【技術實現步驟摘要】
本專利技術屬于農業工程，特別涉及一種作物長勢參數遙感監測指標的篩選方法及系統，用于冬小麥植株氮含量的模型構建與估算。
技術介紹
1、氮素是作物長勢好壞的關鍵指示性參數，對作物的生理生化過程起著重要的調控作用，影響籽粒最終的產量和品質。合理的氮素供給可以促進作物生長，過量的氮素施用則會造成土壤、水體污染和溫室氣體過量排放等問題(zhang等，2015；yu等，2019；郭燕等，2022)。因此，快速無損的作物氮含量監測對農田精準管理、生態環境安全至關重要。目前，基于無人機遙感進行作物氮素監測的研究主要是利用光譜反射率、植被指數、紋理特征等指標數據建立預測模型進行氮素預測或者反演(賈丹和陳鵬飛，2020；凌琪涵等，2023)。這些研究很好地推動了無人機遙感技術在作物氮素含量監測中的應用，但是光譜信息尤其是ndvi等植被指數在地面覆蓋度較大時存在飽和問題，影響模型的精度，近年來，越來越多的研究者開始關注無人機超高分辨率影像中豐富的紋理信息(劉暢等，2018，guo等，2022；usha和vasuki，2022)。紋理特征作為影像固有屬性，不易受到外界影響，反映圖像灰度性質及其空間關系，擴大了原始影像亮度的空間信息辨識度，能夠在一定程度上解決光譜信息反演存在的飽和問題，提升參數的反演精度。如陳鵬飛和梁飛(2019)研究表明，增加紋理信息后模型的棉花植株氮含量監測模型r2由原來的0.33提升到了0.57。因此，充分利用無人機遙感影像紋理信息可以提升監測的精度。
2、為提升監測精度，自20世紀60年代研究者們揭示了光譜信號與葉片
技術實現思路
1、本專利技術的目的在于解決作物長勢參數機器學習模型變量冗余、消耗算力過大的問題，提出一種作物長勢參數遙感監測指標的篩選方法及系統，通過提取貢獻最大的敏感特征變量構建植株氮含量預測模型，簡潔化了變量，壓縮了模型，提高了模型運算效率。
2、為了實現上述目的，本專利技術采用以下的技術方案：
3、一種作物長勢參數遙感監測指標的篩選方法，包含以下步驟：
4、步驟1、利用無人機多光譜傳感器獲取研究區域的無人機遙感影像，并對無人機遙感影像進行預處理，得到正射影像數據，包含多波段反射率；
5、步驟2、基于步驟1的正射影像，采用柵格計算方法提取多類別植被指數；
6、步驟3、基于步驟1的正射影像，采用灰度共生矩陣法計算多波段的紋理特征；
7、步驟4、采用凱氏定氮法進行植株氮含量測定，獲取植株氮含量實測值；
8、步驟5、基于變量收縮搜索的植株氮含量敏感特征篩選方法從多波段反射率、植被指數和紋理特征中篩選出敏感特征變量；
9、步驟6、基于篩選的敏感特征變量，采用adaboost方法構建植株氮含量預測模型。
10、根據本專利技術作物長勢參數遙感監測指標的篩選方法，進一步地，步驟1中，正射影像數據格式為柵格tif，無人機遙感影像的預處理過程包括影像拼接、正射校正和輻射定標。
11、根據本專利技術作物長勢參數遙感監測指標的篩選方法，進一步地，所述影像拼接包含：采用pix4d軟件，基于3dmodel模式進行影像拼接，獲得研究區影像；所述正射校正包含：基于選取的地面控制點，對影像拼接獲得的研究區影像進行精準校正；所述輻射定標包含：基于輻射定標板的灰度值，結合輻射定標板的反射特征建立線性轉換公式，將正射校正后的影像的灰度值轉換為反射率，從而得到研究區精校正的正射影像。
12、根據本專利技術作物長勢參數遙感監測指標的篩選方法，進一步地，步驟2中，植被指數的數據格式為柵格tif；所述植被指數包括綠波段歸一化植被指數、綠波段優化土壤調節植被指數、歸一化差異植被指數、改進簡單比值植被指數、紅邊優化土壤調節植被指數、重歸一化植被指數、差值植被指數、紅邊重歸一化植被指數、葉綠素吸收比值指數、優化土壤調節植被指數、歸一化藍綠差異指數、增強型植被指數、三角植被指數、大氣阻抗植被指數、過綠指數、比值植被指數、修正三角植被指數、土壤調節植被指數、歸一化藍綠波段差值植被指數和優化植被指數。
13、根據本專利技術作物長勢參數遙感監測指標的篩選方法，進一步地，步驟3中，紋理特征包括對比度、相關性、非相似性、熵、同質度、平均值、角二階距和方差8個指標。
14、根據本專利技術作物長勢參數遙感監測指標的篩選方法，進一步地，步驟5中基于變量收縮搜索的植株氮含量敏感特征篩選方法包含：
15、步驟5.1、vss方法
16、在普通最小二乘法的基礎上，引入l1正則化項，構建最小化目標函數，目標函數為：
17、l(ξ)＝min||y-xξ||^2+λ||ξ||1
18、式中，y是植株氮含量實測值向量，x是特征矩陣，ξ是待估計的回歸系數向量，λ是控制正則化強度的超參數；
19、采用求偏導的方法尋找最小值，由于l1范數不可微，當ξi＝0時，采用如下公式進行求解每個回歸系數矩陣中的元素ξi：
20、
21、式中，xj是矩陣x的第j列，sgn是符號函數；
22、當ξi≠0時，采用如下公式進行求解每個回歸系數矩陣中的元素ξi：
23、
24、式中，abs是絕對值；
25、當且僅當回歸系數的絕對值之和小于一個常數的約束條件下，使得殘差平方和均方誤差mse最小，一些特征變量的回歸系數收縮至0；
26、步驟5.2、求解λ
27、當均方誤差mse最小時，選取距離最小均方誤差一個標準誤差之內的最大值作為約束條件，確定最終λ值；
28、步驟5.3、確定敏感特征變量
29、首先采用相關分析確定與植株氮含量關系達到0.01顯著水平的若干個特征變量，然后將此若干個特征變量采用vss方法進行篩選，隨著參數λ值的增加，懲罰力度不斷增加，此若干個特征變量的回歸系數逐漸壓縮到0直至全部為0；當達到步驟5.2選擇的λ值時，模型中有一些特征變量的回歸系數不為0，那么這些敏感特征變量被保留本文檔來自技高網...
【技術保護點】
1.一種作物長勢參數遙感監測指標的篩選方法，其特征在于，包含以下步驟：
2.根據權利要求1所述的作物長勢參數遙感監測指標的篩選方法，其特征在于，步驟1中，正射影像數據格式為柵格TIF，無人機遙感影像的預處理過程包括影像拼接、正射校正和輻射定標。
3.根據權利要求2所述的作物長勢參數遙感監測指標的篩選方法，其特征在于，所述影像拼接包含：采用Pix4D軟件，基于3Dmodel模式進行影像拼接，獲得研究區影像；所述正射校正包含：基于選取的地面控制點，對影像拼接獲得的研究區影像進行精準校正；所述輻射定標包含：基于輻射定標板的灰度值，結合輻射定標板的反射特征建立線性轉換公式，將正射校正后的影像的灰度值轉換為反射率，從而得到研究區精校正的正射影像。
4.根據權利要求1所述的作物長勢參數遙感監測指標的篩選方法，其特征在于，步驟2中，植被指數的數據格式為柵格TIF；所述植被指數包括綠波段歸一化植被指數、綠波段優化土壤調節植被指數、歸一化差異植被指數、改進簡單比值植被指數、紅邊優化土壤調節植被指數、重歸一化植被指數、差值植被指數、紅邊重歸一化植被指數、葉綠素吸收
5.根據權利要求1所述的作物長勢參數遙感監測指標的篩選方法，其特征在于，步驟3中，紋理特征包括對比度、相關性、非相似性、熵、同質度、平均值、角二階距和方差8個指標。
6.根據權利要求1所述的作物長勢參數遙感監測指標的篩選方法，其特征在于，步驟5中基于變量收縮搜索的植株氮含量敏感特征篩選方法包含：
7.根據權利要求1所述的作物長勢參數遙感監測指標的篩選方法，其特征在于，在步驟6之后，還包括將基于未經過步驟5篩選的特征變量構建的植株氮含量預測模型與基于經過步驟5篩選的特征變量構建的植株氮含量預測模型進行訓練效率對比分析。
8.一種作物長勢參數遙感監測指標的篩選系統，其特征在于，用于實現如權利要求1-7任一項所述的作物長勢參數遙感監測指標的篩選方法，包含：
9.根據權利要求8所述的作物長勢參數遙感監測指標的篩選系統，其特征在于，還包括對比分析模塊，用于將基于未經過篩選的特征變量構建的植株氮含量預測模型與基于經過篩選的特征變量構建的植株氮含量預測模型進行訓練效率對比分析。
...【技術特征摘要】
1.一種作物長勢參數遙感監測指標的篩選方法，其特征在于，包含以下步驟：
2.根據權利要求1所述的作物長勢參數遙感監測指標的篩選方法，其特征在于，步驟1中，正射影像數據格式為柵格tif，無人機遙感影像的預處理過程包括影像拼接、正射校正和輻射定標。
3.根據權利要求2所述的作物長勢參數遙感監測指標的篩選方法，其特征在于，所述影像拼接包含：采用pix4d軟件，基于3dmodel模式進行影像拼接，獲得研究區影像；所述正射校正包含：基于選取的地面控制點，對影像拼接獲得的研究區影像進行精準校正；所述輻射定標包含：基于輻射定標板的灰度值，結合輻射定標板的反射特征建立線性轉換公式，將正射校正后的影像的灰度值轉換為反射率，從而得到研究區精校正的正射影像。
4.根據權利要求1所述的作物長勢參數遙感監測指標的篩選方法，其特征在于，步驟2中，植被指數的數據格式為柵格tif；所述植被指數包括綠波段歸一化植被指數、綠波段優化土壤調節植被指數、歸一化差異植被指數、改進簡單比值植被指數、紅邊優化土壤調節植被指數、重歸一化植被指數、差值植被指數、紅邊重歸一化植被指數、葉綠素吸收比值指數、優化土壤調節植被指數、歸一化藍綠差異指數、增強型植被指數、三角植...
【專利技術屬性】
技術研發人員：郭燕，王來剛，賀佳，曾凱，楊鵬，段四波，劉向陽，張紅利，位盼盼，楊秀忠，張彥，
申請(專利權)人：河南省農業科學院農業信息技術研究所，
類型：發明
國別省市：
還沒有人留言評論。發表了對其他瀏覽者有用的留言會獲得科技券。