(19)中华 人民共和国 国家知识产权局 (12)发明 专利申请 (10)申请公布号 (43)申请公布日 (21)申请 号 202111551944.4 (22)申请日 2021.12.17 (71)申请人 青岛农业大 学 地址 266109 山东省青岛市城阳区长城路 700号 (72)发明人 白皓然　孙伟浩　徐树生　李凤梅　 柳松　马皓冉　夏鹏辉　 (74)专利代理 机构 青岛鼎丞智佳知识产权代理 事务所(普通 合伙) 3727 7 代理人 王敬花　韩耀朋 (51)Int.Cl. G01N 21/27(2006.01) G06N 20/00(2019.01) (54)发明名称 一种基于高光谱的苹果叶片含氮量检测方 法 (57)摘要 本发明提供了一种基于高光谱的苹果叶片 含氮量检测方法， 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GBD T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。 本发明的苹果 叶片含氮量检测方法更准确， 验证了特征波长提 取方法的有效性， 并为高光谱无损检测技术在苹 果树营养元素含量快速检测和生长发育态势实 时监测等方面的应用提供参 考依据。 权利要求书1页 说明书6页 附图7页 CN 114199793 A 2022.03.18 CN 114199793 A 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： FDi代表波长为i时 的一阶微分值， Ri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。权　利　要　求　书 1/1 页 2 CN 114199793 A 2一种基于高光谱的苹果叶片含氮量 检测方法 技术领域 [0001]本发明属于苹果叶片含氮量检测技术领域， 尤其涉及一种基于高光谱的苹果叶片 含氮量检测方法。 背景技术 [0002]氮含量是植物健康状况和营养水平的重要指标， 氮元素的缺失会大大降低农作物 的光合产量。 传统检测叶片氮含量大多采用化学计量检测法， 例如凯氏定氮法， 但是这种常 规方法存在着耗时， 检测过程繁琐的缺点。 近年来， 随着高光谱遥感技术的发展， 利用作物 在受到氮肥胁迫时会引起反射光谱变化的原理， 叶片氮含量无损快速检测研究有了重大的 进展， 比如在小麦， 水稻， 玉米等领域， 已经 出现了一系列讨论 不同光谱指数性质的研究。 [0003]当前叶片氮含量检测研究中一般利用多植被指数或者高光谱敏感波段反射率作 为估测因子， 并且使用的光谱波 段大多集中在可见光 ‑近红外短波范围内(350nm ‑1100nm)。 研究不直接使用全波段原始反射光谱组成的光谱指标作为估测因子是由于原始反射光谱 通常包含土壤背景信息， 并且全波段用作变量可能导致反演模 型泛化精度降低。 研究表明， 光谱导数变换可以有效地减小土壤背 景信息和低频噪声， 使光谱估测模型更加可靠。 目前， 微分光谱和由微分光谱构建的光谱指数都得到了广泛且成功的应用， 它们被认为是估计植 物生理参数的最佳方法。 但是这种方法同样极大减少了氮含量估测模型的光谱输入变量数 量。 发明内容 [0004]本发明基于高光谱对于苹果叶片进行含氮量检测， 对苹果叶片原始光谱数据进行 不同导数间隙下的微分处理， 并以此构建光谱参数， 并依据GBDT算法建模以实现苹果叶片 氮含量的准确反演， 为高光谱无损检测技术在苹 果树营养元素含量快速检测和生长发育态 势实时监测等方面的应用。 为实现上述目的， 本发明采用如下技 术方案， 具体步骤为： [0005]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； [0006]步骤2， 对光谱数据展开特 征波长分析并提取 特征向量； [0007]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； [0008]步骤4， 使用交叉验证优化反演模型参数； [0009]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。 [0010]优选的， 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。 [0011]优选的， 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。说　明　书 1/6 页 3 CN 114199793 A 3