[发明专利]一种植物光谱库的建立方法

摘要

本发明公开一种植物光谱库的建立方法。本发明采用标准化的数据采集方法收集数据，提出一套完整齐备的光谱特征提取方法、特征敏感性分析方法、模型建立方法并进行植物分类和状态监测，其中提出波段自适应聚类法可有效去除相邻或相近波段中的信息冗余，有效提高数据使用效率。基于上述方法，建立植物光谱光谱库，并为之提供一套完整光谱分析和应用的方法。

主权项

1.一种植物光谱库的建立方法，其特征在于包括以下步骤：步骤一：获取数据获取植物冠层高光谱数据以及配套信息，其中配套信息包括植物种类和状态信息；步骤二：光谱特征提取根据步骤一获取的植物冠层高光谱数据和配套信息提取光谱特征，作为植物分类和状态监测特征，其中光谱特征包括原始波段特征，一阶微分特征，连续统特征和植被指数；步骤三：特征敏感性分析针对原始波段特征，先利用自适应波段聚类法将原始光谱波段进行聚类，将相关性较高的波长聚类，再利用JM距离针对每一种聚类进行分析，选取每一聚类中JM距离较大的波长作为敏感波段特征；针对指数特征(指代一阶微分特征、连续统特征、植被指数特征)，采用JM距离作为每个指数特征的敏感性指标，获取JM距离最大的10项作为敏感指数特征；上述利用自适应波段聚类法将原始光谱波段进行聚类具体是：(1)确定预定参数，可用于决定后续分析中的聚类数目；C，期望聚类的类别数目；Tn，每类允许最少样本数Ts，为类内各分量标准差上限；Td，两个聚类中心间的最小距离下限，若小于此数，两个聚类需进行合并；L，在一次迭代运算中可以合并的聚类中心的最多对数It，允许的最大迭代次数Nc，初始聚类数目，与C可相同也可不同；(2)随机产生聚类中心；根据初始确定的聚类数目Nc，产生对应数目的初始聚类中心；为防止聚类中心随机获取时集中在某一处波长附近，采用分层获取分类中心，先将波长按照初始聚类数目分为Nc层，再获取聚类中心；按照分层均匀分布的随机聚类中心的获取方法如下：其中，Rc为初始聚类数目Nc对应的聚类中心处波长光谱，i为第i个聚类中心，Ls为波段总数，Nc为初始设定聚类数目，rand为0～1间的随机数，为将所有波长按照需要的初始聚类数目分层取整，为每一层中的某个随机波长取整处作为聚类中心；(3)根据距离公式(2)遍历每个波长数据x，将x分类到最近的聚类中心Sc_j，获取聚类中心Sc_j处的聚类SC_j；D_j＝min{||x‑Sc_i||，i＝1，2，...，j，...，Nc}    式(2)x为波长光谱数据，Sc_i为第i个聚类中心，D_j表示某一波长数据与所有聚类中心距离中最小处的距离值，该中心为第j类聚类中心，将该波长光谱归类为该聚类；(4)去除聚类中波段数目较少的类别；当所有聚类SC中某一个聚类内波段数目sc_i＜Tn时，取消该聚类，并删除其聚类中心Sc_i，同时判断迭代次数，若当前迭代次数达到允许的最大迭代次数It，则结束，若未达到则返回第3步；直至所有聚类的样本数目均满足sc_i＞Tn，则执行第5步，Tn为每类允许最少样本数；(5)修正聚类中心；计算步骤4处理后每个聚类的样本平均值，并作为新的聚类中心；Sc_i＝NSc_i    式(4)其中，NSc_i为新的聚类中心，sc_i为第i个聚类中的波段数目，SC_i为第i个聚类，x为聚类SC_i中的波长光谱数据，Sc_i为更新后的第i个聚类中心；(6)计算各聚类SC中样本与各聚类中心间的平均距离；其中，为第i个聚类中波长数据与各新聚类中心间的平均距离，sc_i为第i个聚类中的波段数目，x为聚类SC_i中的波长光谱数据，Sc_i为第i个聚类中心；(7)计算全部波长数据和其对应聚类中心的总平均距离；其中，为全部波长数据和其对应聚类中心的总平均距离，Nc为聚类数目，sc_i为第i个聚类中波段数目，为第i个聚类中波长数据与各聚类中心间的平均距离；(8)若当前迭代次数达到最大迭代次数，结束；否则接着判定是否满足若是则转至第9步，否则再次判定；若当前迭代次数既不是偶数，且满足Nc＜2C，则转至第9步，对已有聚类进行分裂处理，若当前迭代次数是偶数，或Nc≥2C，C为期望聚类的类别数目，则转至第10步，进行合并处理；(9)分裂；计算每个聚类中样本距离的标准差向量；σ_i＝(σ_1iσ_2i，...，σ_bi...，σ_ni)^T    式(7)其中T表示向量转置，向量的各个分量为其中，b＝1，2，...n，表示第b个光谱样本，i＝1，2，...k，...，Nc，σ_i为第i个聚类中的标准差向量，σ_1i，σ_2i，...，σ_ni为每个光谱样本在第i个聚类中的标准差，sc_i为第i个聚类中波段数目；求每一标准差向量{σ_i，i＝1，2，...，Nc}中的最大分量，以{σ_imax，i＝1，2，...，Nc}代表；在任意一个聚类集{σ_imax，i＝1，2，...，Nc}中，若存在σ_imax＞Ts，同时又满足如下两个条件之一：1)和N_i＞2(Tn+1)2)Ts为T类内各分量标准差上限，Tn为每类允许最少样本数，同一聚类域中样本距离分布的标准差则将Sc_i分裂为两个新的聚类中心，且Nc加1；其中一个新的聚类中心是Sc_i对应的σ_imax处分量加上k倍σ_imax，另一个是Sc_i对应的σ_imax处分量减去k倍σ_imax，k为定义的倍数；否则返回第三步；(10)合并运算；计算全部聚类中心两两之间的距离；D_ij＝||Sc_i‑Sc_j||    式(9)其中，D_ij为第i个聚类中心和第j个聚类中心之间的距离；比较D_ij与Td的值，Td为两个聚类中心间的最小距离下限，将Dij＜Td的值按距离递增排列，即其中将符合上述条件式(9)‑(11)的聚类中心进行合并，获取新的合并中心，如下式(12)：Sc^*为合并后的新中心，和是第i类和第j类聚类中的数目，和为第i类和第j类聚类的聚类中心；每次合并的聚类中心对数不能超过L，每个聚类中心每次迭代最多只能合并一次，L为在一次迭代运算中可以合并的聚类中心的最多对数；反之则返回第三步；(11)如果是最后一次迭代运算(即第It次)，则结束；否则，若改变输入参数，转至第一步；若输入参数不变，转至第二步；步骤四：确定合适模型分别对敏感波段、指数特征(包括微分特征，连续统特征和植被指数)以及全部特征(波段加指数)三类进行建模分析，获取模型精度；选取总体分类精度(OAA)和Kappa系数作为精度指标，精度指标最大认定为适合模型；式中，r_ow为混淆矩阵交叉表的行的数量；x_ii为沿着对角线上的类型组合的数量；x_i+为行i的总的观测数；x_+i为列的总的观测数量；N为单元格的总数量。