[发明专利]一种基于微型光谱仪观测数据提取农作物叶面积指数和叶绿素含量的方法

说明书

本发明提出一种基于微型光谱仪观测数据提取农作物叶面积指数和叶绿素含量的方法，包括：基于多年历史总PAR观测数据和IOT上的PAR传感器的实测入射PAR数据，估算IOT实时PAR的散射比例；针对S1得到的IOT实时PAR的散射比例，建立每个波段的散射比例和PAR的散射比例的多元回归模型，使用多元回归模型估算微型光谱仪每个波段的散射比例；耦合冠层辐射传输模型和线性半经验核驱动模型，估算每天的绿色叶片叶面积指数、叶片叶绿素含量和冠层叶绿素含量。本发明在不使用辐射定标板的情况下，提取相对辐射数据进行参数的反演，突破了必须使用辐射定标板的局限，可以得到高精度、连续的农作物叶面积指数和叶绿素含量。

技术领域

本发明涉及反演技术领域，更具体地，涉及一种基于微型光谱仪连续观测提取农作物叶面积指数和叶绿素含量的方法。

背景技术

获取每日连续农作物参数，对于农田的智能化管理十分重要。农作物叶面积指数、叶绿素含量是其中最为重要的两个参数，他们与农田施肥密切相关。目前，可以使用手持仪器或者搭载在多种遥感平台上的传感器测量叶面积指数和叶绿素含量。但是，手持仪器需要耗费大量的人力，难以获取每日连续的数据。基于无人机、卫星等遥感平台的传感器，则会受到云、雨等天气状况的影响，难以获取连续数据。搭载在地面物联网IOT上的传感器则可以突破天气状况的影响，可以获取每日连续的观测数据。目前常见的搭载在IOT上的传感器主要是RGB相机，可以使用简单的孔隙率原理计算出叶面积指数，然而计算叶绿素含量需要用更多的波段，仅从RGB图像中很难准确计算出叶绿素含量，进而影响农作物氮含量的计算，影像施肥决策。因此，亟需发展可以从地面IOT搭载的传感器上同步提取叶面积指数和叶绿素含量的算法。另外，当前的算法主要是从一天内某一时刻获取的数据提取参数，并未考虑一天之内冠层的辐射和反射率变化，会对叶面积指数和叶绿素含量的计算造成一定误差。

发明内容

针对背景技术中的问题，本发明提出一种基于微型光谱仪连续观测提取农作物叶面积指数和叶绿素含量的方法，包括：

S1，基于多年历史总PAR观测数据和IOT上的PAR传感器的实测入射PAR数据，估算IOT实时PAR的散射比例；

S2，针对S1得到的IOT实时PAR的散射比例，建立每个波段的散射比例和PAR的散射比例的多元回归模型，使用所述多元回归模型估算微型光谱仪每个波段的散射比例；

S3，耦合冠层辐射传输模型和线性半经验核驱动模型，估算每天的绿色叶片叶面积指数、叶片叶绿素含量和冠层叶绿素含量。

本发明还提出一种基于微型光谱仪观测数据提取农作物叶面积指数和叶绿素含量的系统，其特征在于，包括处理器，所述处理器能够实现如前所述的方法。

在本发明中，使用微型光谱仪，在不使用辐射定标板的情况下，提取相对辐射数据进行参数的反演，突破了以往必须使用辐射定标板计算绝对反射率进行反演的局限。在参数反演过程中，考虑了一天内不同天气情况下所有的太阳入射辐射，即直射辐射和散射辐射，而不是假设散射辐射为0。本发明利用气象站提供的历史多年的太阳总辐射、散射辐射数据，创新性地使用反向传播神经网络训练学习方法，输入IOT实测的太阳总辐射，反演计算得到实时的散射辐射，进而计算出散射比例。

本发明可以同时获取每日叶面积指数和叶绿素含量，不仅时间连续，而且精度高。更具体的创新点还包括：

1) 使用微型光谱仪，在不使用辐射定标板的情况下，提取相对辐射数据进行参数的反演，突破了以往必须使用辐射定标板计算绝对反射率进行反演的局限。

2) 参数反演过程中，考虑了一天内不同天气情况下所有的太阳入射辐射，即直射辐射和散射辐射，而不是假设散射辐射为0。

3) 利用气象站提供的历史多年的太阳总辐射、散射辐射数据，创新性地使用反向传播神经网络训练学习方法，输入IOT实测的太阳总辐射，反演计算得到实时的散射辐射，进而计算出散射比例。