一种油菜叶片氮素含量遥感估算模型方法技术

本发明专利技术公开了一种油菜叶片氮素含量遥感估算模型方法，包括：（１）测得油菜叶片光谱反射率和氮素含量，进行各叶片光谱参数和氮素含量的相关分析，确定叶片氮素含量特征波段；（２）应用传统回归方法和人工智能技术，建立油菜叶片氮素含量的遥感估算模型；（３）采用结果验证指标，确定油菜叶片氮素含量的各光谱参数估算最佳模型；（４）比较油菜叶片氮素含量的各光谱参数估算最佳模型的验证结果，再确定一种最佳的油菜叶片氮素含量的遥感估算模型。本发明专利技术的有益之处在于：本发明专利技术利用叶片光谱参数，应用传统回归方法和人工智能技术，提供了一种油菜叶片氮素含量遥感估算模型方法，快速准确监测了油菜叶片淡素含量。

【技术实现步骤摘要】

本专利技术涉及一种基于油菜叶片光谱的氮素含量遥感估算方法，具体地说， 本专利技术采用多种人工智能技术与光谱参数相结合，建立了一种优于传统统计方 法的氮素含量遥感估算方法。
技术介绍
叶片光谱分析能克服常规化学分析的弊端，它具有非破坏性、分析时间短、 不需要化学药品、操作简单、自动化程度高等优点。叶片光谱不像冠层光谱要 受冠层形态、观测和辐射几何角度、土壤背景以及测量环境等诸多因素的影响， 可以获得相对理想的实验数据。叶片的光谱特征与叶片氮素含量和植物营养状 况密切相关，通过分析研究植物叶片光谱的特征，可以帮助我们理解光谱吸收 特征的生物学意义，为运用遥感手段估算植物生化组成及含量提供依据。因此， 许多研究人员致力于叶片光谱特性及其与生化组分含量的相关关系研究，寻求 高准确度和精确度的叶片氮素含量的遥感估算模型。氮素遥感估算方法在水稻、小麦、玉米和棉花等作物上已有研究，而对油菜的研究鲜见报道；对于作物氮素含量遥感估算研究主要采用光谱的反射率及 其变换形式以及光谱植被指数，小部分研究采用了红边参数，主要应用逐步回 归分析方法和最小二乘法等数学统计模型，人工智能方法在作物氮素含量遥感 估算研究上的应用并不多，目前，主要采用的人工智能方法是在其它研究领域 已广泛应用的BP神经网络，其他运算更为稳定的人工智能方法，如径向基函 数神经网络(RBF)、支持向量机(SVM)在氮素遥感估算方法研究中还未得到深入 开展。
技术实现思路
如何利用叶片光谱参数，得到快速准确监测油菜叶片淡素含量的目的，是 本专利技术所要解决得的技术问题。为此，本专利技术目的是在于应用传统回归方法和 人工智能技术，提供一种最佳的油菜叶片氮素含量遥感估算模型方法。3本专利技术的技术方案如下根据本专利技术的一种油菜叶片氮素含量遥感估算模 型方法，其步骤包括(1) 采用试验测得的油菜叶片光谱反射率和氮素含量，进行各叶片光谱 参数和氮素含量的相关分析，确定叶片氮素含量特征波段。所用的光谱参数包 括光谱反射率、光谱植被指数和光谱红边参数。(2) 应用传统回归方法和人工智能技术，建立油菜叶片氮素含量的遥感 估算模型。所用的人工智能技术包括BP神经网络方法、RBF神经网络方法和 支持向量机方法；所建立的叶片氮素含量的遥感估算模型包括叶片氮素含量的光谱反射率估算模型、光谱植被指数估算模型和光谱红边参数估算模型。(3) 采用结果验证指标，比较不同方法建立的油菜叶片氮素含量的各光 谱参数估算模型，确定油菜叶片氮素含量的各光谱参数估算最佳模型。所用的 验证指标包括决定系数r2、均方根误差(麵SE)和T值检验。(4) 比较油菜叶片氮素含量的各光谱参数估算最佳模型的验证结果，再 确定一种综合最佳的油菜叶片氮素含量的遥感估算模型。BP神经网络方法、RBF神经网络方法和支持向量机方法的具体算法为 1. BP神经网络方法。误差后传神经网络(BP)是一种单向传播的多层前 向网络，分别为输入层、隐藏层和输出层。BP神经网络应用包括网络结构的 确定、网络训练和模拟等主要过程。确定网络结构包括确定输入层和输出层神 经元数、隐藏层层数、隐藏层神经元数、训练迭代数等。网络训练由若干迭代 实现， 一个迭代包括数据正向传播和误差后向传播两个过程，正向传播过程指 输入数据从输入层经过隐藏层逐层处理并传向输出层的过程，下一层的每个神 经元的值(O)是由上一层每个神经元值(xO和相应连接权重(w')乘积的 总和代入一个转换函数(/)计算得到，层间数据转换计算公式如下2. RBF神经网络模型。RBF神经网络的结构与多层前向神经网络类似，有 输入层、隐含层和输出层三层。输入层是输入信号节点；第二层为隐含层，由 一组节点组成，每个节点有一个参数，称为中心，节点计算网络输入向量与中 心之间的欧氏距离，然后通过一个非线性函数产生该节点的输出；第三层为输 出层，它将隐含层各节点的输出进行线性组合。RBF神经网络的输入一输出响应为/H"，艮卩<formula>formula see original document page 5</formula>其中，x = e^^为输入向量；-C)为径向基函数RBF,聘取为非线樣函数，IWI表示范数，通常取为欧几里德(EuclidearO范数， 'p为RBF的中心，-W对中心点径向对称， 为径向基函数:及的宽度，,为第j个基函数输出与第i个输出节点的连接权值，h为隐层节点的数量，输出层有m个节点，乂")为网络的第i个输出量。径向基函数"—可 选择的非线性函数主要有高斯函数、薄板样条函数、多二次函数、逆多二次函3.支持向量机模型。SVM是从线性可分情况下的最优超平面发展而来的， 基本思想可用两类线性可分情况说明，结构风险最小化是SVM的核心思想。分 类间隔是两类中离分类超平面最近的样本且平行于分类超平面的两个超平面 间的距离，或者说是从分类超平面到两类样本中最近样本的距离的和，这些最 近样本可能不止2个，正是它们决定了分类超平面，也就是确定了最优分类超 平面，这些样本就是所谓的支持向量(Support Vectors)， 一组支持向量可以唯一确定一个超平面。其超平面记为(wt)+^:0，对它进行归一化，使得对线性可分的样本集满足以下约束条件<formula>formula see original document page 5</formula>其最优解为下列Lagrange函数的鞍点 <formula>formula see original document page 5</formula>其中ai为非负的Lagrange乘数。利用Lagrange优化方法可以将上述」次规划问题转化为其对偶问题，即在约束条件<formula>formula see original document page 5</formula>进一步，所述步骤S3中采用了决定系数r2、均方根误差(RMSE)和T值检验等三个验证指标选择最佳结果。RMSE和T值计算表达式如下-其中X'为预测值，^'为实际值，n为样本数，f为样本实测值^'的平均值。概括起来，本专利技术的叶片水平的油菜氮素含量估算方法的依据是作物叶片 的遥感光谱特性，作物的生化参数信息是可以通过作物遥感光谱特性快速并在 不破坏作物组分前提下获取的。本专利技术的有益效果本专利技术利用叶片光谱参数，应用传统回归方法和人工 智能技术，提供了，快速准确监测了 油菜叶片淡素含量。附图说明图1为本专利技术实施例的油菜叶片氮素含量与其反射率R及其倒数对数的一阶微分转化形式(log(l/R))'相关系数；图2为油菜叶片氮素含量和窄波段NDVI相关系数矩阵图(全时期)； 图3为油菜叶片氮素含量和窄波段RVI相关系数矩阵图(全时期)； 图4为本专利技术实施例最终确定的最佳估算模型，即基于RBF神经网络的油 菜叶片氮素含量高光谱反射率估算模型验证结果；图5为本专利技术的油菜叶片水平氮素含量遥感估算方法最佳模型确定流程图。具体实施例方式下面结合实施例来说明本专利技术的技术方案下面根据图1至图5给出本专利技术的一个实施例，即完成一个油菜生长期叶 片氮素含量遥感估算最佳模型的获取。要指出的是，所给出的实施例是为本文档来自技高网...

【技术保护点】
一种油菜叶片氮素含量遥感估算模型方法，其特征在于包括以下步骤：　（１）测得油菜叶片光谱反射率和氮素含量，进行各叶片光谱参数和氮素含量的相关分析，确定叶片氮素含量特征波段；　（２）应用传统回归方法和人工智能技术，建立油菜叶片氮素含 量的遥感估算模型；　（３）采用结果验证指标，比较不同方法建立的油菜叶片氮素含量的各光谱参数估算模型，确定油菜叶片氮素含量的各光谱参数估算最佳模型；　（４）比较油菜叶片氮素含量的各光谱参数估算最佳模型的验证结果，再确定一种最佳的油 菜叶片氮素含量的遥感估算模型。

【技术特征摘要】

【专利技术属性】
技术研发人员：王渊，黄敬峰，
申请(专利权)人：浙江大学，
类型：发明
国别省市：86[中国|杭州]