本發(fā)明涉及作物遙感分析，具體為一種基于高光譜遙感的玉米葉片氮含量評估方法及系統(tǒng)。

背景技術：

1、在現(xiàn)代農業(yè)生產中，氮肥的應用對作物生長至關重要。氮肥的過量施用不僅增加了生產成本，還可能對環(huán)境造成水體富營養(yǎng)化等負面影響。因此準確評估作物的氮含量，進而實現(xiàn)精準施肥，是提升農業(yè)生產效率、減少農業(yè)成本并實現(xiàn)可持續(xù)發(fā)展的重要課題。傳統(tǒng)的氮含量檢測方法多依賴于實驗室化學分析，不僅費時費力，還難以實時反映作物的生長狀態(tài)和實際的氮素需求。近年來，高光譜遙感技術逐漸成為評估作物生理特征的一種有效手段，但如何提高氮含量預測的準確性仍然是研究的重點。為了解決這一問題，本方案提出了一種基于高光譜遙感的玉米葉片氮含量評估方法，旨在提高氮含量預測精度的同時，實現(xiàn)快速、準確的實施監(jiān)測，為精準農業(yè)提供技術支持。

2、現(xiàn)有技術中，公開號cn116026772b公開了一種基于高光譜遙感的玉米葉片氮含量預測方法，對玉米葉片進行光譜測定以及反射提取，確定敏感波段和特定的敏感波長，基于種植密度和土壤濕度參數(shù)、種植密度和土壤含氮量參數(shù)分別建立玉米葉片含氮量的基本函數(shù)關系，進一步確定多因素判別函數(shù)，然后建立統(tǒng)一的多權重多因素判別函數(shù)，由多權重多因素判別函數(shù)對玉米葉片氮含量進行預測。

3、上述方案存在的主要問題是：需要收集包括種植密度、土壤濕度、土壤含氮量在內的若干環(huán)境參數(shù)，并將這些參數(shù)轉化為用于建立基本函數(shù)關系的數(shù)據(jù)，這個過程耗時較長，難以滿足實時監(jiān)測時數(shù)據(jù)動態(tài)更新的需要，增加了數(shù)據(jù)處理的復雜度；并且，在不同的條件下采集環(huán)境參數(shù)不夠準確，導致整體模型的準確性下降，并且多個函數(shù)的組合會引入更多的噪聲和偏差，影響預測結果的準確性。

4、在所述背景技術部分公開的上述信息僅用于加強對本公開的背景的理解，因此它可以包括不構成對本領域普通技術人員已知的現(xiàn)有技術的信息。

技術實現(xiàn)思路

1、本發(fā)明的目的在于提供一種基于高光譜遙感的玉米葉片氮含量評估方法及系統(tǒng)，以解決上述背景技術中提出的問題。

2、為實現(xiàn)上述目的，本發(fā)明提供如下技術方案：

3、一種基于高光譜遙感的玉米葉片氮含量評估方法，具體步驟包括：

4、步驟1：選取多個已知氮含量的玉米葉片樣本，并采集玉米葉片樣本在400~1000nm光譜范圍下的高光譜數(shù)據(jù)，并對高光譜數(shù)據(jù)進行大氣校正以得到光譜反射率校正值，劃分子波段，采集環(huán)境溫度、土壤背景反射率和光照強度以計算不同子波段的環(huán)境校正系數(shù)；

5、步驟2：基于最小二乘法構建各個子波段下光譜反射率與氮含量的函數(shù)關系式，基于函數(shù)關系式確定各個子波段的光譜敏感度；

6、步驟3：選取光譜敏感度最高的五個波段作為敏感波段，確定各個敏感波段的權重系數(shù)，基于環(huán)境校正系數(shù)對權重系數(shù)進行校正，結合校正后的權重系數(shù)和光譜反射率校正值生成改進加權光譜指數(shù)；

7、步驟4：基于深度學習網(wǎng)絡，以改進加權光譜指數(shù)作為輸入，玉米葉片氮含量為標簽，訓練氮含量預測模型；

8、步驟5：基于玉米葉片的高光譜數(shù)據(jù)、環(huán)境溫度、土壤背景反射率和光照強度，按照上述步驟生成改進加權光譜指數(shù)并輸入到氮含量預測模型中，生成玉米葉片的氮含量預測值。

9、進一步地，生成環(huán)境校正系數(shù)所依據(jù)的公式為：

10、；

11、其中，表示第個子波段的環(huán)境校正系數(shù)，表示子波段的索引，表示環(huán)境溫度，表示第個子波段的標準環(huán)境溫度，表示土壤背景反射率，表示第個子波段的標準土壤背景反射率，表示光照強度，表示第個子波段的標準光照強度，分別表示環(huán)境溫度、土壤背景反射率和光照強度的權重系數(shù)，，且。

12、進一步地，構建各個子波段下光譜反射率與氮含量的函數(shù)關系式所依據(jù)的原理為：

13、選取各個子波段中心波長處的光譜反射率作為子波段的光譜反射率，各個子波段下光譜反射率與氮含量之間的函數(shù)關系式為：

14、；

15、其中，表示第個子波段下的氮含量，表示第個子波段的光譜反射率，表示子波段的索引，分別表示第個子波段的待擬合參數(shù)；

16、對每個玉米葉片樣本在不同的子波段構建誤差函數(shù)，誤差函數(shù)為：

17、；

18、其中，表示所有玉米葉片樣本在第個子波段下的氮含量偏差，表示玉米樣本的索引，且，表示玉米葉片樣本的數(shù)量，表示第個玉米葉片樣本在第個子波段下的氮含量，表示第個玉米葉片樣本在第個子波段下的光譜反射率；

19、對分別關于求偏導，并令偏導數(shù)為零：

20、；

21、；

22、；

23、其中，分別表示關于的偏導數(shù)；

24、整理得到正規(guī)方程組：

25、；

26、；

27、；

28、令，，，，，，；

29、對正規(guī)方程組進行求解：

30、；

31、；

32、；

33、將求解出的代入各個子波段下光譜反射率與氮含量之間的函數(shù)關系式。

34、進一步地，確定各個子波段的光譜敏感度所依據(jù)的原理為：

35、基于各個子波段下光譜反射率與氮含量之間的函數(shù)關系式，對光譜反射率求導：

36、；

37、；

38、其中，表示氮含量對光譜反射率求導；

39、基于所有玉米葉片樣本的均值，生成該子波段的光譜敏感度，所依據(jù)的公式為：

40、；

41、其中，表示第個子波段的光譜敏感度。

42、進一步地，確定各個敏感波段的權重系數(shù)所依據(jù)的原理為：

43、；

44、其中，表示第個敏感波段的權重系數(shù)，表示敏感波段的索引，且，表示第個敏感波段的光譜敏感度。

45、進一步地，生成改進加權光譜指數(shù)所依據(jù)的原理為：

46、校正后敏感波段的權重系數(shù)為：

47、；

48、其中，表示校正后第個敏感波段的權重系數(shù)，表示第個敏感波段的環(huán)境校正系數(shù)；

49、對進行等比例縮放，使；

50、生成改進加權光譜指數(shù)所依據(jù)的公式為：

51、；

52、其中，表示第個玉米葉片樣本的改進加權光譜指數(shù)。

53、本發(fā)明還提供一種基于高光譜遙感的玉米葉片氮含量評估系統(tǒng)，所述系統(tǒng)用于實現(xiàn)上述的基于高光譜遙感的玉米葉片氮含量評估方法，具體包括：

54、數(shù)據(jù)采集模塊，用于選取多個已知氮含量的玉米葉片樣本，并采集玉米葉片樣本在400~1000nm光譜范圍下的高光譜數(shù)據(jù)，并對高光譜數(shù)據(jù)進行大氣校正以得到光譜反射率校正值，劃分子波段，采集環(huán)境溫度、土壤背景反射率和光照強度以計算不同子波段的環(huán)境校正系數(shù)；

55、光譜計算模塊，用于基于最小二乘法構建各個子波段下光譜反射率與氮含量的函數(shù)關系式，基于函數(shù)關系式確定各個子波段的光譜敏感度；

56、光譜優(yōu)化模塊，用于選取光譜敏感度最高的五個波段作為敏感波段，確定各個敏感波段的權重系數(shù)，基于環(huán)境校正系數(shù)對權重系數(shù)進行校正，結合校正后的權重系數(shù)和光譜反射率校正值生成改進加權光譜指數(shù)；

57、模型訓練模塊，用于構建深度學習網(wǎng)絡，以改進加權光譜指數(shù)作為輸入，玉米葉片氮含量為標簽，訓練氮含量預測模型；

58、綜合預測模塊，用于實時采集玉米葉片的高光譜數(shù)據(jù)、環(huán)境溫度、土壤背景反射率和光照強度，按照上述模塊的步驟生成改進加權光譜指數(shù)并輸入到氮含量預測模型中，生成玉米葉片的氮含量預測值。

59、與現(xiàn)有技術相比，本發(fā)明的有益效果是：

60、本發(fā)明通過采集玉米在400-1000nm光譜范圍內的高光譜數(shù)據(jù)，確定氮含量對玉米葉片影響最明顯的光譜范圍，確定了基礎的監(jiān)測范圍；將光譜范圍按照固定區(qū)間劃分出子波段，提供更精細的光譜數(shù)據(jù)，使得對不同波段的敏感度分析更加精確，找到與氮含量變化最敏感的波段，并選擇光譜敏感度最高的五個子波段，提升了后續(xù)分析的效率和準確性，通過聚焦于特定的敏感波段，減少了不必要的數(shù)據(jù)噪聲。

61、本發(fā)明還通過生成環(huán)境校正系數(shù)調整不同敏感波段的權重系數(shù)，根據(jù)不同的波段設定環(huán)境校正系數(shù)，考慮了波段差異的同時，能夠有效減少因溫度、土壤背景反射率和光照強度引起的光譜數(shù)據(jù)波動，未校正的加權光譜指數(shù)會受到環(huán)境變化的影響，導致模型在不同環(huán)境條件下的表現(xiàn)不一致，通過引入環(huán)境校正系數(shù)，生成改進加權光譜指數(shù)，使得模型能夠更真實地反映實際氮含量，增強了模型在多樣化環(huán)境條件下的預測穩(wěn)定性，減少了因外部因素帶來的誤差；并且基于深度學習網(wǎng)絡訓練模型，在實際使用中采集玉米葉片的實時光譜數(shù)據(jù)和環(huán)境數(shù)據(jù)即可實現(xiàn)氮含量預測，提高了模型的適用性。