[发明专利]一种基于高光谱特征筛选和机器学习的兰花营养预测方法

权利要求书

1.一种基于高光谱特征筛选和机器学习的兰花营养预测方法，其特征在于，所述方法包括如下步骤：

步骤S1:利用便携式地物光谱仪和机载高光谱成像仪采集兰花叶片反射光谱，使用土壤养分检测仪测定兰花叶片的营养素含量；

步骤S2：对采集的光谱数据和兰花叶片的理化值进行数据清洗及预处理，理化值即上述步骤S1中所述的营养素含量；

步骤S3：对兰花数据进行处理及特征筛选；

步骤S4：用线性和非线性机器学习模型模拟兰花叶片的营养素含量；

步骤S5：最后根据模型评估指标好坏对模型进行反复调参，以达到最好的拟合效果。

2.根据权利要求1所述的一种基于高光谱特征筛选和机器学习的兰花营养预测方法，其特征在于，步骤S2进一步具体为：对数据进行缺失值处理和异常值检测，同时对光谱反射率进行噪声消除；缺失值的处理方法有随机森林填补，均值填补和众数填补；异常值检测算法有四分位数及绘制箱线图、孤立森林、3σ/sigmaσ法和Z-score方法；噪声消除有标准化校正、多元散射校正、SG平滑和一阶导数方法。

3.根据权利要求1所述的一种基于高光谱特征筛选和机器学习的兰花营养预测方法，其特征在于，步骤S3进一步具体为：对兰花数据进行批量特征衍生，创建新的特征；接着以特征重要性、相关系数、熵值、权重指标为标准来筛选兰花的衍生特征，删除冗余衍生特征；特征重要性、相关系数的绝对值、熵值变化量越大，权重值越高，说明该特征波段对兰花营养素影响越大，以此完成敏感特征的筛选。

4.根据权利要求3所述的一种基于高光谱特征筛选和机器学习的兰花营养预测方法，其特征在于，批量特征衍生的方法有有单变量、多变量、四则运算、多项式，交叉组合方法；筛选特征变量的方法有：有方差过滤、相关性分析、互信息法、递归特征消除法，随机森林特征重要性方法。

5.根据权利要求1所述的一种基于高光谱特征筛选和机器学习的兰花营养预测方法，其特征在于，步骤S4进一步具体为：用机器学习算法从兰花训练数据中学习并执行模拟任务，该机器学习算法包括随机森林、XGBoost、AdaBoost，梯度提升决策树算法。

6.根据权利要求1所述的一种基于高光谱特征筛选和机器学习的兰花营养预测方法，其特征在于，步骤S5进一步具体为：根据数据质量及样本的数量进行首次模型参数设置，模型参数有学习器的个数、粗剪枝和整体学习速率；接着，对模型效果进行评估，检验模型预测数值的准确性和模型拟合的覆盖情况，常用评估指标有可决系数、均方根误差、均方误差、平均绝对百分比误差，根据上述评估指标的大小，再次对机器学习模型进行调参，其中可决系数越接近1评估指标越好，均方根误差、均方误差、平均绝对百分比误差越小评估指标越好，最终得到预测兰花营养状态的反演模型，通过反演模型进行兰花营养的预测。