[发明专利]基于无人机高光谱的棉花叶片氮含量监测方法及系统

权利要求书

1.基于无人机高光谱的棉花叶片氮含量监测方法，其特征是，包括以下步骤：

S101：获取棉花叶片氮素的高光谱反射率数据，并从高光谱反射率数据中截取敏感波长段，以及依据反射峰特征量、吸收谷特征量对敏感波长段进行分类处理后得到波峰敏感集、波谷敏感集；

S102：获取目标区域的高光谱图像信息以及相应的棉花叶片氮含量；

S103：将高光谱图像信息划分成多个混合象元，并通过混合光谱分解方法对混合象元进行分解处理，以及对分解处理结果分类集成后得到由土壤高光谱数据、水分高光谱数据、叶片高光谱数据组成的多高光谱数据组；

S104：根据波峰敏感集从多高光谱数据组截取相应波长的第一多高光谱特征组，多个波长的第一多高光谱特征组构成同一混合象元的第一多高光谱特征离散集；以及，根据波谷敏感集从多高光谱数据组截取相应波长的第二多高光谱特征组，多个波长的第二多高光谱特征组构成同一混合象元的第二多高光谱特征离散集；

S105：将多个混合象元的第一多高光谱特征离散集以及棉花叶片氮含量输入线性回归训练模型进行训练后得到第一氮含量监测模型；以及，将多个混合象元的第二多高光谱特征离散集以及棉花叶片氮含量输入线性回归训练模型进行训练后得到第二氮含量监测模型；

S106：获取目标棉花叶片的高光谱数据信息，并从高光谱数据信息中随机选择估算波长和对应波长下的多高光谱特征估算组；

S107：将估算波长、多高光谱特征估算组分别输入第一氮含量监测模型、第二氮含量监测模型进行匹配，并根据匹配结果择优选取监测模型对目标棉花叶片进行氮含量估算监测，得到估算监测结果。

2.根据权利要求1所述的基于无人机高光谱的棉花叶片氮含量监测方法，其特征是，所述波峰敏感集、波谷敏感集的分类处理过程具体为：

将高光谱反射率数据平滑处理后建立高光谱反射率曲线；

对高光谱反射率曲线进行斜率求解，并对高光谱反射率曲线中连续波段内的斜率进行微积分处理，得到波段斜率；

以第N个波段斜率同时大于第N-1个波段斜率、第N+1个波段斜率进行筛选后将第N个波段作为第一敏感波长段，多个第一敏感波长段构成波峰敏感集；

以第N个波段斜率同时小于第N-1个波段斜率、第N+1个波段斜率进行筛选后将第N个波段作为第二敏感波长段，多个第二敏感波长段构成波谷敏感集。

3.根据权利要求1所述的基于无人机高光谱的棉花叶片氮含量监测方法，其特征是，所述高光谱图像信息分解处理得到多高光谱数据组的具体过程为：

分别提取高光谱图像信息中各个混合象元内的高光谱数据，得到高光谱分布数据；

根据土壤、水分、叶片地物类别将高光谱分布数据划分成土壤分布数据、水分分布数据、叶片分布数据；

以同步波长将土壤分布数据、水分分布数据、叶片分布数据集成为连续分布且在单一波长下同时包含土壤分布数据、水分分布数据、叶片分布数据的多高光谱数据组。

4.根据权利要求1所述的基于无人机高光谱的棉花叶片氮含量监测方法，其特征是，所述第一氮含量监测模型、第二氮含量监测模型的建立过程具体为：

通过线性回归训练模型对多高光谱特征离散集中不同波长下的多高光谱特征组、棉花叶片氮含量进行回归训练得到四元线性回归训练模型；

四元线性回归训练模型以土壤、水分、叶片高光谱数据为自变量，并以氮含量为因变量；

将不同多个混合象元下的四元线性回归训练模型进行优化修正训练后得到相应的第一氮含量监测模型或第二氮含量监测模型。

5.根据权利要求1所述的基于无人机高光谱的棉花叶片氮含量监测方法，其特征是，所述第一氮含量监测模型、第二氮含量监测模型的匹配过程具体为：

随机确定估算波长，并根据估算波长从目标棉花叶片的高光谱数据信息中选择相应波长的多高光谱特征估算组；

将多高光谱特征估算组分别输入第一氮含量监测模型、第二氮含量监测模型进行匹配度计算，分别得到第一匹配度、第二匹配度；

以第一匹配度、第二匹配度中最大值所对应的监测模型对目标棉花叶片进行氮含量估算监测，得到目标棉花叶片中氮含量监测结果。