(19)国家知识产权局 (12)发明 专利 (10)授权公告 号 (45)授权公告日 (21)申请 号 202211314999.8 (22)申请日 2022.10.26 (65)同一申请的已公布的文献号 申请公布号 CN 115372284 A (43)申请公布日 2022.11.22 (73)专利权人 中国农业科 学院农业资源与农业 区划研究所 地址 100081 北京市海淀区中关村南大街 12号 (72)发明人 李文娟　吴文斌　余强毅　 (74)专利代理 机构 北京山允知识产权代理事务 所(特殊普通 合伙) 11741 专利代理师 胡冰　邓玉婷 (51)Int.Cl. G01N 21/25(2006.01)G01N 15/08(2006.01) G01N 21/47(2006.01) G01B 11/28(2006.01) G06F 17/18(2006.01) G06N 3/04(2006.01) (56)对比文件 CN 114819150 A,2022.07.29 CN 114913406 A,2022.08.16 CN 10720 3679 A,2017.09.26 US 2011101239 A1,201 1.05.05 郭建茂等.太阳辐射强度与观测角度对冬小 麦冠层反射高光谱的影响. 《农业工程学报》 .2016,第32卷(第10期),第157-16 3页. 审查员 张佳宁 (54)发明名称 一种基于微型光谱仪观测数据提取农作物 叶面积指数和叶绿素含量的方法 (57)摘要 本发明提出一种基于微型光谱仪观测数据 提取农作物叶面积指数和叶绿素含量的方法， 包 括： 基于多年历史总PAR观测数据和IOT上的PAR 传感器的实测入射PAR数据， 估算IOT实时PAR的 散射比例； 针对S1得到的IOT实时PAR的散射比 例， 建立每个波段的散射比例和PAR的散射比例 的多元回归模 型， 使用多元回归模 型估算微型光 谱仪每个波段的散射比例； 耦合冠层辐射传输模 型和线性半经验核驱动模型， 估算每天的绿色叶 片叶面积指数、 叶片叶绿素含量和冠层叶绿素含 量。 本发明在不使用辐射定标板的情况下， 提取 相对辐射数据进行参数的反演， 突破了必须使用 辐射定标板的局限， 可以得到高精度、 连续的农 作物叶面积指数和叶绿素含量。 权利要求书2页 说明书5页 附图2页 CN 115372284 B 2022.12.27 CN 115372284 B 1.一种基于微型光谱仪观测数据提取农作物叶面积指数和叶绿素含量的方法， 其特征 在于， 包括： S1， 基于多年历史总光合有效辐射观测数据和地面物联网上的光合有效辐射传感器的 实测入射 光合有效辐射数据， 估算 地面物联网实时光 合有效辐射的散射比例； S2， 针对S1得到的地面物联网实时光合有效辐射的散射比例， 建立每个波段的散射比 例和光合有效辐射的散射比例的多元回归模型， 使用所述多 元回归模型估算微型光谱仪每 个波段的散射比例； S3， 耦合冠层辐射传输模型和线性半经验核驱动模型， 估算每天的绿色叶片叶面积指 数、 叶片叶绿素含量和冠层叶绿素含量， 包括： S31， 将训练数据集输入到冠层辐射传输模 型， 模拟出地面物联网上的微型光谱仪对应波段的反射率； S 32， 基于S 31中得到的每日反射 率， 建立第一核驱动模型， 并得到第一核驱动权重系数； S33， 以S32模拟得到的每个波段的 第一核驱动模型权重系 数为输入， 以对应的绿色叶片叶面积指数、 叶片叶绿素含量和冠层 叶绿素含量为输出， 分别训练第二反向传播神经网络模型； S34， 对地面物联网地面实测的 数据， 采用S31 ‑S32同样的方法， 计算每日核驱动模 型权重系数； S35， 以S34得到的地面物联 网实测的每日核驱动权重系数为输入， 使用S33训练后的第二反向传播神经网络模型进行 反演， 分别得到每日绿色叶片叶面积指数、 叶片叶绿素含量和冠层叶绿素含量。 2.根据权利要求1所述的方法， 其特 征在于， 步骤S1包括： S11， 将多年历史总光合有效辐射和散射光合有效辐射， 作为输入数据来训练第一反向 传播神经网络模型； S12， 以所述实测入射光合有效辐射数据作为输入， 通过已训练的第一反向传播神经网 络模型反演得到散射光合有效辐射数据， 通过散射光合有效辐射数据和所述 实测入射光合 有效辐射数据计算 地面物联网实时光 合有效辐射的散射比例。 3.根据权利要求2所述的方法， 其特 征在于， 步骤S2包括： S21， 使用大气辐射传输模型模拟计算地面物联网上的微型光谱仪的每个波段的散射 比例， 以及对应的光 合有效辐射的散射比例； S22， 建立每 个波段的散射比例和光 合有效辐射的散射比例的回归 模型； S23， 将此回归模型运用到步骤S12得到的实测光合有效辐射的散射比例上， 计算得到 实时的每 个波段的散射比例。 4.根据权利要求1所述的方法， 其特 征在于， 步骤S32包括： 1） 同时模拟一天内的多组数据， 对每组数据给定一个光合有效辐射波段的散射比例， 建立第一核驱动模型； 2） 对每一天的模拟数据， 对第一核驱动模型使用优化算法， 计算核驱动模型中的权重 系数。 5.根据权利要求 4所述的方法， 其特 征在于， 第一核驱动模型为： 其中， 代表由线性半经验核驱动模型模拟得到的数据， 和 分别为各向同性散射、 体散射与几何光学散射对应的权重系数， 和权　利　要　求　书 1/2 页 2 CN 115372284 B 2分别为体散射核与几何光学核。 6.根据权利要求5所述的方法， 其特 征在于， 核驱动模型中的权 重系数的计算公式为： 其中，J代表优化算法的非线性函数关系表达式， 代表波段 上的冠层辐射传输模型 模拟反射率， 或者地面物联网微型光谱仪实测的辐射， 为太阳天顶角， 为观测天顶角， 为相对方位角， 即太阳方位角减去观测方位角， 代表冠层辐射传输模型模拟 的相对反射 率或者地面物联网微型光谱仪实测的相对辐射 值。 7.根据权利要求2所述的方法， 其特 征在于， 在步骤S12中， 还将太阳天顶角和日地距离 输入到以训练的第一反向传播神经网络模型进行反演。 8.根据权利要求3所述的方法， 其特 征在于， 建立回归 模型的方法包括： 对每个波段的散射比例， 以光合有效辐射的散射比例为自变量， 以该波段的散射比例 为因变量， 使用最小二乘法建立二者间的正规方程， 求解方程组系 数得到回归方程的表达 式， 作为回归 模型。 9.一种基于微型光谱仪观测数据提取农作物叶面积指数和叶绿素含量的系统， 其特征 在于， 包括处 理器， 所述处 理器能够实现如权利要求1 ‑8中任一项所述的方法。权　利　要　求　书 2/2 页 3 CN 115372284 B 3