一种基于高光谱的茶树冠层叶片氮素估算方法

本发明涉及农作物生化组分光谱无损检测，特别是一种基于高光谱的茶树冠层叶片氮素估算方法。

背景技术：

1、氮素是茶树生长所必需的营养元素之一，适量的氮肥施用可以促进茶树生长和提高产量。然而，过量施用氮肥会导致茶树吸收过多的氮素，茶树生长过旺易发生病虫害，并且会影响茶叶品质。此外，过量的氮肥施用也会对茶园生态环境造成负面影响。过多的氮素会被土壤无法吸收，流失到地下水和地表水中，导致水体富营养化和水质污染。同时，过量的氮肥也会破坏土壤生态平衡，影响土壤质量和微生物群落，进而影响土壤健康和生产力。因此及时精准有效监测茶树的氮素情况是茶树种植管理过程中的重要工作，对于维持良好的茶园生态环境也具有重要意义。

2、基于茶叶样本的实验室破坏性分析，能得到茶树较为精确的氮素含量结果，但是过程复杂，难以实时、快速的对茶园尺度茶树氮素水平进行监测。近年来，随着高光谱技术的兴起，为植被氮素无损监测提供了新的方法。高光谱数据丰富的波段信息能较为完整的反应植被的光谱特征，可用来辨析目标的精细光谱差异。通过高光谱技术获取植被的氮含量信息与生长状况，能较大程度降低人力物力成本，而且具有较高的准确度，并可应用于地块尺度的监测和诊断，是未来发展精准农业的重要技术手段。

3、前人研究中对氮素含量反演研主要以筛选敏感波段反射率和植被指数为主，且光谱数据主要是实验室理想条件中获取，没有考虑野外自然环境中多种因素产生的干扰，敏感波段反射率容易受到野外噪声因素影响，而植被指数采用固定波段运算会受到多种环境因素的影响，例如土壤类型、植被类型、湿度等，这些因素可能会干扰植被指数与氮素含量之间的关系，从而降低了预测的准确性。我们的研究表明，常用的农作物氮素反演植被指数例如tcari、mtcari、mcari、ndre、ccci、osavi等在自然条件下与氮素含量的相关性普遍偏低，一般都都低于0.5，因此构建的模型泛化性能不高。

技术实现思路

1、有鉴于此，本发明的目的在于提供一种基于高光谱的茶树冠层叶片氮素估算方法，能较充分利用光谱数据的重要信息。在多个茶园的实验结果表明，该模型具有较高的预测精度，表现出了较好的泛化性能。

2、为实现上述目的，本发明采用如下技术方案：一种基于高光谱的茶树冠层叶片氮素估算方法，包括以下步骤：

3、步骤1：茶树冠层高光谱数据采集；

4、步骤2：茶树冠层叶片氮素含量测定；在每个光谱测量样本点对应的冠层区域均匀采集一定数量叶片装入袋子密封送到实验室，利用凯氏定氮法对叶片氮素含量进行测定；

5、步骤3：原始光谱平滑与插值处理；使用savitzky-golay方法对其进行平滑处理，以减少随机噪声提高数据的信噪比，然后将原始光谱插值为合适的波段间隔，以确保计算的连续性和方便性；

6、步骤4：光谱导数变换及指数计算；对处理后的光谱进行导二阶导数处理，并计算导数光谱全波段的ndsi指数；

7、步骤5：计算氮素含量与导数光谱指数相关性；计算所有ndsi指数与对应氮素含量的皮尔逊相关系数pcc,并记录相关性最高的前20个值；

8、步骤6：主成分分析与回归模型构建；使用主成分分析法pca确定相关性最高的前20个ndsi指数的前10个主成份得分；然后构建一个由上述10个主成份为参数的多元线性回归模型，评估其效果并用于实际预测。

9、在一较佳的实施例中，步骤1具体为：光谱采集使用荷兰avantes公司生产的avafield-1便携式高光谱地物光谱仪；数据采集操作人员均着深色服装，将光谱仪固定于三脚架上，保持传感器探头水平稳定并正面朝下位于茶树冠层上方0.5m处，传感器探头使用25°视场角，每个样本点在一平米范围内连续采集5次光谱数据，以其平均值作为该样本点茶树冠层光谱；每个样本点数采集据前均使用标准白板进行光谱校正。

10、在一较佳的实施例中，步骤2具体包括：在每个光谱采样点采集光谱数据后，立即在样本点一平米范围内均匀采集15-20片茶树鲜叶装入袋子密封，统一送到实验室利用凯氏定氮法测定叶片含氮量。

11、在一较佳的实施例中，步骤3具体包括：将平滑后的光谱数据通过样条插值法转换为1nm间隔的600个波段，波段范围在400至1000nm之间，确保计算的连续性和方便性。

12、在一较佳的实施例中，步骤4具体包括：计算所有原始光谱数据的二阶导数，然后进一步计算导数光谱所有波段的归一化差值植被指数ndsi，其计算公式如下：

13、

14、其中，x2和x1指原始反射率的任何特定波长，或经过一系列转换后的相对反射率。

15、在一较佳的实施例中，步骤5具体包括：计算导数光谱所有波段的ndsi指数与对应氮素含量的皮尔逊相关系数pcc,并记录相关性最高的前20个值。

16、在一较佳的实施例中，步骤6具体包括：将上述处理获取的相关性最高20个值进行主成分分析，以实现进一步的降维，记录主成分分析得分前10的成分，并利用该10个主成分构建多元线性回归模型；回归模型采用相关系数平方r2、调整后的平方相关系数adjr2、均方根误差rmse和模型的统计显著性即p值来评估模型的拟合优度；各指标计算公式如下：

17、

18、其中：ssr:残差平方和，

19、sst:总平方和，

20、yi是实际值，是预测值，是实际平均值；

21、

22、其中：n是样本的数量，p是自变量的数量

23、

24、其中：yi是实际值，是预测值，n是样本的数量；

25、回归模型拟合公式如下：

26、

27、其中，xi为主成分的前10个分量。

28、与现有技术相比，本发明具有以下有益效果：首先通过使用savitzky-golay方法对原始光谱数据进行平滑处理，减少了随机噪声，然后通过对处理后的光谱进行二阶导数变化，从而提高了信噪比以便于更准确地分析光谱数据、提取与氮素相关的敏感信息。本发明最重要的创新之处在于全波段计算了归一化差值光谱指数(ndsi)，并获取这些指数其与实际氮素含量的皮尔逊相关系数(pcc)，这种方法能够有效挖掘与氮素含量相关的光谱指数特征。通过对相关系数最高的20个指数进行pca变换以进一步降低数据维度，接着使用pca得分前10的主成分作为参数构建多元线性回归模型，综合多个光谱特征以提高预测茶树冠层叶片含氮量的准确性。在多个茶园的预测实验中，该模型表现出了良好的预测效果，与实际氮素含量较为接近，实验结果表明了该方法的有效性和实用性。该方法在不同茶园的实验中均表现出稳定性，说明其具有一定的鲁棒性，能够在不同的环境和条件下提供可靠的预测结果。

29、综上所述，该发明通过一系列创新的数据处理技术显著提高了原始光谱的信噪比，为高质量的氮素预测模型构建提供良好基础，从而提高了茶树冠层叶片氮素含量预测的准确性和可靠性，对于茶树种植和茶园管理具有重要的应用价值。