[發明專利]一種基于木本植物葉片表型特征的凈光合速率預測模型的構建方法和預測方法

有效

• 申請號: 201810119071.1
• 申請日: 2018-02-06
• 公開（公告）號: CN108229065B
• 公開（公告）日: 2019-03-26
• 發明（設計）人: 張曉宇;吉心悅;胡夢瑤;宋躍朋;張德強
• 申請（專利權）人: 北京林業大學
• 主分類號: G06F17/50
• 分類號: G06F17/50;G06K9/62
• 代理公司: 北京高沃律師事務所 11569
• 代理人: 劉奇

1.基于木本植物葉片表型特征的凈光合速率預測模型的構建方法，包括以下步驟：

1)選取我國覆蓋木本植物整個地理分布的同一物種的木本植物葉片，得到木本植物葉片樣本；

2)測量所述木本植物葉片樣本的葉片表型特征，得到每個木本植物個體的葉片表型數據；

所述葉片表型特征包括葉面積、葉長度、葉寬度、葉長寬比、葉周長和葉形狀因子；

3)基于所述葉片表型數據，采用平均聯動聚類方法和PAM聚類方法對木本植物個體進行聚類分組，得到木本植物個體聚類組；

4)測定所述步驟1)中木本植物葉片樣本的凈光合速率，得到樣本的凈光合速率數據；

5)采用梯度提升算法對所述步驟3)分組后每個木本植物個體聚類組中葉片表型數據和所述步驟4)得到的樣本的凈光合速率數據構建模型，得到凈光合速率預測模型；

所述凈光合速率預測模型見式(1)；

其中，M表示迭代次數；x_i表示六維向量(x_1i，x_2i，x_3i，x_4i，x_5i，x_6i)，分別對應第i個小葉楊樣本的面積，長度，寬度，周長，長寬比和葉形因子；R_mj表示第m次迭代時，第j個小葉楊樣本集合；c_mj表示第m次迭代時，第j個小葉楊樣本集合中，通過最小化得到的常數；

所述步驟2)和步驟4)之間沒有時間限制。

2.根據權利要求1所述的構建方法，其特征在于，所述步驟5)中構建方法，包括以下步驟：

A.初始化常數c，使得最小，為損失函數，N為樣本數，y_i為第i個木本樣本的凈光合速率取值；i表示向量，為一個六維向量(x_1i，x_2i，x_3i，x_4i，x_5i，x_6i)，x_1i，x_2i，x_3i，x_4i，x_5i，x_6i分別對應第i個木本植物樣本的葉面積，葉長度，葉寬度，葉周長，葉長寬比和葉形狀因子；

B.對迭代次數m＝1，2...M，設i＝1，2...N，計算得到損失函數的負梯度，將得到的負梯度作為殘差的估計，f_m(x)為第m次迭代時的函數，根據r_mi學習一棵回歸樹；m為第m次迭代，i為第i個樣本；f(x)為第m-1次迭代時的函數，第一次迭代時為f₀(x)，即而f(x_i)為將第i個木本植物樣本的葉面積，葉長度，葉寬度，葉周長，葉長寬比和葉形狀因子代入函數f(x)；

C.使得最小，求得c_mj，更新回歸樹

其中，λ∈(0.001，0.01)；m為第m次迭代，j為第j個區域，實質為幾個木本植物的葉片樣本的集合；R_mj為第m次迭代時，所有的樣本被分為了J個集合，j代表第j個集合；

D.計算迭代停止的殘差臨界值其中n為樣本數，s²為樣本方差，s為樣本標準差，α為顯著性水平；當殘差小于σ_臨界時，迭代停止，否則，進行下一次迭代直至殘差小于σ_臨界，得到回歸樹模型為

3.根據權利要求1所述的構建方法，其特征在于，所述步驟3)中采用平均聯動聚類方法對木本植物個體進行聚類分組的方法，包括以下步驟：

①選取木本植物樣本的表型特征數據作為需要的變量；

②對所述變量數據進行歸一化處理，得到歸一化變量數據；

③利用所述歸一化變量數據計算距離矩陣D_ij；

④利用R語言的hclust()函數對距離矩陣D_ij實現層次聚類，將距離最近的兩類劃成一類，其中類間距離定義為：一個類中的點與另一個類中點的平均距離。