[发明专利]一种植物学研究用植株保管箱

权利要求书

1.一种植物学研究用植株保管箱，其特征在于，所述植物学研究用植株保管箱包括：

温度检测模块、湿度检测模块、光照检测模块、主控模块、温度控制模块、湿度控制模块、氮含量监测模块、生长分析模块、显示模块；

温度检测模块，与主控模块连接，用于检测植株保管箱内温度数据；

湿度检测模块，与主控模块连接，用于检测植株保管箱内湿度数据；

光照检测模块，与主控模块连接，用于检测植株保管箱内光照强度数据；

主控模块，与温度检测模块、湿度检测模块、光照检测模块、温度控制模块、湿度控制模块、氮含量监测模块、生长分析模块、显示模块连接，用于控制各个模块正常工作；

温度控制模块，与主控模块连接，用于控制植株保管箱内温度；

湿度控制模块，与主控模块连接，用于控制植株保管箱内湿度；

氮含量监测模块，与主控模块连接，用于监测植株保管箱植株叶片氮含量；

生长分析模块，与主控模块连接，用于对植株保管箱植株生长进行分析；

显示模块，与主控模块连接，用于显示植株保管箱温度、湿度、光照强度、植株氮含量、分析结果。

2.如权利要求1所述植物学研究用植株保管箱，其特征在于，所述氮含量监测模块监测方法如下：

1)构建植株数据库，将采集的数据存入植株数据库；采集植株叶片的光谱反射率数据和测定对应植株叶片的全氮含量数据；运用分数阶微分技术对植株叶片光谱反射率数据进行预处理，

2)将预处理的数据与植株叶片的全氮含量数据进行皮尔逊相关性检验，将光谱与叶片全氮含量之间相关性不显著的光谱波段剔除；建立人工智能模型，然后将植株叶片的全氮含量数据输入人工智能模型中进行精度验证和稳定性验证，若建立的模型精度较预设值高，且运行稳定，则建模完成，若精度不能满足要求，则增加建模样本，重复上步，直至模型稳定；

3)将对植株叶片光谱进行测量得到的光谱反射率数据输入到人工智能模型中，反推出相应植株叶片的全氮含量数据。

3.如权利要求2所述植物学研究用植株保管箱，其特征在于，所述采集植株叶片的光谱反射率数据和测定对应植株叶片的全氮含量数据具体过程为：运用地物光谱仪到野外采集植株叶片的光谱，对于高大乔木，用高枝剪剪下枝条，再进行测量，但间隔的时间不能太久，以免枝条离体后，叶片内部生理生化特征发生太大变化，叶片测完光谱后，收集起来，带回实验室，运用化学方法提取植株叶片的氮含量。

4.如权利要求2所述植物学研究用植株保管箱，其特征在于，所述运用分数阶微分技术对植株叶片光谱反射率数据进行预处理的具体过程为：运用分数阶微分技术，对叶片光谱反射率从0到3阶进行微分，间隔为0.1。

5.如权利要求2所述植物学研究用植株保管箱，其特征在于，所述将预处理的数据与植株叶片的全氮含量数据进行皮尔逊相关性检验，将光谱与叶片全氮含量之间相关性不显著的光谱波段剔除中不显著的光谱波段为皮尔逊相关性显著性检验p值大于0.05的光谱波段。

6.如权利要求2所述植物学研究用植株保管箱，其特征在于，所述建立人工智能模型，然后将植株叶片的全氮含量数据输入人工智能模型中进行精度验证和稳定性验证的具体过程为：将预处理后的光谱波段作为自变量，植株叶片全氮含量作为因变量设计PLSR模型，然后PLSR模型运行过程中提取的主成分作为广义神经网络模型模型的输入变量，建立PLSR+GRNN模型，对PLSR+GRNN模型进行精度验证和稳定性验证。

7.如权利要求2所述植物学研究用植株保管箱，其特征在于，所述将对植株叶片光谱进行测量得到的光谱反射率数据输入到人工智能模型中，反推出相应植株叶片的全氮含量数据的具体原理为：植株叶片的氮含量不同，对光的反射能力也会有所差异，根据这一特性，在人工智能模型的帮助下，即可建立两者间的联系，建立数学模型，模型建成后，只需要测量植株叶片的光谱，即可根据模型快速反推出植株叶片TN的含量。