[发明专利]一种基于高光谱特征筛选和机器学习的兰花营养预测方法

说明书

本发明提供了一种基于高光谱特征筛选和机器学习的兰花营养预测方法，该方法为：步骤S1:利用便携式地物光谱仪和机载高光谱成像仪采集兰花叶片反射光谱，使用土壤养分检测仪测定兰花叶片氮磷钾营养素含量；步骤S2：对采集的光谱数据和兰花叶片的理化值进行数据清洗及预处理；步骤S3：对兰花数据进行处理及特征筛选；步骤S4：用线性和非线性机器学习模型模拟兰花叶片氮磷钾营养素的含量；步骤S5：最后根据模型评估指标好坏对模型进行反复调参，以达到最好的拟合效果，本发明具有分析速度快、效率高、成本低、模型普适性广，测试方便等优点。

技术领域

本发明涉及兰花营养预测领域，特别是一种基于高光谱特征筛选和机器学习的兰花营养预测方法。

背景技术

兰花是具有观赏、经济、药用、文化等价值，是全世界重要的花卉贸易产品之一，市场前景广阔。近年来，随着全球气候的变化及极端天气的频繁出现，极端天气成为制约兰花产业发展的重要因素之一。预测兰花各营养素含量是提高兰花产量的重要内容，营养素过多或过少都会影响兰花的生长及观赏品质，从而影响其商业价值。因此，迫切需要对兰花营养素进行精确监测和预测，为兰花的科学栽培管理提供依据参考。

传统作物的肥料推荐以及营养素情况诊断都来自于对农田或土壤植株的试验分析，比如常见的生物与组织化学法、植物分析法、无损检测技术法等。这些方法虽然先进但成本、技术和时间都要求较多，因此只能进行小范围测量和指导，不能在大范围的情况下完成植物营养素的测量与监控，且推广难度较高。随着高光谱技术的发展及推广，该技术不仅可以用来提高对农作物和植被类型的识别能力，而且可以用来监测作物长势和反演作物的理化特性。到目前为止，国内外利用高光谱遥感所做的生理生化模型已不少，但大多是基于少量的样本数据，或是以相关系数为标准找特征，或是模型过于简单等。利用这种间接的方法来估测作物营养状况也存在着很大的局限性,在很多条件下这种关系并不适用，可能存在非线性关系，使得模型的普适性受到限制。同时，综观高光谱遥感技术在作物营养素含量预测研究进展发现，预测对象主要集中在水稻、小麦、玉米等大田作物，没有对兰花的营养素高光谱技术的研究报道。因而，兰花的特征筛选没有行业经验可供参考。

发明内容

为克服上述兰花营养素反演的样本数据量较少、模型复杂度不高、反演关系单一等问题问题，本发明的目的是提供一种基于高光谱特征筛选和机器学习的兰花营养预测方法能够利用反射光谱技术方法，将机器学习与大数据技术相结合来优选特征波段，以及建立兰花营养素的反演模型。

本发明采用以下方案实现：

一种基于高光谱特征筛选和机器学习的兰花营养预测方法，所述方法包括如下步骤：

步骤S1:利用便携式地物光谱仪和机载高光谱成像仪采集兰花叶片反射光谱，使用土壤养分检测仪测定兰花叶片的营养素含量；

步骤S2：对采集的光谱数据和兰花叶片的理化值进行数据清洗及预处理；

步骤S3：对兰花数据进行处理及特征筛选；

步骤S4：用线性和非线性机器学习模型模拟兰花叶片的营养素含量；

步骤S5：最后根据模型评估指标好坏对模型进行反复调参，以达到最好的拟合效果。

进一步的，步骤S2进一步具体为：对数据进行缺失值处理和异常值检测，同时对光谱反射率进行噪声消除；缺失值的处理方法有随机森林填补，均值填补和众数填补；异常值检测算法有四分位数及绘制箱线图、孤立森林、3σ/sigmaσ法和Z-score方法；噪声消除有标准化校正、多元散射校正、SG平滑和一阶导数方法。