一种基于冠层图像参数的冬小麦叶面积指数估算方法与流程

本发明涉及植物技术领域，具体涉及一种基于冠层图像参数的冬小麦叶面积指数估算方法。

背景技术：

数码相机作为一种新的可见光光谱地面遥感工具，近年来在作物长势监测研究得到广泛地应用。多数研究结果表明由冠层图像分析获取的冠层覆盖度和冠层图像色彩指数与作物叶面积指数呈极显著相关，且主要呈非线性相关，并利用其相关性拟合了水稻、棉花等作物的叶面积指数估算模型。基于作物冠层覆盖度及冠层图像色彩指数的作物长势估算模型主要通过非线性回归方法进行拟合。但当作物叶面积指数或地上部生物量较大时，其估算误差明显增大，这与作物叶面积指数较大时叶片重叠所导致的冠层覆盖度不能有规律地反映作物叶面积指数变化有关，且与基于高光谱数据的作物长势估算中所出现的饱和现象相似。非线性回归等传统统计方法对这种问题的解释不足，而人工神经网络对非线性问题的拟合有着明显优势，已有多数有关基于高光谱反射数据和人工神经网络方法的作物长势估算的研究报道。但利用人工神经网络方法构建基于冠层图像参数的作物长势估算的研究报道较少；其在估算时数据不准确。

技术实现要素：

本发明的目的在于针对现有技术的缺陷和不足，提供一种基于冠层图像参数及人工神经网络模型的冬小麦叶面积指数估算方法。

为了解决背景技术所存在的问题，本发明的一种基于冠层图像参数的冬小麦叶面积指数估算方法，它的估算方法为：用数码相机拍摄小麦冠层图像时，把相机固定在距小麦冠层顶部1m处，与地面垂直进行拍摄；将自制的72.5cm×45cm的长方形方格置于田间，与小麦冠层保持相同高度；拍摄时将相机的取景范围对准长方形方格进行拍摄，拍摄时间为11:00-13:00；相机设置为自动曝光模式，采用多点自动对焦，ISO设定为400，图像分辨率设定为450万像素，图像以RAW格式存储；图像像素点的亮度值是以14位存储的，其解码采用dcraw v9.22软件，并设定以下选项：白平衡采用拍摄时设置的自动白平衡；去马赛克采用AHD算法；RGB值转换为sRGB色彩空间并以16位TIFF格式保存；利用所构建的人工神经网络，以图像分析获取的冠层覆盖度及冠层图像R、G、B为输入变量，估算冬小麦叶面积指数。

本发明有益效果为：便于实现准确的估算，使用方便，操作简便，节省时间。

附图说明

图1为本发明中冬小麦叶面积指数与冠层覆盖度及R、G、B亮度值的相关关系图；

图2为本发明中基于BP人工神经网络模型的冬小麦叶面积指数拟合效果；

图3为本发明中基于BP人工神经网络模型的叶面积指数估算值与实测值之间的关系图。

具体实施方式

下面结合附图，对本发明作进一步的说明。

为了使本发明的目的、技术方案及优点更加清楚明白，以下结合附图及具体实施方式，对本发明进行进一步详细说明。应当理解，此处所描述的具体实施方式仅用以解释本发明，并不用于限定本发明。

如图1所示，本具体实施方式采用如下技术方案：它的估算方法为：用数码相机(佳能60D相机，镜头18-135mm IS)拍摄小麦冠层图像时，把相机固定在距小麦冠层顶部1m处，与地面垂直进行拍摄；将自制的72.5cm×45cm的长方形方格置于田间，与小麦冠层保持相同高度；拍摄时将相机的取景范围对准长方形方格进行拍摄，拍摄时间为11:00-13:00；相机设置为自动曝光模式，采用多点自动对焦，ISO设定为400，图像分辨率设定为450万像素(2592×1728)，图像以RAW格式存储；图像像素点的亮度值是以14位存储的，其解码采用dcraw v9.22软件，并设定以下选项：白平衡采用拍摄时设置的自动白平衡；去马赛克采用AHD算法；RGB值转换为sRGB色彩空间并以16位TIFF格式保存。

冬小麦冠层图像分割采用随机森林算法。具体为，从冠层图像中复制并分别拼接出400×400像素的小麦和土壤图像，读取拼接图像各像素点的红光亮度值(R，redness intensity)、绿光亮度值(G，greenness intensity)、蓝光亮度值(B，blueness intensity)分量并转换为CIEL*a*b*色彩空间的L*、a*、b*值，将其作为自变量用R软件中的RandomForest包训练一个含100棵分类树的随机森林对图像进行分割。从分割图像，读取冬小麦图像像素点的R、G、B值，随后计算冠层覆盖度(CC,canopy cover)。

公式为：

冬小麦叶面积指数与冠层覆盖度及R、G、B亮度值的相关性：

冬小麦叶面积指数与冠层覆盖度(CC)和sRGB色彩空间的三个色彩分量红光亮度值(R)、绿光亮度值(G)和蓝光亮度值(B)的相关分析结果示于表1和图1。从表1中可以看出，除B色彩分量外，冬小麦叶面积指数与CC、R和G呈显著相关，其中与CC呈正相关，与R和G呈负相关；叶面积指数与CC、R和G的相关系数绝对值在0.437～0.910之间，均达到极显著水平(2014年试验，样本数＝71，r_0.05＝0.234，r_0.01＝0.304；2015年试验，样本数＝70，r_0.05＝0.235，r_0.01＝0.306)，且两年试验结果较为一致(如图1)。相关分析结果表明，返青后到抽穗前的冬小麦叶面积指数与CC及R、G呈极显著相关，其中与CC的相关属高度相关，其两年的相关系数分别为0.905和0.910，而与R的相关也属于中度相关，表明基于冬小麦冠层图像分析获取的CC和冠层图像R等与叶面积指数间有较高的关联性，这也说明基于CC及sRGB色彩空间三个色彩分量(R、G和B)的冬小麦叶面积指数的估算具有可行性，即CC及sRGB色彩空间三个色彩分量可以用来构建冬小麦叶面积指数的估算模型。

表1冬小麦叶面积指数与冠层覆盖度、R、G和B相关系数如下：

冬小麦叶面积指数估算模型的建立：

采用BP人工神经网络方法，以CC及sRGB色彩分量的R、G和B

作为自变量对叶面积指数进行拟合。共141组样本数据中随机选取100个数据(2014年的49组数据和2015年的51组数据)进行叶面积指数的估算模型的构建，以决定系数(R²)、均方根误差(RMSE)和相对均方根误差(RRMSE)来评价模型的拟合度。

BP人工神经网络是1986年由Rumelhart和McCelland提出的一种按误差逆传播算法训练的多层前馈网络，是目前应用最为广泛的人工神经网络模型之一。其学习规则是通过反向传播来不断调整网络各节点的权重和阈值，使网络的误差平方和最小。BP人工神经网络的结构通常包含输入层(input layer)、一个或多个隐藏层(hide layer)和输出层(output layer)，本研究中隐藏层设为1层，隐藏层的节点数，经过人工神经网络测试设定为估算效果最好的5个节点。人工神经网络的各函数和参数设定如下：训练函数采用trainlm函数；隐藏层激活函数采用tansig函数；输出层采用pureline函数；人工神经网络激活函数的权重和阈值为默认值。待人工神经网络训练结束后，41组数据(2014年试验的22组数据和2015年的19组数据)作为输入矢量，利用Sim函数计算并输出冬小麦叶面积指数，最后输出人工神经网络的权重、偏差等模型参数(见表3、表4)。

表2基于冠层覆盖度和冠层图像sRGB色彩分量的冬小麦叶面积指数估算模型拟合程度：

表2和图2为叶面积指数估算模型的模型参数和拟合效果。由表

2和图2可知，模型具有较高的拟合度，估算模型决定系数为0.900，RRMSE为17.394。

表3基于冠层覆盖度及冠层图像色彩分量的人工神经网络叶面积指数估算模型：

^§输入数据首先用Mapminmax函数进行归一化处理后再输入人工神经网络，而神经网络所输出的归一化的叶面积指数数据经反归一化后得到叶面积指数数据。

表4人工神经网络权重及偏差

冬小麦叶面积指数估算模型的估算精度：

为验证本研究中所构建的叶面积指数估算模型的精度，利用两年试验数据(2014年试验的22组数据和2015年的19组数据)对模型的估算结果进行了检验，其结果见表5和图3。由表5和图3可知，

模型的决定系数为0.886，RMSE和RRMSE分别为0.536和18.320％。模型预测值与实测值的1:1关系图(图3)可知，大多散点分布在1:1线附近。表5和图3结果表明本研究所构建的叶面积指数估算模型具有较好的估算精度。

表5叶面积指数估算模型的模型验证及交叉验证结果：

以上所述，仅用以说明本发明的技术方案而非限制，本领域普通技术人员对本发明的技术方案所做的其它修改或者等同替换，只要不脱离本发明技术方案的精神和范围，均应涵盖在本发明的权利要求范围当中。