基于光谱分析和机器学习的茶树耐氟性评估系统

本发明属于光谱分析，具体涉及基于光谱分析和机器学习的茶树耐氟性评估系统。

背景技术：

1、茶树是世界上广泛种植的经济作物之一，其叶片富含多种次生代谢产物，如茶多酚、咖啡碱、氨基酸等，对人类健康具有诸多益处。然而，在茶树生长过程中，环境中的各种胁迫因素，如重金属、污染物和病虫害等，均会对其生长和产量产生影响。其中，氟元素作为一种常见的污染物，尤其在一些工业化地区，因工业排放、土壤污染等原因，氟污染已经成为影响茶树生长和品质的重要因素。氟对植物的毒性主要表现为叶片黄化、光合作用效率下降、生理功能紊乱等，这些都直接影响到茶叶的产量和质量。因此，如何准确评估茶树对氟胁迫的耐受性，进而指导茶树的种植和管理，已经成为茶树栽培研究中的重要课题。

2、在过去的研究中，科学家们采用了多种方法来评估茶树的耐氟性。传统的方法主要包括化学分析法和生理指标测量法。例如，通过测定茶树叶片中的氟含量、叶绿素含量、光合作用速率等生理参数，来评估茶树在氟胁迫下的生理状态。然而，这些方法往往需要破坏性采样，操作复杂且耗时，难以实现对大面积茶园的实时监测。此外，由于氟对植物的影响是多方面的，仅凭单一的生理或化学指标难以全面反映茶树在氟胁迫下的综合耐受能力。这些传统方法虽然在实验室研究中取得了一定的成果，但在实际应用中，尤其是在大规模茶园的监测和管理中，存在着较大的局限性。

3、随着光谱技术的发展，非破坏性光谱分析方法逐渐成为评估植物胁迫反应的有效工具。高光谱成像技术因其能够在多个波长范围内获取植物叶片的光谱信息，被广泛应用于植物生理状态的监测和胁迫评估中。高光谱成像技术可以通过获取植物叶片在不同波长下的光谱反射率，分析其在胁迫条件下的光谱特征变化，从而实现对植物健康状态的实时、快速监测。在茶树耐氟性研究中，光谱分析技术也逐渐得到应用，通过分析茶树叶片在不同波段的光谱特征变化，能够在一定程度上反映茶树的耐氟性。

4、然而，现有的光谱分析技术在应用于茶树耐氟性评估时，仍然面临一些挑战。首先，高光谱成像技术虽然能够获取丰富的光谱数据，但这些数据往往维度高、复杂性强，如何从中提取出与茶树耐氟性密切相关的特征，仍然是一个难点。传统的光谱分析方法多采用单一波段或简单的光谱指数进行分析，这种方法虽然直观，但难以捕捉到茶树在复杂胁迫条件下的多维光谱特征变化。此外，光谱数据通常受到环境光条件、大气状况以及观测角度等多种外部因素的影响，这些干扰因素可能导致光谱数据的准确性下降，进而影响评估结果的可靠性。其次，现有的光谱分析方法在处理光谱数据时，多采用线性回归、主成分分析等传统的统计方法，这些方法虽然在一定程度上能够简化数据处理过程，但在面对非线性和复杂的数据模式时，表现出较大的局限性。茶树在氟胁迫下的光谱响应往往表现为非线性变化，这种变化不仅体现在光谱的特定波段上，还涉及多个波段之间的相互作用。因此，仅凭线性分析方法难以全面捕捉茶树叶片在氟胁迫下的光谱特征变化，导致耐氟性评估的准确性和灵敏度不足。

技术实现思路

1、本发明的主要目的在于提供基于光谱分析和机器学习的茶树耐氟性评估系统，本发明有效解决了现有技术中存在的数据处理复杂性高、分析方法局限性大、动态监测不足等问题，显著提升了茶树耐氟性评估的准确性和实用性，为茶树种植和管理提供了强有力的技术支持。

2、为解决上述技术问题，本发明提供基于光谱分析和机器学习的茶树耐氟性评估系统，所述系统包括：光谱数据采集及处理单元、光谱特征提取及分析单元和耐氟性评估单元；所述光谱数据采集及处理单元，用于通过高光谱成像仪器采集目标茶树区域的光谱信息，计算目标茶树区域在不同波长下的光谱反射率；所述光谱特征提取及分析单元，用于对计算出的光谱反射率进行噪声抑制与信号增强，得到预处理结果，根据预处理结果，对目标茶树区域的氟敏感波段进行特征提取，得到氟敏感特征，根据叶绿素的波长，计算目标茶树区域的叶绿素荧光响应指数；对预处理结果进行光谱积分变换后，再进行多尺度小波分解，得到小波分解结果；对小波分解结果与叶绿素荧光响应指数，使用基于机器学习的非线性特征融合，得到特征融合结果；所述耐氟性评估单元，用于根据特征融合结果，计算耐氟性指数。

3、进一步的，所述高光谱成像仪器为：机载高光谱传感器或星载高光谱传感器。

4、进一步的，所述光谱数据采集及处理单元，使用如下公式，计算目标茶树区域在不同波长下的光谱反射率：

5、

6、其中，s(λ)为波长λ时的光谱反射率；l(λ)为波长λ时，高光谱成像仪器接收到的辐射亮度；d为日地距离；e0(λ)为波长λ时的太阳光谱辐照度；θs为太阳天顶角；θv为观测天顶角；τ(λ)为大气光学厚度。

7、进一步的，光谱特征提取及分析单元，通过如下公式，对计算出的光谱反射率进行噪声抑制与信号增强，得到预处理结果：

8、

9、其中，s′(λ)为预处理结果；g(λ，σ)为高斯滤波函数，σ为标准差；α为基于信噪比自适应调整的增强系数，取值范围为0.2到1.5；表示计算s(λ)的二阶导。

10、进一步的，通过如下公式，根据预处理结果，对目标茶树区域的氟敏感波段进行特征提取，得到氟敏感特征f(λi)：

11、f(λi)＝α·ndfi(λi)+β·fsri(λi)+γ·fabi(λi)；

12、其中，ndfi(λi)为波长为λi时的归一化氟差异指数；fsri(λi)为波长为λi时的氟胁迫比率指数；fabi(λi)为波长为λi时的氟吸收带积分指数；α为第一权重系数；β为第二权重系数；γ为第三权重系数；ndfi(λi)使用如下公式进行计算：

13、

14、其中，λref为不受氟影响的参考波长；λf为氟元素的主要特征吸收波长，等于680纳米；σf为氟吸收带宽，等于20纳米；fsri(λi)使用如下公式进行计算：

15、

16、其中，λr为红光波段；λnir为近红外波段；cf为叶片氟含量；kf为氟浓度响应系数，等于0.5；fabi(λi)使用如下公式进行计算：

17、

18、其中，[λ1，λ2]表示氟吸收带积分区间，λ1为氟吸收带积分区间的下限；λ2为氟吸收带积分区间的上。

19、进一步的，第一权重系数α使用如下公式进行计算：

20、

21、其中，cf，threshold为氟含量阈值，等于50ppm；k1为第一调节系数，取值范围为8到12；第二权重系数β使用如下公式进行计算：

22、β＝1-exp(-k2·res)；

23、其中，res为光谱分辨率；k2为第二调节系数，取值范围为0.09到0.13；第三权重系数γ使用如下公式进行计算：

24、

25、进一步的，通过如下公式，计算目标茶树区域的叶绿素荧光响应指数cfi：

26、

27、其中，f(740)表示波长为740纳米时的氟敏感特征；f(690)表示波长为690纳米时的氟敏感特征；φpsii为光系统ii的量子产率；φpsii，max为光系统ii的最大量子产率；par为光合有效辐射；par0为参考光合有效辐射；t代表一天中的小时时间，取值为0到24的整数；t为叶片温度；topt为光合作用的最优温度；kt为温度响应系数；npq为非光化学淬灭值；npqmax为最大非光化学淬灭值；φpsii使用如下公式计算得到：

28、

29、其中，f′m为光适应状态下的最大荧光产量；fs为稳态荧光产量；npq使用如下公式进行计算：

30、

31、其中，fm为暗适应状态下的最大荧光产量。

32、进一步的，通过如下公式，对预处理结果进行光谱积分变换：

33、

34、其中，i(a，b)为进行光谱积分变换的结果；[a，b]为积分区间；λc为中心波长；σc为积分窗口宽度；使用如下公式，进行多尺度小波分解，得到小波分解结果：

35、

36、其中，wψ[s′](λ，a)为小波分解结果；ψ(u)为morlet小波母函数；a为尺度参数；u为积分变量；对小波分解结果与叶绿素荧光响应指数，使用基于机器学习的非线性特征融合，得到特征融合结果时，通过sigmoid函数引入非线性，预先定义小波分解结果的权重矩阵、叶绿素荧光响应指数的权重矩阵和偏置，使用单层的神经网络对小波分解结果和叶绿素荧光响应指数进行非线性特征融合，得到特征融合结果φ(λ)。

37、进一步的，所述耐氟性评估单元，根据特征融合结果，通过如下公式，计算耐氟性指数y：

38、

39、其中，fti为未修正耐氟性指数；prim为修正后的光化学植被指数；pri0为标准光化学植被指数；σpri为光化学植被指数敏感度，等于0.1；fti使用如下公式进行计算：

40、

41、其中，af(λ)为氟在不同波长的吸收系数函数；c为红边位置响应系数；prim使用如下公式计算得到：

42、

43、本发明的基于光谱分析和机器学习的茶树耐氟性评估系统，具有以下有益效果：本发明利用高光谱成像技术，实现了对茶树叶片在多个波长范围内的精细化监测。高光谱成像仪器能够捕捉从可见光到近红外波段的光谱反射率信息，提供了极为丰富的光谱数据。这些数据通过预处理和光谱积分变换等步骤，得到了更加平滑且具代表性的光谱特征。通过对不同波长下的光谱反射率进行分析，本发明能够精准捕捉到茶树在氟胁迫下的光谱响应，这种高分辨率的光谱分析为耐氟性评估提供了坚实的数据基础。与传统的单一波段或光谱指数分析相比，本发明的多波段综合分析方法能够更全面地反映茶树的生理状态，特别是在复杂环境条件下的变化。其次，本发明通过引入多尺度小波分解技术，进一步提升了对光谱数据的特征提取能力。小波分解是一种能够在时间(或空间)和频率两个域中同时分析信号的技术，能够在不同的尺度上捕捉到信号中的细微变化和整体趋势。通过将预处理后的光谱数据进行多尺度小波分解，本发明能够识别出茶树叶片在氟胁迫下的多层次光谱特征，这些特征在不同的尺度上反映了茶树的光谱响应，从而提高了耐氟性评估的准确性。小波分解还具有良好的抗噪能力，能够有效抑制光谱数据中的噪声干扰，使得提取的特征更加可靠。此外，本发明通过非线性特征融合技术，将小波分解结果与叶绿素荧光响应指数结合，进一步强化了特征的表现力。茶树在氟胁迫下的光谱响应往往表现为复杂的非线性关系，而传统的线性分析方法难以捕捉这种变化。本发明通过引入单层神经网络，对小波分解结果和叶绿素荧光响应指数进行非线性特征融合，成功捕捉到茶树耐氟性特征之间的复杂关联。神经网络的引入不仅提高了特征融合的精度，还能够通过训练过程自适应地优化特征权重，使得评估结果更加贴近实际情况。这种非线性特征融合方法相较于传统方法具有显著的优势，能够更准确地反映茶树在不同氟胁迫条件下的生理状态。