基于无人机多光谱遥感的棉花打顶期植物生长状态的预测方法与流程

1.本发明属于智慧农业领域，尤其是一种基于无人机多光谱遥感的棉花打顶期植物生长状态的预测方法。


背景技术：

2.棉花是我国重要的经济作物，新疆是中国重要的棉花产区，新疆棉花生产机械化程度高，快速、准确监测棉花生长状态，棉田精准管理，进而合理安排生产计划对提高新疆棉花生产效率，提高棉花产量具有重要意义。
3.棉花花蕾期是棉花重要生育期之一。棉花打顶作业是棉花花蕾期的重要作业任务，科学打顶与施肥有利于促进光合产物合理转化，提高棉花产量和品质。农业农村部发布的《西北内陆棉区棉花机械化生产技术指导意见》及相关棉花种植农艺中关于棉花打顶时间的要求：根据棉花的长势、株高和果枝数等因素来确定适宜的打顶时间，适时早打顶，立足促早熟。棉花打顶具有较强的时效性，作业时间的选择对棉花生长具有很大影响。无人机或机械打顶的机具作业策略与路径规划中作业窗口期的确定依赖于田块内作物生长状况监测，因此，快速准确监测打顶作业时期的棉花可为科学确定打顶时间以及打顶作业的策略安排提供作物数据基础。目前，棉花打顶时期的确定主要依赖人工实地观察作物、天气和土壤情况，并根据经验判断打顶时间，信息获取效率较低且缺乏可解释性。判断棉花打顶时期的指标主要包括：植株高度、果枝个数与花蕾个数等。针对棉花植株高度快速获取的研究已有，但对果枝个数、花蕾个数等信息快速获取的研究较少。
4.低空无人机遥感具有机动性高、快速灵活、成本低、易操作等优点，在精准农业及农业生产管理中有重要的应用前景。目前，已有研究结果表明，使用无人机搭载彩色、多光谱、高光谱等相机采集棉花冠层遥感信息，建立回归模型可对棉花生长的株高、花蕾和果枝个数监测。常用的回归模型有多元线性回归、支持向量机、神经网络、自适应竞争加权、决策树等。目前研究主要针对单个或多个生育期中棉花的生理指标预测，数据采集间隔时间长，植株生长状态差距较大，因此，对预测模型的特征提取能力要求较低。集成学习通过组合多个简单模型的方法可提高模型的特征提取能力，可被应用于多光谱信息处理中，提高模型预测效果。
5.综上所述，目前棉花打顶时期确定主要依赖人工寻察作物生长状态，缺乏可解释性且信息采集效率较低。使用无人机采集作物生长多光谱信息，可快速高效获取植株生长状态，但目前缺少连续监测植株生长状态的多光谱信息处理模型。


技术实现要素：

6.本技术针对背景技术中存在的问题，以打顶时期的棉花植株为研究对象，使用无人机搭载多光谱遥感相机每天采集棉花冠层遥感信息，实地测量影响棉花打顶时间和策略的植株指标。建立回归模型，分析各个波段及波段组合信息对植株生长状态的监测状态，使
用集成学习方法建立回归模型，增强模型的回归效果，为棉花打顶时间及策略的确定提供作物数据快速获取与处理方法。
7.技术方案：
8.一种基于无人机多光谱遥感的棉花打顶期植物生长状态的预测方法，它包括以下步骤：
9.s1、使用多光谱相机采集处于打顶作业前后的棉花冠层多光谱信息；采集与打顶时间策略确定相关的作物指标；
10.s2、构建棉花冠层多光谱信息-作物指标的多光谱回归分析模型；
11.s3、以待预测棉花田采集到的特定波段组合的多光谱信息作为输入数据，通过多光谱回归分析模型获取作物指标。
12.s1中使用无人机搭载多光谱相机进行棉花冠层的多光谱信息。
13.s1中，在待预测棉花田中放置固定尺寸的标准板，获取标准校正区域光谱作为遥感数据的辐射校正数据，校正公式：
[0014][0015]
式中，i表示某波段感兴趣区域的平均光谱值，w表示该天该波段标准白板校正区域光谱均值，b表示该天将镜头盖住时该波段的像素均值，ci为经过辐射校正后该天该波段的光谱反射率。
[0016]
s1中，所述与打顶时间策略相关的作物指标包括：棉花株高、果枝个数、花蕾个数。
[0017]
s2中，多光谱回归分析模型采用adaboost+决策树结合的方法构建。
[0018]
adaboost+决策树的算法步骤为：
[0019]
输入：训练数据集t＝{(x1,y1),(x2,y2)
…
,(xn,yn)},其中,yi∈y,x是实例空间，y是标记集合；
[0020]
输出：最终分类器：g(x)；
[0021]
(1)初始化训练数据的权重分布：
[0022][0023]
其中，w
1i
为初始化数据的权重，n为训练数据个数。
[0024]
(2)对于m＝1,2,
…
,m
[0025]
(a)使用具有权值分布dm的训练数据集学习，得到基本回归模型：
[0026]gm
(x):x
→y[0027]gm
为最终分类器；
[0028]
(b)计算gm(x)在训练数据集上的误差率em：
[0029][0030]wmi
表示第m轮中第i个实例的权重，说明gm(x)在加权的训练数据集上的回归误差率是被gm(x)的预测值与实际值的差值权值之和，由此可以看出数据的权重分布dm与基本分类器gm(x)的分类误差率的关系；
[0031]
(c)计算gm(x)的系数分布αm：
[0032][0033]
(d)更新训练数据集的权值分布：
[0034]dm+1
＝{w
m+1,1
,
…
,w
m+1,i
,
…
,w
m+1,n
}
[0035][0036]
这里zm是规范化因子：
[0037][0038]
它使d
m+1
成为一个概率分布；
[0039]
(3)构建基本回归模型的线性组合：
[0040][0041]
得到最终的回归模型：
[0042][0043]
s3中，所述特定波段组合为550nm、730nm、790nm。
[0044]
本发明的有益效果
[0045]
使用本技术方法可实现棉花植株高度、花蕾和果枝个数的智能快速获取，为棉花打顶时间确定提供数据支撑。
[0046]
以上数据可为智能机械的作业策略与作业路径决策提供作物数据支撑。
[0047]
730nm、790nm对棉花植株高度、果枝及花蕾个数有好的拟合效果，550nm的拟合效果次之，对红光波段信息有补充作用，660nm的拟合效果最差。550+730+790nm波段组合较其他波段组合和单个波段有更好的拟合效果。
[0048]
adaboost+决策树方法对550+730+790nm波段组合进行多光谱数据分析。模型测试结果为，冠层多光谱遥感信息与棉花株高的相关系数为0.85，预测均值方差为0.39cm，与果枝个数的相关系数为0.84，预测均值方差为0.49个，与花蕾个数的相关系数为0.84，预测均值误差为0.54个，预测结果对打顶时间的判断准确率为94.03％。
附图说明
[0049]
图1为实施例中无人飞机采集的660nm光谱图像
[0050]
图2a为12天数据采集时间内550nm波段下采集样本的反射率的均值示意图
[0051]
图2b为12天数据采集时间内660nm波段下采集样本的反射率的均值示意图
[0052]
图2c为12天数据采集时间内730nm波段下采集样本的反射率的均值示意图
[0053]
图2d为12天数据采集时间内790nm波段下采集样本的反射率的均值示意图
[0054]
图3a为12天数据采集时间内作物株高测量示意图
[0055]
图3b为12天数据采集时间内作物果枝个数测量示意图
[0056]
图3c为12天数据采集时间内作物花蕾个数测量示意图
[0057]
图4a为基于adaboost+决策树的棉花打顶时期植株株高指标预测示意图
[0058]
图4b为基于adaboost+决策树的棉花打顶时期植株果枝个数指标预测示意图
[0059]
图4c为基于adaboost+决策树的棉花打顶时期植株花蕾个数指标预测示意图
具体实施方式
[0060]
下面结合实施例对本发明作进一步说明，但本发明的保护范围不限于此：
[0061]
1材料与方法
[0062]
1.1实验区域概况及实验材料
[0063]
实施例中实验棉花品种为新陆早68号。数据采集时间为2021年7月1日-2021年7月12日，连续采集打顶前后12天的棉花冠层多光谱遥感信息，及影响棉花打顶时间与策略的作物生长指标。试验田于7月8号进行了打顶作业。数据采集地点为新疆石河子八师兵团所在地，试验田位置为东经84
°
，北纬43
°
，面积为6.75亩，石河子市属典型的温带大陆性气候，平均气温25.1～26.1℃，年降水量为125.0～207.7mm，夏季日照时间长。棉花是石河子重要的经济作物，棉花种植面积占农作物种植面积的85％以上，且规模化、集约化、大型机械化程度为中国三大棉区之首，是发展智能化棉花生产的重要基地。
[0064]
1.2数据采集与预处理
[0065]
1.2.1多光谱数据采集
[0066]
实验采用极飞极侠无人机，机身重量10kg，最大负载为6kg。使用智能手机登录极飞控制系统勾选目标地块，无人机按照系统自动规划的航线轨迹飞行，无人机飞行高度为7m，飞行速度为3m/s，数据采集时间为每天下午2点。多光谱相机涵盖四个波段，波段的波长分别为550、660、730、790nm，多光谱相机像素为2000万pixel，图像分辨率为3863*3648pixel，光谱分辨率为10nm，相机质量为0.85kg，适宜搭载在无人机飞行平台上作业。实验过程中，将50*50cm的标准白板放置在实验地块之上，作为遥感数据的辐射校正数据。无人飞机图像遥感实验如图1所示。
[0067]
1.2.2多光谱数据预处理
[0068]
棉花冠层多光谱遥感数据获取后需进行预处理，遥感图像的空间分别率为0.02m*0.02m，遥感数据预处理主要包括两个步骤。(1)感兴趣区域选择。对每张图片每个光谱波段使用50*50pixel大小的矩形框，人工选择图像中全部为棉花的区域为感兴趣区域，并求感兴趣区域内的平均值作为该图像该波段的光谱值。(2)多光谱遥感图像的辐射校正。使用30*30pixel大小的矩形框选择标准白板位置为白色校正区域，对白色校正区域的光谱数值取平均，使用公式(1)对多光谱遥感数据进行辐射校正。其中i表示某波段感兴趣区域的平均光谱值，w表示该天该波段标准白色校正区域光谱均值，b表示该天将镜头盖住时该波段的像素均值，ci为经过辐射校正后该天该波段的光谱反射率。每天采集数据20-30个，共获得数据1040个。
[0069][0070]
图2a-图2d是12天数据采集时间内，不同波段下采集样本的反射率的均值，图2a是550nm是绿光光波长度，图2b对应660nm、图2c对应730nm、图2d对应790nm波段。从图像走势
可以看出，550nm与660nm波段的光谱反射率数值范围接近，数据变化趋势略相似。730nm与790nm波段下的反射率数值范围与变化趋势也基本相同，随着采集时间的变化，反射率数值逐步下降。
[0071]
1.2.3棉花植株高度、果枝个数、花蕾个数数据采集与打顶时间确定
[0072]
为确定棉花冠层光谱信息与棉花株高、果枝、花蕾个数等指标的关联，对棉花植株株高、果枝个数、花蕾个数进行实地测量：在实验地块内随机选择5个距离较远且位置固定的植株作为样本测量点，每天使用卷尺测量这5个固定棉花植株样本高度，并取平均值作为该地块植株高度数值。采用计数法测量5个固定植株的果枝个数和花蕾个数，取均值分别作为该天该地块的果枝和花蕾个数。
[0073]
图3a-图3c分别给出了棉花植株高度、果枝、花蕾个数随时间变化测量示意图。从图中可以看出，棉花株高、果枝和花蕾个数分别从第1天的62cm、6.5个和17个，持续增高，直到第7-8天后几乎不再变化。试验田在第8天实施了打顶作业，从图中可以看出，打顶后棉花各个指标几乎不再变化。
[0074]
1.3数据处理方法
[0075]
1.3.1决策树
[0076]
决策树算法是一种数据挖掘算法，具有可读性高，运算速度快等特点。决策树依靠计算条件概率来构造。决策树主要包括两个过程：树结构的建立、树的剪枝。学习的时候利用训练数据，根据损失函数最小化的原则建立决策树模型。
[0077]
决策树的建立常用算法包括：id3算法、c4.5算法。决策树使用极大似然法进行概率模型计算。两种算法的核心是在决策树各个节点上应用信息增益(比)选择特征，采用递归方法构建决策树，及从根节点开始，对节点计算所有可能的特征信息(比)增益，选择信息增益(比)最大的特征作为节点的特征，由该特征的不同取值建立子节点，再对子节点递归地调用以上方法构建决策树，直到所有特征的增益(比)均很小或没有特征位置。其中id3使用信息增益选择特征，c4.5采用信息增益比选择特征。
[0078]
g(d,a)＝h(d)-h(d|a)
ꢀꢀ
(3)
[0079][0080][0081]
公式(3)表示信息增益，其中训练数据集为d，特征为a，h(d)表示数据集d的经验熵。h(d|a)表示特征a对数据集的经验条件熵。其中n是特征a取值的个数。公式(4)、(5)表示信息增益比。在训练数据集所在的输入空间中，递归地将每个区域划分为两个子区域并决定每个子区域上的输出值，建立二叉决策树：
[0082]
1.3.2基于集成学习的决策树算法
[0083]
集成学习方法被广泛应用于机器学习和统计学习中。集成方式包括使用相同或不同的数据集独立地训练不同的单回归模型，各个回归模型间有不同的参数。找到所有单个或多个但分类其的输出平均值获得最终预期输出。
[0084]
随机森林是决策树和bagging的结合体。bagging算法描述如下：
[0085]
输入：训练集d＝(x1,y1),(x2,y2).....,(xn,yn)，基学习算法训练轮数t；
[0086]
输出：
[0087]
(1)fort＝1,2,..t do
[0088]
(2)
[0089]
(3)end
[0090]
为了增加随机性，在样本采集过程中使用了有放回采样方法选出n个样本。
[0091]
(1)从样本集中用bootstrap采样(有放回的采样)选出n个样本。
[0092]
(2)从所有属性中随机选择k个属性，选择最佳分割属性作为节点建立cart决策树
[0093]
(3)重复以上两步m次，即建立了m棵cart决策树
[0094]
(4)这m个cart形成随机森林，通过投票表决结果，决定数据回归数值。
[0095]
本技术采用adaboost+决策树。adaboost是一种自适应增强学习算法，算法描述如下：
[0096]
输入：训练数据集t＝{(x1,y1),(x2,y2)
…
,(xn,yn)},其中,yi∈y,是实例空间，y是标记集合。
[0097]
输出：最终分类器：g(x)。
[0098]
(1)初始化训练数据的权重分布
[0099][0100]
(2)对于m＝1,2,
…
,m
[0101]
(a)使用具有权值分布dm的训练数据集学习，得到基本回归模型
[0102]gm
(x):x
→yꢀꢀ
(7)
[0103]
(b)计算gm(x)在训练数据集上的误差率
[0104][0105]
(c)计算gm(xi)的系数
[0106][0107]
(d)更新训练数据集的权值分布
[0108]dm01
＝{w
m+1,1
,
…
,w
m+1,i
,
…
,w
m+1,n
}
ꢀꢀ
(10)
[0109][0110]
这里zm是规范化因子
[0111][0112]
它使d
m+1
成为一个概率分布。
[0113]
(3)构建基本回归模型的线性组合
[0114][0115]
得到最终的回归模型。
[0116][0117]
1.3.3其他多光谱分析算法
[0118]
传统的多光谱分析方法可包括：多元线性回归、神经网络、支持向量机、自适应竞
争加权、决策树等。
[0119]
多元线性方法通过寻找合理多项式参数的方法拟合输入光谱数据与目标数据，训练时间较短，但对线性不可分数据的拟合效果较差。神经网络采用向量乘法与非线性激活函数，将输入数据与连接权重相乘，并将结果映射到非线性空间中去，通过误差反向传播方法对连接权重进行调整，从而得到较好的拟合效果。支持向量机可选择线性或非线性核的核函数将数据映射到高维度空间内，通过寻找最大间隔超平面，提取数据的高维特征。神经网络、支持向量机是将特征提取与回归分析集为一体。自适应竞争加权方法是高光谱遥感数据常用分析方法，通过自适应重加权采样技术选择偏最小二乘模型相关系数绝对值大的波长点，去掉权重小的波长点，利用交叉验证均方根差最低的子集，获得最优波段子集，达到特征提取与回归分析的目的。
[0120]
2实验与结果.
[0121]
将经过辐射校正后的多光谱数据作为模型输入，对棉花植株高度、果枝个数、花蕾个数等指标建立回归预测模型，回归模型选择多元线性回归、神经网络、支持向量机、自适应竞争加权法与决策树等多种简单回归方法，为保证模型收敛，需要迭代的算法的迭代次数为30000次。920个样本作为模型训练样本，120个数据样本作为测试样本。先将各个波光谱输入到简单回归模型中，分析各个光谱对预测结果的影响，再根据回归结果组合多个波段进行回归分析，由于数据采集时间间隔短，棉花植株生长变化小，为提高模型的特征提取与目标拟合能力，比较简单回归模型的拟合效果，选择拟合效果好且表现稳定的模型作为改进基础，分别用bagging与adaboost集成学习算法提升简单回归模型的预测能力。
[0122]
2.1不同波段下的棉花冠层光谱与棉花株高、果枝、花蕾个数回归模型
[0123]
本文实验中首先分别将不同波段的光谱反射率输入到多种简单回归模型中，分别与棉花株高、果枝个数、花蕾个数做拟合回归分析。拟合结果如表1所示。
[0124]
表1不同波段棉花冠层与棉花植株高度、花蕾、果枝个数回归表
[0125]
[0126]
[0127][0128]
从拟合结果上看，730nm波段在植株高度、花蕾个数与果枝个数上的拟合效果最佳。790nm波段效果次之，与3个目标的拟合系数均可达到0.65以上。550nm的波段拟合效果较差，对各个指标的相关系数均在0.3以下。660nm波段的拟合效果最差，对各个指标的拟合相关系数均在0.1以下。从单个波段的回归结果可以看出，790、730nm波段对棉花的植株高度、花蕾个数、果枝个数的回归效果较550、660nm波段的回归效果更好。550nm的回归效果略优于660nm波段。
[0129]
从回归方法角度来看，在对单一波段的回归模型中，神经网络、决策树都有较好的回归效果。神经网络的回归系数和预测均方误差略高于决策树，说明神经网络对数据的拟合程度高但效果不稳定，支持向量机方法在回归系数上较以上两个方法次之，多元线性回归效果最差，由此说明多光谱数据的特征是非线性的，需选择非线性方法进行提取。
[0130]
2.2传统植被指数与棉花株高、果枝、花蕾个数回归模型
[0131]
使用多种传统植被指数对棉花的株高、花蕾和果枝个数进行回归，由于本文采用的实验设备的。因此，选择与660、730、790nm光谱相关的植被指数进行回归。最终选择差值指数(di)、差值植被指数(dvi)、红边叶绿素指数(ci
red edge
),归一化植被指数(ndvi)和绿色归一化植被指数(gndvi)、三角形植被指数(tvi)。几个指数的计算公式如下：公式中r代表光谱，下标数字代表指定长度的波段。由于光谱仪器的光谱分辨误差为
±
30nm，因此r
800
可用790nm波段代替，r
680
、r
670
可用660nm代替，r
720
、r
750
用730nm代替。回归效果见表2所示。
[0132]
di＝r
800-r
550
ꢀꢀ
(15)
[0133]
dvi＝r
800-r
680
ꢀꢀ
(16)
[0134][0135]
ndvi＝(r
780-r
670
)/(r
780
+r
670
)
ꢀꢀ
(18)
[0136]
gndvi＝(r
800-r
550
)/(r
800
+r
550
)
ꢀꢀ
(19)
[0137]
tvi＝0.5*(120*(r
750-r
550
)-200*(r
670-r
550
))
ꢀꢀ
(20)
[0138]
表2传统植被指数与棉花高度、花蕾、果枝个数回归表
[0139]
[0140]
[0141][0142]
从表2结果可以看出，dvi与ci
rededge
两个传统植被指标对棉花植株高度、花蕾和果枝个数的回归效果较稳定且回归拟合度较高，其他指数对三个指标的拟合程度不稳定，拟合指标和拟合方法改变对拟合效果影响较大。光谱组合数据较单光谱拟合回归效果更佳，其中以设计730、790nm波段的植被指数的拟合效果更优，这一点与单个光谱的回归比较效果相同。
[0143]
2.3不同波段组合下的棉花冠层多光谱与棉花株高、果枝、花蕾个数回归模型
[0144]
表3不同波段组合与棉花高度、花蕾、果枝个数回归表
[0145]
[0146]
[0147][0148]
本文使用波段组合方法将多个波段组合，输入回归器，进行结果分析，回归效果如表3所示。表3中通过叠加回归效果较好的波段，组成新的波段组合输入到回归器中进行分析，从分析结果可以看出，730+790nm叠加较单一波段有更好的回归效果，对棉花株高、花蕾、果枝个数的回归系数可达到0.80以上。550+730+790nm组合较730+790nm波段组合稍有提高，说明550nm对拟合结果有一定的正面作用。使用全波段光谱(550+660+730+790)nm对相关指标进行回归，从回归效果来看，全波段组合较730+790nm组合和550+730+790nm波段组合有退化情况出现。说明，660nm波段的加入对回归有负面效果。
[0149]
从回归方法角度来看，神经网络与决策树都有较好的表现，决策树较神经网络有更高的相关系数，更小的均方误差，且对多个指标的回归效果较为稳定，支持向量机与多元线性回归模型的表现效果较为一般。
[0150]
2.3基于改进决策树的组合波段棉花打顶指标回归模型
[0151]
表4棉花冠层多光谱与棉花植株高度回归
[0152]
[0153][0154]
从波段组合的角度上看，将730+790nm波段组合和550+730+790nm波段组合以及全波段数据，分别使用随机森林和adaboost+决策树方法对数据进行拟合分析。拟合效果如表3所示。550+730+790nm波段组合较730+790nm波段组合有更好的回归效果，由于550nm波段本身对棉花打顶时期指标有正相关关系，可对730+790nm信息有补充作用。而全波段的回归效果弱于550+730+790nm波段组合，这是由于660nm波段对棉花相关指标有较差的回归效果，干扰回归效果。
[0155]
从方法角度来看，简单回归模型中，决策树模型与神经网路在回归相关系数上都有较好的表现，决策树在预测均方误差上更小，说明决策树的预测效果更稳定。因此，本文在决策树的基础上对方法进行改进，使用boosting和adaboost方法对决策树模型对回归模型进行改进，boosting方法通过建立不同子集，并对不同子集分配不同权重的方法提高模型的拟合能力，adaboost方法通过建立多个回归模型并给回归模型赋予不同权重的方法提高模型的特征提取能力，从回归效果对比分析可知：adaboost+决策树的回归效果更好，相关系数更高，预测均方误差更小，有更强的特征提取能力。
[0156]
550+730+790nm波段组合对棉花株高、花蕾个数、果枝个数的拟合程度最高，其中adaboost+决策树方法的拟合相关系数最大，分别为0.96，0.84和0.97，均方误差最小，分别为2.4cm，0.49个，0.54个。730+790nm波段组合，决策树和adaboost+决策树方法的回归系数相同，对株高、花蕾个数和果枝个数的相关系数分别为：0.90，0.91，0.95。但adaboost+决策树的预测均方误差更小，分别为3.86cm，0.95个，0.99个。全波段的回归效果如表3所示，其中adaboost+决策树方法的拟合系数分别为0.93，0.90和0.95，预测均方误差最小，分别为2.03cm，0.97个和0.52个。adaboost+决策树与红光波段组合数据对棉花株高、果枝个数以及花蕾个数的预测效果分别如图4a-图4c所示。综上所述，使用550+730+790nm波段组合数
据，adaboost+决策树方法对数据进行回归分析，可获得最好的棉花的植株高度、花蕾和果枝个数预测效果。
[0157]
2.4棉花打顶时间判定检验
[0158]
根据农业农村部发布的《西北内陆棉区棉花机械化生产技术指导意见》及相关棉花种植农艺中关于棉花打顶时间的要求：根据棉花的长势、株高和果枝数等因素来确定适宜的打顶时间，适时早打顶，立足促早熟确定植株监测指标。本文根据指导意见中打顶时期的确定指标，经实地调研与实验数据分析，对新疆石河子地区的新陆早68号棉花的打顶指标进行量化，确定该品种的打顶时间判定指标为棉花打顶时株高65～70cm，果枝9～11个，蕾数18～21个。
[0159]
在此基础上，使用550+730+790nm波段组合经过神经网络、决策树、随机森林与adaboost+决策树方法预测的株高、果枝、花蕾个数指标进行是否打顶判断，将预测打顶结果与实测值的打顶结果进行比对，统计判断准确率如表4所示。从表4中可以看出，550+730+790nm波段组合与adaboost+决策树方法较其他波段组合与其他方法在棉花打顶时间判定上有更好的效果。
[0160]
表5基于回归模型的棉花打顶预测准确率
[0161][0162][0163]
根据实验结果，本文选择绿光+红光+近红外组合(550+730+790nm)结合决策树方法获得了回归效果最好的模型，其对植株高度、果枝、花蕾个数的预测相关系数分别为0.91、0.88和0.96，预测均值误差分别为3.91cm，3.98个和1.75个，将模型预测结果输入到打顶判定模型中，判定准确率为85.23％。集成学习方法可提高模型的特征提取能力，提升模型的拟合能力，boosting、adaboost方法是常见的集成学习方法，采用boosting、adaboost方法对决策树进行改进，从改进结果来看，adaboost+决策树的拟合效果更好，对
植株高度、果枝、花蕾个数的预测相关系数为0.96、0.84和0.97，预测均方误差分别为2.4cm，0.49个和0.54个。将模型预测的数据输入到打顶判定模型中，判定准确率为94.03％。
[0164]
本文中所描述的具体实施例仅是对本发明精神做举例说明。本发明所属技术领域的技术人员可以对所描述的具体实施例做各种各样的修改或补充或采用类似的方式替代，但并不会偏离本发明的精神或者超越所附权利要求书所定义的范围。

技术特征：
1.一种基于无人机多光谱遥感的棉花打顶期植物生长状态的预测方法，其特征在于它包括以下步骤：s1、使用多光谱相机采集处于打顶作业前后的棉花冠层多光谱信息；采集与打顶时间策略确定相关的作物指标；s2、构建棉花冠层多光谱信息-作物指标的多光谱回归分析模型；s3、以待预测棉花田采集到的特定波段组合的多光谱信息作为输入数据，通过多光谱回归分析模型获取作物指标。2.根据权利要求1所述的方法，其特征在于s1中使用无人机搭载多光谱相机进行棉花冠层的多光谱信息。3.根据权利要求1所述的方法，其特征在于s1中，在待预测棉花田中放置固定尺寸的标准板，获取标准校正区域光谱作为遥感数据的辐射校正数据，校正公式：式中，i表示某波段感兴趣区域的平均光谱值，w表示该天该波段标准白板校正区域光谱均值，b表示该天将镜头盖住时该波段的像素均值，ci为经过辐射校正后该天该波段的光谱反射率。4.根据权利要求1所述的方法，其特征在于s1中，所述与打顶时间策略相关的作物指标包括：棉花株高、果枝个数、花蕾个数。5.根据权利要求1所述的方法，其特征在于s2中，多光谱回归分析模型采用adaboost+决策树结合的方法构建。6.根据权利要求5所述的方法，其特征在于adaboost+决策树的算法步骤为：输入：训练数据集t＝{(x1,y1),(x2,y2)
…
,(x
n
,y
n
)},其中y
i
∈y,x是实例空间，y是标记集合；输出：最终分类器：g(x)；(1)初始化训练数据的权重分布：d1＝{w
11
，...，w
1i
...，w
1n
}，其中，w
1i
为初始化数据的权重，n为训练数据个数。(2)对于m＝1，2，...，m(a)使用具有权值分布d
m
的训练数据集学习，得到基本回归模型：g
m
(x)：x
→
yg
m
为最终分类器；(b)计算g
m
(x)在训练数据集上的误差率e
m
：w
mi
表示第m轮中第i个实例的权重，说明g
m
(x)在加权的训练数据集上的回归误差率是被g
m
(x)的预测值与实际值的差值权值之和，由此可以看出数据的权重分布d
m
与基本分类器g
m
(x)的分类误差率的关系；
(c)计算g
m
(x)的系数分布α
m
：(d)更新训练数据集的权值分布：d
m+1
＝{w
m+1，1
，...，w
m+1，i
，...，w
m+1，n
}这里z
m
是规范化因子：它使d
m+1
成为一个概率分布；(3)构建基本回归模型的线性组合：得到最终的回归模型：7.根据权利要求1所述的方法，其特征在于s3中，所述特定波段组合为550nm、730nm、790nm。

技术总结
本发明公开了一种基于无人机多光谱遥感的棉花打顶期植物生长状态的预测方法，它包括以下步骤：S1、使用多光谱相机采集处于打顶作业前后的棉花冠层多光谱信息；采集与打顶时间策略确定相关的作物指标；S2、构建棉花冠层多光谱信息-作物指标的多光谱回归分析模型；S3、以待预测棉花田采集到的特定波段组合的多光谱信息作为输入数据，通过多光谱回归分析模型获取作物指标。使用本申请方法可实现棉花植株高度、花蕾和果枝个数的智能快速获取，为棉花打顶时间确定提供数据支撑。打顶时间确定提供数据支撑。打顶时间确定提供数据支撑。


技术研发人员：曹光乔 李亦白 陈聪
受保护的技术使用者：农业农村部南京农业机械化研究所
技术研发日：2021.11.23
技术公布日：2022/3/7