2592 X 1728)，圖像以RAW格式存 儲;拍攝時，將X.rite白平衡卡置于長方形方格的左上角，與冬小麥冠層一同拍攝。
[0033] 利用相機附帶軟件Digital photo professional進行圖像白平衡校正，后以JPEG (Joint photographic expert group)格式保存。
[0034] 利用自制圖像分析軟件(冬小麥冠層圖像分析系統(tǒng)，用微軟Visual Basic編寫)分 割冬小麥圖像，如圖1所示，并讀取冬小麥圖像每個像素點的紅光值(R)、綠光值(G)、藍光值 (B)及計算冠層覆蓋度(canopy c〇Ver，CC)和冠層圖像色彩指數(shù)。圖像色彩指數(shù)包括紅光標 準化值（r)、綠光標準化值（g)、藍光標準化值（b)、歸一化差值指數(shù)（NDI normalized difference index)、色調(diào)(Hue)、飽和度(SAT)和亮度（INT)。冠層覆蓋度及冬小麥圖像色彩 指數(shù)的計算如下所示：
[0035]
[0042]
(8:)
[0043] S2、對各組小麥的冠層覆蓋度、圖像色彩指數(shù)以及地上部生物量數(shù)據(jù)采用估算生 物量的逐步回歸模型進行篩選，選擇出合格樣本數(shù)據(jù)，并將樣本數(shù)據(jù)隨機分為A組和B組。
[0044] 本發(fā)明實施例中共72組冬小麥冠層覆蓋度及圖像色彩指數(shù)和其對應(yīng)的地上部生 物量數(shù)據(jù)中，估算生物量的逐步回歸（自變量為冠層覆蓋度及R、G、B等10種色彩指數(shù))模型 的學(xué)生殘差大于±2.0的一組數(shù)據(jù)作為異常值(outlier)被剔出，剩余的71組樣本數(shù)據(jù)中， 隨機選取50組樣本數(shù)據(jù)為A組，用于冬小麥地上部生物量估算模型的構(gòu)建，其余21組樣本數(shù) 據(jù)為B組，用于估算模型的驗證。利用決定系數(shù)(R2)、均方根誤差(RMSE)、相對均方根誤差 (RRMSE)，對回歸模型進行擬合優(yōu)度的考察，利用相關(guān)系數(shù)、均方根誤差(RMSE)和相對均方 根誤差(RRMSE)對回歸模型進行檢驗?；貧w模型的建立、驗證采用SAS 9.1軟件，BP人工神經(jīng) 網(wǎng)絡(luò)分析采用MatLabR2012b軟件。
[0045] S3、將A組樣本數(shù)據(jù)用于冬小麥地上部生物量估算模型的構(gòu)建，即采用BP人工神經(jīng) 網(wǎng)絡(luò)模型對選擇的合格樣本數(shù)據(jù)進行訓(xùn)練。
[0046] 冬小麥地上部生物量與冠層覆蓋度及冠層圖像色彩指數(shù)的相關(guān)分析結(jié)果表明，除 亮度（INT)外，冬小麥地上部生物量與冠層覆蓋度等均呈非線性相關(guān)，因此，首先對除亮度 (INT)外的其他色彩指數(shù)及冠層覆蓋度進行數(shù)據(jù)轉(zhuǎn)換，之后以地上部生物量為因變量，以冠 層覆蓋度、紅光值、綠光值、藍光值等10種冠層圖像色彩指數(shù)為自變量進行逐步回歸分析。 回歸模型剔出或引入變量的顯著性水平設(shè)定為0.05。
[0047] BP人工神經(jīng)網(wǎng)絡(luò)模型的結(jié)構(gòu)通常包括輸入層（input )、隱藏層(hide layer)和輸出 層(output layer)，本研究中冬小麥冠層覆蓋度和10種色彩指數(shù)作為輸入層輸入變量中， 經(jīng)過多種組合的多次網(wǎng)絡(luò)測試調(diào)整，最終選擇生物量估算效果最好的冠層覆蓋度(CC)、綠 光標準化值(g)、藍光標準化值(b)和歸一化差值指數(shù)(NDI)作為輸入變量。隱藏層為1層，隱 藏層的節(jié)點數(shù)，經(jīng)過多次網(wǎng)絡(luò)測試調(diào)整，確定為估算效果最佳的5個隱藏層節(jié)點。輸出層為 冬小麥地上部生物量。人工神經(jīng)網(wǎng)絡(luò)訓(xùn)練函數(shù)采用trainlm函數(shù)；隱藏層激活函數(shù)采用 tansig函數(shù);輸出層采用purel ine函數(shù);人工神經(jīng)網(wǎng)絡(luò)激活函數(shù)的權(quán)重、閾值為默認值。待 BP人工神經(jīng)網(wǎng)絡(luò)訓(xùn)練結(jié)束后，21組數(shù)據(jù)中的冠層覆蓋度和3種色彩指數(shù)(CC、g、b和NDI)作為 輸入矢量，利用Sim函數(shù)計算并輸出冬小麥地上部生物量，最后輸出人工神經(jīng)網(wǎng)絡(luò)的權(quán)重、 偏差等BP人工神經(jīng)網(wǎng)絡(luò)模型參數(shù)。表1為本發(fā)明中所構(gòu)建的估算冬小麥地上部生物量的BP 人工神經(jīng)網(wǎng)絡(luò)模型，表2為BP人工神經(jīng)網(wǎng)絡(luò)模型的權(quán)重及偏差。
[0048]表1估算冬小麥地上部生物量的BP人工神經(jīng)網(wǎng)絡(luò)模型 [0049]
[0050] §輸入數(shù)據(jù)首先用Mapminmax函數(shù)進行歸一化處理后再輸入BP神經(jīng)網(wǎng)絡(luò)，而神經(jīng)網(wǎng) 絡(luò)所輸出的歸一化的地上部生物量數(shù)據(jù)經(jīng)反歸一化后得到地上部生物量數(shù)據(jù)。
[0051] 表 2
[0052]
[0053 ] S4、將B組樣本數(shù)據(jù)用十估算模型的驗證，即將B組樣本數(shù)據(jù)中的尅層覆蓋度CC、綠 光標準化值g、藍光標準化值b和歸一化差值指數(shù)NDI作為BP人工神經(jīng)網(wǎng)絡(luò)模型的輸入矢量， 利用Sim函數(shù)計算并輸出冬小麥地上部生物量，最后輸出人工神經(jīng)網(wǎng)絡(luò)模型參數(shù)。
[0054] 為驗證本發(fā)明中所建立的兩個冬小麥地上部生物量估算模型的預(yù)測精度，利用地 上部生物量實測值與模型預(yù)測值的1:1關(guān)系圖、實測值與預(yù)測值的一元線性回歸方程的決 定系數(shù)(R2)、均方根誤差(RMSE)、相對均方根誤差(RRMSE)來評價兩個估算模型的表現(xiàn)，其 結(jié)果示于表3、圖2以及圖3。
[0055] 表3BP人工神經(jīng)網(wǎng)絡(luò)模型和逐步回歸估算模型的擬合效果比較
[0056]
[0057]從表3中可以看出，BP人工神經(jīng)網(wǎng)路方法構(gòu)建的估算模型的決定系數(shù)、均方根誤差 等指標好于逐步回歸方法構(gòu)建的估算模型，表明BP人工神經(jīng)網(wǎng)絡(luò)模型的擬合效果明顯好于 逐步回歸估算模型。兩個估算模型的預(yù)測值與實測值的回歸關(guān)系均達到極顯著水平，其決 定系數(shù)均大于〇.75』P人工神經(jīng)網(wǎng)絡(luò)方法構(gòu)建的估算模型的決定系數(shù)明顯大于逐步回歸模 型，均方根誤差、相對均方根誤差也小于逐步回歸模型。圖2為逐步回歸模型中模型預(yù)測值 與實測值之間的比較結(jié)果圖，圖3為BP人工神經(jīng)網(wǎng)絡(luò)模型中模型預(yù)測值與實測值之間的比 較結(jié)果圖。從圖2、3可以看出，逐步回歸估算模型的估算效果較差，當?shù)厣喜可锪看笥?500g/m 2時，散點分散程度明顯增大。BP人工神經(jīng)網(wǎng)絡(luò)估算模型估算精度教逐步回歸模型相 比有了明顯的提高，散點基本分布在1:1線附近，除地上部生物量小于200g/m 2的兩個觀測 點之外，沒有出現(xiàn)散點明顯偏離1:1線的現(xiàn)象，基本分布在1:1線。
[0058]模型預(yù)測值與實測值的1:1關(guān)系圖、驗證模型的決定系數(shù)(R2)等的對比結(jié)果表明， BP人工神經(jīng)網(wǎng)絡(luò)估算模型較逐步回歸估算模型相比對抽穗前的冬小麥地上部生物量的估 算有其明顯的優(yōu)勢。
[0059]本發(fā)明利用BP人工神經(jīng)網(wǎng)絡(luò)方法所構(gòu)建的基于冠層覆蓋度和圖像色彩指數(shù)的冬 小麥地上部生物量估算模型比逐步回歸方法相比能明顯提高地上部生物量等較大時的估 算精度。表明BP人工神經(jīng)網(wǎng)絡(luò)方法相對于逐步回歸方法更適合于基于冠層圖像的冬小麥生 物量估算模型的構(gòu)建。本發(fā)明結(jié)果可為基于可見光光譜的農(nóng)田冬小麥及其他作物的長勢監(jiān) 測研究提供參考依據(jù)。
[0060]以上所述僅為本發(fā)明的較佳實施例而已，并不用以限制本發(fā)明，凡在本發(fā)明的精 神和原則之內(nèi)所作的任何修改、等同替換和改進等，均應(yīng)包含在本發(fā)明的保護范圍之內(nèi)。
【主權(quán)項】
1. 一種冬小麥生物量估算方法，其特征在于，該方法包括以下步驟： 51、 對小麥冠層進行圖像采集，獲取各組小麥的冠層覆蓋度和冠層圖像色彩指數(shù);對圖 像采集后的各組小麥進行取樣和處理后，計算單位面積的地上部生物量； 52、 對各組小麥的冠層覆蓋度、圖像色彩指數(shù)以及地上部生物量數(shù)據(jù)采用估算生物量 的逐步回歸模型進行篩選，選擇出合格樣本數(shù)據(jù)，并將樣本數(shù)據(jù)隨機分為A組和B組； 53、 采用BP人工神經(jīng)網(wǎng)絡(luò)模型對A組樣本數(shù)據(jù)進行訓(xùn)練； 54、 將B組樣本數(shù)據(jù)中的冠層覆蓋度CC、綠光標準化值g、藍光標準化值b和歸一化差值 指數(shù)NDI作為BP人工神經(jīng)網(wǎng)絡(luò)模型的輸入矢量，利用Sim函數(shù)計算并輸出冬小麥地上部生物 量，最后輸出人工神經(jīng)網(wǎng)絡(luò)模型參數(shù)。2. 如權(quán)利要求1所述的冬小麥生物量估算方法，其特征在于，在步驟S1中，所述冠層圖 像色彩指數(shù)包括紅光標準化值r、綠光標準化值g、藍光標準化值b、歸一化差值指數(shù)NDI、色 調(diào)Hue、飽和度SAT和亮度INT。3. 如權(quán)利要求1所述的冬小麥生物量估算方法，其特征在于，在步驟S1中，所述處理為 將樣本在l〇5°C下殺青30min后于72°C下烘干至恒重，稱其重量。4. 如權(quán)利要求1所述的冬小麥生物量估算方法，其特征在于，在步驟S2中，采用估算生 物量的逐步回歸模型將學(xué)生殘差大于±2.0的各組數(shù)據(jù)作為異常值剔出，得到合格樣本數(shù) 據(jù)。5. 如權(quán)利要求4所述的冬小麥生物量估算方法，其特征在于，在步驟S2中，在逐步回歸 模型進行篩選之前，利用決定系數(shù)R2、均方根誤差RMSE、相對均方根誤差RRMSE對回歸模型 進行擬合優(yōu)度的考察，利用相關(guān)系數(shù)、均方根誤差RMSE和相對均方根誤差RRMSE對回歸模型 進行檢驗。6. 如權(quán)利要求1所述的冬小麥生物量估算方法，其特征在于，在步驟S3中，所述采用BP 人工神經(jīng)網(wǎng)絡(luò)模型對選擇的合格樣本數(shù)據(jù)進行訓(xùn)練具體包括： 選擇A組樣本數(shù)據(jù)中冠層覆蓋度、綠光標準化值、藍光標準化值和歸一化差值指數(shù)作為 BP人工神經(jīng)網(wǎng)絡(luò)模型輸入層輸入變量;將BP人工神經(jīng)網(wǎng)絡(luò)模型隱藏層設(shè)為1層，節(jié)點5個;將 小麥地上部生物量作為BP人工神經(jīng)網(wǎng)絡(luò)模型的輸出層； 采用trainlm函數(shù)為人工神經(jīng)網(wǎng)絡(luò)訓(xùn)練函數(shù);tansig函數(shù)為隱藏層激活函數(shù)，輸出層采 用pipeline函數(shù)，人工神經(jīng)網(wǎng)絡(luò)激活函數(shù)的權(quán)重、閾值為默認值，進行BP人工神經(jīng)網(wǎng)絡(luò)訓(xùn) 練。
【專利摘要】本發(fā)明提供了一種冬小麥生物量估算方法，通過獲取各組小麥的冠層覆蓋度和冠層圖像色彩指數(shù)，計算單位面積的地上部生物量；采用估算生物量的逐步回歸模型選擇出合格樣本數(shù)據(jù)，將樣本數(shù)據(jù)隨機分為兩組；將一組樣本數(shù)據(jù)采用BP人工神經(jīng)網(wǎng)絡(luò)模型對選擇的合格樣本數(shù)據(jù)進行訓(xùn)練；將另一組樣本數(shù)據(jù)中的冠層覆蓋度CC、綠光標準化值g、藍光標準化值b和歸一化差值指數(shù)NDI作為BP人工神經(jīng)網(wǎng)絡(luò)模型的輸入矢量，利用Sim函數(shù)計算并輸出冬小麥地上部生物量，最后輸出人工神經(jīng)網(wǎng)絡(luò)模型參數(shù)。本發(fā)明具有經(jīng)濟、高效等特點，更適合田間水平的冬小麥生物量估算，能顯著提高冬小麥生物量估算精度。
【IPC分類】G06T7/40
【公開號】CN105513096
【申請?zhí)枴緾N201510798979
【發(fā)明人】崔日鮮, 劉亞東
【申請人】青島農(nóng)業(yè)大學(xué)
【公開日】2016年4月20日
【申請日】2015年11月18日