專利名稱：一種群體凈光合速率預(yù)測(cè)方法
技術(shù)領(lǐng)域：
本發(fā)明涉及一種植物群體凈光合速率預(yù)測(cè)方法，更具體地說(shuō)，本發(fā)明涉及一種仿生型核函數(shù)的群體凈光合速率預(yù)測(cè)方法。
背景技術(shù)：
光作為植物最必需的資源，是影響其形態(tài)和功能的重要因子，個(gè)體凈光合速率體現(xiàn)了單株植物有機(jī)物的積累，是影響單株植物形態(tài)和功能的重要因子，而群體凈光合速率則為一個(gè)區(qū)域內(nèi)該類植物個(gè)體凈光合速率的總和，反映了該區(qū)域植物在一段時(shí)間內(nèi)總光合作用合成有機(jī)物積累的情況，對(duì)于分析區(qū)域植物整體形態(tài)和功能有重要的參考價(jià)值，因此預(yù)測(cè)群體凈光合速率在農(nóng)業(yè)生產(chǎn)中具有很強(qiáng)的現(xiàn)實(shí)意義。由于葉面積大小反映了凈光合速率大小，我們可通過(guò)建立葉面積和凈光合速率之間回歸方程的方法，對(duì)凈光合速率進(jìn)行預(yù)測(cè)，但傳統(tǒng)測(cè)試葉面積的方法具有復(fù)雜性、設(shè)備昂貴等局限性。若通過(guò)葉面積與凈光合速率之間的回歸方程方法，要保證凈光合速率預(yù)測(cè)值的準(zhǔn)確性，則需大量樣本數(shù)據(jù)，由于要預(yù)測(cè)群體凈光合速率，需測(cè)量大量植物的葉面積，工作量更加繁重。支持向量機(jī)(Support Vector Machine, SVM)是一種基于統(tǒng)計(jì)學(xué)習(xí)理論的機(jī)器學(xué)習(xí)方法，它在解決小樣本、非線性及高維模式識(shí)別中表現(xiàn)出許多特有的優(yōu)勢(shì)，在SVM中，核函數(shù)是其核心部分，將高維空間的內(nèi)積運(yùn)算轉(zhuǎn)化為低維輸入空間的核函數(shù)計(jì)算，解決了在高維特征空間中計(jì)算的“維數(shù)災(zāi)難”等問(wèn)題，其形式和參數(shù)的變化會(huì)隱式地改變從輸入空間到特征空間映射，進(jìn)而對(duì)特征空間性質(zhì)產(chǎn)生影響。核函數(shù)本質(zhì)上是一個(gè)內(nèi)積，基本作用是接受兩個(gè)低維空間里的向量，能夠計(jì)算出經(jīng)過(guò)某個(gè)變換后在高維空間里的向量?jī)?nèi)積值，即確定低維空間向高維空間映射關(guān)系，成為解決線性不可分的關(guān)鍵。通過(guò)對(duì)生物界中有著無(wú)比華麗彩虹之稱的七彩變色龍研究，發(fā)現(xiàn)其皮膚顏色不但隨著整體環(huán)境顏色變化而發(fā)生變化，且局部皮膚顏色都和其接近的環(huán)境顏色相近，亦能夠隨局部環(huán)境顏色改變而隨之改變，體現(xiàn)出很強(qiáng)的對(duì)全局周圍環(huán)境顏色和局部周圍顏色的適應(yīng)能力。從變色龍對(duì)周圍環(huán)境適應(yīng)`的自然現(xiàn)象出發(fā)，構(gòu)建出一種對(duì)全局?jǐn)?shù)據(jù)和局部數(shù)據(jù)可單獨(dú)調(diào)整的仿生型核函數(shù)具有重要意義。

發(fā)明內(nèi)容
本發(fā)明所要解決的技術(shù)問(wèn)題是克服了現(xiàn)有技術(shù)存在的測(cè)試區(qū)域植物葉面積工作量較大、建立群體凈光合速率預(yù)測(cè)回歸方程困難、建立群體凈光合速率預(yù)測(cè)模型所需相關(guān)數(shù)據(jù)較多與預(yù)測(cè)準(zhǔn)確性不高的問(wèn)題，提供了一種群體凈光合速率預(yù)測(cè)方法。為解決上述技術(shù)問(wèn)題，本發(fā)明是采用如下技術(shù)方案實(shí)現(xiàn)的:所述的一種群體凈光合速率預(yù)測(cè)方法的步驟如下:I)獲得區(qū)域可見(jiàn)光各波段光譜輻射配比關(guān)系數(shù)據(jù):(I)在面積為S的試驗(yàn)區(qū)域中高于植株冠層為H的高度安裝型號(hào)為MSR-16的便攜式多光譜輻射儀，其中=S取值為6m2至55m2，H取值為1.2m或2m，型號(hào)為MSR-16的便攜式多光譜輻射儀在其正下方地面的有效測(cè)量直徑為H/2，觀測(cè)面積為S1, S1=[ π X (Η/4)2]，計(jì)算出試驗(yàn)區(qū)域劃分的測(cè)試單元的個(gè)數(shù)為Μ，其數(shù)值取SZS1的整數(shù)部分；(2)在指定的測(cè)量時(shí)間段，每一小時(shí)測(cè)定一次，每次隨機(jī)選取N個(gè)測(cè)試單元，其中Ν〈Μ，要求每次選取的試驗(yàn)單元不同于其他測(cè)量時(shí)間已選取的試驗(yàn)單元，每次測(cè)量時(shí)，將MSR-16的便攜式多光譜輻射儀置于該次測(cè)量時(shí)的測(cè)試單元上方H處，H取值為1.2m或2m，每個(gè)測(cè)試單元內(nèi)取5個(gè)定點(diǎn)測(cè)量，每點(diǎn)測(cè)量2次取平均，5個(gè)定點(diǎn)平均值作為該測(cè)試單元的光譜組成，3個(gè)測(cè)試單元的平均值作為該時(shí)段試驗(yàn)區(qū)域內(nèi)可見(jiàn)光各波段光譜輻射配比關(guān)系數(shù)據(jù)；(3)按第(2)步驟的方法，在試驗(yàn)的時(shí)間跨度內(nèi)，獲得不同時(shí)段試驗(yàn)區(qū)域內(nèi)可見(jiàn)光各波段光譜輻射配比關(guān)系數(shù)據(jù)1_0，進(jìn)行
歸一化處理，得到歸一化后的數(shù)據(jù)1_01152)獲得群體凈光合速率數(shù)據(jù):(I)采用美國(guó)CID公司生產(chǎn)的型號(hào)為C1-310的便攜式光合作用測(cè)定系統(tǒng)測(cè)量個(gè)體凈光合速率；(2)在選定的每個(gè)測(cè)試單元內(nèi)隨機(jī)挑選3株同一品種植物，若該植物數(shù)量不足3株，按實(shí)際植物數(shù)量進(jìn)行測(cè)量，每株植物隨機(jī)挑選5片葉片，若葉片數(shù)量不足5片，按實(shí)際葉片數(shù)量進(jìn)行測(cè)量，每片葉片采用型號(hào)為C1-310的便攜式光合作用測(cè)定系統(tǒng)測(cè)量一次凈光合速率，取平均值作為該株植物凈光合速率，3個(gè)試驗(yàn)單元平均值作為該時(shí)段試驗(yàn)區(qū)域內(nèi)該株植物群體凈光合速率；(3)按第(2)步驟的方法，在試驗(yàn)時(shí)間跨度內(nèi)，獲得不同時(shí)段試驗(yàn)區(qū)域內(nèi)該種植物群體凈光合速率(:_0，進(jìn)行
歸一化處理，得到歸一化后的數(shù)據(jù)(:_01。3)構(gòu)建仿生型核函數(shù)；
·
4)建立SVM訓(xùn)練集和預(yù)測(cè)集:將數(shù)據(jù)ILD1按不同時(shí)間段分為兩部分?jǐn)?shù)據(jù)M_Dn和M_D12，依據(jù)I^D1劃分為兩部分?jǐn)?shù)據(jù)M_Dn和M_D12的時(shí)間段，將數(shù)據(jù)C_Di按對(duì)應(yīng)時(shí)間段分為兩部分?jǐn)?shù)據(jù)C_Dn和C_D12。將第一部分?jǐn)?shù)據(jù)M_Dn和C_Dn作為SVM的訓(xùn)練集，將第二部分?jǐn)?shù)據(jù)M_D12和C_D12作為SVM的預(yù)測(cè)集。5)建立預(yù)測(cè)模型的工具選擇和參數(shù)優(yōu)化。6)預(yù)測(cè)群體凈光合速率。技術(shù)方案中所述的構(gòu)建仿生型核函數(shù)的步驟如下:I)以 Gaussian IcernelK1(X1Xi) = exp (- Y | X-Xi 2)和 polynomialkernelK2 (x, Xi) = k x, x^+c)為基準(zhǔn)核函數(shù),其中，Y和c為參數(shù)，x和Xi為低維空間多維向量。M K1 (x, Xi) = exp (- y I X-Xi I2)輸入Iibsvm中，作為SVM核函數(shù),對(duì)訓(xùn)練集數(shù)據(jù)進(jìn)行訓(xùn)練，采用grid-search搜索最佳參數(shù)，確定出對(duì)訓(xùn)練集預(yù)測(cè)準(zhǔn)確率最高的Y值，定義為F值。2)尋找出Γ值下的Gaussian kernel特征曲線切線斜率最大值diff (K1 (xm, Xi))和最小值diff (K1 (xn, Xi)),以及對(duì)應(yīng)的切點(diǎn)坐標(biāo)(xm, K1 (xm, X1)), (xn, K1 (xn, Xi)),將該類切點(diǎn)稱為折點(diǎn)。3)根據(jù)折點(diǎn)坐標(biāo)(xm, K1(XmlXi)), (xn, K1(XnlXi))和斜率 diff (K1 (xm, Xi))/ ξ、diff (K1 (xn, Xi))/ξ ,其中ξ為實(shí)數(shù)變量，確定polynomial kernel表達(dá)式，表達(dá)式由K2' (X，Xi) = diff (K1 (xm, Xi))/ ξ /XiX X, x^+c)和 K2 " (x, Xi) = diff (K1 (xn, Xi)) / ξ /XiX (<x, XiHc)兩部分組成。4)構(gòu)建仿生型核函數(shù):Kbsf (X，Xi) = exp (_ Γ I I X-Xi | 2) +diff (exp (-Γ | xB~Xi I 2)/ I AiX (<x, XiHc)其中:||x| I > I Xi I 時(shí)，xB取為xn，I |x| I < I Xi I 時(shí)，xB取為Xni, I |x| I = I Xi時(shí)，將X和Xi歸為同類，無(wú)需使用核函數(shù)對(duì)其進(jìn)行計(jì)算。仿生型核函數(shù)Kbsf (X，Xi)可以通過(guò)參數(shù)Γ和ξ的調(diào)節(jié)，實(shí)現(xiàn)對(duì)全局?jǐn)?shù)據(jù)和局部數(shù)據(jù)的調(diào)整，以適應(yīng)對(duì)不同數(shù)據(jù)歸類的要求。 技術(shù)方案中所述的建立預(yù)測(cè)模型的工具選擇和參數(shù)優(yōu)化是指:采用MATLAB將仿生型核函數(shù)Kbsf (x, Xi)放入Iibsvm工具箱中，取代原來(lái)RBF核函數(shù)的位置，通過(guò)函數(shù)SVMcgForRegress O實(shí)現(xiàn)grid-search方法優(yōu)化參數(shù)，利用grid-search方法初步優(yōu)化參數(shù)過(guò)程，在函數(shù)SVMcgForRegress O中采用Gaussian IcernelK1(XjXi), 通過(guò)[bestmse, bestc, bestg] =SVMcgForRegress (C_Dn, M_D11, -8, 8, -8, 8),可以獲得參數(shù)bestc和bestg, bestc為最佳的懲罰參數(shù)c值，bestg為最佳的參數(shù)Y值，即Γ值；在函數(shù)SVMcgForRegress O 中采用仿生型核函數(shù) Kbsf (x, Xi),通過(guò)[bestmse, bestc, bestCMG] =SVMcgForRegress (C_Dn, M_Dn, bestc, bestc, _8，8),可以獲得最佳參數(shù)bestCMG，S卩 ξ 值。技術(shù)方案中所述的預(yù)測(cè)群體凈光合速率的步驟如下:I)獲得預(yù)測(cè)模型model利用Iibsvm 工具箱中的 svmtrain O ,即通過(guò) model=svmtrain (C_Dn, M_Dn, cmd)，可以獲得預(yù)測(cè)模型 model,其中 cmd= [’ _c，, num2str (bestc), ’ -g’, num2str (bestg), ’ _s3_p0.01-t2’ ]，s設(shè)為3代表采用e - SVR公式，p設(shè)為0.01代表設(shè)置e_SVR中損失函數(shù)的值，t設(shè)為2代表SVM中采用的核函數(shù)為Kbsf (X，Xi);在model中包含了核函數(shù)類型、支持向量個(gè)數(shù)和支持向量在決策函數(shù)中系數(shù)范圍的信息。2)得到群體凈光合速率的預(yù)測(cè)值predict利用Iibsvm 工具箱中的 svmpredict O ,通過(guò)[predict, mse] =svmpredict (C_D12, M_D12, model)實(shí)現(xiàn)利用M_D12對(duì)C_D12進(jìn)行預(yù)測(cè),得到群體凈光合速率的預(yù)測(cè)值predict。3)判斷預(yù)測(cè)模型model的可靠性同時(shí),通過(guò)(3_012和predict計(jì)算出兩者之間的相關(guān)系數(shù)R,判斷出預(yù)測(cè)值predict的準(zhǔn)確性，即預(yù)測(cè)模型model的可靠性。與現(xiàn)有技術(shù)相比本發(fā)明的有益效果是:1.本發(fā)明所述的一種群體凈光合速率預(yù)測(cè)方法與傳統(tǒng)的建立群體凈光合速率預(yù)測(cè)回歸方程方法相比，具有模型建立過(guò)程簡(jiǎn)單、所需輸入數(shù)據(jù)少、預(yù)測(cè)準(zhǔn)確率高、易于實(shí)現(xiàn)的特點(diǎn)。2.本發(fā)明所述的一種群體凈光合速率預(yù)測(cè)方法與已有的預(yù)測(cè)個(gè)體凈光合速率的方法相比，預(yù)測(cè)群體凈光合速率可以反映一個(gè)區(qū)域內(nèi)植物凈光合速率情況，有利于反映區(qū)域植物整體形態(tài)和功能的情況。3.本發(fā)明所述的一種群體凈光合速率預(yù)測(cè)方法與已有的利用SVM預(yù)測(cè)群體凈光合速率的方法相比，采用了新型核函數(shù)，實(shí)現(xiàn)了對(duì)SVM輸入數(shù)據(jù)更好的分類能力，具有預(yù)測(cè)模型泛化能力強(qiáng)、預(yù)測(cè)準(zhǔn)確率高的特點(diǎn)。4.本發(fā)明所述的一種群體凈光合速率預(yù)測(cè)方法，僅通過(guò)區(qū)域可見(jiàn)光各波段光譜輻射配比關(guān)系即可實(shí)現(xiàn)預(yù)測(cè)群體凈光合速率，具有所需輸入數(shù)據(jù)少的特點(diǎn)，有利于反映區(qū)域可見(jiàn)光各波段光譜輻射配比關(guān)系與凈光合速率的影響關(guān)系。5.本發(fā)明所述的一種群體凈光合速率預(yù)測(cè)方法，采用了新型核函數(shù)，克服了傳統(tǒng)核函數(shù)全局學(xué)習(xí)能力和局部學(xué)習(xí)能力不可獨(dú)立調(diào)整的不足，可根據(jù)可見(jiàn)光各波段光譜輻射配比關(guān)系數(shù)據(jù)分布特點(diǎn)調(diào)整核函數(shù)的性能，提高了預(yù)測(cè)過(guò)程效率和準(zhǔn)確性，此方法可在其他預(yù)測(cè)應(yīng)用中直接使用。6.本發(fā)明所述的一種群體凈光合速率預(yù)測(cè)方法，其方法簡(jiǎn)單、方便，速度快，步驟清晰，省時(shí)，省力，而且預(yù)測(cè)方法的預(yù)測(cè)準(zhǔn)確率高。


下面結(jié)合附圖對(duì)本發(fā)明作進(jìn)一步的說(shuō)明:圖1為本發(fā)明所述的一種群體凈光合速率預(yù)測(cè)方法中所采用的MSR-16型便攜式多光譜輻射儀放置位置及有效測(cè)試區(qū)域示意圖；圖2為本發(fā)明所述的一種群體凈光合速率預(yù)測(cè)方法采用C1-310儀器測(cè)試凈光合速率的示意圖；圖3為本發(fā)明所述的一種群體凈光合速率預(yù)測(cè)方法中的grid-search方法對(duì)參數(shù)進(jìn)行初步優(yōu)化的過(guò)程框圖；圖4為本發(fā)明所述的一 種群體凈光合速率預(yù)測(cè)方法中的仿生型核函數(shù)參數(shù)確定的過(guò)程框圖；圖5為采用本發(fā)明所述的一種群體凈光合速率預(yù)測(cè)方法歸一化后的區(qū)域內(nèi)可見(jiàn)光各波段光譜輻射配比關(guān)系數(shù)據(jù)分布圖；圖6為采用本發(fā)明所述的一種群體凈光合速率預(yù)測(cè)方法歸一化后的群體凈光合速率數(shù)據(jù)分布圖；圖7為本發(fā)明所述的一種群體凈光合速率預(yù)測(cè)方法的訓(xùn)練集群體凈光合速率預(yù)測(cè)曲線(第一條);圖8為本發(fā)明所述的一種群體凈光合速率預(yù)測(cè)方法的預(yù)測(cè)集群體凈光合速率預(yù)測(cè)曲線(第二條);圖9為本發(fā)明所述的一種群體凈光合速率預(yù)測(cè)方法的流程框圖。
具體實(shí)施例方式下面結(jié)合附圖對(duì)本發(fā)明作詳細(xì)的描述:參閱圖9，本發(fā)明克服了現(xiàn)有技術(shù)存在的問(wèn)題，提供了一種群體凈光合速率預(yù)測(cè)方法，即僅利用可見(jiàn)光各波段光譜輻射配比關(guān)系實(shí)現(xiàn)具有較高準(zhǔn)確性的對(duì)群體凈光合速率預(yù)測(cè)的方法，其步驟如下:1.獲得區(qū)域可見(jiàn)光各波段光譜輻射配比關(guān)系數(shù)據(jù)獲得區(qū)域可見(jiàn)光各波段光譜輻射配比關(guān)系數(shù)據(jù)的步驟如下:
采用美國(guó)生產(chǎn)的型號(hào)為MSR-16的便攜式多光譜輻射儀，分析便攜式多光譜輻射儀上方入射的460-7IOnm波段可見(jiàn)光光譜成分、比例改變。I)參閱圖1，設(shè)試驗(yàn)區(qū)域面積為S，S取值為6m2至55m2，型號(hào)為MSR-16的便攜式多光譜輻射儀高于植株冠層的高度為H，H取值為1.2111或2111，型號(hào)為10 -16的便攜式多光譜輻射儀在其正下方地面的有效測(cè)量直徑為H/2，觀測(cè)面積為S1, S1=L3I X (H/4)2]，其中:η為圓周率。根據(jù)試驗(yàn)過(guò)程中劃分的試驗(yàn)區(qū)域S和MSR-16儀器測(cè)試高度H，計(jì)算出由待測(cè)試驗(yàn)區(qū)域劃分的測(cè)試單元的個(gè)數(shù)為M，其數(shù)值取SZS1的整數(shù)部分。2)在指定的測(cè)量時(shí)間段，每一小時(shí)測(cè)定一次，每次隨機(jī)選取N個(gè)測(cè)試單元，其中N〈M，要求每次選取的試驗(yàn)單元不同于其他測(cè)量時(shí)間已選取的試驗(yàn)單元，每次測(cè)量時(shí)，將MSR-16的便攜式多光譜輻射儀置于該次測(cè)量時(shí)的測(cè)試單元上方H處，H取值為1.2m或2m，每個(gè)測(cè)試單元內(nèi)取5個(gè)定點(diǎn)測(cè)量，每點(diǎn)測(cè)量2次取平均，5個(gè)定點(diǎn)平均值作為該測(cè)試單元的光譜組成，3個(gè)測(cè)試單元的平均值作為該時(shí)段試驗(yàn)區(qū)域內(nèi)可見(jiàn)光各波段光譜輻射配比關(guān)系數(shù)據(jù)。3)按第2)步驟的方法，在試驗(yàn)的時(shí)間跨度內(nèi)，獲得不同時(shí)段試驗(yàn)區(qū)域內(nèi)可見(jiàn)光各波段光譜輻射配比關(guān)系數(shù)據(jù)M_D，進(jìn)行
歸一化處理，得到歸一化后的數(shù)據(jù)1_01152.獲得群體凈光合速率數(shù)據(jù)參閱圖2，獲得群體凈光合速率數(shù)據(jù)方法的步驟如下:
I)采用美國(guó)CID公司 生產(chǎn)的型號(hào)為C1-310的便攜式光合作用測(cè)定系統(tǒng)測(cè)量個(gè)體凈光合速率:選擇25X25 (cm2)的方形葉室插入主機(jī)，將傳感器前端的探頭壓入葉室內(nèi)，傳感器后端的插頭插入主機(jī)對(duì)應(yīng)插孔，數(shù)據(jù)線的一端與主機(jī)連接，數(shù)據(jù)線的另一端與PC卡相連，PC卡通過(guò)PC卡槽連接電腦，從C1-310傳感器的“INTAKE” 口引出一根管子到一個(gè)4L緩沖瓶?jī)?nèi)，該緩沖瓶放在外面空氣中以獲得不受呼吸影響的CO2空氣，每次測(cè)量前用隨機(jī)配備的堿石灰管進(jìn)行CO2調(diào)零。將葉片放入葉室后關(guān)閉葉室，按主機(jī)測(cè)量開(kāi)關(guān)，開(kāi)始第一片葉片的測(cè)量，測(cè)量完畢，電腦發(fā)生警告聲，打開(kāi)葉室，將另一片放入葉室后關(guān)閉葉室，開(kāi)始下一個(gè)葉片的測(cè)量。2)在選定的每個(gè)測(cè)試單元內(nèi)隨機(jī)挑選3株同一品種植物(若該植物數(shù)量不足3株，按實(shí)際植物數(shù)量進(jìn)行測(cè)量)，每株植物隨機(jī)挑選5片葉片(若葉片數(shù)量不足5片，按實(shí)際葉片數(shù)量進(jìn)行測(cè)量)，每片葉片采用型號(hào)為C1-310的便攜式光合作用測(cè)定系統(tǒng)測(cè)量一次凈光合速率，取平均值作為該株植物凈光合速率，3個(gè)試驗(yàn)單元平均值作為該時(shí)段試驗(yàn)區(qū)域內(nèi)該株植物群體凈光合速率。3)按第2)步驟的方法，在試驗(yàn)時(shí)間跨度內(nèi)，獲得不同時(shí)段試驗(yàn)區(qū)域內(nèi)該種植物群體凈光合速率C_D，進(jìn)行
歸一化處理，得到歸一化后的數(shù)據(jù)(:_01。3.構(gòu)建仿生型核函數(shù)I)以 Gaussian IcernelK1(X1Xi) = exp (- Y | X-Xi 2)和 polynomialkernelK2 (x, Xi) = k x, x^+c)為基準(zhǔn)核函數(shù),其中，Y和c為參數(shù)，x和Xi為低維空間多維向量。M K1 (x, Xi) = exp (- y I X-Xi I2)輸入Iibsvm中，作為SVM核函數(shù),對(duì)訓(xùn)練集數(shù)據(jù)進(jìn)行訓(xùn)練，采用grid-search搜索最佳參數(shù)，確定出對(duì)訓(xùn)練集預(yù)測(cè)準(zhǔn)確率最高的Y值，定義為F值。
2)尋找出Γ值下的Gaussian kernel特征曲線切線斜率最大值diff (K1 (xm, Xi))和最小值diff (K1 (xn, Xi)),以及對(duì)應(yīng)的切點(diǎn)坐標(biāo)(xm, K1 (xm, X1)), (xn, K1 (xn, Xi)),將該類切點(diǎn)稱為折點(diǎn)。3)根據(jù)折點(diǎn)坐標(biāo)(xm, K1(XmlXi)), (xn, K1(XnlXi))和斜率 diff (K1 (xm, Xi))/ ξ、diff (K1 (xn, Xi))/ξ ,其中ξ為實(shí)數(shù)變量，確定polynomial kernel表達(dá)式，表達(dá)式由K2' (X，Xi) = diff (K1 (xm, Xi))/ ξ /XiX χ, x^+c)和 K2 " (x, Xi) = diff (K1 (xn, Xi)) / ξ /XiX (<x, XiHc)兩部分組成。4)構(gòu)建仿生型核函數(shù)Kbsf (X，Xi) = exp (_ Γ I I X-Xi | 2) +diff (exp (-Γ | xB~Xi I 2)/ I AiX (<x, XiHc)其中:||x| I > I Xi I 時(shí)，xB取為xn，I |x| I < I Xi I 時(shí)，xB取為Xni, I |x| I = I Xi時(shí)，將X和Xi歸為同類，無(wú)需使用核函數(shù)對(duì)其進(jìn)行計(jì)算。與變色龍的皮膚根據(jù)周圍環(huán)境顏色變化而變化的過(guò)程相類似，仿生型核函數(shù)Kbsf (x, Xi)可以通過(guò)參數(shù)Γ和ξ的調(diào)節(jié)，實(shí)現(xiàn)對(duì)全局?jǐn)?shù)據(jù)和局部數(shù)據(jù)的調(diào)整，以適應(yīng)對(duì)不同數(shù)據(jù)歸類的要求。實(shí)際上，上述構(gòu)建的仿生型核函數(shù)形式可表示為:Kbsf (X，Xi) = K1 (X，Xi) +K2 (X，Xi)。其中=K1(Xji)為Gaussian kernel,K2 (x, Xi)為 polynomial kernel,根據(jù)核函數(shù)性質(zhì):當(dāng)且僅當(dāng)函數(shù)K是負(fù)定的，則K:XXX — R是核函數(shù)，可得如下證明過(guò)程:對(duì)任意a
權(quán)利要求
1.一種群體凈光合速率預(yù)測(cè)方法，其特征在于，所述的一種群體凈光合速率預(yù)測(cè)方法的步驟如下: 1)獲得區(qū)域可見(jiàn)光各波段光譜輻射配比關(guān)系數(shù)據(jù): (1)在面積為S的試驗(yàn)區(qū)域中高于植株冠層為H的高度安裝型號(hào)為MSR-16的便攜式多光譜輻射儀，其中:S取值為6m2至55m2，H取值為1.2m或2m，型號(hào)為MSR-16的便攜式多光譜輻射儀在其正下方地面的有效測(cè)量直徑為H/2，觀測(cè)面積為S1, S1=[ π X (Η/4)2]，計(jì)算出試驗(yàn)區(qū)域劃分的測(cè)試單元的個(gè)數(shù)為Μ，其數(shù)值取SZS1的整數(shù)部分； (2)在指定的測(cè)量時(shí)間段，每一小時(shí)測(cè)定一次，每次隨機(jī)選取N個(gè)測(cè)試單元，其中Ν〈Μ，要求每次選取的試驗(yàn)單元不同于其他測(cè)量時(shí)間已選取的試驗(yàn)單元，每次測(cè)量時(shí)，將MSR-16的便攜式多光譜輻射儀置于該次測(cè)量時(shí)的測(cè)試單元上方H處，H取值為1.2m或2m，每個(gè)測(cè)試單元內(nèi)取5個(gè)定點(diǎn)測(cè)量，每點(diǎn)測(cè)量2次取平均，5個(gè)定點(diǎn)平均值作為該測(cè)試單元的光譜組成，3個(gè)測(cè)試單元的平均值作為該時(shí)段試驗(yàn)區(qū)域內(nèi)可見(jiàn)光各波段光譜輻射配比關(guān)系數(shù)據(jù)； (3)按第(2)步驟的方法，在試驗(yàn)的時(shí)間跨度內(nèi)，獲得不同時(shí)段試驗(yàn)區(qū)域內(nèi)可見(jiàn)光各波段光譜輻射配比關(guān)系數(shù)據(jù)M_D，進(jìn)行[O，I]歸一化處理，得到歸一化后的數(shù)據(jù)M_Di ； 2)獲得群體凈光合速率數(shù)據(jù): (1)采用美國(guó)CID公司生產(chǎn)的型號(hào)為C1-310的便攜式光合作用測(cè)定系統(tǒng)測(cè)量個(gè)體凈光合速率； (2)在選定的每個(gè)測(cè)試單元內(nèi)隨機(jī)挑選3株同一品種植物，若該植物數(shù)量不足3株，按實(shí)際植物數(shù)量進(jìn)行測(cè)量，每株植物隨機(jī)挑選5片葉片，若葉片數(shù)量不足5片，按實(shí)際葉片數(shù)量進(jìn)行測(cè)量，每片葉片采用型號(hào)為C1-310的便攜式光合作用測(cè)定系統(tǒng)測(cè)量一次凈光合速率，取平均值作為該株植物凈光合速率，3個(gè)試驗(yàn)單元平均值作為該時(shí)段試驗(yàn)區(qū)域內(nèi)該株植物群體凈光合速率；· (3)按第(2)步驟的方法，在試驗(yàn)時(shí)間跨度內(nèi)，獲得不同時(shí)段試驗(yàn)區(qū)域內(nèi)該種植物群體凈光合速率C_D，進(jìn)行[O，I]歸一化處理，得到歸一化后的數(shù)據(jù)C^D1 ； 3)構(gòu)建仿生型核函數(shù)； 4)建立SVM訓(xùn)練集和預(yù)測(cè)集: 將數(shù)據(jù)M_Di按不同時(shí)間段分為兩部分?jǐn)?shù)據(jù)M_Dn和M_D12，依據(jù)ILD1劃分為兩部分?jǐn)?shù)據(jù)M_Dn和M_D12的時(shí)間段，將數(shù)據(jù)C^D1按對(duì)應(yīng)時(shí)間段分為兩部分?jǐn)?shù)據(jù)C^D11和C_D12。將第一部分?jǐn)?shù)據(jù)M_Dn和C^D11作為SVM的訓(xùn)練集，將第二部分?jǐn)?shù)據(jù)M_D12和C_D12作為SVM的預(yù)測(cè)集; 5)建立預(yù)測(cè)模型的工具選擇和參數(shù)優(yōu)化； 6)預(yù)測(cè)群體凈光合速率。
2.按照權(quán)利要求1所述的一種群體凈光合速率預(yù)測(cè)方法，其特征在于，所述的構(gòu)建仿生型核函數(shù)的步驟如下:1)以Gaussian IcernelK1(XjXi) = exp (- y | X-Xi |2)和 polynomial kernelK2 (x, Xi)= k(〈X，Xi>+C)為基準(zhǔn)核函數(shù)，其中，Y和C為參數(shù)，X和Xi為低維空間多維向量。將K1Uxi) = exp (-Y I x-xj I2)輸入Iibsvm中，作為SVM核函數(shù)，對(duì)訓(xùn)練集數(shù)據(jù)進(jìn)行訓(xùn)練，采用grid-search搜索最佳參數(shù),確定出對(duì)訓(xùn)練集預(yù)測(cè)準(zhǔn)確率最高的Y值，定義為Γ值； 2)尋找出Γ值下的Gaussiankernel特征曲線切線斜率最大值diff (K1 (xm, Xi))和最小值diff (K1 (xn, Xi)),以及對(duì)應(yīng)的切點(diǎn)坐標(biāo)(xm, K1 (xm, Xi)), (xn, K1 (xn, Xi)),將該類切點(diǎn)稱為折點(diǎn)；3)根據(jù)折點(diǎn)坐標(biāo)(xm，K1(xm, Xi)), (xn, K1 (xn, X1))和斜率 diff (K1 (xm, Xi)) / ξ >diff (K1 (xn, Xi))/ξ ,其中ξ為實(shí)數(shù)變量，確定polynomial kernel表達(dá)式，表達(dá)式由K2, (X，Xi) = diff (K1 (xm, Xi))/ ξ /XiX (x, Xi+c)和 K2 " (x, Xi) = diff (K1 (xn, Xi)) / ξ /XiX (<x, XiHc)兩部分組成； 4)構(gòu)建仿生型核函數(shù): Kbsf (X，Xi) = exp (_ Γ I I X-Xi I 2)+diff (exp (_ Γ | | Xb-X1 | 2)/ ξ AiX (<x, XiHc)其中:I |χ| I > I IxiI I 時(shí)，χΒ取為 χη, I |χ| I < I Xi I 時(shí)，χΒ取為 Xni, IIxII = I IxiI時(shí)，將X和Xi歸為同類，無(wú)需使用核函數(shù)對(duì)其進(jìn)行計(jì)算； 仿生型核函數(shù)Kbsf (X，Xi)可以通過(guò)參數(shù)Γ和ξ的調(diào)節(jié)，實(shí)現(xiàn)對(duì)全局?jǐn)?shù)據(jù)和局部數(shù)據(jù)的調(diào)整，以適應(yīng)對(duì)不同數(shù)據(jù)歸類的要求。
3.按照權(quán)利要求1所述的一種群體凈光合速率預(yù)測(cè)方法，其特征在于，所述的建立預(yù)測(cè)模型的工具選擇和參數(shù)優(yōu)化是指: 采用MATLAB將仿生型核函數(shù)Kbsf (X，Xi)放入Iibsvm工具箱中，取代原來(lái)RBF核函數(shù)的位置，通過(guò)函數(shù)SVMcgForRegress O實(shí)現(xiàn)grid-search方法優(yōu)化參數(shù)，利用grid-search方法初步優(yōu)化參數(shù)過(guò)程，在函數(shù)SVMcgForRegress O中采用Gaussian IcernelK1 (x, Xi),通過(guò)[bestmse, bestc, be stg] =SVMcgForRegress (C_Dn, M_Dn, _8，8, _8，8)，可以獲得參數(shù) bestc和bestg, bestc為最佳的懲罰參數(shù)c值，bestg為最佳的參數(shù)Y值,即Γ值； 在函數(shù) SVMcgForRegress O 中采用仿生型核函數(shù)Kbsf (x, Xi),通過(guò)[bestmse, bestc, bestCMG] =SVMcgForRegress (C_Dn, M_Dn, bestc, bestc, _8，8),可以獲得最佳參數(shù) bestCMG,即I值。
4.按照權(quán)利要求1所述的一種群體凈光合速率預(yù)測(cè)方法，其特征在于，所述的預(yù)測(cè)群體凈光合速率的步驟如下: O獲得預(yù)測(cè)模型model 利用 Iibsvm 工具箱中的 svmtrain O ,即通過(guò) model=svmtrain (C_Dn, M_Dn, cmd),可以獲得預(yù)測(cè)模型 model,其中 cmd= [’ _c，, num2str (bestc), ’ -g’, num2str (bestg), ’ -s3-p0.0l-t2’ ]，s設(shè)為3代表采用e - SVR公式，p設(shè)為0.01代表設(shè)置e_SVR中損失函數(shù)的值，t設(shè)為2代表SVM中采用的核函數(shù)為Kbsf (X，Xi);在model中包含了核函數(shù)類型、支持向量個(gè)數(shù)和支持向量在決策函數(shù)中系數(shù)范圍的信息； 2)得到群體凈光合速率的預(yù)測(cè)值predict 利用 Iibsvm 工具箱中的 svmpredict O ,通過(guò)[predict, mse] =svmpredict (C_D12, M_D12, model)實(shí)現(xiàn)利用M_D12對(duì)C_D12進(jìn)行預(yù)測(cè),得到群體凈光合速率的預(yù)測(cè)值predict ； 3)判斷預(yù)測(cè)模型model的可靠性 同時(shí)，通過(guò)C_D12和predict計(jì)算出兩者之間的相關(guān)系數(shù)R，判斷出預(yù)測(cè)值predict的準(zhǔn)確性，即預(yù)測(cè)模型model的可靠性。
全文摘要
本發(fā)明公開(kāi)了一種群體凈光合速率預(yù)測(cè)方法，旨在克服建立群體凈光合速率預(yù)測(cè)回歸方程困難、建立群體凈光合速率預(yù)測(cè)模型需相關(guān)數(shù)據(jù)多與預(yù)測(cè)準(zhǔn)確性不高的問(wèn)題。其步驟如下1.獲得區(qū)域可見(jiàn)光各波段光譜輻射配比關(guān)系數(shù)據(jù)在面積為S的試驗(yàn)區(qū)域中高于植株冠層為H的高度安裝便攜式多光譜輻射儀；獲得不同時(shí)段試驗(yàn)區(qū)域內(nèi)可見(jiàn)光各波段光譜輻射配比關(guān)系數(shù)據(jù)M_D，進(jìn)行
歸一化處理。2.獲得群體凈光合速率數(shù)據(jù)；3.構(gòu)建仿生型核函數(shù)；4.建立SVM訓(xùn)練集和預(yù)測(cè)集；5.建立預(yù)測(cè)模型的工具選擇和參數(shù)優(yōu)化；6.預(yù)測(cè)群體凈光合速率獲得預(yù)測(cè)模型model；得到群體凈光合速率的預(yù)測(cè)值predict與判斷預(yù)測(cè)模型model的可靠性。
文檔編號(hào)G01N21/25GK103234916SQ20131011538
公開(kāi)日2013年8月7日 申請(qǐng)日期2013年4月6日 優(yōu)先權(quán)日2013年4月6日
發(fā)明者于海業(yè), 武海巍, 田彥濤, 張蕾, 張強(qiáng), 王淑杰, 肖英奎 申請(qǐng)人:吉林大學(xué)