[发明专利]一种喀斯特植物叶片TN含量无损监测方法

权利要求书

1.一种喀斯特植物叶片TN含量无损监测方法，其特征在于：所述方法包括如下步骤：

步骤1：采集数据，采集植物叶片的光谱反射率数据和测定对应植物叶片的全氮含量数据；

步骤2：运用分数阶微分技术对植物叶片光谱反射率数据进行预处理，

步骤3：将预处理的数据与植物叶片的全氮含量数据进行皮尔逊相关性检验，将光谱与叶片全氮含量之间相关性不显著的光谱波段剔除；

步骤4：建立人工智能模型，然后将植物叶片的全氮含量数据输入人工智能模型中进行精度验证和稳定性验证，若建立的模型精度较预设值高，且运行稳定，则建模完成，若精度不能满足要求，则增加建模样本，重复步骤1至步骤4，直至模型稳定；

步骤5：将对植物叶片光谱进行测量得到的光谱反射率数据输入到人工智能模型中，反推出相应植物叶片的全氮含量数据。

2.根据权利要求1所述的一种喀斯特植物叶片TN含量无损监测方法，其特征在于：所述步骤1的具体过程为：运用地物光谱仪到野外采集植物叶片的光谱，对于高大乔木，用高枝剪剪下枝条，再进行测量，但间隔的时间不能太久，以免枝条离体后，叶片内部生理生化特征发生太大变化，叶片测完光谱后，收集起来，带回实验室，运用化学方法提取植物叶片的TN含量。

3.根据权利要求1所述的一种喀斯特植物叶片TN含量无损监测方法，其特征在于：所述步骤2的具体过程为：运用分数阶微分技术，对叶片光谱反射率从0到3阶进行微分，间隔为0.1。

4.根据权利要求1所述的一种喀斯特植物叶片TN含量无损监测方法，其特征在于：所述步骤3中不显著的光谱波段为皮尔逊相关性显著性检验p值大于0.05的光谱波段。

5.根据权利要求1所述的一种喀斯特植物叶片TN含量无损监测方法，其特征在于：所述步骤4的具体过程为：将预处理后的光谱波段作为自变量，植物叶片全氮含量作为因变量设计PLSR模型，然后PLSR模型运行过程中提取的主成分作为广义神经网络模型模型的输入变量，建立PLSR+GRNN模型，对PLSR+GRNN模型进行精度验证和稳定性验证。

6.根据权利要求1所述的一种喀斯特植物叶片TN含量无损监测方法，其特征在于：所述步骤5的具体原理为：植物叶片的TN含量不同，对光的反射能力也会有所差异，根据这一特性，在人工智能模型的帮助下，即可建立两者间的联系，建立数学模型，模型建成后，只需要测量植物叶片的光谱，即可根据模型快速反推出植物叶片TN的含量。