一种基于高光谱特征参数的马铃薯叶片含水量监测方法技术

本发明专利技术公开了一种基于高光谱特征参数的马铃薯叶片含水量监测方法，包括表征马铃薯叶片含水量的特征高光谱筛选，以及基于特征高光谱分别利用PLSR和BP神经网络构建的马铃薯叶片含水量监测模型；该模型均在不同土壤供水条件下，能够实时、快速、无损地监测出马铃薯植株叶片水分状况。其中，PLSR法构建的马铃薯叶片含水量监测模型更直观、可视化、容易推广应用；而BP神经网络构建的模型虽无可视化，但计算快速、精度高；生产中可根据不同需求选择适宜的马铃薯叶片水分监测方法；本发明专利技术是马铃薯分生育时期节水灌溉推荐的优化模型基础，同时也实现了马铃薯生产和水资源高效利用并重的农业绿色可持续发展。

【技术实现步骤摘要】
一种基于高光谱特征参数的马铃薯叶片含水量监测方法
本专利技术涉及农作物灌溉技术与遥感领域，具体涉及一种基于高光谱特征参数的马铃薯叶片含水量监测方法。
技术介绍
马铃薯，属茄科、一年生草本植物，块茎可供食用，是全球第四大重要的粮食作物，仅次于小麦、水稻和玉米，而内蒙古地区是我国马铃薯主产区之一，为了确保马铃薯能够正常生长，其需水量是比较大的，但内蒙古地区属于我国的北方地区，气候干燥降雨量少，导致该地区水资源严重匮乏，而马铃薯在缺水条件下，块茎小、数量少，会严重影响其产量。在此背景下，如何高效利用有限水资源、节约农业用水成为人们追求的主要目标，而最为传统的方式就是灌溉，灌溉是非常浪费水资源、成本的一种方式，一般是定期灌溉，然而，北方天气干燥，日照充足，土壤水分蒸发较快，灌溉后大部分的水量会被日照蒸发消耗，对于产量的提升是非常有限的，若通过增加灌溉频率，则不仅提高作为重要粮食作物的马铃薯栽培成本，而且降低水分利用效率的同时直接影响老百姓的生活成本继续增长。而若能有一种可实时监测出马铃薯植株水分状况，供应合理、适量水分的方法，就能保证马铃薯获得高产及优质的块茎，并对上述问题的解决具有十分重要意义。
技术实现思路
有鉴于此，本专利技术的目的在于提供一种基于高光谱特征参数的马铃薯叶片含水量监测方法，利用PLSR和BP神经网络构建的马铃薯叶片含水量监测模型；该两种方法在不同土壤供水条件下，均能实时监测出马铃薯叶片含水量，生产中可根据不同需求选择适宜的马铃薯叶片水分监测方法，从而根据其实时参数进行合理供水；本专利技术是马铃薯分生育时期节水灌溉推荐的优化模型基础，同时也实现了马铃薯生产和水资源高效利用并重的农业绿色可持续发展。第一方面，本专利技术提供了一种基于高光谱特征参数的马铃薯叶片含水量监测方法，该方法采用偏最小二乘回归法能够实时、快速的监测出马铃薯叶片含水量，包括如下步骤：第一步：获取马铃薯冠层叶片高光谱实测数据，既高光谱反射率，然后使用EXCEL和ORIGIN软件计算出高光谱数据的光谱指数和一阶导数；基于Matlab统计分析软件，采用连续投影算法筛选并构建由光谱反射率、光谱指数和一阶导数组成的特征高光谱数据库；特征高光谱数据库包括：X1=R337、X2=R399、X3=R551、X4=R672、X5=R694、X6=R1009、X7=R1131、X8=R1352、X9=R1388、X10=R1411、X11=R1668、X12=R2491，X13=Ρr、X14=EVI、X15=Mr/My、X16=NDII、X17=WBI、X18=NDρg/ρr、X19=PSRI、X20=NDWI、X21=MSI、X22=SR、X23=Msr705、X24=VOG1、X25=VOG2、X26=VOG3、X27=NDVI、X28=NDVI705、X29=Dρg，X30=D461、X31=D554、X32=D585、X33=D879、X34=D991、X35=D1134、X36=D1363、X37=D1372、X38=D1395、X39=D1504、X40=D1809、X41=D2230、X42=D2394其中，R表示该波段的高光谱反射率；D表示该波段的一阶导数；第二步：将上述筛选的特征高光谱数据库，按序代入到下列公式中，以此构建马铃薯叶片含水量监测模型；其中，公式为Y=134.4039-7.0688X1+5.9064X2-12.5501X3-8.9370X4-2.0837X5+0.5080X6+0.0335X7+0.0015X8-0.3777X9+0.2901X10-0.5238X11+0.0350X12+5.8536X13+60.1427X14-3.2303X15-1.9036X16+87.3054X17+69.5774X18+987.224X19-77.9881X20-20.5335X21-0.5138X22+11.5457X23-2.2882X24-124.521X25+125.8303X26-328.765X27-50.1144X28+13.5310X29+89.2984X30-79.7956X31+16.3523X32+4.2422X33-5.1212X34+12.6996X35+4.4301X36+3.7904X37+0.2899X38+80.8366X39+5.5654X40+9.2622X41+0.0811X42第三步：将第二步所构建的监测模型进行计算，计算出Y，即可得出预测的马铃薯叶片含水量值。第二方面，本专利技术还提供了另一种基于特征高光谱数据库的马铃薯叶片含水量监测方法，该方法采用BP神经网络法对马铃薯的叶片含水量进行预测，其包括如下步骤：获取马铃薯冠层叶片高光谱实测数据，既高光谱反射率，然后使用EXCEL和ORIGIN软件计算出高光谱数据的光谱指数和一阶导数；基于Matlab统计分析软件，采用连续投影算法筛选并构建由高光谱反射率、光谱指数和一阶导数组成的特征高光谱数据库；特征高光谱数据库包括：X1=R337、X2=R399、X3=R551、X4=R672、X5=R694、X6=R1009、X7=R1131、X8=R1352、X9=R1388、X10=R1411、X11=R1668、X12=R2491，X13=Ρr、X14=EVI、X15=Mr/My、X16=NDII、X17=WBI、X18=NDρg/ρr、X19=PSRI、X20=NDWI、X21=MSI、X22=SR、X23=Msr705、X24=VOG1、X25=VOG2、X26=VOG3、X27=NDVI、X28=NDVI705、X29=Dρg，X30=D461、X31=D554、X32=D585、X33=D879、X34=D991、X35=D1134、X36=D1363、X37=D1372、X38=D1395、X39=D1504、X40=D1809、X41=D2230、X42=D2394其中，R表示该波段的高光谱反射率；D表示该波段的一阶导数；运用筛选的特征高光谱数据库采用BP神经网络法建模，同时运用验证数据集进行验证，获得精度（R-squared）较高的10个模型；为了避免陷入局部异常值，使用整体数据集再次进行上述10个模型的二次验证，同时也得到相应的R-squared值；通过两次验证的R-squared，确定最佳水分监测模型；在METLAB环境下，利用最佳水分监测模型（即基于软件的一段程序）进行马铃薯叶片含水量的预测，预测过程包含划分数据集、数据归一化、模型计算、反归一化处理，即可获得相应的叶片含水量预测值，用于马铃薯植株水分状况的实时监测。本专利技术的有益效果在于：采用本专利技术的技术方案，可以针对该地区水资源短缺实况，及时准确监测马铃薯植株水分状况，并根据缺水信息实施精量控制灌水，不仅对该地区马铃薯水分高效管理极具现实意义，且具有重要战略意义。本专利技术提出了第一种方案是利用PLSR法构建马铃薯叶片含水量监测模型；该方法特点是直观、可视化、操作简便。本文档来自技高网...

【技术保护点】
1.一种基于高光谱特征参数的马铃薯叶片含水量监测方法，其特征在于，包括如下步骤：/n第一步：获取马铃薯冠层叶片高光谱实测数据，既高光谱反射率，然后使用EXCEL和ORIGIN软件计算出高光谱数据的光谱指数和一阶导数；基于Matlab统计分析软件，采用连续投影算法筛选并构建由高光谱反射率、光谱指数和一阶导数组成的特征高光谱数据库；/n特征高光谱数据库包括：X1=R337、X2=R399、X3=R551、X4=R672、X5=R694、X6=R1009、X7=R1131、X8=R1352、X9=R1388、X10=R1411、X11=R1668、X12=R2491，X13=Ρr、X14= EVI、X15=Mr/My、X16= NDII、X17= WBI、X18= NDρg/ρr、X19= PSRI、X20= NDWI、X21= MSI、X22= SR、X23= Msr705、X24= VOG1、X25= VOG2、X26= VOG3、X27= NDVI、X28= NDVI705、X29= Dρg，X30=D461、X31=D554、X32=D585、X33=D879、X34=D991、X35=D1134、X36=D1363、X37=D1372、X38=D1395、X39=D1504、X40=D1809、X41=D2230、X42=D2394/n其中，R表示该波段的高光谱反射率；D表示该波段的一阶导数；/n第二步：将上述筛选的特征高光谱数据库，按序代入到下列公式中，采用偏最小二乘法构建马铃薯叶片含水量监测模型；/n 其中，公式为Y=134.4039-7.0688 X...

【技术特征摘要】
1.一种基于高光谱特征参数的马铃薯叶片含水量监测方法，其特征在于，包括如下步骤：
第一步：获取马铃薯冠层叶片高光谱实测数据，既高光谱反射率，然后使用EXCEL和ORIGIN软件计算出高光谱数据的光谱指数和一阶导数；基于Matlab统计分析软件，采用连续投影算法筛选并构建由高光谱反射率、光谱指数和一阶导数组成的特征高光谱数据库；
特征高光谱数据库包括：X1=R337、X2=R399、X3=R551、X4=R672、X5=R694、X6=R1009、X7=R1131、X8=R1352、X9=R1388、X10=R1411、X11=R1668、X12=R2491，X13=Ρr、X14=EVI、X15=Mr/My、X16=NDII、X17=WBI、X18=NDρg/ρr、X19=PSRI、X20=NDWI、X21=MSI、X22=SR、X23=Msr705、X24=VOG1、X25=VOG2、X26=VOG3、X27=NDVI、X28=NDVI705、X29=Dρg，X30=D461、X31=D554、X32=D585、X33=D879、X34=D991、X35=D1134、X36=D1363、X37=D1372、X38=D1395、X39=D1504、X40=D1809、X41=D2230、X42=D2394
其中，R表示该波段的高光谱反射率；D表示该波段的一阶导数；
第二步：将上述筛选的特征高光谱数据库，按序代入到下列公式中，采用偏最小二乘法构建马铃薯叶片含水量监测模型；
其中，公式为Y=134.4039-7.0688X1+5.9064X2-12.5501X3-8.9370X4-2.0837X5+0.5080X6+0.0335X7+0.0015X8-0.3777X9+0.2901X10-0.5238X11+0.0350X12+5.8536X13+60.1427X14-3.2303X15-1.9036X16+87.3054X17+69.5774X18+987.224X19-77.9881X20-20.5335X21-0.5138X22+11.5457X23-2.2882X24-124.521X25+125.8303X26-328.765X27-50.1144X28+13.5310X29+89.2984X30-79.7956X31+16.3523X32+4.2422X33-...

【专利技术属性】
技术研发人员：苏亚拉其其格，孟勐，贾立国，祁迷，樊明寿，陈玉珍，
申请(专利权)人：内蒙古农业大学，
类型：发明
国别省市：内蒙古;15