专利名称：一种群体净光合速率预测方法
技术领域：
本发明涉及一种植物群体净光合速率预测方法，更具体地说，本发明涉及一种仿生型核函数的群体净光合速率预测方法。
背景技术：
光作为植物最必需的资源，是影响其形态和功能的重要因子，个体净光合速率体现了单株植物有机物的积累，是影响单株植物形态和功能的重要因子，而群体净光合速率则为一个区域内该类植物个体净光合速率的总和，反映了该区域植物在一段时间内总光合作用合成有机物积累的情况，对于分析区域植物整体形态和功能有重要的参考价值，因此预测群体净光合速率在农业生产中具有很强的现实意义。由于叶面积大小反映了净光合速率大小，我们可通过建立叶面积和净光合速率之间回归方程的方法，对净光合速率进行预测，但传统测试叶面积的方法具有复杂性、设备昂贵等局限性。若通过叶面积与净光合速率之间的回归方程方法，要保证净光合速率预测值的准确性，则需大量样本数据，由于要预测群体净光合速率，需测量大量植物的叶面积，工作量更加繁重。支持向量机(Support Vector Machine, SVM)是一种基于统计学习理论的机器学习方法，它在解决小样本、非线性及高维模式识别中表现出许多特有的优势，在SVM中，核函数是其核心部分，将高维空间的内积运算转化为低维输入空间的核函数计算，解决了在高维特征空间中计算的“维数灾难”等问题，其形式和参数的变化会隐式地改变从输入空间到特征空间映射，进而对特征空间性质产生影响。核函数本质上是一个内积，基本作用是接受两个低维空间里的向量，能够计算出经过某个变换后在高维空间里的向量内积值，即确定低维空间向高维空间映射关系，成为解决线性不可分的关键。通过对生物界中有着无比华丽彩虹之称的七彩变色龙研究，发现其皮肤颜色不但随着整体环境颜色变化而发生变化，且局部皮肤颜色都和其接近的环境颜色相近，亦能够随局部环境颜色改变而随之改变，体现出很强的对全局周围环境颜色和局部周围颜色的适应能力。从变色龙对周围环境适应`的自然现象出发，构建出一种对全局数据和局部数据可单独调整的仿生型核函数具有重要意义。
发明内容
本发明所要解决的技术问题是克服了现有技术存在的测试区域植物叶面积工作量较大、建立群体净光合速率预测回归方程困难、建立群体净光合速率预测模型所需相关数据较多与预测准确性不高的问题，提供了一种群体净光合速率预测方法。为解决上述技术问题，本发明是采用如下技术方案实现的:所述的一种群体净光合速率预测方法的步骤如下:I)获得区域可见光各波段光谱辐射配比关系数据:(I)在面积为S的试验区域中高于植株冠层为H的高度安装型号为MSR-16的便携式多光谱辐射仪，其中=S取值为6m2至55m2，H取值为1.2m或2m，型号为MSR-16的便携式多光谱辐射仪在其正下方地面的有效测量直径为H/2，观测面积为S1, S1=[ π X (Η/4)2]，计算出试验区域划分的测试单元的个数为Μ，其数值取SZS1的整数部分；(2)在指定的测量时间段，每一小时测定一次，每次随机选取N个测试单元，其中Ν〈Μ，要求每次选取的试验单元不同于其他测量时间已选取的试验单元，每次测量时，将MSR-16的便携式多光谱辐射仪置于该次测量时的测试单元上方H处，H取值为1.2m或2m，每个测试单元内取5个定点测量，每点测量2次取平均，5个定点平均值作为该测试单元的光谱组成，3个测试单元的平均值作为该时段试验区域内可见光各波段光谱辐射配比关系数据；(3)按第(2)步骤的方法，在试验的时间跨度内，获得不同时段试验区域内可见光各波段光谱辐射配比关系数据1_0，进行
归一化处理，得到归一化后的数据1_01152)获得群体净光合速率数据:(I)采用美国CID公司生产的型号为C1-310的便携式光合作用测定系统测量个体净光合速率；(2)在选定的每个测试单元内随机挑选3株同一品种植物，若该植物数量不足3株，按实际植物数量进行测量，每株植物随机挑选5片叶片，若叶片数量不足5片，按实际叶片数量进行测量，每片叶片采用型号为C1-310的便携式光合作用测定系统测量一次净光合速率，取平均值作为该株植物净光合速率，3个试验单元平均值作为该时段试验区域内该株植物群体净光合速率；(3)按第(2)步骤的方法，在试验时间跨度内，获得不同时段试验区域内该种植物群体净光合速率(:_0，进行
归一化处理，得到归一化后的数据(:_01。3)构建仿生型核函数；
·
4)建立SVM训练集和预测集:将数据ILD1按不同时间段分为两部分数据M_Dn和M_D12，依据I^D1划分为两部分数据M_Dn和M_D12的时间段，将数据C_Di按对应时间段分为两部分数据C_Dn和C_D12。将第一部分数据M_Dn和C_Dn作为SVM的训练集，将第二部分数据M_D12和C_D12作为SVM的预测集。5)建立预测模型的工具选择和参数优化。6)预测群体净光合速率。技术方案中所述的构建仿生型核函数的步骤如下:I)以 Gaussian IcernelK1(X1Xi) = exp (- Y | X-Xi 2)和 polynomialkernelK2 (x, Xi) = k x, x^+c)为基准核函数,其中，Y和c为参数，x和Xi为低维空间多维向量。M K1 (x, Xi) = exp (- y I X-Xi I2)输入Iibsvm中，作为SVM核函数,对训练集数据进行训练，采用grid-search搜索最佳参数，确定出对训练集预测准确率最高的Y值，定义为F值。2)寻找出Γ值下的Gaussian kernel特征曲线切线斜率最大值diff (K1 (xm, Xi))和最小值diff (K1 (xn, Xi)),以及对应的切点坐标(xm, K1 (xm, X1)), (xn, K1 (xn, Xi)),将该类切点称为折点。3)根据折点坐标(xm, K1(XmlXi)), (xn, K1(XnlXi))和斜率 diff (K1 (xm, Xi))/ ξ、diff (K1 (xn, Xi))/ξ ,其中ξ为实数变量，确定polynomial kernel表达式，表达式由K2' (X，Xi) = diff (K1 (xm, Xi))/ ξ /XiX X, x^+c)和 K2 " (x, Xi) = diff (K1 (xn, Xi)) / ξ /XiX (<x, XiHc)两部分组成。4)构建仿生型核函数:Kbsf (X，Xi) = exp (_ Γ I I X-Xi | 2) +diff (exp (-Γ | xB~Xi I 2)/ I AiX (<x, XiHc)其中:||x| I > I Xi I 时，xB取为xn，I |x| I < I Xi I 时，xB取为Xni, I |x| I = I Xi时，将X和Xi归为同类，无需使用核函数对其进行计算。仿生型核函数Kbsf (X，Xi)可以通过参数Γ和ξ的调节，实现对全局数据和局部数据的调整，以适应对不同数据归类的要求。 技术方案中所述的建立预测模型的工具选择和参数优化是指:采用MATLAB将仿生型核函数Kbsf (x, Xi)放入Iibsvm工具箱中，取代原来RBF核函数的位置，通过函数SVMcgForRegress O实现grid-search方法优化参数，利用grid-search方法初步优化参数过程，在函数SVMcgForRegress O中采用Gaussian IcernelK1(XjXi), 通过[bestmse, bestc, bestg] =SVMcgForRegress (C_Dn, M_D11, -8, 8, -8, 8),可以获得参数bestc和bestg, bestc为最佳的惩罚参数c值，bestg为最佳的参数Y值，即Γ值；在函数SVMcgForRegress O 中采用仿生型核函数 Kbsf (x, Xi),通过[bestmse, bestc, bestCMG] =SVMcgForRegress (C_Dn, M_Dn, bestc, bestc, _8，8),可以获得最佳参数bestCMG，S卩 ξ 值。技术方案中所述的预测群体净光合速率的步骤如下:I)获得预测模型model利用Iibsvm 工具箱中的 svmtrain O ,即通过 model=svmtrain (C_Dn, M_Dn, cmd)，可以获得预测模型 model,其中 cmd= [’ _c，, num2str (bestc), ’ -g’, num2str (bestg), ’ _s3_p0.01-t2’ ]，s设为3代表采用e - SVR公式，p设为0.01代表设置e_SVR中损失函数的值，t设为2代表SVM中采用的核函数为Kbsf (X，Xi);在model中包含了核函数类型、支持向量个数和支持向量在决策函数中系数范围的信息。2)得到群体净光合速率的预测值predict利用Iibsvm 工具箱中的 svmpredict O ,通过[predict, mse] =svmpredict (C_D12, M_D12, model)实现利用M_D12对C_D12进行预测,得到群体净光合速率的预测值predict。3)判断预测模型model的可靠性同时,通过(3_012和predict计算出两者之间的相关系数R,判断出预测值predict的准确性，即预测模型model的可靠性。与现有技术相比本发明的有益效果是:1.本发明所述的一种群体净光合速率预测方法与传统的建立群体净光合速率预测回归方程方法相比，具有模型建立过程简单、所需输入数据少、预测准确率高、易于实现的特点。2.本发明所述的一种群体净光合速率预测方法与已有的预测个体净光合速率的方法相比，预测群体净光合速率可以反映一个区域内植物净光合速率情况，有利于反映区域植物整体形态和功能的情况。3.本发明所述的一种群体净光合速率预测方法与已有的利用SVM预测群体净光合速率的方法相比，采用了新型核函数，实现了对SVM输入数据更好的分类能力，具有预测模型泛化能力强、预测准确率高的特点。4.本发明所述的一种群体净光合速率预测方法，仅通过区域可见光各波段光谱辐射配比关系即可实现预测群体净光合速率，具有所需输入数据少的特点，有利于反映区域可见光各波段光谱辐射配比关系与净光合速率的影响关系。5.本发明所述的一种群体净光合速率预测方法，采用了新型核函数，克服了传统核函数全局学习能力和局部学习能力不可独立调整的不足，可根据可见光各波段光谱辐射配比关系数据分布特点调整核函数的性能，提高了预测过程效率和准确性，此方法可在其他预测应用中直接使用。6.本发明所述的一种群体净光合速率预测方法，其方法简单、方便，速度快，步骤清晰，省时，省力，而且预测方法的预测准确率高。
下面结合附图对本发明作进一步的说明:图1为本发明所述的一种群体净光合速率预测方法中所采用的MSR-16型便携式多光谱辐射仪放置位置及有效测试区域示意图；图2为本发明所述的一种群体净光合速率预测方法采用C1-310仪器测试净光合速率的示意图；图3为本发明所述的一种群体净光合速率预测方法中的grid-search方法对参数进行初步优化的过程框图；图4为本发明所述的一 种群体净光合速率预测方法中的仿生型核函数参数确定的过程框图；图5为采用本发明所述的一种群体净光合速率预测方法归一化后的区域内可见光各波段光谱辐射配比关系数据分布图；图6为采用本发明所述的一种群体净光合速率预测方法归一化后的群体净光合速率数据分布图；图7为本发明所述的一种群体净光合速率预测方法的训练集群体净光合速率预测曲线(第一条);图8为本发明所述的一种群体净光合速率预测方法的预测集群体净光合速率预测曲线(第二条);图9为本发明所述的一种群体净光合速率预测方法的流程框图。
具体实施例方式下面结合附图对本发明作详细的描述:参阅图9，本发明克服了现有技术存在的问题，提供了一种群体净光合速率预测方法，即仅利用可见光各波段光谱辐射配比关系实现具有较高准确性的对群体净光合速率预测的方法，其步骤如下:1.获得区域可见光各波段光谱辐射配比关系数据获得区域可见光各波段光谱辐射配比关系数据的步骤如下:
采用美国生产的型号为MSR-16的便携式多光谱辐射仪，分析便携式多光谱辐射仪上方入射的460-7IOnm波段可见光光谱成分、比例改变。I)参阅图1，设试验区域面积为S，S取值为6m2至55m2，型号为MSR-16的便携式多光谱辐射仪高于植株冠层的高度为H，H取值为1.2111或2111，型号为10 -16的便携式多光谱辐射仪在其正下方地面的有效测量直径为H/2，观测面积为S1, S1=L3I X (H/4)2]，其中:η为圆周率。根据试验过程中划分的试验区域S和MSR-16仪器测试高度H，计算出由待测试验区域划分的测试单元的个数为M，其数值取SZS1的整数部分。2)在指定的测量时间段，每一小时测定一次，每次随机选取N个测试单元，其中N〈M，要求每次选取的试验单元不同于其他测量时间已选取的试验单元，每次测量时，将MSR-16的便携式多光谱辐射仪置于该次测量时的测试单元上方H处，H取值为1.2m或2m，每个测试单元内取5个定点测量，每点测量2次取平均，5个定点平均值作为该测试单元的光谱组成，3个测试单元的平均值作为该时段试验区域内可见光各波段光谱辐射配比关系数据。3)按第2)步骤的方法，在试验的时间跨度内，获得不同时段试验区域内可见光各波段光谱辐射配比关系数据M_D，进行
归一化处理，得到归一化后的数据1_01152.获得群体净光合速率数据参阅图2，获得群体净光合速率数据方法的步骤如下:
I)采用美国CID公司 生产的型号为C1-310的便携式光合作用测定系统测量个体净光合速率:选择25X25 (cm2)的方形叶室插入主机，将传感器前端的探头压入叶室内，传感器后端的插头插入主机对应插孔，数据线的一端与主机连接，数据线的另一端与PC卡相连，PC卡通过PC卡槽连接电脑，从C1-310传感器的“INTAKE” 口引出一根管子到一个4L缓冲瓶内，该缓冲瓶放在外面空气中以获得不受呼吸影响的CO2空气，每次测量前用随机配备的碱石灰管进行CO2调零。将叶片放入叶室后关闭叶室，按主机测量开关，开始第一片叶片的测量，测量完毕，电脑发生警告声，打开叶室，将另一片放入叶室后关闭叶室，开始下一个叶片的测量。2)在选定的每个测试单元内随机挑选3株同一品种植物(若该植物数量不足3株，按实际植物数量进行测量)，每株植物随机挑选5片叶片(若叶片数量不足5片，按实际叶片数量进行测量)，每片叶片采用型号为C1-310的便携式光合作用测定系统测量一次净光合速率，取平均值作为该株植物净光合速率，3个试验单元平均值作为该时段试验区域内该株植物群体净光合速率。3)按第2)步骤的方法，在试验时间跨度内，获得不同时段试验区域内该种植物群体净光合速率C_D，进行
归一化处理，得到归一化后的数据(:_01。3.构建仿生型核函数I)以 Gaussian IcernelK1(X1Xi) = exp (- Y | X-Xi 2)和 polynomialkernelK2 (x, Xi) = k x, x^+c)为基准核函数,其中，Y和c为参数，x和Xi为低维空间多维向量。M K1 (x, Xi) = exp (- y I X-Xi I2)输入Iibsvm中，作为SVM核函数,对训练集数据进行训练，采用grid-search搜索最佳参数，确定出对训练集预测准确率最高的Y值，定义为F值。
2)寻找出Γ值下的Gaussian kernel特征曲线切线斜率最大值diff (K1 (xm, Xi))和最小值diff (K1 (xn, Xi)),以及对应的切点坐标(xm, K1 (xm, X1)), (xn, K1 (xn, Xi)),将该类切点称为折点。3)根据折点坐标(xm, K1(XmlXi)), (xn, K1(XnlXi))和斜率 diff (K1 (xm, Xi))/ ξ、diff (K1 (xn, Xi))/ξ ,其中ξ为实数变量，确定polynomial kernel表达式，表达式由K2' (X，Xi) = diff (K1 (xm, Xi))/ ξ /XiX χ, x^+c)和 K2 " (x, Xi) = diff (K1 (xn, Xi)) / ξ /XiX (<x, XiHc)两部分组成。4)构建仿生型核函数Kbsf (X，Xi) = exp (_ Γ I I X-Xi | 2) +diff (exp (-Γ | xB~Xi I 2)/ I AiX (<x, XiHc)其中:||x| I > I Xi I 时，xB取为xn，I |x| I < I Xi I 时，xB取为Xni, I |x| I = I Xi时，将X和Xi归为同类，无需使用核函数对其进行计算。与变色龙的皮肤根据周围环境颜色变化而变化的过程相类似，仿生型核函数Kbsf (x, Xi)可以通过参数Γ和ξ的调节，实现对全局数据和局部数据的调整，以适应对不同数据归类的要求。实际上，上述构建的仿生型核函数形式可表示为:Kbsf (X，Xi) = K1 (X，Xi) +K2 (X，Xi)。其中=K1(Xji)为Gaussian kernel,K2 (x, Xi)为 polynomial kernel,根据核函数性质:当且仅当函数K是负定的，则K:XXX — R是核函数，可得如下证明过程:对任意a
权利要求
1.一种群体净光合速率预测方法，其特征在于，所述的一种群体净光合速率预测方法的步骤如下: 1)获得区域可见光各波段光谱辐射配比关系数据: (1)在面积为S的试验区域中高于植株冠层为H的高度安装型号为MSR-16的便携式多光谱辐射仪，其中:S取值为6m2至55m2，H取值为1.2m或2m，型号为MSR-16的便携式多光谱辐射仪在其正下方地面的有效测量直径为H/2，观测面积为S1, S1=[ π X (Η/4)2]，计算出试验区域划分的测试单元的个数为Μ，其数值取SZS1的整数部分； (2)在指定的测量时间段，每一小时测定一次，每次随机选取N个测试单元，其中Ν〈Μ，要求每次选取的试验单元不同于其他测量时间已选取的试验单元，每次测量时，将MSR-16的便携式多光谱辐射仪置于该次测量时的测试单元上方H处，H取值为1.2m或2m，每个测试单元内取5个定点测量，每点测量2次取平均，5个定点平均值作为该测试单元的光谱组成，3个测试单元的平均值作为该时段试验区域内可见光各波段光谱辐射配比关系数据； (3)按第(2)步骤的方法，在试验的时间跨度内，获得不同时段试验区域内可见光各波段光谱辐射配比关系数据M_D，进行[O，I]归一化处理，得到归一化后的数据M_Di ； 2)获得群体净光合速率数据: (1)采用美国CID公司生产的型号为C1-310的便携式光合作用测定系统测量个体净光合速率； (2)在选定的每个测试单元内随机挑选3株同一品种植物，若该植物数量不足3株，按实际植物数量进行测量，每株植物随机挑选5片叶片，若叶片数量不足5片，按实际叶片数量进行测量，每片叶片采用型号为C1-310的便携式光合作用测定系统测量一次净光合速率，取平均值作为该株植物净光合速率，3个试验单元平均值作为该时段试验区域内该株植物群体净光合速率；· (3)按第(2)步骤的方法，在试验时间跨度内，获得不同时段试验区域内该种植物群体净光合速率C_D，进行[O，I]归一化处理，得到归一化后的数据C^D1 ； 3)构建仿生型核函数； 4)建立SVM训练集和预测集: 将数据M_Di按不同时间段分为两部分数据M_Dn和M_D12，依据ILD1划分为两部分数据M_Dn和M_D12的时间段，将数据C^D1按对应时间段分为两部分数据C^D11和C_D12。将第一部分数据M_Dn和C^D11作为SVM的训练集，将第二部分数据M_D12和C_D12作为SVM的预测集; 5)建立预测模型的工具选择和参数优化； 6)预测群体净光合速率。
2.按照权利要求1所述的一种群体净光合速率预测方法，其特征在于，所述的构建仿生型核函数的步骤如下:1)以Gaussian IcernelK1(XjXi) = exp (- y | X-Xi |2)和 polynomial kernelK2 (x, Xi)= k(〈X，Xi>+C)为基准核函数，其中，Y和C为参数，X和Xi为低维空间多维向量。将K1Uxi) = exp (-Y I x-xj I2)输入Iibsvm中，作为SVM核函数，对训练集数据进行训练，采用grid-search搜索最佳参数,确定出对训练集预测准确率最高的Y值，定义为Γ值； 2)寻找出Γ值下的Gaussiankernel特征曲线切线斜率最大值diff (K1 (xm, Xi))和最小值diff (K1 (xn, Xi)),以及对应的切点坐标(xm, K1 (xm, Xi)), (xn, K1 (xn, Xi)),将该类切点称为折点；3)根据折点坐标(xm，K1(xm, Xi)), (xn, K1 (xn, X1))和斜率 diff (K1 (xm, Xi)) / ξ >diff (K1 (xn, Xi))/ξ ,其中ξ为实数变量，确定polynomial kernel表达式，表达式由K2, (X，Xi) = diff (K1 (xm, Xi))/ ξ /XiX (x, Xi+c)和 K2 " (x, Xi) = diff (K1 (xn, Xi)) / ξ /XiX (<x, XiHc)两部分组成； 4)构建仿生型核函数: Kbsf (X，Xi) = exp (_ Γ I I X-Xi I 2)+diff (exp (_ Γ | | Xb-X1 | 2)/ ξ AiX (<x, XiHc)其中:I |χ| I > I IxiI I 时，χΒ取为 χη, I |χ| I < I Xi I 时，χΒ取为 Xni, IIxII = I IxiI时，将X和Xi归为同类，无需使用核函数对其进行计算； 仿生型核函数Kbsf (X，Xi)可以通过参数Γ和ξ的调节，实现对全局数据和局部数据的调整，以适应对不同数据归类的要求。
3.按照权利要求1所述的一种群体净光合速率预测方法，其特征在于，所述的建立预测模型的工具选择和参数优化是指: 采用MATLAB将仿生型核函数Kbsf (X，Xi)放入Iibsvm工具箱中，取代原来RBF核函数的位置，通过函数SVMcgForRegress O实现grid-search方法优化参数，利用grid-search方法初步优化参数过程，在函数SVMcgForRegress O中采用Gaussian IcernelK1 (x, Xi),通过[bestmse, bestc, be stg] =SVMcgForRegress (C_Dn, M_Dn, _8，8, _8，8)，可以获得参数 bestc和bestg, bestc为最佳的惩罚参数c值，bestg为最佳的参数Y值,即Γ值； 在函数 SVMcgForRegress O 中采用仿生型核函数Kbsf (x, Xi),通过[bestmse, bestc, bestCMG] =SVMcgForRegress (C_Dn, M_Dn, bestc, bestc, _8，8),可以获得最佳参数 bestCMG,即I值。
4.按照权利要求1所述的一种群体净光合速率预测方法，其特征在于，所述的预测群体净光合速率的步骤如下: O获得预测模型model 利用 Iibsvm 工具箱中的 svmtrain O ,即通过 model=svmtrain (C_Dn, M_Dn, cmd),可以获得预测模型 model,其中 cmd= [’ _c，, num2str (bestc), ’ -g’, num2str (bestg), ’ -s3-p0.0l-t2’ ]，s设为3代表采用e - SVR公式，p设为0.01代表设置e_SVR中损失函数的值，t设为2代表SVM中采用的核函数为Kbsf (X，Xi);在model中包含了核函数类型、支持向量个数和支持向量在决策函数中系数范围的信息； 2)得到群体净光合速率的预测值predict 利用 Iibsvm 工具箱中的 svmpredict O ,通过[predict, mse] =svmpredict (C_D12, M_D12, model)实现利用M_D12对C_D12进行预测,得到群体净光合速率的预测值predict ； 3)判断预测模型model的可靠性 同时，通过C_D12和predict计算出两者之间的相关系数R，判断出预测值predict的准确性，即预测模型model的可靠性。
全文摘要
本发明公开了一种群体净光合速率预测方法，旨在克服建立群体净光合速率预测回归方程困难、建立群体净光合速率预测模型需相关数据多与预测准确性不高的问题。其步骤如下1.获得区域可见光各波段光谱辐射配比关系数据在面积为S的试验区域中高于植株冠层为H的高度安装便携式多光谱辐射仪；获得不同时段试验区域内可见光各波段光谱辐射配比关系数据M_D，进行
归一化处理。2.获得群体净光合速率数据；3.构建仿生型核函数；4.建立SVM训练集和预测集；5.建立预测模型的工具选择和参数优化；6.预测群体净光合速率获得预测模型model；得到群体净光合速率的预测值predict与判断预测模型model的可靠性。
文档编号G01N21/25GK103234916SQ20131011538
公开日2013年8月7日 申请日期2013年4月6日 优先权日2013年4月6日
发明者于海业, 武海巍, 田彦涛, 张蕾, 张强, 王淑杰, 肖英奎 申请人:吉林大学