[发明专利]一种基于高光谱的苹果叶片含氮量检测方法

说明书

本发明提供了一种基于高光谱的苹果叶片含氮量检测方法，包括以下步骤：步骤1，对苹果生长发育的四个时期的叶片进行采集并进行光谱扫描；步骤2，对光谱数据展开特征波长分析并提取特征向量；步骤3，依据GBDT算法搭建机器学习反演模型，将步骤2中提取出的特征向量作为输入矢量导入反演模型中；步骤4，使用交叉验证优化反演模型参数；步骤5，用优化完成后的反演模型对苹果叶片氮含量进行检测。本发明的苹果叶片含氮量检测方法更准确，验证了特征波长提取方法的有效性，并为高光谱无损检测技术在苹果树营养元素含量快速检测和生长发育态势实时监测等方面的应用提供参考依据。

技术领域

本发明属于苹果叶片含氮量检测技术领域，尤其涉及一种基于高光谱的苹果叶片含氮量检测方法。

背景技术

氮含量是植物健康状况和营养水平的重要指标，氮元素的缺失会大大降低农作物的光合产量。传统检测叶片氮含量大多采用化学计量检测法，例如凯氏定氮法，但是这种常规方法存在着耗时，检测过程繁琐的缺点。近年来，随着高光谱遥感技术的发展，利用作物在受到氮肥胁迫时会引起反射光谱变化的原理，叶片氮含量无损快速检测研究有了重大的进展，比如在小麦，水稻，玉米等领域，已经出现了一系列讨论不同光谱指数性质的研究。

当前叶片氮含量检测研究中一般利用多植被指数或者高光谱敏感波段反射率作为估测因子，并且使用的光谱波段大多集中在可见光-近红外短波范围内(350nm-1100nm)。研究不直接使用全波段原始反射光谱组成的光谱指标作为估测因子是由于原始反射光谱通常包含土壤背景信息，并且全波段用作变量可能导致反演模型泛化精度降低。研究表明，光谱导数变换可以有效地减小土壤背景信息和低频噪声，使光谱估测模型更加可靠。目前，微分光谱和由微分光谱构建的光谱指数都得到了广泛且成功的应用，它们被认为是估计植物生理参数的最佳方法。但是这种方法同样极大减少了氮含量估测模型的光谱输入变量数量。

发明内容

本发明基于高光谱对于苹果叶片进行含氮量检测，对苹果叶片原始光谱数据进行不同导数间隙下的微分处理，并以此构建光谱参数，并依据GBDT算法建模以实现苹果叶片氮含量的准确反演，为高光谱无损检测技术在苹果树营养元素含量快速检测和生长发育态势实时监测等方面的应用。为实现上述目的，本发明采用如下技术方案，具体步骤为：

步骤1，对苹果生长发育的四个时期的叶片进行采集并进行光谱扫描；

步骤2，对光谱数据展开特征波长分析并提取特征向量；

步骤3，依据GBDT算法搭建机器学习反演模型，将步骤2中提取出的特征向量作为输入矢量导入反演模型中；

步骤4，使用交叉验证优化反演模型参数；

步骤5，用优化完成后的反演模型对苹果叶片氮含量进行检测。

优选的，所述步骤1中对苹果生长发育的四个时期的叶片进行采集，分别是盛花期、新梢旺长期、春梢旺长期和秋梢旺长期。

优选的，所述步骤2中对光谱数据展开特征波长分析并提取特征向量，是在不同导数间隙上分别对微分光谱、微分光谱变换和植被光谱指数三个方面展开特征波长分析，并选择提取出来微分光谱、光谱变换得到的光谱向量以及植被光谱指数共13个特征向量作为GBDT反演模型的输入向量。

优选的，对光谱数据展开特征波长分析并提取特征向量的具体步骤为：

S1：将采集的苹果树叶片原始高光谱数据分别进行导数间隙为1至30的一阶微分变换，微分变换的公式为：