一种基于无人机高光谱遥感的农作物叶绿素含量反演方法与流程

技术特征：
1.一种基于无人机高光谱遥感的农作物叶绿素含量反演方法，其特征在于，包括以下步骤：s1，对田地中的叶片叶绿素含量进行测量，田地划分为m个田块区，得到每个田块区的叶绿素含量测定值；根据各个田块区的叶绿素含量测定值，构建标签集y，y＝{y
m
}，m＝1,2,
…
,m，y
m
为第m个田块区的叶绿素含量测定值；s2，利用无人机获取田地的高光谱遥感影像，在n个波段上，得到每个田块区在各个波段上的反射率均值；根据各个田块区在各个波段上的反射率均值，构建样本集x，m＝1,2,
…
,m，n＝1,2,
…
,n；为第m个田块区在第n个波段λ
n
上的反射率均值；s3，对样本集x中田块区的向量进行聚类，得到j个聚类集；每个聚类集中包括若干个田块区的向量；田块区在各个波段上的反射率均值所构成的向量即为该田块区的向量；其中，第j个聚类集为即j＝1,2,
…
,j；k
j
为第j个聚类集c
j
中的田块区的向量的总数量；为第j个聚类集c
j
中的第k个田块区的向量，即第j个聚类中心z
j
中的第k个田块区在各个波段上的反射率均值所构成的向量，即即为第j个聚类集c
j
中第k个田块区在第n波段上的反射率均值；s4，分别对各个聚类集进行特征波段的筛选，从各个聚类集中分别筛选出d个特征波段；根据各个聚类集中的各个田块区在各个特征波段上的反射率均值，分别构建各个聚类集的特征矩阵；其中，第j个聚类集c
j
的特征矩阵为的特征矩阵为的特征矩阵为为第j个聚类集c
j
中的第k个田块区在第d个特征波段上的反射率均值；s5，将各个聚类集的特征矩阵分别与标签集y中对应的田块区的叶绿素含量测定值相对应，进行训练得到反演模型；反演模型的输入为某田块区在各个波段上的反射率均值所构成的向量，即输入为某田块区的向量，反演模型的输出为该田块区的叶绿素含量的反演值。2.根据权利要求1所述的一种基于无人机高光谱遥感的农作物叶绿素含量反演方法，其特征在于，步骤s2中，第m个田块区在第n个波段λ
n
上的反射率均值的计算方式如下所示：其中，为第n个波段λ
n
上的第m个田块区内的第a个像素点的反射率值；n＝1,2,
…
,n；m＝1,2,
…
,m；a＝1,2,
…
,a
m
，a
m
为第m个田块区内的像素点总数量。
3.根据权利要求1所述的一种基于无人机高光谱遥感的农作物叶绿素含量反演方法，其特征在于，步骤s3中，对样本集x中田块区的向量进行聚类，具体方式如下所示：s31，在样本集x中随机选取j个田块区的向量，j＜m；将此j个田块区的向量作为聚类算法中的聚类中心的初始值，构成聚类中心集z；将光谱角距离作为聚类算法中的聚类距离参量；s32，分别计算样本集x中各个田块区的向量与聚类中心集z中的各个聚类中心之间的光谱角距离，将样本集x中的各个田块区的向量分别聚类至与其光谱角距离最小的聚类中心上，得到各个聚类中心所聚类的田块区的向量，各个聚类中心所聚类的田块区的向量即构成该聚类中心所对应的聚类集，共得到j个聚类集；样本集x中的第m个田块区的向量x
m
与聚类中心集z中的第j个聚类中心z
j
之间的光谱角距离sad(x
m
,z
j
)，计算方式如下所示：其中，sad(x
m
,z
j
)为样本集中的第m个田块区的向量x
m
与聚类中心集z中的第j个聚类中心z
j
之间的光谱角距离；x
m
为样本集x中的第m个田块区的向量，即为样本集x中的第m个田块区在各个波段上的反射率均值所构成的向量，即即为样本集x中的第m个田块区在第n个波段λ
n
上的反射率均值；m＝1,2,
…
,m；z
j
为聚类中心集z中的第j个聚类中心z
j
，即为聚类中心集z中的第j个田块区在各个波段上的反射率均值所构成的向量即即为聚类中心集z中第j个田块区在第n个波段λ
n
上的反射率均值；j＝1,2,
…
,j；s33，分别计算各个聚类集的均向量；其中，第j个聚类集c
j
的均向量δ
j
的计算方式如下所示：s34，分别根据各个聚类集的均向量对该聚类集的聚类中心进行更新，得到最优的聚类中心，以及得到最优的聚类中心所对应聚类集即最优的聚类集；其中，计算第j个聚类集c
j
的中心向量δ
j
与该第j个聚类中心z
j
的差值，若差值小于或等于设定的阈值t，则该第j个聚类中心z
j
不需要进行更新，该第j个聚类中心z
j
即为最优的聚类中心，该第j个聚类集c
j
即为最优的聚类集；若差值大于设定的阈值t，则对该第j个聚类中心z
j
进行更新，将该第j个聚类中心z
j
的值更新为第j个聚类集c
j
的中心向量δ
j
的值，重新进行聚类，即重新执行步骤s32～s34，直至得到最优的第j个聚类中心z
j
，该最优的第j个聚类中心z
j
所对应聚类集c
j
即为最优的聚类集。4.根据权利要求1所述的一种基于无人机高光谱遥感的农作物叶绿素含量反演方法，其特征在于，步骤s4中，对第j个聚类集进行特征波段筛选，具体方式如下所示：s41，初始化d＝1，在第j个聚类集中，随机选择一个波段λ
ω
，将波段λ
ω
的向量作为第d次投影的起始向量h
d
；第j个聚类集中的波段λ
ω
上的各个田块区的反射率均值所构成的向
量即为该波段λ
ω
的向量的向量即即为第j个聚类集c
j
中第k个田块区在波段λ
ω
上的反射率均值；s42，对第j个聚类集进行第d次投影，分别计算第d次投影的起始向量h
d
对对第j个聚类集中各个波段的向量的投影向量；其中，第d次投影的起始向量h
d
对第j个聚类集中第n个波段λ
n
的向量的投影向量计算方式如下所示：其中，n＝1,2,
…
,n且,n且表示的的转置；h
dt
表示的h
d
的转置；为第d次投影的起始向量h
d
对第j个聚类集c
j
中第n个波段λ
n
的向量的投影向量；第j个聚类集c
j
中第n个波段λ
n
的向量为：第j个聚类集c
j
中第n个波段λ
n
上的各个田块区反射率均值所构成的向量，即即为第j个聚类集c
j
中第k个田块区在第n波段上的反射率均值；n＝1,2,
…
,n；s43，记录最大的投影向量所对应的波段，该波段即为第j个聚类集的第d次投影的特征波段s44，对第j个聚类集进行下一次投影即第d 1次投影，将第d次投影的特征波段的反射率均值向量x
d
的值作为第d 1次投影的起始向量h
d 1
的值，按照步骤s42～s43的方式进行第d 1次投影，得到第d 1次投影的特征波段s45，若d 1＝d，则不再进行下一次投影，即完成第j个聚类集的d个特征波段的筛选；若d 1＜d，则按照步骤s44的方式对第j个聚类集继续进行下一次投影；s46，从第j个聚类集c
j
中筛选出d个特征波段后，根据第j个聚类集c
j
中的各个田块区在各个特征波段上的反射率均值，构建第j个聚类集c
j
的特征矩阵5.根据权利要求1所述的一种基于无人机高光谱遥感的农作物叶绿素含量反演方法，其特征在于，步骤s5中，反演模型的训练方式如下所示：s51，各个聚类集的特征矩阵均相当于一个决策树，聚类集的特征波段即为对应的决策树的特征波段，将各个聚类集的特征矩阵分别与标签集y相对应；s52，分别基于各个聚类集的特征矩阵和标签集y中对应的田块区的叶绿素含量测定值，训练生成各个决策树，将多个决策树集成起来，建立随机森林回归模型即反演模型。6.根据权利要求5所述的一种基于无人机高光谱遥感的农作物叶绿素含量反演方法，其特征在于，利用反演模型进行预测时，输入测试样本，测试样本为某个田块区在各个波段上的反射率均值所构成的向量，随机森林回归模型中的每个决策树分别提取测试样本中对应的特征波段上的反射率均值，每个决策树根据对应的特征波段上的反射率均值进行预测，每个决策树均输出该田块区的叶绿素含量预测值，对各个决策树输出的该田块区的叶
绿素含量预测值计算平均值，并将该平均值作为最终的该田块区的叶绿素含量的反演值。7.根据权利要求1所述的一种基于无人机高光谱遥感的农作物叶绿素含量反演方法，其特征在于，n＝176。

技术总结
本发明公开了一种基于无人机高光谱遥感的农作物叶绿素含量反演方法，将田地划分为若干个个田块区，得到每个田块区的叶绿素含量测定值；利用无人机的高光谱遥感影像，获取各个田块区的光谱信息；基于田块区的光谱信息，对田块区进行聚类，得到各个聚类集；通过对各个聚类集进行特征波段的筛选，构建各个聚类集的特征矩阵；将各个聚类集的特征矩阵分别与对应的田块区的叶绿素含量测定值相对应，进行训练构建随机森林回归模型即反演模型。本发明的反演方法有利于大面积的农作物叶绿素含量监测，且不会对农作物产生破坏，为农作物叶片叶绿素含量的监测提供了一种新颖且可靠的方法，具有较高的实用价值。较高的实用价值。较高的实用价值。


技术研发人员：叶寅 杨欣
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：2021.07.23
技术公布日：2021/10/23