马铃薯叶柄的硝酸盐预测方法、装置、设备及存储介质

1.本发明涉及马铃薯营养分析领域，特别涉及是一种马铃薯叶柄的硝酸盐预测方法、装置、设备以及存储介质。


背景技术：

2.氮素是马铃薯植株健壮生长和获得较高产量不可缺少的矿质营养元素之一，氮肥不足，会使马铃薯植株矮小，长势弱，分枝少，下部叶片提早枯萎和掉落，产量和品质下降。氮肥如果过量，则会引起植株封账，叶片相互遮掩，光合效率受到严重影响，降低块茎产量和干物质含量，同时过量氮肥施用，也会对水环境和土壤带来污染。因此，合理施用氮肥是保证马铃薯产量和品质的关键。
3.马铃薯叶柄的硝酸盐含量是表征其生长过程中氮素状况的重要指标，如何对叶柄的硝酸盐含量进行诊断，对于指导马铃薯合理施肥具有重要意义，而目前的技术方案，是通过传感器对马铃薯每个生长时期的叶柄的硝酸盐含量进行测量，靠经验来估计下个生长时期施加的氮肥，不够准确，且效率低下。


技术实现要素：

4.基于此，本发明的目的在于，提供一种马铃薯叶柄的硝酸盐预测方法、装置、设备以及存储介质，基于各个时期的马铃薯的光谱信息以及冠层立体观测数据，构建硝酸盐预测模型，能够对马铃薯叶柄的硝酸盐含量进行获取，高效、快捷。
5.第一方面，本技术实施例提供了一种马铃薯叶柄的硝酸盐预测方法，包括以下步骤：
6.基于目标区域的马铃薯的遥感数据，获取所述目标区域内的各个时期的马铃薯的光谱信息；
7.获取所述目标区域内的各个时期的马铃薯的冠层立体观测数据，其中，所述冠层立体观测数据包括马铃薯叶片的色素信息以及马铃薯叶柄的硝酸盐含量；
8.根据所述马铃薯的光谱信息以及植被指数算法，获取所述各个时期的马铃薯的植被指数；
9.根据所述植被指数以及冠层立体观测数据，构建硝酸盐预测模型，对所述硝酸盐预测模型进行精度评价；
10.响应于预测指令，所述预测指令包括待预测区域的马铃薯的光谱信息以及冠层立体观测数据，根据所述待预测区域的马铃薯的光谱信息以及冠层立体观测数据，获取所述待预测区域的马铃薯叶柄的硝酸盐含量。
11.第二方面，本技术实施例提供了一种马铃薯叶柄的硝酸盐预测装置，包括：
12.第一获取模块，用于基于目标区域的马铃薯的遥感数据，获取所述目标区域内的各个时期的马铃薯的光谱信息；
13.第二获取模块，用于获取所述目标区域内的各个时期的马铃薯的冠层立体观测数
据，其中，所述冠层立体观测数据包括马铃薯叶片的色素信息以及马铃薯叶柄的硝酸盐含量；
14.植被指数计算模块，用于根据所述马铃薯的光谱信息以及植被指数算法，获取所述各个时期的马铃薯的植被指数；
15.构建模块，用于根据所述植被指数以及冠层立体观测数据，构建硝酸盐预测模型，对所述硝酸盐预测模型进行精度评价；
16.测量模块，用于响应于预测指令，所述预测指令包括待预测区域的马铃薯的光谱信息以及冠层立体观测数据，根据所述待预测区域的马铃薯的光谱信息以及冠层立体观测数据，获取所述待预测区域的马铃薯叶柄的硝酸盐含量。
17.第三方面，本技术实施例提供了一种设备，包括：处理器、存储器以及存储在所述存储器上并可在所述处理器上运行的计算机程序；所述计算机程序被所述处理器执行时实现如第一方面所述马铃薯叶柄的硝酸盐预测方法的步骤。
18.第四方面，本技术实施例提供了一种存储介质，所述存储介质存储有计算机程序，所述计算机程序被处理器执行时实现如第一方面所述的马铃薯叶柄的硝酸盐预测方法的步骤。
19.在本技术实施例中，提供一种马铃薯叶柄的硝酸盐预测方法、装置、设备以及存储介质，基于各个时期的马铃薯的光谱信息以及冠层立体观测数据，构建硝酸盐预测模型，能够对各个时期的马铃薯叶柄的硝酸盐含量进行获取，高效、快捷，不受天气影响。
20.为了更好地理解和实施，下面结合附图详细说明本发明。
附图说明
21.图1为本技术一个实施例提供的马铃薯叶柄的硝酸盐预测方法的流程示意图；
22.图2为本技术另一个实施例提供的马铃薯叶柄的硝酸盐预测方法的流程示意图；
23.图3为本技术一个实施例提供的马铃薯叶柄的硝酸盐预测方法中s6的流程示意图；
24.图4为本技术一个实施例提供的马铃薯叶柄的硝酸盐预测方法中s4的流程示意图；
25.图5为本技术一个实施例提供的马铃薯叶柄的硝酸盐预测装置的结构示意图；
26.图6为本技术一个实施例提供的计算机设备的结构示意图。
具体实施方式
27.这里将详细地对示例性实施例进行说明，其示例表示在附图中。下面的描述涉及附图时，除非另有表示，不同附图中的相同数字表示相同或相似的要素。以下示例性实施例中所描述的实施方式并不代表与本技术相一致的所有实施方式。相反，它们仅是与如所附权利要求书中所详述的、本技术的一些方面相一致的装置和方法的例子。
28.在本技术使用的术语是仅仅出于描述特定实施例的目的，而非旨在限制本技术。在本技术和所附权利要求书中所使用的单数形式的“一种”、“所述”和“该”也旨在包括多数形式，除非上下文清楚地表示其他含义。还应当理解，本文中使用的术语“和/或”是指并包含一个或多个相关联的列出项目的任何或所有可能组合。
29.应当理解，尽管在本技术可能采用术语第一、第二、第三等来描述各种信息，但这些信息不应限于这些术语。这些术语仅用来将同一类型的信息彼此区分开。例如，在不脱离本技术范围的情况下，第一信息也可以被称为第二信息，类似地，第二信息也可以被称为第一信息。取决于语境，如在此所使用的词语“如果”/“若”可以被解释成为“在
……
时”或“当
……
时”或“响应于确定”。
30.请参阅图1，图1为本技术一个实施例提供的马铃薯叶柄的硝酸盐预测方法的流程示意图，所述方法包括如下步骤：
31.s1：基于目标区域的马铃薯的遥感数据，获取所述目标区域内的各个时期的马铃薯的光谱信息。
32.所述马铃薯叶柄的硝酸盐预测方法的执行主体为马铃薯叶柄的硝酸盐预测方法的预测设备(以下简称预测设备)，在一个可选的实施例中，所述预测设备可以是一台计算机设备可以是服务器，或是多台计算机设备联合而成的服务器机群。
33.所述光谱信息为包括近红外(nir)、红边(re)和红波段(r)反射信息，
34.在本实施例中，基于目标区域的马铃薯的遥感数据，预测设备可以通过地面传感器获取目标区域内各个时期的马铃薯的光谱信息，所述各个时期包括马铃薯生长的关键生育期，具体为马铃薯播种后的45天、60天、70天和80天。
35.s2：获取所述目标区域内的各个时期的马铃薯的冠层立体观测数据，其中，所述冠层立体观测数据包括马铃薯叶片的色素信息以及氮素信息。
36.所述色素信息包括叶绿素信息以及类黄酮信息，其中，所述叶绿素信息包括冠层顶部叶绿素值chla
顶部
、冠层中部叶绿素值chla
中部
以及冠层底部叶绿素值chla
底部
，所述类黄酮信息包括冠层顶部类黄酮值flav
顶部
、冠层中部类黄酮值flav
中部
以及冠层底部类黄酮值flav
底部
，所述氮素信息包括氮营养指数值nbi
底部
。
37.在本实施例中，预测设备可以采用预测设备获取所述目标区域内的各个时期的马铃薯的冠层立体观测数据，也可以通过与数据库连接，在该数据库中查找所述目标区域内的各个时期的马铃薯的冠层立体观测数据，其中，所述预测设备可以采用dualex scientific+(叶绿素测量计)对所述目标区域内的各个时期的马铃薯叶片的色素信息以及氮素信息进行测量。
38.所述冠层立体观测数据还包括各个时期的马铃薯叶柄的硝酸盐含量，具体地，预测设备可以通过采用紫外吸收发器，对各个时期的马铃薯叶柄的硝酸盐含量进行测量。
39.s3：根据所述马铃薯的光谱信息以及植被指数算法，获取所述各个时期的马铃薯的植被指数。
40.所述植被指数包括ndre(normalized difference red edge index)，即归一化差异红色边缘指数、ndvi(normalized difference vegetation index)，即归一化差异植被指数以及ddrvi(double difference ratio vegetation index)，即双差比值植被指数。
41.所述植被指数算法为：
[0042][0043]
[0044][0045]
在本实施例中，预测设备根据所述马铃薯的光谱信息中的近红外(nir)、红边(re)、红波段(r)反射信息以及植被指数算法，获取所述各个时期的马铃薯的植被指数ndre、ndvi以及ddrvi。
[0046]
请参阅图2，图2为本技术另一个实施例提供的马铃薯叶柄的硝酸盐预测方法的流程示意图，包括步骤s6，所述步骤s6在步骤s4之前，具体如下：
[0047]
s6：对所述植被指数以及冠层立体观测数据进行关联性检测，获取检测结果，根据所述检测结果，从所述植被指数中提取样本植被指数，从所述冠层立体观测数据中提取样本冠层立体观测数据。
[0048]
在本实施例中，预测设备对所述植被指数以及冠层立体观测数据进行关联性检测，获取检测结果，根据所述检测结果，从所述植被指数中提取样本植被指数，从所述冠层立体观测数据中提取样本冠层立体观测数据，其中，所述样本植被指数的数量与所述样本冠层立体观测数据的数量一致。
[0049]
请参阅图3，图3为本技术一个实施例提供的马铃薯叶柄的硝酸盐预测方法中s6的流程示意图，包括步骤s601～s602，具体如下：
[0050]
s601：根据所述植被指数、冠层立体观测数据中的各个时期的马铃薯叶柄的硝酸盐含量以及皮尔逊相关系数算法，获取皮尔逊相关系数。
[0051]
所述皮尔逊相关系数算法为：
[0052][0053]
式中，x为所述植被指数，y为所述冠层立体观测数据中各个时期的马铃薯叶柄的硝酸盐含量，μ
x
为所述植被指数的均值，μy为所述冠层立体观测数据中各个时期的马铃薯叶柄的硝酸盐含量的均值；σ
x
为所述植被指数的标准差，σy为所述冠层立体观测数据中各个时期的马铃薯叶柄的硝酸盐含量的标准差；e()为期望函数；
[0054]
在本实施例中，预测设备获取所述植被指数的均值、标准值，以及所述冠层立体观测数据中各个时期的马铃薯叶柄的硝酸盐含量的均值、标准值，输入至预设的皮尔逊相关系数算法中，获取与所述植被指数、冠层立体观测数据相关联的皮尔逊相关系数。
[0055]
s602：根据所述皮尔逊相关系数以及线性相关系数算法，获取线性相关系数，根据所述线性相关系数以及预设的线性相关系数对照值，对所述植被指数以及冠层立体观测数据进行关联性检测，获取检测结果。
[0056]
所述线性相关系数用于对所述植被指数、冠层立体观测数据的相关联程度进行显著性检验。
[0057]
所述线性相关系数算法为：
[0058][0059]
式中，t为所述线性相关系数，n为所述植被指数的数量以及所述冠层立体观测数据的数量；
[0060]
预测设备将所述皮尔逊相关系数输入至预设的线性相关系数算法中，获取线性相关系数，根据预设的分布概率分布表，获取所述线性相关系数相对应的概率p0，根据预设的线性相关系数对照值p与进行对比，当p0≤p，获取检验成功结果，从所述植被指数中提取样本植被指数，从所述冠层立体观测数据中提取样本冠层立体观测数据，从而实现对所述植被指数以及冠层立体观测数据进行关联性检测，一般地，所述线性相关系数对照值p取0.05。
[0061]
s4：根据所述植被指数以及冠层立体观测数据，构建硝酸盐预测模型，对所述硝酸盐预测模型进行精度评价。
[0062]
所述硝酸盐预测模型为：
[0063]
y＝164436.888-24440.142*flav
均值
+30084.216*macc-144731.188*ndvi-6701.225*flav
顶部
+117.288*nbi
底部-363.683*chla
均值
[0064]
式中，y为所述硝酸盐预测模型输出的硝酸盐含量，flav
均值
为所述叶绿素信息的均值，其表达式为chla
均值
为所述类黄酮信息的均值，其表达式为
[0065]
在本实施例中，预测设备采用逐步回归算法，根据所述样本植被指数以及样本冠层立体观测数据，将所述叶绿素信息的均值、所述类黄酮信息的均值以及氮营养指数值nbi
底部
作为输入向量，硝酸盐含量作为输出向量，构建硝酸盐预测模型，并对所述硝酸盐预测模型进行精度评价。
[0066]
请参阅图4，图4为本技术一个实施例提供的马铃薯叶柄的硝酸盐预测方法中s4的流程示意图，包括步骤s401～s402，具体如下：
[0067]
s401：将所述各个时期的光谱信息以及冠层立体观测数据输入至所述硝酸盐预测模型，获取所述硝酸盐预测模型输出的硝酸盐含量预测值，根据所述硝酸盐含量预测值、样本冠层立体观测数据中各个时期的马铃薯叶柄的硝酸盐含量以及评价参数算法，获取所述硝酸盐预测模型的评价参数，其中，所述评价参数包括确定系数以及均方根误差。
[0068]
所述评价参数算法为：
[0069][0070][0071]
式中，r2为所述确定系数，rmse为所述均方根误差，yi为所述样本冠层立体观测数据中的硝酸盐含量，为所述硝酸盐含量预测值，为所述样本冠层立体观测数据中的硝酸盐含量的均值，m为所述样本冠层立体观测数据的数量；
[0072]
在本实施例中，预测设备获取所述样本冠层立体观测数据中的硝酸盐含量的均值，将所述样本冠层立体观测数据中的硝酸盐含量、所述样本冠层立体观测数据中的硝酸盐含量的均值以及所述硝酸盐含量预测值输入至预设的评价参数算法，获取所述硝酸盐预测模型的确定系数以及均方根误差。
[0073]
s402：根据预设的确定系数对照值以及均方根误差对照值，与所述硝酸盐预测模型的相应的评价参数进行对比，获取对比结果，根据所述对比结果，将所述硝酸盐预测模型作为用于预测的硝酸盐预测模型。
[0074]
所述对比结果包括确定系数对比成功结果以及均方根误差对比成功结果。
[0075]
预测设备根据预设的确定系数对照值，与所述硝酸盐预测模型的确定系数进行对比，一般地，所述确定系数对照值为0.80，当所述硝酸盐预测模型的确定系数大于预设的确定系数对照值，获取确定系数对比成功结果；
[0076]
在一个可选的实施例中，预测设备将验证集输入至所述硝酸盐预测模型中，获取硝酸盐含量验证值，其中，所述验证集包括在实验室中测得的各个时期的光谱信息以及冠层立体观测数据。
[0077]
根据所述验证集、硝酸盐含量验证值以及评价参数算法，获取所述验证集对应的均方根误差，作为均方根误差对照值，将所述均方根误差对照值与所述硝酸盐预测模型的均方根误差进行对比，当所述硝酸盐预测模型的均方根误差大于所述均方根误差对照值，获取均方根误差对比成功结果；
[0078]
当同时获取对比成功结果以及均方根误差对比成功结果，将所述硝酸盐预测模型作为用于预测的硝酸盐预测模型。
[0079]
s5：响应于预测指令，所述预测指令包括待预测区域的马铃薯的光谱信息以及冠层立体观测数据，根据所述待预测区域的马铃薯的光谱信息以及冠层立体观测数据，获取所述待预测区域的马铃薯叶柄的硝酸盐含量。
[0080]
所述预测指令是用户发出，由预测设备接收的。
[0081]
预测设备获取用户发送的预测指令，将所述待预测区域的马铃薯的光谱信息以及冠层立体观测数据输入至所述硝酸盐预测模型，获取所述待预测区域的马铃薯叶柄的硝酸盐含量。
[0082]
请参考图5，图5为本技术一个实施例提供的马铃薯叶柄的硝酸盐预测装置的结构示意图，该装置可以通过软件、硬件或两者的结合实现马铃薯叶柄的硝酸盐预测装置的全部或一部分，该装置5包括：
[0083]
第一获取模块51，用于基于目标区域的马铃薯的遥感图像数据，获取目标区域内的各个时期的马铃薯的光谱信息；
[0084]
第二获取模块52，用于获取所述目标区域内的各个时期的马铃薯的冠层立体观测数据，其中，所述冠层立体观测数据包括马铃薯叶片的色素信息以及马铃薯叶柄的硝酸盐含量；
[0085]
植被指数计算模块53，用于根据所述马铃薯的光谱信息以及植被指数算法，获取所述各个时期的马铃薯的植被指数；
[0086]
构建模块54，用于根据所述植被指数以及冠层立体观测数据，构建硝酸盐预测模型，对所述硝酸盐预测模型进行精度评价；
[0087]
测量模块55，用于响应于预测指令，所述预测指令包括待预测区域的马铃薯的光谱信息以及冠层立体观测数据，根据所述待预测区域的马铃薯的光谱信息以及冠层立体观测数据，获取所述待预测区域的马铃薯叶柄的硝酸盐含量。
[0088]
在本技术实施例中，通过第一获取模块，基于目标区域的马铃薯的遥感图像数据，
获取目标区域内的各个时期的马铃薯的光谱信息；通过第二获取模块，获取所述目标区域内的各个时期的马铃薯的冠层立体观测数据，其中，所述冠层立体观测数据包括马铃薯叶片的色素信息以及马铃薯叶柄的硝酸盐含量；通过植被指数计算模块，根据所述马铃薯的光谱信息以及植被指数算法，获取所述各个时期的马铃薯的植被指数；通过构建模块，根据所述植被指数以及冠层立体观测数据，构建硝酸盐预测模型，对所述硝酸盐预测模型进行精度评价；通过测量模块，响应于预测指令，所述预测指令包括待预测区域的马铃薯的光谱信息以及冠层立体观测数据，根据所述待预测区域的马铃薯的光谱信息以及冠层立体观测数据，获取所述待预测区域的马铃薯叶柄的硝酸盐含量。基于各个时期的马铃薯的光谱信息以及冠层立体观测数据，构建硝酸盐预测模型，能够对各个时期的马铃薯叶柄的硝酸盐含量进行获取，高效、快捷，不受天气影响。
[0089]
请参考图6，图6为本技术一个实施例提供的计算机设备的结构示意图，计算机设备6包括：处理器61、存储器62以及存储在存储器62上并可在处理器61上运行的计算机程序63；计算机设备可以存储有多条指令，指令适用于由处理器61加载并执行上述图1至图4所示实施例的方法步骤，具体执行过程可以参见图1至图4所示实施例的具体说明，在此不进行赘述。
[0090]
其中，处理器61可以包括一个或多个处理核心。处理器61利用各种接口和线路连接服务器内的各个部分，通过运行或执行存储在存储器62内的指令、程序、代码集或指令集，以及调用存储器62内的数据，执行马铃薯叶柄的硝酸盐预测装置5的各种功能和处理数据，可选的，处理器61可以采用数字信号处理(digital signal processing,dsp)、现场可编程门阵列(field-programmable gate array，fpga)、可编程逻辑阵列(programble logic array，pla)中的至少一个硬件形式来实现。处理器61可集成中央处理器61(central processing unit，cpu)、图像处理器61(graphics processing unit，gpu)和调制解调器等中的一个或几种的组合。其中，cpu主要处理操作系统、用户界面和应用程序等；gpu用于负责触摸显示屏所需要显示的内容的渲染和绘制；调制解调器用于处理无线通信。可以理解的是，上述调制解调器也可以不集成到处理器61中，单独通过一块芯片进行实现。
[0091]
其中，存储器62可以包括随机存储器62(random access memory，ram)，也可以包括只读存储器62(read-only memory)。可选的，该存储器62包括非瞬时性计算机可读介质(non-transitory computer-readable storage medium)。存储器62可用于存储指令、程序、代码、代码集或指令集。存储器62可包括存储程序区和存储数据区，其中，存储程序区可存储用于实现操作系统的指令、用于至少一个功能的指令(比如触控指令等)、用于实现上述各个方法实施例的指令等；存储数据区可存储上面各个方法实施例中涉及到的数据等。存储器62可选的还可以是至少一个位于远离前述处理器61的存储装置。
[0092]
本技术实施例还提供了一种存储介质，所述存储介质可以存储有多条指令，所述指令适用于由处理器加载并执行上述图1至图4所示实施例的方法步骤，具体执行过程可以参见图1至图4所示实施例的具体说明，在此不进行赘述。
[0093]
所属领域的技术人员可以清楚地了解到，为了描述的方便和简洁，仅以上述各功能单元、模块的划分进行举例说明，实际应用中，可以根据需要而将上述功能分配由不同的功能单元、模块完成，即将所述装置的内部结构划分成不同的功能单元或模块，以完成以上描述的全部或者部分功能。实施例中的各功能单元、模块可以集成在一个处理单元中，也可
以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个单元中，上述集成的单元既可以采用硬件的形式实现，也可以采用软件功能单元的形式实现。另外，各功能单元、模块的具体名称也只是为了便于相互区分，并不用于限制本技术的保护范围。上述系统中单元、模块的具体工作过程，可以参考前述方法实施例中的对应过程，在此不再赘述。
[0094]
在上述实施例中，对各个实施例的描述都各有侧重，某个实施例中没有详述或记载的部分，可以参见其它实施例的相关描述。
[0095]
本领域普通技术人员可以意识到，结合本文中所公开的实施例描述的各示例的单元及算法步骤，能够以电子硬件、或者计算机软件和电子硬件的结合来实现。这些功能究竟以硬件还是软件方式来执行，取决于技术方案的特定应用和设计约束算法。专业技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能，但是这种实现不应认为超出本发明的范围。
[0096]
在本发明所提供的实施例中，应该理解到，所揭露的装置/终端设备和方法，可以通过其它的方式实现。例如，以上所描述的装置/终端设备实施例仅是示意性的，例如，所述模块或单元的划分，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式，例如多个单元或组件可以结合或者可以集成到另一个系统，或一些特征可以忽略，或不执行。另一点，所显示或讨论的相互之间的耦合或直接耦合或通讯连接可以是通过一些接口，装置或单元的间接耦合或通讯连接，可以是电性，机械或其它的形式。
[0097]
所述作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施例方案的目的。
[0098]
另外，在本发明各个实施例中的各功能单元可以集成在一个处理单元中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个单元中。上述集成的单元既可以采用硬件的形式实现，也可以采用软件功能单元的形式实现。
[0099]
所述集成的模块/单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。基于这样的理解，本发明实现上述实施例方法中的全部或部分流程，也可以通过计算机程序来指令相关的硬件来完成，所述的计算机程序可存储于一计算机可读存储介质中，该计算机程序在被处理器执行时，可实现上述各个方法实施例的步骤。其中，所述计算机程序包括计算机程序代码，所述计算机程序代码可以为源代码形式、对象代码形式、可执行文件或某些中间形式等。
[0100]
本发明并不局限于上述实施方式，如果对本发明的各种改动或变形不脱离本发明的精神和范围，倘若这些改动和变形属于本发明的权利要求和等同技术范围之内，则本发明也意图包含这些改动和变形。