[發(fā)明專利]一種基于機(jī)器學(xué)習(xí)和高光譜的柑橘葉片磷素預(yù)測方法、系統(tǒng)

在審

• 申請?zhí)枺?/td>: 202310038528.7
• 申請日: 2023-01-26
• 公開（公告）號(hào): CN116008194A
• 公開（公告）日: 2023-04-25
• 發(fā)明（設(shè)計(jì)）人: 周靖靖;胡青青;佃袁勇;張金智;胡春根;劉永忠
• 申請（專利權(quán)）人: 華中農(nóng)業(yè)大學(xué)
• 主分類號(hào): G01N21/25
• 分類號(hào): G01N21/25;G06N3/0464;G06N3/084;G01N21/31;G01N21/55;G01N21/3563;G01N21/359
• 代理公司: 武漢藍(lán)寶石專利代理事務(wù)所(特殊普通合伙) 42242
• 代理人: 謝洋

本發(fā)明涉及一種基于機(jī)器學(xué)習(xí)和高光譜的柑橘葉片磷素預(yù)測方法及系統(tǒng)，其方法包括：獲取柑橘葉片樣本的多張高光光譜和每張光譜對應(yīng)的磷素含量；從每張高光光譜中提取多個(gè)一階微分光譜，并計(jì)算每張高光光譜對應(yīng)的多個(gè)植被指數(shù)；基于所述多個(gè)一階微分光譜和所述多個(gè)植被指數(shù)，構(gòu)建并訓(xùn)練多個(gè)預(yù)測柑橘葉片磷素含量的機(jī)器學(xué)習(xí)模型并計(jì)算每個(gè)機(jī)器學(xué)習(xí)模型的準(zhǔn)確率；利用準(zhǔn)確率最高的機(jī)器學(xué)習(xí)模型預(yù)測待測柑橘葉片的磷素含量。本發(fā)明通過將柑橘葉片磷素與光譜特征參數(shù)進(jìn)行重要性排序，篩選出重要性較高的參數(shù)建立反演模型，可快速、精準(zhǔn)、無損地監(jiān)測柑橘樹自身的磷素含量，為柑橘果園定量按需施用磷肥提供依據(jù)。

技術(shù)領(lǐng)域

本發(fā)明屬于機(jī)器學(xué)習(xí)和植物磷素檢測技術(shù)領(lǐng)域，特別涉及基于機(jī)器學(xué)習(xí)和高光譜的植物磷素檢測技術(shù)，具體涉及一種基于機(jī)器學(xué)習(xí)和高光譜的柑橘葉片磷素預(yù)測方法、系統(tǒng)。

背景技術(shù)

柑橘是世界第一大類水果，在我國南方地區(qū)也是一種非常重要的經(jīng)濟(jì)林果樹，種植栽培面積最大。磷素是柑橘生長發(fā)育過程中必要的營養(yǎng)元素，在柑橘的生長發(fā)育、果實(shí)質(zhì)量以及抗寒性、抗旱性等方面都發(fā)揮著重要作用。缺磷會(huì)導(dǎo)致柑橘葉片小，生長緩慢，坐果減少，幼枝葉片易脫落，果實(shí)早落，嚴(yán)重影響產(chǎn)量；磷素供應(yīng)過多，由于元素間的拮抗作用會(huì)使柑橘表現(xiàn)缺鐵、鋅或銅的癥狀。所以，適當(dāng)施用磷肥是提升柑橘品質(zhì)的關(guān)鍵，而快速、精準(zhǔn)、無損地監(jiān)測柑橘樹自身的磷素含量，為柑橘果園定量按需施用磷肥提供依據(jù)，可實(shí)現(xiàn)精簡高效的營養(yǎng)診斷，保障果樹優(yōu)質(zhì)豐產(chǎn)，提高果農(nóng)經(jīng)濟(jì)效益。

傳統(tǒng)的植物磷素測定方法是比色分析法和全自動(dòng)間斷分析法，其中，比色分析法存在試劑用量大、成本高、干擾因素多、操作費(fèi)時(shí)費(fèi)力等缺點(diǎn)，不適合大批量樣品的測定；全自動(dòng)間斷分析法模擬人工比色法，用計(jì)算機(jī)控制，能夠精確移取樣品和試劑進(jìn)行連續(xù)測量，適用于大批量樣品的分析，相對而言具有準(zhǔn)確度高、分析速度快、試劑及樣品用量少、操作簡便、勞動(dòng)強(qiáng)度低等優(yōu)點(diǎn)。但是，以上方法均對植物有所損傷，需要經(jīng)過采摘葉片、磨樣、消煮等一系列過程，過程復(fù)雜且費(fèi)時(shí)費(fèi)力。

近年來，高光譜技術(shù)作為農(nóng)作物營養(yǎng)元素?zé)o損檢測方法而備受關(guān)注，大量研究成果表明利用植株高光譜技術(shù)對其磷素做出營養(yǎng)診斷是可行的，研究對象主要是水稻、玉米等農(nóng)作物，在果樹方面相對較少。

發(fā)明內(nèi)容

為實(shí)現(xiàn)基于高光譜技術(shù)對果樹農(nóng)作物營養(yǎng)元素的無損檢測，在本發(fā)明的第一方面提供了一種基于機(jī)器學(xué)習(xí)和高光譜的柑橘葉片磷素預(yù)測方法，包括：獲取柑橘葉片樣本的多張高光光譜和每張光譜對應(yīng)的磷素含量；從每張高光光譜中提取多個(gè)一階微分光譜，并計(jì)算每張高光光譜對應(yīng)的多個(gè)植被指數(shù)；基于所述多個(gè)一階微分光譜和所述多個(gè)植被指數(shù)，構(gòu)建并訓(xùn)練多個(gè)預(yù)測柑橘葉片磷素含量的機(jī)器學(xué)習(xí)模型并計(jì)算每個(gè)機(jī)器學(xué)習(xí)模型的準(zhǔn)確率；利用準(zhǔn)確率最高的機(jī)器學(xué)習(xí)模型預(yù)測待測柑橘葉片的磷素含量。

在本發(fā)明的一些實(shí)施例中，所述從每張高光光譜中提取多個(gè)一階微分光譜，并計(jì)算每張高光光譜對應(yīng)的多個(gè)植被指數(shù)包括：將每片葉片的光譜與磷素含量一一對應(yīng)，利用重要性排序提取多個(gè)光譜特征參數(shù)，所述多個(gè)光譜特征參數(shù)包括4個(gè)植被指數(shù)和18個(gè)一階微分光譜。

進(jìn)一步的，所述多個(gè)植被指數(shù)包括花青素反射指數(shù)和轉(zhuǎn)化葉綠素吸收率。

在本發(fā)明的一些實(shí)施例中，所述基于多個(gè)一階微分光譜和多個(gè)植被指數(shù)，構(gòu)建并訓(xùn)練多個(gè)預(yù)測柑橘葉片磷素含量的機(jī)器學(xué)習(xí)模型包括：將所述多個(gè)一階微分光譜和所述多個(gè)植被指數(shù)融合為特征向量；基于所述特征向量和每張光譜對應(yīng)的磷素含量，訓(xùn)練隨機(jī)森林模型、BP神經(jīng)網(wǎng)絡(luò)、偏最小二乘法模型和支持向量機(jī)模型。

進(jìn)一步的，所述利用準(zhǔn)確率最高的機(jī)器學(xué)習(xí)模型預(yù)測待測柑橘葉片的磷素含量包括：利用隨機(jī)森林模型預(yù)測待測柑橘葉片的磷素含量。

在上述的實(shí)施例中，所述獲取柑橘葉片樣本的多張高光光譜和每張光譜對應(yīng)的磷素含量包括：利用全自動(dòng)間斷分析法對每個(gè)柑橘葉片的磷素含量進(jìn)行測定。