【技术实现步骤摘要】
本专利技术属于小麦籽粒谷醇比检测，具体涉及一种基于高光谱反射率与随机森林模型的小麦籽粒谷醇比早期估算方法和装置。
技术介绍
1、小麦籽粒谷醇比作为小麦的重要品质指标，在确保获取高品质小麦面粉方面发挥着极为关键的作用。小麦籽粒谷醇比是指小麦籽粒中谷蛋白与醇溶蛋白的比例。谷蛋白和醇溶蛋白是小麦籽粒中的两种主要蛋白质组分，其相对比例直接关系到小麦的品质特性。蛋白质在面粉中扮演着决定面团结构和小麦制品口感的重要角色。因此，小麦籽粒谷醇比的调节和准确估算对于确保小麦品质的优良特性显得尤为重要。合适的谷醇比有助于实现小麦面粉中蛋白质的平衡，进而影响面点和其他小麦制品的烘焙和加工品质。因此，实现对小麦谷醇比的早期准确估算对于合理的农田管理、精准施肥以及最大程度地优化小麦品质至关重要。近期研究表明，通过借助遥感技术，特别是植被指数的应用，可以在不侵扰植被的情况下，以更经济、快速的方式在早期准确估算与小麦籽粒品质相关的信息。通过将遥感数据与小麦籽粒谷醇比相关生理性状结合，可以更全面地了解小麦生长状况，有助于协助农民在生长季内采取有效的调控措施，然而目前关于vis与谷醇比之间的关联研究相对有限。
2、确定小麦谷醇比估算的关键时期对于高效的农业管理至关重要。在小麦的生长发育过程中，特定时期的生理过程与谷醇比紧密相关。小麦谷醇比的形成与发展在不同的生长阶段表现出明显的变化趋势。深入研究不同生长阶段小麦谷醇比的变化规律，找出与谷醇比最为敏感的时期，可以为农业生产提供时间上的精确调控。研究表明，小麦谷醇比估算的关键时期主要集中在两个关键生长阶段
3、多种统计方法可供小麦籽粒谷醇比早期估算选择应用。线性混合效应模型(lmm)和随机森林(rf)都是直观的、易于理解的、信息丰富的方法，用于探索解释变量并量化它们在解释谷醇比可变性中的相对重要性。lmm产生显式方程，通过标准化回归系数详细说明每个解释变量的重要性。相比之下，rf作为一个黑箱模型，不适合特定的数学方程，但也可以输出并比较各个解释变量的重要性。目前，线性混合效应模型(lmm)和随机森林(rf)模型已经被广泛用于处理高维高光谱反射数据。首先，多元线性模型可以有效地处理来自不同生长环境和作物品种的数据。在多种线性统计模型中，lmm可以结合固定效应和随机效应，在处理较为复杂的数据方面具有明显的优势。另一方面，近年来，机器学习算法被用于在遥感数据和作物品质之间执行灵活的输入-输出非线性映射的能力。其中，rf作为一种集成学习方法，可以通过综合多个决策树的预测结果，模拟输入变量之间复杂的相互作用，从而提高模型预测的精准性。目前rf已经应用于农业生产领域，然而据我们所知，采用基于vis的lmm和rf估算冬小麦谷醇比的研究仍然存在不足。
4、因此，本专利技术的目的是：(1)利用农田试验构建小麦谷醇比预测模型；(2)对lmm和rf谷醇比预测模型的精度进行评价和比较；(3)比较lmm和rf回归模型中解释变量的相对重要性。
技术实现思路
1、针对上述技术问题，本申请旨在提供一种基于高光谱反射率与随机森林模型的小麦籽粒谷醇比早期估算方法和装置。
2、本专利技术第一方面提供了一种基于高光谱反射率与随机森林模型的小麦籽粒谷醇比早期估算方法，包括
3、获取开花期、灌浆早期、灌浆中期和灌浆后期阶段的光谱数据；
4、基于获取的光谱数据以及随机森林模型构建用于评估小麦谷醇比预测模型；
5、通过预测模型预测小麦早期籽粒谷醇比。
6、作为一种具体的实施方式，所述的获取开花期、灌浆早期、灌浆中期和灌浆后期阶段的光谱数据具体包括：
7、通过baso4校准面板估计入射辐射和反射率，并且每10个地块重复校准过程；
8、使用与25°视场光纤连接的高光谱分辨率光谱仪收集350–2500nm范围内每个地块的冠层反射率；
9、于开花期、灌浆早期、灌浆中期和灌浆后期阶段进行光谱测量，并计算大量光谱曲线的平均值，生成反射率文件，获得光谱数据。
10、作为一种具体的实施方式，所述的随机森林模型的构建具体包括：
11、构建并训练决策树，每棵回归树从根延伸到叶，内部节点是决策点；
12、对于所有观测，树中的每个节点一次只检查一个预测器变量的条件；如果满足条件，下一个节点将采用另一个预测器，并以二进制方式做出决定。
13、作为一种具体的实施方式，还包括建立用于评估谷醇比预测模型的验证模型。
14、作为一种具体的实施方式，所述的验证模型的建立方法包括：
15、选定训练集和测试集；
16、对训练集进行了网格搜索和5次重复5折交叉验证，以识别具有最小均方残差的超参数；
17、在超参数网格搜索之后，用最优超参数和训练集来训练模型，然后使用测试集对模型的准确性进行检验。
18、作为一种具体的实施方式，所述的用于评估小麦谷醇比预测模型为用灌浆中期的tcari和sipi构建的随机森林回归模型。
19、在上述技术方案中，小麦籽粒谷醇比指的是小麦收获脱粒之后籽粒中的谷醇比，通常在收获之后试验测定得出。该专利技术在小麦生长的过程中(具体为灌浆中期)即可通过测量tcari和sipi来预测最终籽粒中的谷醇比。具体方法为在灌浆中期测得tcari和sipi，将其代入到ntree和mtry分别为100和2的随机森林模型中，即可得出最终籽粒中的谷醇比。
20、作为一种具体的实施方式，还包括用于对小麦谷醇比预测模型进行精度评估的步骤，通过以下公式进行精度评估：
21、
22、其中，yi和分别是测量和预测的籽粒谷醇比；是测量的籽粒谷醇比的平均值，n是测试样本的总数；r2越大，rmse越小，模型的预测能力越强。
23、本专利技术第二方面提供了基于高光谱反射率与随机森林模型的小麦籽粒谷醇比早期估算装置，包括：
24、估算模块，用于根据上述所述的小麦籽粒谷醇比早期估算方法估算目标小麦籽粒早期谷醇比；
25、显示模块，用于显示当前目标小麦籽粒早期谷醇比信息。
26、与现有技术相比，本专利技术至少具有以下技术效果：
27、本专利技术公开了一种基于高光谱反射率的小麦籽粒谷醇比早期估算的模型构建方法；通过将高光谱反射率与随机森林模型关联，构建了基于高光谱反射率的小麦籽粒谷醇比早期估算模型。本专利技术在预测小麦籽粒谷醇比方面的性能有本文档来自技高网...
【技术保护点】
1.基于高光谱反射率与随机森林模型的小麦籽粒谷醇比早期估算方法，其特征在于：包括
2.根据权利要求1所述的基于高光谱反射率与随机森林模型的小麦籽粒谷醇比早期估算方法，其特征在于：所述的获取开花期、灌浆早期、灌浆中期和灌浆后期阶段的光谱数据具体包括：
3.根据权利要求1所述的基于高光谱反射率与随机森林模型的小麦籽粒谷醇比早期估算方法，其特征在于：所述的随机森林模型的构建具体包括：
4.根据权利要求3所述的基于高光谱反射率与随机森林模型的小麦籽粒谷醇比早期估算方法，其特征在于，还包括建立用于评估谷醇比预测模型的验证模型。
5.根据权利要求4所述的基于高光谱反射率与随机森林模型的小麦籽粒谷醇比早期估算方法，其特征在于，所述的验证模型的建立方法包括：
6.根据权利要求1所述的基于高光谱反射率与随机森林模型的小麦籽粒谷醇比早期估算方法，其特征在于，所述的用于评估小麦谷醇比预测模型是用灌浆中期的TCARI和SIPI构建的随机森林回归模型。
7.根据权利要求6所述的基于高光谱反射率与随机森林模型的小麦籽粒谷醇比早期估算方法
8.基于高光谱反射率与随机森林模型的小麦籽粒谷醇比早期估算装置，其特征在于：包括：
...【技术特征摘要】
1.基于高光谱反射率与随机森林模型的小麦籽粒谷醇比早期估算方法，其特征在于：包括
2.根据权利要求1所述的基于高光谱反射率与随机森林模型的小麦籽粒谷醇比早期估算方法，其特征在于：所述的获取开花期、灌浆早期、灌浆中期和灌浆后期阶段的光谱数据具体包括：
3.根据权利要求1所述的基于高光谱反射率与随机森林模型的小麦籽粒谷醇比早期估算方法，其特征在于：所述的随机森林模型的构建具体包括：
4.根据权利要求3所述的基于高光谱反射率与随机森林模型的小麦籽粒谷醇比早期估算方法，其特征在于，还包括建立用于评估谷醇比预测模型的验证模型。
5.根据权利要求4...
【专利技术属性】
技术研发人员：贺勇，马俊杰，
申请(专利权)人：中国农业科学院农业环境与可持续发展研究所，
类型：发明
国别省市：
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。