[发明专利]一种基于高光谱的苹果叶片含氮量检测方法

权利要求书

1.一种基于高光谱的苹果叶片含氮量检测方法，其特征在于，包括以下步骤：

步骤1，对苹果生长发育的四个时期的叶片进行采集并进行光谱扫描；

步骤2，对光谱数据展开特征波长分析并提取特征向量；

步骤3，依据GBDT算法搭建机器学习反演模型，将步骤2中提取出的特征向量作为输入矢量导入反演模型中；

步骤4，使用交叉验证优化反演模型参数；

步骤5，用优化完成后的反演模型对苹果叶片氮含量进行检测。

2.如权利要求1所述的一种基于高光谱的苹果叶片含氮量检测方法，其特征在于：所述步骤1中对苹果生长发育的四个时期的叶片进行采集，分别是盛花期、新梢旺长期、春梢旺长期和秋梢旺长期。

3.如权利要求1中所述的一种基于高光谱的苹果叶片含氮量检测方法，其特征在于：所述步骤2中对光谱数据展开特征波长分析并提取特征向量，是在不同导数间隙上分别对微分光谱、微分光谱变换和植被光谱指数三个方面展开特征波长分析，并选择提取出来微分光谱、光谱变换得到的光谱向量以及植被光谱指数共13个特征向量作为GBDT反演模型的输入向量。

4.如权利要求3所述的一种基于高光谱的苹果叶片含氮量检测方法，其特征在于，对光谱数据展开特征波长分析并提取特征向量的具体步骤为：

S1：将采集的苹果树叶片原始高光谱数据分别进行导数间隙为1至30的一阶微分变换，微分变换的公式为：

FD_i代表波长为i时的一阶微分值，R_i代表波长为i时的高光谱反射率值，w代表导数间隙值，对苹果叶片氮含量与变换后的一阶微分光谱值分别进行相关性分析，依据相关性分析结果，确定30种导数间隙下与苹果树叶片氮含量显著相关的5个敏感波长，构建苹果叶片氮素含量的光谱参量，从高到低分别为FDW₁_806，FDW₂_837，FDW₄_813，FDW₁₁_415，FDW₁₇_1001；

S2：使用原始光谱向量分别做倒数，对数的光谱向量变换，构建倒数、对数的微分光谱向量，对光谱向量与氮含量进行相关性分析选定倒数光谱的第775nm处的光谱向量，对数光谱第801nm处的光谱向量作为特征向量；

S3：选择六个具有明确物理意义和高度识别度的光谱指数进行比较分析，根据分析结果，选择NDVI705_1、MNDVI_3、VOG3_23、PRI_1、NDCI_7和RVI3_8作为氮含量估算的光谱向量。

5.如权利要求1所述的一种基于高光谱的苹果叶片含氮量检测方法，其特征在于：所述步骤4中使用交叉验证优化反演模型参数，是通过交叉验证对GBDT算法中影响估计精度的最大深度、损失函数和迭代次数的反演模型参数进行了优化。