[发明专利]一种苹果叶片叶绿素遥感估测方法

说明书

技术领域

本发明属于农业技术领域，涉及一种苹果叶片叶绿素遥感估测方法。

背景技术

植被叶绿素含量与光合作用能力、生长发育阶段以及氮素水平有较好的相关性，已经成为一种有效评价植被长势的手段。由于绿色植物的光谱反射率在可见光波段受叶绿素含量影响，在近红外波段主要由叶片结构和纤维素等支配，因此可用植物的反射光谱来估算色素含量。近年来，高光谱遥感以其光谱分辨率高、简便有效以及非破坏性等优点，成为监测植被叶绿素含量的一大发展趋势。

红边是由于植被在红光波段对叶绿素强烈吸收与近红外波段光在叶片内部多次散射而形成的强反射，使光谱反射率在680～760nm区间急剧上升，形成的植物光谱的最显著标志。学者们一方面从叶绿素与红边位置之间的相关性入手，提出“红边”向长波方向的位移反映了植被叶绿素浓度的增加；另一方面利用统计分析构建基于红边参数的叶绿素估算模型，并对其进行精度评价。受田间管理、施肥及气候等条件的影响，学者们认识到传统统计分析方法估算叶绿素含量预测精度不高，需要构建一个准确性和稳定性兼备的估算模型；同时基于红边参数的植物叶绿素估算一些玉米、小麦等作物上开展过相关研究，但在果树上的应用相对较少。

叶绿素与光谱反射参数之间是一种非线性关系，两种参数以怎样的数学函数关系建立联系是构建叶绿素反演模型及其预测精度的重要内容，近年来学者们不断尝试各种函数关系，其中人工神经网络是处理复杂非线性问题的一种有效手段。随着高光谱遥感技术的发展，人工神经网络越来越多的应用于高光谱遥感研究中。如利用人工神经网络模型基于土壤光谱预测土壤参数，取得了较好的效果；基于高光谱建立人工神经网络模型来预测小麦、水稻、玉米等作物生化参数。苹果是西北地区重要的经济作物，其产量占到全国苹果产量的一半以上。苹果叶片叶绿素含量是监测苹果产量与水肥状况的重要途径，利用人工神经网络进行苹果叶绿素预测具有重要的理论和应用价值。

发明内容

本发明的目的在于提供一种苹果叶片叶绿素遥感估测方法，该方法利用SVC HR-1024i型高光谱仪和SPAD-502叶绿素计同步获取苹果叶片高光谱反射率和对应的叶绿素相对含量，对原始光谱反射率和一阶导数光谱进行相关分析，提取苹果叶片光谱的红边参数，使用传统单变量回归算法、BP(Back Propagation)神经网络和径向基函数(Radial Basis Function，RBF)网络，并对人工神经网络进行优化处理，建立叶绿素含量反演模型。

其具体技术方案为：

一种苹果叶片叶绿素遥感估测方法，包括以下步骤：

步骤1、光谱数据测定

采用美国SCVHR 1024i型便携式高光谱仪进行叶片漫反射光谱数据的测定。光谱仪测定的波长范围为350～2500nm，通道数为1024个，其中350～1000nm区间光谱分辨率为1.4nm，1000～1850nm区间光谱分辨率为3.8nm，1850～2500nm区间光谱分辨率为2.4nm。测定工作在室内进行，每次进行样品光谱测定前，利用漫反射参考板进行仪器校正，每组叶片选择1片叶子，先对叶面进行清洁。然后进行光谱测定。每个点测定2次取平均值作为该点光谱测定值，每一叶片取3～5个点，最后取各点的平均值作为该叶片的光谱值。

步骤2、叶绿素含量测定

使用日本KONICA MINOLTA公司生产的SPAD(Soil Plant Analysis Development Unit)502叶绿素仪同步对苹果叶片的相对叶绿素含量进行无损测量。在每片叶子不同位置上测定10个SPAD值，取平均值作为该叶的SPAD值，代表该叶片的叶绿素含量，共获得500个叶片的SPAD值。

步骤3、数据处理

在数据分析前利用光谱仪自带的处理软件ViewSpec Pro 6.0将测定的苹果叶片光谱数据进行重采样，设置采样间隔为1nm。采用Savitzky-Golay平滑滤波对光谱数据进行预处理，设置平滑点数为5，由原始光谱求得一阶微分光谱，从一阶微分光谱中提取叶片的红边参数；

步骤4、模型构建与精度检验

采用一元线性、指数、对数、多项式和幂函数构建叶片叶绿素含量与各项红边参数的普通回归模型，选择相关性好、精度高的红边参数作为自变量，构建叶绿素含量估算模型；甄选出的红边参数作为人工神经网络的输入向量，构建基于红边参数的人工神经网络模型。

进一步，步骤3中，叶片的红边参数，包括红边位置、红边振幅、红边面积、峰度系数以及偏度系数。