一种作物表型参数分析方法
本发明属于农业遥感领域,尤其涉及一种作物表型参数分析方法。
背景技术:
1、随着无人机多光谱遥感技术的迅速发展,基于无人机平台的非接触式测量已被广泛应用于作物表型监测与氮营养诊断领域。现有技术的典型作业流程通常包括:首先,利用搭载高通量传感器的无人机平台获取目标区域的多源遥感数据,如多光谱影像、rgb影像和数字表面模型等;随后,结合地面实测数据,通过相关性分析或正则化方法对海量多源数据进行特征降维与冗余消除;最后,采用常规机器学习算法(如偏最小二乘回归、支持向量回归、随机森林等)替代传统线性回归模型进行反演建模,以估测作物的氮含量等生理参数,并生成相应的空间分布图或决策处方图,为农业管理提供可视化支持。为了克服早期单一光谱数据易受土壤背景、光照条件变化及饱和效应影响的问题,目前主流的方案通常融合多光谱数据、纹理特征和冠层结构等多源信息进行综合建模,以期更全面地捕捉作物生理参数与遥感特征间的关联。
2、然而,现有的无人机遥感反演方法在实际精准农业应用中仍存在以下显著的局限性:第一,特征选择机制缺乏客观性,深层特征信息易丢失。无人机高通量多源遥感数据具有复杂的空间结构及多样的光谱特性,现有方法在处理海量数据产生的特征冗余时,多依赖人工设定阈值进行特征筛选,这种非标准化的机制难以充分挖掘高维特征间复杂的非线性相互作用,极易导致关键特征信息的丢失,限制了反演模型的精度上限。第二,模型构建对专家经验依赖性过强,泛化与迁移能力弱。传统机器学习模型难以捕捉多源光谱特征与作物生理参数间的深度非线性关联,同时现有模型的超参数调优高度依赖人工经验,这种非标准化的操作模式不仅降低了模型的可复现性,更严重制约了模型在不同时空尺度下的自动迁移能力。第三,农业决策链条未打通,缺乏端到端的自动化业务流。作物表型监测的终极目标在于服务农业生产实践,而现有研究普遍停留在理论监测阶段,缺乏将监测结果转化为可直接驱动农机具作业的施肥处方图的有效路径,无法实现从多源数据处理、特征优化到精准施肥决策的全流程自动化,难以满足现代农业对决策科学性与全流程自动化的需求。
技术实现思路
1、为解决上述技术问题,本发明提供了一种作物表型参数分析方法,包括:
2、获取目标区域的多源遥感数据及地面实测数据;
3、根据所述多源遥感数据,提取初始多源特征集;
4、根据所述初始多源特征集和所述地面实测数据,采用多阶段特征选择框架进行处理,获得目标特征子集,所述多阶段特征选择框架包括全局特征筛选阶段、局部递归特征消除阶段和可解释性分析阶段;
5、根据所述目标特征子集和所述地面实测数据,采用自动化机器学习框架进行模型训练和超参数优化,获得最优作物表型反演模型;
6、根据所述最优作物表型反演模型,生成所述目标区域的作物表型参数空间分布图;
7、根据所述作物表型参数空间分布图,生成用于指导精准作业的决策处方图。
8、优选地,获取所述多源遥感数据的过程包括:
9、通过无人机搭载的多光谱传感器和rgb传感器,采集目标区域的多光谱影像和彩色影像;
10、对采集的所述多光谱影像和所述彩色影像进行拼接、辐射校正和几何配准,生成多光谱正射镶嵌图、数字表面模型和三维点云数据。
11、优选地,获得所述目标特征子集的过程包括:
12、采用boruta算法对所述初始多源特征集进行全局筛选,获得第一特征子集;
13、采用递归特征消除算法对所述初始多源特征集进行局部递归消除,获得第二特征子集;
14、采用shap算法对所述初始多源特征集进行可解释性分析,获得第三特征子集;
15、根据所述第一特征子集、所述第二特征子集和所述第三特征子集,生成所述目标特征子集。
16、优选地,所述boruta算法基于随机森林模型,通过引入阴影特征与真实特征进行比较,评估并保留统计上优于随机扰动的稳定特征。
17、优选地,所述递归特征消除算法以随机森林回归器为基础学习器,按特征重要性递归地剔除最弱特征,直至收敛至最优特征子集。
18、优选地,所述shap算法基于训练好的回归模型计算每个特征的shap值,用于评估特征在模型中的边际贡献,并提供可解释的特征排序。
19、优选地,生成所述目标特征子集的过程包括:
20、计算所述第一特征子集、所述第二特征子集和所述第三特征子集两两之间的交集,并对所有交集进行并集运算,将并集结果作为所述目标特征子集。
21、优选地,所述自动化机器学习框架包括auto-sklearn框架、autogluon框架;
22、所述auto-sklearn框架通过元学习锁定最优模型组合并进行加权集成输出;
23、所述autogluon框架采用多层堆叠机制,将前层基模型的输出作为后层元学习器的输入进行拟合。
24、优选地,所述自动化机器学习框架采用的基模型包括:偏最小二乘回归模型、支持向量回归模型、极端梯度提升树模型和轻量级梯度提升机模型。
25、优选地,生成所述决策处方图的过程包括:
26、根据所述作物表型参数空间分布图,确定目标区域内不同位置的表型参数等级;
27、根据所述表型参数等级及预设的农学模型,计算各位置处的追肥需求量;
28、根据所述追肥需求量,生成网格化的变量施肥处方图。
29、与现有技术相比,本发明具有如下优点和技术效果:
30、第一,本发明通过构建“全局筛选-局部递归-可解释分析”的三阶段特征选择框架(mfsf),融合boruta算法、递归特征消除算法(rfe)与shap算法,从特征稳定性、预测贡献度与模型可解释性三个维度综合评估特征的重要性,能够在高效剔除冗余干扰的同时,确保所选特征的稳定性、全面性及物理可解释性,充分挖掘高维特征间的非线性相互作用,显著提升反演模型的精度上限。
31、第二,本发明引入自动化机器学习(automl)技术,通过实现模型结构的自动选择与超参数的自适应优化,彻底摆脱了人工调参的依赖,打破了人工干预带来的精度瓶颈与泛化限制,显著提升了全生育期回归建模的效率和反演精度,并保证了模型在不同时空尺度下的可复现性与自动迁移能力。
32、第三,本发明提供了一套从多源遥感数据输入到最终决策输出的完整闭环方案,通过开发配套的作物表型建模及处方图生成软件,将复杂的反演结果一键转化为可直接指导农机作业的精准施肥处方图,真正打通了精准农业落地的“最后一公里”,实现了从多源数据处理、特征优化到精准施肥决策的全流程自动化,为农业减施增效提供了切实可行的技术支撑。
1.一种作物表型参数分析方法,其特征在于,包括:
2.根据权利要求1所述的方法,其特征在于,
3.根据权利要求1所述的方法,其特征在于,
4.根据权利要求3所述的方法,其特征在于,
5.根据权利要求3所述的方法,其特征在于,
6.根据权利要求3所述的方法,其特征在于,
7.根据权利要求3所述的方法,其特征在于,
8.根据权利要求1所述的方法,其特征在于,
9.根据权利要求1所述的方法,其特征在于,
10.根据权利要求1所述的方法,其特征在于,
版权声明:本站专利文献数据主要来源于国家知识产权局等公开渠道,由 技术新讯 进行整理汇编。页面设计及数据汇编的著作权归本站所有。全部内容仅供个人学习、科研评估与技术交流参考,严禁用于任何商业用途(包括但不限于直接生产制造、技术转让、倒卖数据等)。
免责条款:专利技术具有时效性,本站不对资料的绝对准确性、完整性和可实施性提供任何明示或暗示的担保。因参考本站内容造成的直接或间接损失,本站不承担相关法律责任。若您认为本站内容有侵权问题,请及时提供权属证明与我们联系,本站将在核实后依法处理。反馈意见:yyfuon@163.com