申请/专利权人：河海大学;新平褚氏农业有限公司

申请日：2021-07-27

公开（公告）日：2024-04-23

公开（公告）号：CN113761790B

主分类号：G06F30/27

分类号：G06F30/27;G06N20/20;G01N21/25

优先权：

专利状态码：有效-授权

法律状态：2024.04.23#授权;2021.12.24#实质审查的生效;2021.12.07#公开

摘要：本发明涉及一种基于Stacking集成学习的果树叶片氮含量估算方法，采用全新逻辑处理过程设计，在果树树叶片生长成熟、且生化组分稳定时期，基于采样位置的遥感影像光谱，结合对应预设各类光谱植被指数的数据值，以及采样位置所对应的氮含量，针对指数分别与氮含量之间的预设类型相关系数的分析，获得各个目标光谱植被指数，进而据此结合预设逻辑下的模型训练过程，构建获得目标区域所对应的果树叶片氮含量估算器，进而在实际应用中，应用果树叶片氮含量估算器，实现对目标区域中目标位置果树叶片氮含量的估算，整个设计方案实现遥感影像光谱特征的有效综合，克服单一模型数据特征提取的局限，同时增强模型的泛化能力，并且能够对果园形成长周期、大范围的观测，减少了传统化学检测方法人力和时间的消耗，极大地节约了监测成本。

主权项：1.一种基于Stacking集成学习的果树叶片氮含量估算方法，其特征在于：在果树树叶片生长成熟、且生化组分稳定时期，按如下步骤i至步骤vii，获得目标区域所对应的果树叶片氮含量估算器；以及在相同果树时期，按如下步骤A至步骤B，应用目标区域所对应的果树叶片氮含量估算器，实现对目标区域中目标位置果树叶片氮含量的估算；步骤i.分别针对目标区域中预设各个采样位置，获取采样位置的遥感影像光谱，并以该采样位置为中心、预设半径范围内预设数量各果树叶片的氮含量，应用该各果树叶片的平均氮含量，作为该采样位置的氮含量；进而获得各采样位置分别所对应的遥感影像光谱与氮含量，然后进入步骤ii；步骤ii.根据各采样位置分别所对应的遥感影像光谱，构建获得各采样位置分别对应预设各类光谱植被指数的数据值，进而结合各采样位置分别所对应的氮含量，获得该预设各类光谱植被指数分别与氮含量之间的预设类型相关系数，并由该预设各类光谱植被指数中、选择预设类型相关系数大于预设系数阈值的各类光谱植被指数，即作为各个目标光谱植被指数，然后进入步骤iii；步骤iii.基于各采样位置分别对应各目标光谱植被指数的数据值，以及各采样位置分别所对应的氮含量，以单个采样位置对应各目标光谱植被指数的数据值、以及氮含量作为单个样本，由各个样本构建样本数据集，并按预设比例，将样本数据集中全部样本完全划分为第一层训练集与第一层测试集，然后进入步骤iv；步骤iv.将第一层训练集中全部样本完全划分为N份第一层样本集，然后分别针对预设指定各个待训练基模型，通过遍历各份第一层样本集，并以其余各份第一层样本集针对待训练基模型进行训练的方式，获得待训练基模型所对应的训练后基模型，以及通过遍历各份第一层样本集所获各采样位置分别对应的氮含量估算结果，构建该待训练基模型所对应的全部第一层估算样本；然后进入步骤v；其中，预设指定各个待训练基模型包括K近邻算法模型、随机森林模型、支持向量回归模型；上述步骤iv包括如下：将第一层训练集中全部样本完全划分为N份第一层样本集，然后分别针对预设指定各个待训练基模型，执行如下步骤iv-1至步骤iv-5，获得各待训练基模型分别所对应的训练后基模型、以及各待训练基模型分别所对应的全部第一层估算样本，然后进入步骤v；步骤iv-1.初始化n＝1，并进入步骤iv-2；步骤iv-2.根据除第n份第一层样本集以外的其余各份第一层样本集，以采样位置所对应各目标光谱植被指数的数据值为输入，采样位置所对应氮含量作为输出，针对待训练基模型进行训练，获得训练后的第n轮基模型，然后进入步骤iv-3；步骤iv-3.针对第n份第一层样本集中各采样位置分别所对应各目标光谱植被指数的数据值，应用第n轮基模型，获得该各采样位置分别所对应的氮含量估算结果，由该各采样位置分别对应的氮含量估算结果、以及该各采样位置分别所对应的氮含量，构成该待训练基模型所对应的各个第一层估算样本，然后进入步骤iv-4；步骤iv-4.判断n是否等于N，是则进入步骤iv-5；否则针对n进行加1更新，然后返回步骤iv-3；步骤iv-5.根据第1轮基模型至第N轮基模型中各参数的平均值，构建该待训练基模型所对应的训练后基模型；同时获得该待训练基模型所对应的全部第一层估算样本；步骤v.分别针对各个训练后基模型，针对第一层测试集中各采样位置分别所对应各目标光谱植被指数的数据值，应用训练后基模型，获得该各采样位置分别所对应的氮含量估算结果，由该各采样位置分别所对应的氮含量估算结果、以及该各采样位置分别所对应的氮含量，构成该训练后基模型所对应的各个第二层估算样本；进而获得各训练后基模型分别所对应的全部第二层估算样本，然后进入步骤vi；步骤vi.以全部第一层估算样本构成第二层训练集，以全部第二层估算样本构成第二测试集，根据第二层训练集与第二测试集，以采样位置所对应的氮含量估算结果为输入，采样位置所对应的氮含量为输出，针对预设指定待训练元模型进行训练，获得待训练元模型所对应的训练后元模型，然后进入步骤vii；步骤vii.以各训练后基模型的输入端为输入，各训练后基模型的输出端分别对接训练后元模型的输入端，训练后元模型的输出为输出，构成stacking集成模型，即目标区域所对应的果树叶片氮含量估算器；步骤A.获得目标位置的遥感影像光谱，并构建获得目标位置对应各目标光谱植被指数的数据值，然后进入步骤B；步骤B.根据目标位置对应各目标光谱植被指数的数据值，应用目标区域所对应的果树叶片氮含量估算器，获得目标位置果树叶片氮含量。

全文数据：

权利要求：

百度查询： 河海大学;新平褚氏农业有限公司 一种基于Stacking集成学习的果树叶片氮含量估算方法

免责声明
1、本报告根据公开、合法渠道获得相关数据和信息，力求客观、公正，但并不保证数据的最终完整性和准确性。
2、报告中的分析和结论仅反映本公司于发布本报告当日的职业理解，仅供参考使用，不能作为本公司承担任何法律责任的依据或者凭证。

阅读全文 双屏查看 官方信息 专利公告 收藏专利 下载PDF 下载WORD