[发明专利]基于交叉验证的Lars回归算法的水稻地上部淀粉含量遥感反演模型和方法

权利要求书

1.一种基于交叉验证的Lars回归算法的水稻地上部淀粉含量遥感反演模型，其特征在于，所述的基于交叉验证的Lars回归算法的水稻地上部淀粉含量遥感反演模型为Python语言的基于交叉验证的Lars回归模型，所述的基于交叉验证的Lars回归模型的模型参数为：'eps'＝4.455105029335138e-16,'max_iter'＝84,'max_n_alphas'＝285,'min_weight_fraction_leaf'＝0.005488135039273248,'presort'＝'deprecated','splitter'＝'random'。

2.如权利要求1所述的基于交叉验证的Lars回归算法的水稻地上部淀粉含量遥感反演模型，其特征在于，所述的基于交叉验证的Lars回归模型采用水稻的数据集训练而成，所述数据集包括所述水稻的m个样点的冠层反射率和地上部淀粉含量，m个所述样点均匀分布在水稻种植区域，所述冠层反射率为n个特征波段的冠层反射率。

3.如权利要求2所述的基于交叉验证的Lars回归算法的水稻地上部淀粉含量遥感反演模型，其特征在于，所述m为36，所述n个特征波段为2151个特征波段，所述2151个特征波段为从350nm波段至2500nm波段。

4.一种基于交叉验证的Lars回归算法的水稻地上部淀粉含量遥感反演方法，其特征在于，包括以下步骤：

(1)测量水稻的冠层反射率；

(2)测量所述水稻的地上部淀粉含量；

(3)以所述冠层反射率为输入数据，采用Python语言的基于交叉验证的Lars回归模型进行计算，获得反演值，根据所述反演值与所述地上部淀粉含量计算决定系数R²，改变所述的基于交叉验证的Lars回归模型的模型参数的取值，R²的变化越大，说明所述模型参数的重要性越大，将所述模型参数按照所述重要性的大小由大到小进行排列构建模型参数调优秩次矩阵；

(4)以所述冠层反射率为所述输入数据，以所述地上部淀粉含量为输出结果，训练所述的基于交叉验证的Lars回归模型，根据所述模型参数调优秩次矩阵依次对所述模型参数进行调优，获得所述模型参数的调优值；

(5)以所述冠层反射率为所述输入数据，以所述地上部淀粉含量为所述输出结果，采用所述的模型参数的调优值，训练所述的基于交叉验证的Lars回归模型，待所述的基于交叉验证的Lars回归模型训练结束后，获得基于交叉验证的Lars回归算法的水稻地上部淀粉含量遥感反演模型，使用save方法保存所述的基于交叉验证的Lars回归算法的水稻地上部淀粉含量遥感反演模型，如果需要使用所述的基于交叉验证的Lars回归算法的水稻地上部淀粉含量遥感反演模型，使用load方法加载所述的基于交叉验证的Lars回归算法的水稻地上部淀粉含量遥感反演模型使用。

5.如权利要求4所述的基于交叉验证的Lars回归算法的水稻地上部淀粉含量遥感反演方法，其特征在于，在所述步骤(1)中，所述测量采用高光谱辐射仪进行，所述测量的时间为10:00～14:00，所述高光谱辐射仪采用视场角为25°的镜头，所述便携式野外高光谱辐射仪的传感器探头垂直指向所述水稻的冠层并距离所述冠层的顶层的垂直高度为1米，所述传感器探头的地面视场范围直径为0.44米，所述传感器探头迎向阳光，所述测量采用标准板进行校正，所述标准板是反射率为95％～99％的标准白板。

6.如权利要求4所述的基于交叉验证的Lars回归算法的水稻地上部淀粉含量遥感反演方法，其特征在于，在所述步骤(2)中，所述的测量所述水稻的地上部淀粉含量的步骤具体包括：

采集所述水稻的地上部植株，杀青，烘干，至恒重后获得干地上部植株，将所述干地上部植株粉碎，测定所述地上部淀粉含量。

7.如权利要求6所述的基于交叉验证的Lars回归算法的水稻地上部淀粉含量遥感反演方法，其特征在于，在所述步骤(2)中，所述杀青的温度为105℃，所述杀青的时间为20分钟～30分钟，所述烘干的温度为80℃～90℃，所述测定所述地上部淀粉含量采用旋光比色法。