一种基于SVR算法的苹果叶片叶绿素含量高光谱反演方法

摘要

本发明公开了一种基于SVR算法的苹果叶片叶绿素含量高光谱反演方法，为实现苹果叶片叶绿素含量的高光谱反演，分析了多种光谱参数与实测SPAD值的相关性，并将归一化光谱参数值及SPAD值进行多项式回归及支持向量回归。其中以归一化植被指数为变量的SVR反演模型在建模及模型检验中决定系数分别为0.7410、0.8914，均方根误差分别为0.1332、0.1256，具有较高的精度及良好的预测能力。与多项式回归相比，SVR具有更好的反演效果，可以作为叶绿素高光谱反演的优选算法。

主权项

一种基于SVR算法的苹果叶片叶绿素含量高光谱反演方法，其特征在于，包括以下步骤：步骤1、叶片光谱测定:苹果叶片光谱测定于室内进行，,采用SVC HR‑1024i型全波段地物光谱仪，波长范围为350‑2500nm，光谱采样间隔在350～1000nm范围内是1.377nm,在1000～2500nm范围内为2nm,光谱测定中使用仪器内置光源，为消除环境变化对仪器的影响，每隔0.5h用参考板进行一次优化，选择正常苹果叶片94片，每片叶子使用叶片夹从叶柄至叶尖分段测量3次，避开叶脉部分，求平均值后得出该叶片的光谱反射率曲线；步骤2、叶绿素测定:用SPAD‑502型便携式叶绿素仪测定值代替叶绿素含量，每片叶片测量时避开叶脉部分，从叶柄至叶尖分段测量4次，平均后得出该叶片的SPAD值；步骤3、数据处理:对测得的原始光谱数据进行重采样，采样间隔1nm，构建光谱特征参数，将采集的94个样本随机分为2组：一组60个，一组34个，分别用于光谱参数与实测SPAD值的相关关系模型的建立与检验，数据处理及建模在Excel及Matlab中完成；步骤4：光谱参数与SPAD值支持向量回归分析选取了数据归一化的方法以消除量级的差别，对归一化后的光谱参数数据及SPAD值进行支持向量回归，SVM类型设置为e‑SVR，其损失函数p设为0.01，核函数类型选取径向基函数，最优惩罚系数C及RBF核参数g使用网格搜索法进行参数寻优，其他参数采用默认值；各光谱参数与SPAD值SVR模型中，R₅₆₅、NDVI光谱参数SVR模型在建立及检验中的决定系数分别在0.69及0.85以上，均方根误差在0.15及0.14以下。