技术领域本发明涉及植物检测领域，特别涉及一种基于高光谱技术的无损检测植物衰退等级的方法。
背景技术：
近年来，干旱、半干旱地区的荒漠化趋势越来越明显，防治土地荒漠化，维持物种多样性，保护天然植被，尤其是濒危物种，具有重要意义，同时也是改善生态环境，维持生态平衡，提高生态系统服务功能的迫切需要。沙冬青是古老的荒漠残遗种,被列为国家二级保护植物，固沙保土性能好，保存了特殊的抗逆基因，是人类开展遗传研究工程的宝贵基因库，对研究亚洲中部荒漠植物区系的起源具有重要科研价值。然而近几十年来，由于风沙大，降雨少，气温逐年升高，蒸发强等恶劣的气候因素以及放牧，垦荒，采矿等人为的破坏，沙冬青生长环境逐渐恶化，再加上其繁殖方式的单一，沙冬青分布面积越来越小，种群数量日趋下降，处于濒危状态。因此，利用一定的技术手段及时地诊断濒危植物衰退等级对其保护工作具有重要参考价值。自然界中任何地物都具有其自身的电磁辐射规律，不同地物由于其化学组分和物理结构的差异，具有独特且稳定的光谱反射和吸收特征，高光谱技术正是基于这一原理，通过遥感传感器在原理物体的同时，获取地物的光谱特征信息。高光谱技术由于其快速、无损的特点而逐渐取代传统方法，成为植物生长状况诊断的新方法而被广泛使用。
技术实现要素：
针对以上问题，本发明专利目的在于设计了一种植物衰退等级的检测方法，能快速、准确、无损的检测植物的衰退等级。本发明技术方案如下：一种植物衰退等级的检测方法，包括:获取植物的高光谱数据信息；对获取的高光谱数据信息进行处理，分别得到一阶微分光谱参数、连续统去除光谱参数、植被指数以及光谱特征波段；利用所述一阶微分光谱参数、连续统去除光谱参数、植被指数以及光谱特征波段建立基于偏最小二乘回归法的植物衰退等级的预测模型、以及基于Fisher线性鉴别分析的植物衰退等级的判别模型；利用所述预测模型和判别模型进行对比验证分析，得出植物衰退等级。进一步，本发明所述对获取的高光谱数据信息进行处理进一步包括：对获取的高光谱数据信息进行一阶微分处理，获取蓝边、黄边和红边的位置、面积和最大反射率。进一步，本发明所述对获取的高光谱数据信息进行处理进一步包括：对获取的高光谱数据信息进行连续统去除处理，获取550–750nm内的波段深度和波段面积。进一步，本发明所述植被指数包括绿度值GI，植被红边胁迫指数RVSI，归一化植被指数NDVI，归一化差值红边NDRE，冠层叶绿素含量指数CCCI，三角植被指数TVI，光化学反射指数PRI，叶绿素吸收率指数CARI，修正的叶绿素吸收率指数MCARI，转变的叶绿素吸收率和反射率指数TCARI，归一化叶绿素比值指数NPCI，花青素反射指数ARI，独立结构的花青素指数SIPI，含水量指数WI，归一化含水量指数NDWI，损伤敏感指数DSSI2，窄波段的归一化差值指数NBNDVI，氮含量指数NRI，生理反射指数PhRI和植物衰老指数PSRI。进一步，本发明所述建立基于偏最小二乘回归法的植物衰退等级的预测模型进一步包括：对所述一阶微分光谱参数、连续统去除光谱参数和光谱特征波段进行分析，提取与植被衰退相关程度最高的光谱参数，同时进行波段重叠，提取出对植被衰退相关程度最高的光谱特征波段，利用SPSS软件建立基于偏最小二乘回归模型的植物衰退等级预测模型。进一步，本发明所述建立基于Fisher线性鉴别分析的植物衰退等级的判别模型进一步包括：对所述一阶微分光谱参数、连续统去除光谱参数和光谱特征波段进行独立T检验，并进行波段重叠，提取出对植被衰退相关程度最高的光谱特征波段和光谱参数，利用SPSS软件建立基于Fisher线性鉴别分析的判别模型。进一步，本发明所述基于偏最小二乘回归法的植物衰退等级的预测模型是以相关系数大于0.1，显著程度小于0.05为依据，对所述光谱特征波段和光谱参数进行筛选得出。进一步，本发明所述基于Fisher线性鉴别分析的植物衰退等级的判别模型是以差异显著程度小于0.05为依据，对所述光谱特征波段和光谱参数进行筛选得出。附图说明以下参照附图对本发明实施例作进一步说明，其中：图1是本发明一种植物衰退等级的检测方法的流程图；图2是本发明实施例一的波段重叠结果图；图3是本发明实施例一建立的预测模型的精度检验结果图。具体实施方式下面结合附图和具体实施例对本发明作进一步的详细说明。本发明提出了一种植物衰退等级的检测方法，请参阅图1，包括如下步骤:获取植物的高光谱数据信息；对获取的高光谱数据信息进行处理，分别得到一阶微分光谱参数、连续统去除光谱参数、植被指数以及光谱特征波段；利用所述一阶微分光谱参数、连续统去除光谱参数、植被指数以及光谱特征波段建立基于偏最小二乘回归法的植物衰退等级的预测模型、以及基于Fisher线性鉴别分析的植物衰退等级的判别模型；利用所述预测模型和判别模型进行对比验证分析，得出植物衰退等级。所述对获取的高光谱数据信息进行处理进一步包括：对获取的高光谱数据信息进行一阶微分处理，获取蓝边、黄边和红边的位置、面积和最大反射率，从而得到一阶微分光谱参数。所述对获取的高光谱数据信息进行处理进一步包括：对获取的高光谱数据信息进行连续统去除处理，获取550–750nm内的波段深度和波段面积，从而得到连续统去除光谱参数。实施例一：为了使本发明的目的、技术方案及优点更加清楚明白，本发明通过在野外选取五株跨越整个生长及衰退阶段的沙冬青，并通过本发明的检测方法诊断其衰退等级。(1)野外实验：在西鄂尔多斯国家级自然保护区选取五株跨越整个生长及衰退阶段的沙冬青，选择晴朗无云的天气，利用ASD高光谱仪在距离冠层0.5米高处采集其冠层高光谱数据，最终获得约1500个高光谱数据结果。(2)数据处理：对原始高光谱数据进行一阶微分以及连续统去除处理，利用表1中公式计算得到各光谱参数的值。表1.计算光谱参数的计算公式所述植被指数包括GI，RVSI，NDVI，NDRE，CCCI，TVI，PRI，CARI，MCARI，TCARI，NPCI，ARI，SIPI，WI，NDWI，DSSI2，NBNDVI，NRI，PhRI和PSRI。对光谱波段以及光谱参数与植被衰退等级进行相关分析，分析结果参阅表2：表2.光谱参数对植被衰退等级的相关程度结果SFsR2SFsR2Db0.086*TVI0.553*4-->λb0.057*PRI0.004SDb0.203*CARI0.001Dy0.291*MCARI0.274*λy0.029TCARI0.270*Sdy0.393*NPCI0.063*Dr0.000ARI0.122*λr0.100*SIPI0.362*SDr0.001WI0.375*MBD0.434*NDWI0.561*AUC0.434*DSSI20.012GI0.399*NBNDVI0.405*RVSI0.363*NRI0.505*NDVI0.572*PhRI0.103*NDRE0.420*PSRI0.327*CCCI0.474*注：*表示差异显著程度p<0.05,n＝36.对所述光谱参数和光谱特征波段进行分析，提取与植被衰退相关程度最高的光谱参数，同时进行波段重叠，波段重叠结果参阅图2；提取出对植被衰退相关程度最高的光谱特征波段，利用SPSS软件建立基于偏最小二乘回归模型的植物衰退等级预测模型，模型中各变量的系数参阅表3。所述基于偏最小二乘回归法的植物衰退等级的预测模型是以相关系数大于0.1，显著程度小于0.05为依据，对所述光谱特征波段和光谱参数进行筛选得出。表3.建立的预测模型的精度检验结果CoefficientR2RMSEMBD–8.745*0.9180.553NDVI–69.444*--NDRE–43.711*--TVI–0.996*--TCARI–101.327*--SIPI83.416*--WI–47.772*--NDWI129.764*--NBNDVI31.930*--NRI23.784*--PhRI–288.225*--Constant51.512*--注：*表示显著性p<0.05,n＝36.利用剩余的40％进行模型精度检验，检验结果参阅图3。对所述光谱参数和光谱特征波段进行独立T检验，并进行波段重叠，结果参阅图2及表4，提取出对植被衰退相关程度最高的光谱特征波段和光谱参数，利用SPSS软件建立基于Fisher线性鉴别分析的判别模型，各变量的系数参阅表5，计算该模型对实验数据及检验数据的判别正确率，结果参阅表6。所述基于Fisher线性鉴别分析的植物衰退等级的判别模型是以差异显著程度小于0.05为依据，对所述光谱特征波段和光谱参数进行筛选得出。表4.计算的光谱参数与不同衰退等级的相关性以及对不同衰退等级植物差异性敏感程度注：p-r和p-t分别表示光谱参数与不同衰退等级的相关性以及对不同衰退等级植物差异性敏感程度；“+”表示敏感程度p<0.05.表5.建立的FLDA模型各变量的系数表6.FLDA模型对衰退等级判别的正确率注:OA(％)表示总体正确率；P.’sa.和U.’sa.分别表示实施者和使用者正确率.利用SPSS软件对所有光谱指数和植物衰退等级之间的相关分析(结果参阅表2)，筛选出与衰退等级显著相关，且决定系数(R2)最大的植被指数。通过比较该植被指数和本发明所建立预测模型与衰退等级之间的相关程度(R2)，验证本发明所建立预测模型的精度。利用SPSS软件对所有光谱指数和不同衰退等级的植物进行判别分析，结果参阅表7，筛选出对衰退等级判别正确率最高的植被指数，与本文所建立的判别模型进行比较，验证本发明所建立判别模型的精度。表7.计算的所有光谱的OA(％)和kappa系数SFsOA(％)KappaSFsOA(％)KappaDb32-1.086TVI620.392λb27-1.704PRI46-0.179SDb41-0.469CARI46-0.179Dy49-0.058MCARI46-0.179λy27-1.704TCARI46-0.179Sdy46-0.179NPCI35-0.849Dr32-1.086ARI41-0.4698-->λr27-1.704SIPI620.392SDr38-0.646WI510.054MBD680.521NDWI620.392AUC680.521DSSI230-1.367GI650.459NBNDVI760.679RVSI49-0.058NRI600.319NDVI680.521PhRI41-0.469NDRE650.459PSRI680.521CCCI510.054注:OA(％)表示总正确率.(3)在所有光谱参数中，对植物衰退等级预测精度最高的是NDVI，NDVI在实验数据和精度检验数据中的决定系数(R2)分别是0.572和0.480。本发明所建立的基于PLSR模型的植物衰退等级预测模型在实验数据和精度检验数据中的决定系数分别是0.918和0.711。与NDVI相比，本发明所建立模型的预测精度在实验数据和精度检验数据中分别提高了60.49％和48.13％。在所有光谱参数中，对植物衰退等级判别正确率最高的是NBNDVI，NBNDVI在实验数据和精度检验数据中的正确率(OA)分别是76％和60％。本发明所建立的基于FLDA模型的植物衰退等级判别模型在实验数据和精度检验数据中的正确率(OA)分别是100％和90％。与NBNDVI相比，本发明所建立模型的判别正确率在实验数据和精度检验数据中分别提高了31.8％和50％。实验结果验证本发明所述植物衰退等级的无损诊断方法是有效的。以上所述本发明的具体实施方式，并不构成对本发明保护范围的限定。任何根据本发明的技术构思所做出的各种其他相应的改变与变形，均应包含在本发明权利要求的保护范围内。