1.一种基于光谱新特征的反演叶片叶绿素含量的方法,其特征在于,包括以下步骤:
步骤1:求出光谱反射率与其光谱反射率平均值的差(△h)作为光谱新特征;再对该差求得绝对值,得到的数据集最终用于降维与反演;
步骤2:将光谱新特征(△h)数据集分为训练集与验证集,两个数据集之间的均值、标准差差异较小,具有很好的相似性;
步骤3:采用十折交叉验证方法对套索算法中的参数进行最优选择,确定效果达到最优的降维模型;
步骤4:将光谱新特征(△h)的训练数据集作为反演叶片叶绿素含量的自变量,基于步骤3获得的参数,利用套索算法对该部分数据进行降维处理;
步骤5:利用得到的降维数据作为最终回归模型的自变量进行多元非线性回归,建立带有套索算法约束的多元非线性回归模型,即lasso-mnr反演模型;利用lasso-mnr反演模型反演叶片叶绿素含量。
2.如权利要求1所述的方法,其特征在于,所述步骤4中,套索算法如下:
其中,
3.如权利要求1所述的方法,其特征在于,所述步骤5中,利用上述lasso算法对新特征(△h)数据求得的降维数据作为最终回归模型的自变量进行多元非线性回归,建立带有套索算法约束的多元非线性回归模型,得到lasso-mnr反演模型;多元非线性回归的公式如下:
其中,ychlorophyll是叶绿素含量,x1,x2,…,xn是降维后的光谱新特征(△h)数据,a1,a2,…,an,b1,b2,…,bn,c是反演系数。
4.如权利要求1所述的方法,其特征在于,所述步骤3中,mse取最小值15.71时,λ取最优值2.3×10-3时,lasso算法的效果最优。
5.如权利要求4所述的方法,其特征在于,所述步骤4中,基于套索算法将光谱新特征(△h)数据降维至59。
6.如权利要求5所述的方法,其特征在于,所述步骤5中,利用所述59个光谱新特征(△h)数据作为最终多元非线性回归模型的自变量进行回归拟合,最终建立带有套索算法约束的多元非线性回归模型,得到lasso-mnr反演模型。
7.如权利要求1所述的方法,其特征在于,还包括步骤6,利用r2、rmse作为评价指标得到模型反演精度,验证所述lasso-mnr模型的反演能力;r2越高,rmse越小,说明模型实测值和预测值之间的偏差越小,模型的拟合效果越好。
8.如权利要求1所述的方法,其特征在于,还包括步骤7,将所述模型的反演精度与其他反演模型相比较,验证所述lasso-mnr模型的效果更好。