基于无人机高光谱的棉花叶片氮含量监测方法及系统技术方案

本发明专利技术公开了基于无人机高光谱的棉花叶片氮含量监测方法及系统，涉及作物生化组分监测技术领域，其技术方案要点是：对敏感波长段进行分类处理后得到波峰敏感集、波谷敏感集；获取目标区域的高光谱图像信息以及相应的棉花叶片氮含量；通过混合光谱分解方法对混合象元进行分解处理得到多高光谱数据组；从多高光谱数据组截取第一多高光谱特征离散集、第二多高光谱特征离散集；通过线性回归训练模型得到第一氮含量监测模型、第二氮含量监测模型；将估算波长、多高光谱特征估算组分别输入第一氮含量监测模型、第二氮含量监测模型进行匹配，根据匹配结果择优选取监测模型对目标棉花叶片进行氮含量估算监测。本发明专利技术能够有效提高监测结果的准确度。

【技术实现步骤摘要】
基于无人机高光谱的棉花叶片氮含量监测方法及系统
本专利技术涉及作物生化组分监测
，更具体地说，它涉及基于无人机高光谱的棉花叶片氮含量监测方法及系统。
技术介绍
氮素是包括大部分作物所需的主要营养元素，例如，棉花、小麦、水稻等作物，其氮素含量直接影响着作物生长发育与产量品质的形成，对作物叶片的氮素含量进行实时、快速和准确地检测，有利于科学合理地指导氮肥施用，对减少过量施氮造成的环境污染、提高作物的产量与品质具有重要的实际意义与应用价值。近年来，随着高光谱技术的快速发展，应用高光谱无损探测技术对包括氮素在内的作物生化组分进行无损监测估算，已成为当前研究田间作物长势及营养诊断的重要方法。目前，通过高光谱技术检测作物氮素含量方法主要有两种。其一，使用敏感波长的反射率组合生成的各种光谱植被指数；二是应用光谱特征变量直接与作物氮素含量建立响应模型，实现氮素含量的光谱无损估测。然而，高光谱图像在成像时不仅仅是单一的获取作物叶片的高光谱数据，其中还包括了土壤、水分、杂草等各种其他地物的高光谱数据，而上述方法中通过高光谱技术检测作物氮素含量均为考虑到其他地物对作物氮素含量监测的影响，所以导致实际作物氮素含量监测的结果存在较大的误差。因此，如何研究设计一种准确、合理的基于无人机高光谱的棉花叶片氮含量监测方法及系统是我们目前急需解决的问题。
技术实现思路
为解决现有高光谱技术监测作物含量的准确度较低的问题，本专利技术的目的是提供基于无人机高光谱的棉花叶片氮含量监测方法及系统。本专利技术的上述技术目的是通过以下技术方案得以实现的：第一方面，提供了基于无人机高光谱的棉花叶片氮含量监测方法，包括以下步骤：S101：获取棉花叶片氮素的高光谱反射率数据，并从高光谱反射率数据中截取敏感波长段，以及依据反射峰特征量、吸收谷特征量对敏感波长段进行分类处理后得到波峰敏感集、波谷敏感集；S102：获取目标区域的高光谱图像信息以及相应的棉花叶片氮含量；S103：将高光谱图像信息划分成多个混合象元，并通过混合光谱分解方法对混合象元进行分解处理，以及对分解处理结果分类集成后得到由土壤高光谱数据、水分高光谱数据、叶片高光谱数据组成的多高光谱数据组；S104：根据波峰敏感集从多高光谱数据组截取相应波长的第一多高光谱特征组，多个波长的第一多高光谱特征组构成同一混合象元的第一多高光谱特征离散集；以及，根据波谷敏感集从多高光谱数据组截取相应波长的第二多高光谱特征组，多个波长的第二多高光谱特征组构成同一混合象元的第二多高光谱特征离散集；S105：将多个混合象元的第一多高光谱特征离散集以及棉花叶片氮含量输入线性回归训练模型进行训练后得到第一氮含量监测模型；以及，将多个混合象元的第二多高光谱特征离散集以及棉花叶片氮含量输入线性回归训练模型进行训练后得到第二氮含量监测模型；S106：获取目标棉花叶片的高光谱数据信息，并从高光谱数据信息中随机选择估算波长和对应波长下的多高光谱特征估算组；S107：将估算波长、多高光谱特征估算组分别输入第一氮含量监测模型、第二氮含量监测模型进行匹配，并根据匹配结果择优选取监测模型对目标棉花叶片进行氮含量估算监测，得到估算监测结果。进一步的，所述波峰敏感集、波谷敏感集的分类处理过程具体为：将高光谱反射率数据平滑处理后建立高光谱反射率曲线；对高光谱反射率曲线进行斜率求解，并对高光谱反射率曲线中连续波段内的斜率进行微积分处理，得到波段斜率；以第N个波段斜率同时大于第N-1个波段斜率、第N+1个波段斜率进行筛选后将第N个波段作为第一敏感波长段，多个第一敏感波长段构成波峰敏感集；以第N个波段斜率同时小于第N-1个波段斜率、第N+1个波段斜率进行筛选后将第N个波段作为第二敏感波长段，多个第二敏感波长段构成波谷敏感集。进一步的，所述高光谱图像信息分解处理得到多高光谱数据组的具体过程为：分别提取高光谱图像信息中各个混合象元内的高光谱数据，得到高光谱分布数据；根据土壤、水分、叶片地物类别将高光谱分布数据划分成土壤分布数据、水分分布数据、叶片分布数据；以同步波长将土壤分布数据、水分分布数据、叶片分布数据集成为连续分布且在单一波长下同时包含土壤分布数据、水分分布数据、叶片分布数据的多高光谱数据组。进一步的，所述第一氮含量监测模型、第二氮含量监测模型的建立过程具体为：通过线性回归训练模型对多高光谱特征离散集中不同波长下的多高光谱特征组、棉花叶片氮含量进行回归训练得到四元线性回归训练模型；四元线性回归训练模型以土壤、水分、叶片高光谱数据为自变量，并以氮含量为因变量；将不同多个混合象元下的四元线性回归训练模型进行优化修正训练后得到相应的第一氮含量监测模型或第二氮含量监测模型。进一步的，所述第一氮含量监测模型、第二氮含量监测模型的匹配过程具体为：随机确定估算波长，并根据估算波长从目标棉花叶片的高光谱数据信息中选择相应波长的多高光谱特征估算组；将多高光谱特征估算组分别输入第一氮含量监测模型、第二氮含量监测模型进行匹配度计算，分别得到第一匹配度、第二匹配度；以第一匹配度、第二匹配度中最大值所对应的监测模型对目标棉花叶片进行氮含量估算监测，得到目标棉花叶片中氮含量监测结果。进一步的，所述第一匹配度、第二匹配度的计算过程具体为：分别对多高光谱特征估算组中土壤、水分、叶片高光谱特征两两之间的相关性进行计算，得到三个相关性系数；根据三个相关性系数计算多高光谱特征估算组的第一均匀相关性；以多高光谱特征估算组的第一均匀相关性与监测模型计算出的第二均匀相关性的比值作为匹配度。进一步的，所述高光谱数据通过装载有MVD的无人机在10-50mm高度内进行低空采集，采集波段范围为400-1200nm。第二方面，提供了基于无人机高光谱的棉花叶片氮含量监测系统，包括：数据分类模块，用于获取棉花叶片氮素的高光谱反射率数据，并从高光谱反射率数据中截取敏感波长段，以及依据反射峰特征量、吸收谷特征量对敏感波长段进行分类处理后得到波峰敏感集、波谷敏感集；数据获取模块，用于获取目标区域的高光谱图像信息以及相应的棉花叶片氮含量；数据分解模块，用于将高光谱图像信息划分成多个混合象元，并通过混合光谱分解方法对混合象元进行分解处理，以及对分解处理结果分类集成后得到由土壤高光谱数据、水分高光谱数据、叶片高光谱数据组成的多高光谱数据组；数据截取模块，用于根据波峰敏感集从多高光谱数据组截取相应波长的第一多高光谱特征组，多个波长的第一多高光谱特征组构成同一混合象元的第一多高光谱特征离散集；以及，根据波谷敏感集从多高光谱数据组截取相应波长的第二多高光谱特征组，多个波长的第二多高光谱特征组构成同一混合象元的第二多高光谱特征离散集；模型构建模块，用于将多个混合象元的第一多高光谱特征离散集以及棉花叶片氮含量输入线性回归训练模型进行训练后得到第一氮含量监测模型本文档来自技高网...

【技术保护点】
1.基于无人机高光谱的棉花叶片氮含量监测方法，其特征是，包括以下步骤：/nS101：获取棉花叶片氮素的高光谱反射率数据，并从高光谱反射率数据中截取敏感波长段，以及依据反射峰特征量、吸收谷特征量对敏感波长段进行分类处理后得到波峰敏感集、波谷敏感集；/nS102：获取目标区域的高光谱图像信息以及相应的棉花叶片氮含量；/nS103：将高光谱图像信息划分成多个混合象元，并通过混合光谱分解方法对混合象元进行分解处理，以及对分解处理结果分类集成后得到由土壤高光谱数据、水分高光谱数据、叶片高光谱数据组成的多高光谱数据组；/nS104：根据波峰敏感集从多高光谱数据组截取相应波长的第一多高光谱特征组，多个波长的第一多高光谱特征组构成同一混合象元的第一多高光谱特征离散集；以及，根据波谷敏感集从多高光谱数据组截取相应波长的第二多高光谱特征组，多个波长的第二多高光谱特征组构成同一混合象元的第二多高光谱特征离散集；/nS105：将多个混合象元的第一多高光谱特征离散集以及棉花叶片氮含量输入线性回归训练模型进行训练后得到第一氮含量监测模型；以及，将多个混合象元的第二多高光谱特征离散集以及棉花叶片氮含量输入线性回归训练模型进行训练后得到第二氮含量监测模型；/nS106：获取目标棉花叶片的高光谱数据信息，并从高光谱数据信息中随机选择估算波长和对应波长下的多高光谱特征估算组；/nS107：将估算波长、多高光谱特征估算组分别输入第一氮含量监测模型、第二氮含量监测模型进行匹配，并根据匹配结果择优选取监测模型对目标棉花叶片进行氮含量估算监测，得到估算监测结果。/n...

【技术特征摘要】
1.基于无人机高光谱的棉花叶片氮含量监测方法，其特征是，包括以下步骤：
S101：获取棉花叶片氮素的高光谱反射率数据，并从高光谱反射率数据中截取敏感波长段，以及依据反射峰特征量、吸收谷特征量对敏感波长段进行分类处理后得到波峰敏感集、波谷敏感集；
S102：获取目标区域的高光谱图像信息以及相应的棉花叶片氮含量；
S103：将高光谱图像信息划分成多个混合象元，并通过混合光谱分解方法对混合象元进行分解处理，以及对分解处理结果分类集成后得到由土壤高光谱数据、水分高光谱数据、叶片高光谱数据组成的多高光谱数据组；
S104：根据波峰敏感集从多高光谱数据组截取相应波长的第一多高光谱特征组，多个波长的第一多高光谱特征组构成同一混合象元的第一多高光谱特征离散集；以及，根据波谷敏感集从多高光谱数据组截取相应波长的第二多高光谱特征组，多个波长的第二多高光谱特征组构成同一混合象元的第二多高光谱特征离散集；
S105：将多个混合象元的第一多高光谱特征离散集以及棉花叶片氮含量输入线性回归训练模型进行训练后得到第一氮含量监测模型；以及，将多个混合象元的第二多高光谱特征离散集以及棉花叶片氮含量输入线性回归训练模型进行训练后得到第二氮含量监测模型；
S106：获取目标棉花叶片的高光谱数据信息，并从高光谱数据信息中随机选择估算波长和对应波长下的多高光谱特征估算组；
S107：将估算波长、多高光谱特征估算组分别输入第一氮含量监测模型、第二氮含量监测模型进行匹配，并根据匹配结果择优选取监测模型对目标棉花叶片进行氮含量估算监测，得到估算监测结果。


2.根据权利要求1所述的基于无人机高光谱的棉花叶片氮含量监测方法，其特征是，所述波峰敏感集、波谷敏感集的分类处理过程具体为：
将高光谱反射率数据平滑处理后建立高光谱反射率曲线；
对高光谱反射率曲线进行斜率求解，并对高光谱反射率曲线中连续波段内的斜率进行微积分处理，得到波段斜率；
以第N个波段斜率同时大于第N-1个波段斜率、第N+1个波段斜率进行筛选后将第N个波段作为第一敏感波长段，多个第一敏感波长段构成波峰敏感集；
以第N个波段斜率同时小于第N-1个波段斜率、第N+1个波段斜率进行筛选后将第N个波段作为第二敏感波长段，多个第二敏感波长段构成波谷敏感集。


3.根据权利要求1所述的基于无人机高光谱的棉花叶片氮含量监测方法，其特征是，所述高光谱图像信息分解处理得到多高光谱数据组的具体过程为：
分别提取高光谱图像信息中各个混合象元内的高光谱数据，得到高光谱分布数据；
根据土壤、水分、叶片地物类别将高光谱分布数据划分成土壤分布数据、水分分布数据、叶片分布数据；
以同步波长将土壤分布数据、水分分布数据、叶片分布数据集成为连续分布且在单一波长下同时包含土壤分布数据、水分分布数据、叶片分布数据的多高光谱数据组。


4.根据权利要求1所述的基于无人机高光谱的棉花叶片氮含量监测方法，其特征是，所述第一氮含量监测模型、第二氮含量监测模型的建立过程具体为：
通过线性回归训练模型对多高光谱特征离散集中不同波长下的多高光谱特征组、棉花叶片氮含量进行回归训练得到四元线性回归训练模型；
...

【专利技术属性】
技术研发人员：李旭，周保平，吕喜风，王冀川，刘钇廷，
申请(专利权)人：塔里木大学，
类型：发明
国别省市：新疆;65