[發(fā)明專利]基于XGBoost回歸算法的水稻葉片淀粉含量遙感反演模型和方法

在審

• 申請?zhí)枺?/td>: 202011356084.4
• 申請日: 2020-11-26
• 公開（公告）號: CN112632847A
• 公開（公告）日: 2021-04-09
• 發(fā)明（設計）人: 汪偉;鐘平;邵文琦;朱元勵;吳瑩瑩;姜曉劍;陳青春;任海芳;李卓
• 申請（專利權）人: 淮陰師范學院
• 主分類號: G06F30/27
• 分類號: G06F30/27;G01N21/25;G01N21/17
• 代理公司: 上海大視知識產權代理事務所(特殊普通合伙) 31314
• 代理人: 顧小偉

1.一種基于XGBoost回歸算法的水稻葉片淀粉含量遙感反演模型，其特征在于，所述的基于XGBoost回歸算法的水稻葉片淀粉含量遙感反演模型為Python語言的XGBoost回歸模型，所述XGBoost回歸模型的模型參數為：'colsample_bylevel'＝57,'colsample_bynode'＝17,'base_score'＝0.46355,'max_depth'＝26,'num_parallel_tree'＝16,'n_estimators'＝68,'booster'＝'gbtree','scale_pos_weight'＝0.59851,'tree_method'＝'exact','max_delta_step'＝87,'colsample_bytree'＝41,'reg_lambda'＝0.8951,'reg_alpha'＝0.248785,'gamma'＝0.1257,'learning_rate'＝0.412680012,'subsample'＝0.569821,'min_child_weight'＝0.7314,'importance_type'＝'gain','missing'＝nan,'monotone_constraints'＝None,'objective':'reg:squarederror','validate_parameters'＝0.843691,'n jobs'＝None。

2.如權利要求1所述的基于XGBoost回歸算法的水稻葉片淀粉含量遙感反演模型，其特征在于，所述XGBoost回歸模型采用水稻的數據集訓練而成，所述數據集包括所述水稻的m個樣點的冠層反射率和葉片淀粉含量，m個所述樣點均勻分布在水稻種植區(qū)域，所述冠層反射率為n個特征波段的冠層反射率。

3.如權利要求2所述的基于XGBoost回歸算法的水稻葉片淀粉含量遙感反演模型，其特征在于，所述m為36，所述n個特征波段為2151個特征波段，所述2151個特征波段為從350nm波段至2500nm波段。

4.一種基于XGBoost回歸算法的水稻葉片淀粉含量遙感反演方法，其特征在于，包括以下步驟：

(1)測量水稻的冠層反射率；

(2)測量所述水稻的葉片淀粉含量；

(3)以所述冠層反射率為輸入數據，采用Python語言的XGBoost回歸模型進行計算，獲得反演值，根據所述反演值與所述葉片淀粉含量計算決定系數R²，改變所述XGBoost回歸模型的模型參數的取值，R²的變化越大，說明所述模型參數的重要性越大，將所述模型參數按照所述重要性的大小由大到小進行排列構建模型參數調優(yōu)秩次矩陣；

(4)以所述冠層反射率為所述輸入數據，以所述葉片淀粉含量為輸出結果，訓練所述XGBoost回歸模型，根據所述模型參數調優(yōu)秩次矩陣依次對所述模型參數進行調優(yōu)，獲得所述模型參數的調優(yōu)值；

(5)以所述冠層反射率為所述輸入數據，以所述葉片淀粉含量為所述輸出結果，采用所述的模型參數的調優(yōu)值，訓練所述XGBoost回歸模型，待所述XGBoost回歸模型訓練結束后，獲得基于XGBoost回歸算法的水稻葉片淀粉含量遙感反演模型，使用save方法保存所述的基于XGBoost回歸算法的水稻葉片淀粉含量遙感反演模型，如果需要使用所述的基于XGBoost回歸算法的水稻葉片淀粉含量遙感反演模型，使用load方法加載所述的基于XGBoost回歸算法的水稻葉片淀粉含量遙感反演模型使用。

5.如權利要求4所述的基于XGBoost回歸算法的水稻葉片淀粉含量遙感反演方法，其特征在于，在所述步驟(1)中，所述測量采用高光譜輻射儀進行，所述測量的時間為10:00～14:00，所述高光譜輻射儀采用視場角為25°的鏡頭，所述便攜式野外高光譜輻射儀的傳感器探頭垂直指向所述水稻的冠層并距離所述冠層的頂層的垂直高度為1米，所述傳感器探頭的地面視場范圍直徑為0.44米，所述傳感器探頭迎向陽光，所述測量采用標準板進行校正，所述標準板是反射率為95％～99％的標準白板。