一种冬小麦全氮含量预测方法与流程

本发明涉及一种灌溉决策系统，具体是一种冬小麦全氮含量预测方法，属于农林灌溉。

背景技术：

1、冬小麦在全世界范围内都广泛种植，是中国的重要粮食作物之一，与国家的粮食安全紧密相关。氮素是作物生长发育最需要的营养物质之一，对作物的生长活动以及产量和品质都发挥着至关重要的作用。植株的全氮含量是表征作物氮素状况的主要指标，因此，监测作物的全氮含量可以有效获取作物的营养状况，有利于制定合理的田间管理措施。传统的氮含量测定方法需要破坏性取样，过程繁琐、时间久、消耗大量的人力物力，虽然近年来出现了叶绿素仪等方法可以无损估测植株的氮含量，但是这些仪器测得的植株氮含量无法全面反映出作物植株的总体状况。

2、随着无人机遥感技术的发展，在农业领域利用无人机搭载传感器以高通量和非破坏性的方式对土壤和作物tnc监测开展了大量研究。例如：lopez-calderon证明了基于无人机多光谱影像数据估测forage maize全氮含量的有效性，liu证明了基于无人机rgb影像反演冬小麦叶氮含量的有效性。常用的rgb传感器包含3个波段的信息，分辨率高；多光谱传感器包含5个波段的信息，相比rgb传感器具有更多的敏感波段信息。这两种传感器体型小，成本低，数据处理简单、便于拆卸安装携带，在农业领域受到广泛应用。据研究显示，红色、近红、热红外等波段在利用无人机遥感技术监测作物时表现良好。由于可能会受到土壤信息和冠层生物量大的影响，造成获取的光谱信息和植被指数在作物监测中表现不佳，因此要选用敏感性不同的光谱特征组合来获取高精度的预测数据。此外这些研究大多采用单一传感器证明了无人机遥感技术可以运用在预测氮含量方面，基于无人机遥感技术多源传感器数据融合来预测作物总氮含量的研究还相对较少。

3、纹理信息用于识别图像中物体或者区域的重要特征，是遥感影像的补充，普遍用于图像分类中。不同的氮处理条件会影响作物的生长，会造成植株高度差异、结构差异以及叶片的大小和颜色差异等，最终导致光谱影像中的纹理特征发生变化。目前，纹理特征在植被识别分类、氮素反演、病情检测等方面均有应用。然而上述研究大多只采用rgb纹理特征做分析，通过rgb和多光谱的纹理特征来做氮含量全面评估的研究还较少。

4、近年来，从数据中自动寻找规律并利用规律对未知数据进行预测的机器学习方法被广泛应用在数据密集型领域。机器学习算法可以用来解决农业中的多元非线性问题并取得了满意的结果。例如：li证明了基于随机森林算法的水稻冠层氮素含量高光谱反演模型可解释、所需样本少、不会过拟合、精度高(验证区检验精度r2＝0.73)且具有普适性。berger结合机器学习回归来估测作物氮含量，证明了高斯过程回归模型可以提供准确的地上氮模拟。zhang将岭回归分析方法引入作物氮素营养监测光谱探测方法的研究领域，证明了岭回归在该领域的适用性。mahajan通过机器学习建模来估测芒果叶片营养状况，证明了enr在估测营养状况方面的可行性。这些研究充分证明了rfr、gpr、rr和enr在农业监测领域具有不错的精度。

5、与单一机器学习模型相比，集成学习模型具有更好的精度。集成学习模型作为机器学习模型中的一种，是通过组合多个弱学习模型获得一个更全面的模型，在样本大小不同的数据集中都有良好的性能。stacking回归就属于集成学习模型，它通过组合多个基础学习器并把它们特征较好的部分给抓取出来进而提高模型的精确度。基础学习器选择的多样性和充分性保证了学习器之间的信息互相补充的能力，是保证模型获得正确结果的关键。stacking回归方法在农业领域广泛应用，例如估测马铃薯叶绿素含量、估测柑橘叶片氮含量、估测苜蓿产量等方面都获得了高于单一机器学习模型的精度。目前，还没有使用多源光谱特征和纹理特征堆叠集成学习方法预测冬小麦氮含量的研究。

技术实现思路

1、针对上述问题，本发明提供一种冬小麦全氮含量预测方法，基于多源光谱特征和纹理特征融合以及集成学习方法，能够实现预测冬小麦抽穗期在不同氮肥处理下冬小麦全氮含量的前提下实现较高的预测精度，可以为评价不同氮肥处理下冬小麦全氮含量提供数据支持。

2、为实现上述目的，本冬小麦全氮含量预测方法具体包括以下步骤：

3、step1光谱数据的获取：通过搭载多光谱传感器和rgb传感器的无人机获取正射影像数据；

4、step2无人机图像预处理：

5、step2-1将抽穗期获取到的同时期的无人机多光谱影像和rgb影像使用特征点匹配算法对齐图像；

6、step2-2根据无人机影像和位置数据生成飞行区域的稀疏点云；基于稀疏点云建立空间网格，并且加入gcp的空间坐标信息；生成具有精确位置的稀疏点云，飞行区域的表面几何结构和空间纹理信息生成；最终生成飞行区域的高清数字正射影像和数字表面模型，并将处理后的图像导出为tiff图像；

7、step2-3将高清数字正射影像按照小区划分，划分为带有id的多个区域，分别识别获取对应id区域的光谱信息；

8、step2-4进行纹理特征的提取，按照id提取出的所有特征像素值的均值被用作相应的特征；

9、step3植被指数计算：根据光谱影像的波段信息采用灰度共生矩阵分别提取多光谱影像和rgb影像的光谱信息和纹理信息，计算对tnc敏感的植被指数；

10、step4构建基于堆叠方法的集成预测模型并预测：

11、step4-1将rgb影像的光谱特征和纹理特征以及多光谱影像的光谱特征和纹理特征作为输入特征分别进行训练、并构建多个基础机器学习tnc预测模型，采用五折交叉验证方法将所有的数据集随机均匀划分为5份，并且对于不同输入特征均采用相同的划分方法，将其中的每1份做验证集、其余4份做训练集，训练5次后得到的所有数据均作为训练样本和验证样本，分别产生对应五个训练集的5组验证数据，将这5组验证数据纵向叠起来得到了测试集预测矩阵、用作次级机器学习模型的测试集，将验证集预测的结果做均值，得到各基础机器学习tnc预测模型的预测精度；

12、step4-2采用stacking集成学习模型作为次级机器学习模型来集成各个基础机器学习tnc预测模型的预测能力，同时采用五折交叉验证的方法训练stacking集成学习模型；

13、step4-3基于测试集预测矩阵产生的5组验证结果，取均值得到最终的预测精度。

14、进一步的，step4-1中，多个基础机器学习tnc预测模型至少包括rfr学习模型。

15、进一步的，step4-1中，多个基础机器学习tnc预测模型是gpr学习模型、rfr学习模型、rr学习模型和enr学习模型四个基础机器学习tnc预测模型。

16、进一步的，step4-1中，多个基础机器学习tnc预测模型使用不同的参数或不同的数据子集进行训练。

17、进一步的，step3中，纹理信息包括平均值、方差、同质性、对比度、不相似性、熵、第二力矩和相关性。

18、进一步的，step3中，针对多光谱影像，通过多光谱影像的光谱反射率计算对tnc敏感的植被指数；针对rgb影像，对rgb影像三个通道的平均dn值进行归一化处理，将红、绿、蓝三个通道定义为r、g、b，归一化数码影像三个通道dn值后得到了r、g、b三个变量，并根据三个变量计算对tnc敏感的植被指数。

19、与现有技术相比，本冬小麦全氮含量预测方法基于无人机遥感技术获取rgb和多光谱的光谱特征和纹理特征进行数据融合作为模型输入特征构建基于堆叠方法的集成预测模型进行预测；rgb和多光谱的光谱特征和纹理特征数据融合作为模型输入特征的方式，不同传感器获取的数据都以独特和互补的方式对tnc的预测做出贡献，因此能够产生更高的预测精度；基于堆叠方法的stacking集成学习模型预测结果的均值作为机器学习模型的精度，这不仅解决了小样本量的问题，还提高了模型的泛化能力，同时可极大降低回归结果的偏差、提高训练精度，另外，stacking集成学习模型可以整合多个基础学习模型的优点，弥补单一模型的局限性和不足，在回归预测中产生的结果具有更好的鲁棒性和泛化能力，集成学习模型结合不同的基础模型预测结果，可以减少单个模型过拟合的风险，避免受到维度灾难的影响，可提高集成模型的整体泛化能力；结果表明，基于多源光谱特征和纹理特征融合以及集成学习方法能提高冬小麦tnc的预测精度，可成功估算抽穗期不同氮肥处理下冬小麦的tnc，可为评价不同氮肥处理下冬小麦的tnc提供数据支持。