一种农作物叶片净光合速率反演方法、系统、设备及介质

本发明涉及涉及遥感信息的处理与应用领域，特别是涉及一种农作物叶片净光合速率反演方法、系统、设备及介质。

背景技术：

1、传统农业中，监测农作物的长势信息主要通过人工破坏性取样结合手工测量来获取相关的农学指标，该监测方法难以应用于大范围的农作物长势监测，且工作量大、成本高。

技术实现思路

1、基于此，本发明实施例提供一种农作物叶片净光合速率反演方法、系统、设备及介质，以实现大面积农作物叶片净光合速率的无损检测。

2、为实现上述目的，本发明提供了如下方案：

3、一种农作物叶片净光合速率反演方法，包括：

4、获取目标遥感影像；所述目标遥感影像是采用无人机对目标田地进行拍摄得到的；

5、对所述目标遥感影像进行特征波段筛选，得到所述目标田地在各个设定波段上的反射率均值；

6、根据所述目标田地所有设定波段上的反射率均值，构建所述目标田地的反射率均值特征矩阵；

7、将所述目标田地的反射率均值特征矩阵输入叶片净光合速率反演模型中，得到所述目标田地的农作物叶片净光合速率；

8、其中，所述叶片净光合速率反演模型是基于机器学习算法构建的。

9、可选地，所述叶片净光合速率反演模型的确定方法为：

10、获取训练时段内的训练遥感影像；所述训练遥感影像是采用无人机对训练田地进行拍摄得到的；

11、对所述训练遥感影像进行特征波段筛选，得到所述训练田地在各个设定波段上的反射率均值；

12、根据所述目标田地所有设定波段上的反射率均值，构建样本集特征矩阵；所述样本集特征矩阵为所述训练田地的反射率均值特征矩阵；

13、对所述训练时段内的叶片净光合速率进行测定，得到所述训练田地的叶片净光合速率测量值；

14、根据所述叶片净光合速率测量值构建标签矩阵；

15、将所述样本集特征矩阵和所述标签矩阵进行纵向合并和划分，得到训练数据集和测试数据集；

16、采用所述训练数据集对自适应增强模型进行训练，得到训练好的自适应增强模型；

17、采用所述测试数据集对所述训练好的自适应增强模型中的参数进行调整，得到所述叶片净光合速率反演模型。

18、可选地，所述获取目标遥感影像，具体包括：

19、采用无人机对目标田地进行多次拍摄，得到多幅初始遥感影像；

20、对多幅所述初始遥感影像进行拼接，得到所述目标遥感影像。

21、可选地，所述采用所述训练数据集对自适应增强模型进行训练，得到训练好的自适应增强模型，具体包括：

22、构建所述自适应增强模型；所述自适应增强模型，包括设定数目的弱学习器；

23、将所述训练数据集中的所述样本集特征矩阵为输入，以所述标签矩阵为输出，利用权重自适应误差的方法训练各所述弱学习器，得到设定数目的训练好的弱学习器；

24、将设定数目的训练好的弱学习器进行加权结合，得到训练好的自适应增强模型。

25、可选地，所述反射率均值的计算公式为：

26、

27、其中，为目标田地上第m个田块区在第n个设定波段λn上的反射率均值，为第n个设定波段λn上的第m个田块区内的第a个像素点的反射率值；am为目标田地上第m个田块区的感兴趣区内的像素点总数量。

28、可选地，所述对多幅所述初始遥感影像进行拼接，得到所述目标遥感影像，具体包括：

29、对多幅所述初始遥感影像进行拼接，得到所述目标田地的完整遥感影像；

30、对所述完整遥感影像依次进行包括辐射标定和大气校正，得到所述目标遥感影像。

31、本发明还提供了一种农作物叶片净光合速率反演系统，包括：

32、影像获取模块，用于获取目标遥感影像；所述目标遥感影像是采用无人机对目标田地进行拍摄得到的；

33、波段筛选模块，用于对所述目标遥感影像进行特征波段筛选，得到所述目标田地在各个设定波段上的反射率均值；

34、特征矩阵构建模块，用于根据所述目标田地所有设定波段上的反射率均值，构建所述目标田地的反射率均值特征矩阵；

35、净光合速率反演模块，用于将所述目标田地的反射率均值特征矩阵输入叶片净光合速率反演模型中，得到所述目标田地的农作物叶片净光合速率；

36、其中，所述叶片净光合速率反演模型是基于机器学习算法构建的。

37、可选地，所述农作物叶片净光合速率反演系统，还包括：反演模型确定模块，用于确定所述叶片净光合速率反演模型；

38、所述反演模型确定模块，具体包括：

39、训练图像获取单元，用于获取训练时段内的训练遥感影像；所述训练遥感影像是采用无人机对训练田地进行拍摄得到的；

40、波段筛选单元，用于对所述训练遥感影像进行特征波段筛选，得到所述训练田地在各个设定波段上的反射率均值；

41、特征矩阵构建单元，用于根据所述目标田地所有设定波段上的反射率均值，构建样本集特征矩阵；所述样本集特征矩阵为所述训练田地的反射率均值特征矩阵；

42、测定单元，用于对所述训练时段内的叶片净光合速率进行测定，得到所述训练田地的叶片净光合速率测量值；

43、标签矩阵构建单元，用于根据所述叶片净光合速率测量值构建标签矩阵；

44、纵向合并和划分单元，用于将所述样本集特征矩阵和所述标签矩阵进行纵向合并和划分，得到训练数据集和测试数据集；

45、模型训练单元，用于采用所述训练数据集对自适应增强模型进行训练，得到训练好的自适应增强模型；

46、模型调整单元，用于采用所述测试数据集对所述训练好的自适应增强模型中的参数进行调整，得到所述叶片净光合速率反演模型。

47、本发明还提供了一种电子设备，包括存储器及处理器，所述存储器用于存储计算机程序，所述处理器运行所述计算机程序以使所述电子设备执行所述农作物叶片净光合速率反演方法。

48、本发明还提供了一种计算机可读存储介质，其存储有计算机程序，所述计算机程序被处理器执行时实现所述农作物叶片净光合速率反演方法。

49、根据本发明提供的具体实施例，本发明公开了以下技术效果：

50、本发明实施例提出了一种农作物叶片净光合速率反演方法、系统、设备及介质，采用无人机获取目标田地的目标遥感影像；对目标遥感影像进行特征波段筛选，得到目标田地在各个设定波段上的反射率均值；根据目标田地所有设定波段上的反射率均值，构建目标田地的反射率均值特征矩阵；将目标田地的反射率均值特征矩阵输入叶片净光合速率反演模型中，得到目标田地的农作物叶片净光合速率。本发明通过无人机获取的遥感影像为高光谱遥感影像，其速度快，覆盖的田地范围广，直接通过对高光谱遥感影像的处理即可得知目标田地的农作物叶片净光合速率，从而实现了大面积农作物叶片净光合速率的无损检测。

技术特征：

1.一种农作物叶片净光合速率反演方法，其特征在于，包括：

2.根据权利要求1所述的一种农作物叶片净光合速率反演方法，其特征在于，所述叶片净光合速率反演模型的确定方法为：

3.根据权利要求1所述的一种农作物叶片净光合速率反演方法，其特征在于，所述获取目标遥感影像，具体包括：

4.根据权利要求2所述的一种农作物叶片净光合速率反演方法，其特征在于，所述采用所述训练数据集对自适应增强模型进行训练，得到训练好的自适应增强模型，具体包括：

5.根据权利要求1所述的一种农作物叶片净光合速率反演方法，其特征在于，所述反射率均值的计算公式为：

6.根据权利要求3所述的一种农作物叶片净光合速率反演方法，其特征在于，所述对多幅所述初始遥感影像进行拼接，得到所述目标遥感影像，具体包括：

7.一种农作物叶片净光合速率反演系统，其特征在于，包括：

8.根据权利要求7所述的一种农作物叶片净光合速率反演系统，其特征在于，还包括：反演模型确定模块，用于确定所述叶片净光合速率反演模型；

9.一种电子设备，其特征在于，包括存储器及处理器，所述存储器用于存储计算机程序，所述处理器运行所述计算机程序以使所述电子设备执行权利要求1至6中任一项所述的农作物叶片净光合速率反演方法。

10.一种计算机可读存储介质，其特征在于，其存储有计算机程序，所述计算机程序被处理器执行时实现如权利要求1至6中任一项所述的农作物叶片净光合速率反演方法。

技术总结
本发明公开了一种农作物叶片净光合速率反演方法、系统、设备及介质，涉及遥感信息的处理与应用领域，所述方法，包括：获取目标遥感影像；目标遥感影像是采用无人机对目标田地进行拍摄得到的；对目标遥感影像进行特征波段筛选，得到目标田地在各个设定波段上的反射率均值；根据目标田地所有设定波段上的反射率均值，构建目标田地的反射率均值特征矩阵；将目标田地的反射率均值特征矩阵输入叶片净光合速率反演模型中，得到目标田地的农作物叶片净光合速率；其中，叶片净光合速率反演模型是基于机器学习算法构建的。本发明能实现大面积农作物叶片净光合速率的无损检测。

技术研发人员：杨欣,叶寅,夏敏
受保护的技术使用者：安徽省农业科学院土壤肥料研究所
技术研发日：
技术公布日：2024/1/13