[发明专利]水稻叶片淀粉积累量遥感反演模型和方法

权利要求书

1.一种水稻叶片淀粉积累量遥感反演模型，其特征在于，所述水稻叶片淀粉积累量遥感反演模型为Python语言的极端随机树模型，所述极端随机树模型的模型参数为：'min_impurity_decrease':0.0,'ccp_alpha':0.00047054761925470663,'max_depth':4,'min_impurity_split':0.0046954861925470655,'min_samples_leaf':1,'min_samples_split':2,'min_weight_fraction_leaf':0.010209198720162859,'splitter':'random','max_features':'auto','criterion':'mae','max_leaf_nodes':None。

2.如权利要求1所述的水稻叶片淀粉积累量遥感反演模型，其特征在于，所述极端随机树模型采用水稻的数据集训练而成，所述数据集包括所述水稻的m个样点的冠层反射率和叶片淀粉积累量的以10为底的对数值，m个所述样点均匀分布在水稻种植区域，所述冠层反射率为n个特征波段的冠层反射率。

3.如权利要求2所述的水稻叶片淀粉积累量遥感反演模型，其特征在于，所述m为37，所述n个特征波段为2151个特征波段，所述2151个特征波段为从350nm波段至2500nm波段。

4.一种水稻叶片淀粉积累量遥感反演方法，其特征在于，包括以下步骤：

(1)测量水稻的冠层反射率；

(2)测量所述水稻的叶片淀粉积累量，对所述叶片淀粉积累量取以10为底的对数获得叶片淀粉积累量的以10为底的对数值：

(3)以所述冠层反射率为输入数据，采用Python语言的极端随机树模型进行计算，获得反演值，根据所述反演值与所述的叶片淀粉积累量的以10为底的对数值计算决定系数R²，改变所述极端随机树模型的模型参数的取值，R²的变化越大，说明所述模型参数的重要性越大，将所述模型参数按照所述重要性的大小由大到小进行排列构建模型参数调优秩次矩阵；

(4)以所述冠层反射率为所述输入数据，以所述的叶片淀粉积累量的以10为底的对数值为输出结果，训练所述极端随机树模型，根据所述模型参数调优秩次矩阵依次对所述模型参数进行调优，获得所述模型参数的调优值；

(5)以所述冠层反射率为所述输入数据，以所述的叶片淀粉积累量的以10为底的对数值为所述输出结果，采用所述的模型参数的调优值，训练所述极端随机树模型，待所述极端随机树模型训练结束后，获得水稻叶片淀粉积累量遥感反演模型，使用save方法保存所述水稻叶片淀粉积累量遥感反演模型，如果需要使用所述水稻叶片淀粉积累量遥感反演模型，使用load方法加载所述水稻叶片淀粉积累量遥感反演模型使用。

5.如权利要求4所述的水稻叶片淀粉积累量遥感反演方法，其特征在于，在所述步骤(1)中，所述测量采用高光谱辐射仪进行，所述测量的时间为10:00～14:00，所述高光谱辐射仪采用视场角为25°的镜头，所述便携式野外高光谱辐射仪的传感器探头垂直指向所述水稻的冠层并距离所述冠层的顶层的垂直高度为1米，所述传感器探头的地面视场范围直径为0.44米，所述传感器探头迎向阳光，所述测量采用标准板进行校正，所述标准板是反射率为95％～99％的标准白板。

6.如权利要求4所述的水稻叶片淀粉积累量遥感反演方法，其特征在于，在所述步骤(2)中，所述的测量所述水稻的叶片淀粉积累量的步骤具体包括：

采集所述水稻的叶片，杀青，烘干，至恒重后获得干叶片，测定所述干叶片的重量，获得叶片干物重，根据采样覆盖面积，将叶片干物重转换为单位面积叶片干物重；

将所述干叶片粉碎，测定叶片淀粉含量，将所述单位面积叶片干物重乘以所述叶片淀粉含量获得所述叶片淀粉积累量。