[发明专利]基于无人机高光谱的棉花叶片氮含量监测方法及系统

说明书

本发明公开了基于无人机高光谱的棉花叶片氮含量监测方法及系统，涉及作物生化组分监测技术领域，其技术方案要点是：对敏感波长段进行分类处理后得到波峰敏感集、波谷敏感集；获取目标区域的高光谱图像信息以及相应的棉花叶片氮含量；通过混合光谱分解方法对混合象元进行分解处理得到多高光谱数据组；从多高光谱数据组截取第一多高光谱特征离散集、第二多高光谱特征离散集；通过线性回归训练模型得到第一氮含量监测模型、第二氮含量监测模型；将估算波长、多高光谱特征估算组分别输入第一氮含量监测模型、第二氮含量监测模型进行匹配，根据匹配结果择优选取监测模型对目标棉花叶片进行氮含量估算监测。本发明能够有效提高监测结果的准确度。

技术领域

本发明涉及作物生化组分监测技术领域，更具体地说，它涉及基于无人机高光谱的棉花叶片氮含量监测方法及系统。

背景技术

氮素是包括大部分作物所需的主要营养元素，例如，棉花、小麦、水稻等作物，其氮素含量直接影响着作物生长发育与产量品质的形成，对作物叶片的氮素含量进行实时、快速和准确地检测，有利于科学合理地指导氮肥施用，对减少过量施氮造成的环境污染、提高作物的产量与品质具有重要的实际意义与应用价值。近年来，随着高光谱技术的快速发展，应用高光谱无损探测技术对包括氮素在内的作物生化组分进行无损监测估算，已成为当前研究田间作物长势及营养诊断的重要方法。

目前，通过高光谱技术检测作物氮素含量方法主要有两种。其一，使用敏感波长的反射率组合生成的各种光谱植被指数；二是应用光谱特征变量直接与作物氮素含量建立响应模型，实现氮素含量的光谱无损估测。然而，高光谱图像在成像时不仅仅是单一的获取作物叶片的高光谱数据，其中还包括了土壤、水分、杂草等各种其他地物的高光谱数据，而上述方法中通过高光谱技术检测作物氮素含量均为考虑到其他地物对作物氮素含量监测的影响，所以导致实际作物氮素含量监测的结果存在较大的误差。

因此，如何研究设计一种准确、合理的基于无人机高光谱的棉花叶片氮含量监测方法及系统是我们目前急需解决的问题。

发明内容

为解决现有高光谱技术监测作物含量的准确度较低的问题，本发明的目的是提供基于无人机高光谱的棉花叶片氮含量监测方法及系统。

本发明的上述技术目的是通过以下技术方案得以实现的：

第一方面，提供了基于无人机高光谱的棉花叶片氮含量监测方法，包括以下步骤：

S101：获取棉花叶片氮素的高光谱反射率数据，并从高光谱反射率数据中截取敏感波长段，以及依据反射峰特征量、吸收谷特征量对敏感波长段进行分类处理后得到波峰敏感集、波谷敏感集；

S102：获取目标区域的高光谱图像信息以及相应的棉花叶片氮含量；

S103：将高光谱图像信息划分成多个混合象元，并通过混合光谱分解方法对混合象元进行分解处理，以及对分解处理结果分类集成后得到由土壤高光谱数据、水分高光谱数据、叶片高光谱数据组成的多高光谱数据组；

S104：根据波峰敏感集从多高光谱数据组截取相应波长的第一多高光谱特征组，多个波长的第一多高光谱特征组构成同一混合象元的第一多高光谱特征离散集；以及，根据波谷敏感集从多高光谱数据组截取相应波长的第二多高光谱特征组，多个波长的第二多高光谱特征组构成同一混合象元的第二多高光谱特征离散集；

S105：将多个混合象元的第一多高光谱特征离散集以及棉花叶片氮含量输入线性回归训练模型进行训练后得到第一氮含量监测模型；以及，将多个混合象元的第二多高光谱特征离散集以及棉花叶片氮含量输入线性回归训练模型进行训练后得到第二氮含量监测模型；

S106：获取目标棉花叶片的高光谱数据信息，并从高光谱数据信息中随机选择估算波长和对应波长下的多高光谱特征估算组；