本发明涉及数据处理相关，具体地说，是涉及基于改进随机线性混合模型的叶绿素含量反演方法及系统。
背景技术：
1、本部分的陈述仅仅是提供了与本发明相关的背景技术信息，并不必然构成在先技术。
2、作为植被健康和光合作用的基本指标，叶绿素在判断作物生长状态和评估作物产量上起着至关重要的作用。传统方法的叶绿素含量测量通常是基于对小区域内的作物进行样本采集与化学分析，这种方法不仅破坏性大、耗时长，而且难以将研究范围进行大尺度的提高。由于植被在可见光/近红外区域的独特光谱特性，利用遥感技术在大范围的空间和时间尺度上监测植被参数的方法成为普遍的选择。然而目前还存在一定的问题。
3、虽然卫星光谱遥感已被广泛应用于植被叶绿素含量监测中，但受其空间分辨率与光谱分辨率互相制约的影响。高空间分辨率卫星影像往往波段数量不足，难以进行准确的植被叶绿素含量反演且数据成本较高；而高光谱分辨率影像通常空间分辨率是以米级为单位，每个像元都可能包含多种地物的光谱信息即包含多种混合像元，从而无法实现叶绿素含量的精确反演；例如玉米和大豆间种种植是提高土地利用率的一种常见方式，这也导致了玉米和大豆在生长关键期7-9月份长势十分相似，难以区分。在进行基于卫星图像的叶绿素含量估算时，由于空间分辨率的限制，已有研究往往忽略了卫星图像通常不仅包含玉米的反射信号，还会受到大豆的光谱信息干扰形成混合像元；无人机遥感飞行方式灵活、飞行高度可控，但受硬件条件限制无法进行大面积的植被叶绿素含量监测。
4、目前，利用卫星遥感技术反演植被叶绿素含量时面临着挑战。具体来说，观测到的光谱反射率不仅受到叶绿素的影响，还受到冠层结构（如叶面积指数）、作物间种和土壤背景的干扰。这使得从反射率光谱中提取纯粹的叶绿素信息变得困难。为了克服这个问题，研究人员提出了使用光谱指数（例如ndvi、evi等）来帮助分离叶绿素信息。然而，这些光谱指数往往容易受到冠层结构的影响，对叶绿素的敏感性较低。此外，尽管一些精度较高的光谱指数（如naoc）能够更准确地反映叶绿素含量，但它们需要更多的波段（不同波长的光谱信息）才能实现。而目前广泛使用的公开、免费卫星数据通常只提供有限的波段，无法提供足够的信息来准确估算叶绿素含量。这导致了基于传统卫星数据的叶绿素含量反演精度难以提高，限制了其在大面积遥感监测中的实际应用。
技术实现思路
1、本发明为了解决上述问题，提出了一种基于改进随机线性混合模型的叶绿素含量反演方法及系统，利用无人机高光谱数据，通过优化随机混合模型减少卫星遥感数据中混合像元的干扰，能够实现低成本卫星数据大面积、高精度叶绿素含量反演。
2、为了实现上述目的，本发明采用如下技术方案：
3、一个或多个实施例提供了基于改进随机线性混合模型的叶绿素含量反演方法，包括如下步骤：
4、获取无人机高光谱数据进行像元筛选，基于改进随机线性混合模型对光谱数据进行组合，得到目标作物的纯净像元在不同背景下的混合像元光谱数据库；
5、将获取的卫星的多光谱数据与混合像元光谱数据库的光谱进行相似度匹配，得到与卫星的多光谱数据中的像元组成相似度最高的连续高光谱数据；
6、将得到的连续高光谱数据，基于改进随机线性混合模型反向计算，得到与卫星像元区域的目标作物的纯净像元反射率；
7、基于目标作物的纯净像元反射率计算目标作物的植被naoc指数，并与实测叶绿素值进行线性回归，获得目标作物的叶绿素含量最佳反演结果。
8、一个或多个实施例提供了基于改进随机线性混合模型的叶绿素含量反演系统，包括：
9、混合像元光谱数据库构建模块：被配置为获取无人机高光谱数据进行像元筛选，基于改进随机线性混合模型对光谱数据进行组合，得到目标作物的纯净像元在不同背景下的混合像元光谱数据库；
10、匹配模块：被配置为将获取的卫星的多光谱数据与混合像元光谱数据库的光谱进行相似度匹配，得到与卫星的多光谱数据中的像元组成相似度最高的连续高光谱数据；
11、植被光谱数据计算模块：被配置为将得到的连续高光谱数据，基于改进随机线性混合模型反向计算，得到与卫星像元区域的目标作物的纯净像元反射率；
12、反演模块：被配置为基于目标作物的纯净像元反射率计算目标作物的植被naoc指数，并与实测叶绿素值进行线性回归，获得目标作物的叶绿素含量最佳反演结果。
13、一种电子设备，包括存储器和处理器以及存储在存储器上并在处理器上运行的计算机指令，所述计算机指令被处理器运行时，完成上述的基于改进随机线性混合模型的叶绿素含量反演方法中的步骤。
14、一种计算机可读存储介质，用于存储计算机指令，所述计算机指令被处理器执行时，完成上述的基于改进随机线性混合模型的叶绿素含量反演方法中的步骤。
15、与现有技术相比，本发明的有益效果为：
16、本公开中，通过充分利用无人机的高光谱数据优势，构建了目标作物不同种植条件下混合高光谱数据库，通过将获取的卫星数据进行匹配，进而反演出的目标作物的叶绿素含量，解决了公开的、低成本的卫星数据在大尺度区域进行植被叶绿素含量反演时常见的混合像元问题，提高了叶绿素含量的预测精度。
17、本发明的优点以及附加方面的优点将在下面的具体实施例中进行详细说明。
1.基于改进随机线性混合模型的叶绿素含量反演方法，其特征在于，包括如下步骤：
2.如权利要求1所述的基于改进随机线性混合模型的叶绿素含量反演方法，其特征在于，混合像元光谱数据库构建方法，包括如下步骤：
3.如权利要求1所述的基于改进随机线性混合模型的叶绿素含量反演方法，其特征在于：
4.如权利要求1所述的基于改进随机线性混合模型的叶绿素含量反演方法，其特征在于：光谱相似度匹配采用余弦相似度。
5.如权利要求1所述的基于改进随机线性混合模型的叶绿素含量反演方法，其特征在于：光谱相似度匹配采用动态时间规整方法。
6.如权利要求1所述的基于改进随机线性混合模型的叶绿素含量反演方法，其特征在于，叶绿素值的线性回归反演的过程，包括如下步骤：
7.基于改进随机线性混合模型的叶绿素含量反演系统，其特征在于，包括：
8.如权利要求7所述的基于改进随机线性混合模型的叶绿素含量反演系统，其特征在于：
9.一种电子设备，其特征在于，包括存储器和处理器以及存储在存储器上并在处理器上运行的计算机指令，所述计算机指令被处理器运行时，完成权利要求1-6任一项所述的基于改进随机线性混合模型的叶绿素含量反演方法中的步骤。
10.一种计算机可读存储介质，其特征在于，用于存储计算机指令，所述计算机指令被处理器执行时，完成权利要求1-6任一项所述的基于改进随机线性混合模型的叶绿素含量反演方法中的步骤。
