CN118209502A (zh) | 2024-06-18 |
Family
ID=91446585
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202410637619.7A Pending CN118209502A (zh) | 2024-05-22 | 2024-05-22 | 烤烟烟叶含钾量估计方法、装置、电子设备及存储介质 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN118209502A (zh) |
Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| DE3428966A1 (de) * | 1984-08-06 | 1986-02-06 | Institut po Techničeska Kibernetika i Robotika, Sofia/Sofija | Verfahren und vorrichtung zum sortieren von tabakblaettern |
| CN104593497A (zh) * | 2015-01-15 | 2015-05-06 | 湖南农业大学 | 用于快速检测烤烟烟叶钾含量高低的分子标记、引物、试剂盒和检测方法 |
| CN111912793A (zh) * | 2020-08-21 | 2020-11-10 | 河南农业大学 | 利用高光谱测量烟草中镉含量的方法及预测模型的建立 |
| CN112697724A (zh) * | 2020-12-09 | 2021-04-23 | 云南省烟草农业科学研究院 | 基于无人机高光谱田间烟叶氧化钾含量预测方法及*** |
| CN113237836A (zh) * | 2021-05-10 | 2021-08-10 | 福建省烟草公司南平市公司 | 一种基于高光谱图像的烤烟叶水分含量估测方法 |
| US20240013380A1 (en) * | 2022-07-08 | 2024-01-11 | Hubei Provincial Tobacco Research Institute | Cigar tobacco leaf harvesting maturity identification method and system based on integrated learning |
-
2024
- 2024-05-22 CN CN202410637619.7A patent/CN118209502A/zh active Pending
Patent Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| DE3428966A1 (de) * | 1984-08-06 | 1986-02-06 | Institut po Techničeska Kibernetika i Robotika, Sofia/Sofija | Verfahren und vorrichtung zum sortieren von tabakblaettern |
| CN104593497A (zh) * | 2015-01-15 | 2015-05-06 | 湖南农业大学 | 用于快速检测烤烟烟叶钾含量高低的分子标记、引物、试剂盒和检测方法 |
| CN111912793A (zh) * | 2020-08-21 | 2020-11-10 | 河南农业大学 | 利用高光谱测量烟草中镉含量的方法及预测模型的建立 |
| CN112697724A (zh) * | 2020-12-09 | 2021-04-23 | 云南省烟草农业科学研究院 | 基于无人机高光谱田间烟叶氧化钾含量预测方法及*** |
| CN113237836A (zh) * | 2021-05-10 | 2021-08-10 | 福建省烟草公司南平市公司 | 一种基于高光谱图像的烤烟叶水分含量估测方法 |
| US20240013380A1 (en) * | 2022-07-08 | 2024-01-11 | Hubei Provincial Tobacco Research Institute | Cigar tobacco leaf harvesting maturity identification method and system based on integrated learning |
Non-Patent Citations (1)
| Title |
|---|
| 李梦竹等: "不同水分胁迫程度下烤烟叶片钾含量的光谱响应", 中国烟草学报, vol. 26, no. 4, 14 August 2020 (2020-08-14), pages 86 - 92 * |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Qiao et al. | UAV-based chlorophyll content estimation by evaluating vegetation index responses under different crop coverages | |
| Feng et al. | Yield estimation in cotton using UAV-based multi-sensor imagery | |
| Qi et al. | Monitoring of peanut leaves chlorophyll content based on drone-based multispectral image feature extraction | |
| Munnaf et al. | Site-specific seeding using multi-sensor and data fusion techniques: A review | |
| US20150206255A1 (en) | Method and system to prescribe variable seeding density across a cultivated field using remotely sensed data | |
| CN110376167A (zh) | 基于无人机高光谱的水稻叶片氮含量监测方法 | |
| CN111399508A (zh) | 智慧农业***和智慧农业方法 | |
| CN104408307B (zh) | 田间小麦白粉病发病程度的快速监测方法及其监测模型的构建方法 | |
| Liu et al. | Estimating potato above-ground biomass by using integrated unmanned aerial system-based optical, structural, and textural canopy measurements | |
| CN112903600A (zh) | 一种基于固定翼无人机多光谱影像的水稻氮肥推荐方法 | |
| CN111028096A (zh) | 一种天、空、地一体化数据融合的***和方法 | |
| CN111316802B (zh) | 基于大型喷灌机的作物水肥监测方法、装置、设备及介质 | |
| 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*** | |
| Guo et al. | Identifying crop phenology using maize height constructed from multi-sources images | |
| CN109752487A (zh) | 冬小麦叶片氮素含量预估方法及装置 | |
| CN116485757A (zh) | 一种冬小麦全氮含量预测方法 | |
| Zhai et al. | CatBoost algorithm for estimating maize above-ground biomass using unmanned aerial vehicle-based multi-source sensor data and SPAD values | |
| Bao et al. | Forecasting spring maize yield using vegetation indices and crop phenology metrics from UAV observations | |
| CN117074340A (zh) | 一种基于无人机高光谱遥感图像的小麦氮含量测算方法 | |
| Pasichnyk et al. | Remote field monitoring results feasibility assessment for energy crops yield management. | |
| CN118209502A (zh) | 烤烟烟叶含钾量估计方法、装置、电子设备及存储介质 | |
| CN115496999A (zh) | 田间立地秸秆产量估计方法及装置 | |
| Taira | Information and communication technology in agriculture | |
| CN116297243B (zh) | 烤烟氮肥追施量估计方法、装置、电子设备及存储介质 | |
| Sweet et al. | Plant height defined growth curves during vegetative development have the potential to predict end of season maize yield and assist with mid-season management decisions |
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 |