本申请涉及咖啡科学种植，具体而言，涉及一种基于高光谱的咖啡树灌溉方法及系统。
背景技术：
1、咖啡，作为一种热带经济作物，为世界三大饮料之首。在我国主要种植在云南、海南、广东、四川等地，其中云南以其得天独厚的环境优势，已成为我国咖啡种植的主要产地。但是由于云南干热河谷地形中，地势复杂，传统水分监测方法不但费时费力且具有破坏性，因此不利于及时获取咖啡生长情况以及监测生长状况。
2、综上所述，提供一种针对上述现有技术不足的改进技术方案。
技术实现思路
1、本申请实施例的目的在于提供一种基于高光谱的咖啡树灌溉方法及系统，其能够实时、快速、无损诊断咖啡树水分需求信息。
2、第一方面，提供了一种基于高光谱的咖啡树灌溉方法，包括以下步骤：
3、s1、获取多个咖啡树冠层的高光谱反射率，建立咖啡树冠层高光谱反射率数据集；
4、s2、依次获取每棵咖啡树冠层的叶片样品以及对应咖啡树的土壤样品，并获取所述叶片样品及土壤样品的含水率；
5、s3、对高光谱反射率数据集进行预处理；对预处理后的高光谱反射率数据进行特征提取；
6、s4、以经过特征提取后的所述高光谱反射率数据作为输入、以咖啡树叶片含水率作为输出，建立咖啡树冠层叶片含水率的反演模型；
7、s5、筛选出适用于反演植被土壤含水率的植被指数，以此植被指数作为输入、以咖啡树土壤含水率作为输出，建立咖啡树土壤含水率的反演模型；
8、s6、基于咖啡树冠层叶片含水率的反演模型以及基于植被指数构建的土壤含水率反演模型综合评价获取咖啡树的灌溉决策信息。
9、在一种可实施的方式中，在步骤s1中，所述获取多个咖啡树冠层的高光谱反射率至少包括：采集咖啡树冠层高光谱反射率信息的参数设置为：高光谱仪的波段范围为350nm-2500nm，通道数为2151，其中350nm-1000nm光谱采集间隔为1.4nm，光谱分辨率为3nm；1000-2500nm光谱采集间隔为2nm，光谱分辨率为10nm。
10、在一种可实施的方式中，在步骤s3中，所述预处理至少包括：对高光谱反射率数据集进行标准正态变量变换。
11、在一种可实施的方式中，在步骤s3中，采用连续投影算法对预处理后的高光谱反射率数据进行特征提取，获取咖啡树叶片含水率更敏感的特征波段。
12、在一种可实施的方式中，在步骤s3中，在进行特征提取之前，将咖啡树冠层高光谱反射率数据集划分为建模集与验证集。
13、在一种可实施的方式中，采用ks算法将咖啡树冠层高光谱反射率数据集划分为建模集与验证集，所述建模集与所述验证集的划分比例为2：1。
14、在一种可实施的方式中，在步骤s4中，至少还包括以下内容：
15、s41、以提取到的特征光谱波段作为输入变量，以咖啡树叶片含水率作为输出变量，运用多个算法模型分别建立多个叶片含水率的反演模型；
16、s42、将多个叶片含水率的反演模型的反演模型分别进行模型精度对比，确定叶片含水率的最优反演模型。
17、在一种可实施的方式中，在步骤s5中，至少还包括以下内容：
18、s51、对植被指数与咖啡树土壤含水率进行相关性分析，筛选出与咖啡树土壤含水率相关系数最高的植被指数，并分别构建不同土层的线性模型和多项式模型。
19、s52、将不同土层的土壤含水率预测模型进行精度对比，评价线性模型和多项式模型的优劣。
20、s53、采用所有土壤含水率的数据对模型进行验证，筛选出最优的咖啡树土壤含水率预测模型。
21、s54、根据最优的咖啡树土壤含水率预测模型公式，构建植被指数阈值下限图，并以此为主要依据指导咖啡树的灌溉决策。
22、在一种可实施的方式中，多个算法模型至少包括偏最小二乘回归、反向传播人工神经网络、支持向量机、极限学习机。
23、在一种可实施的方式中，在步骤s42中，采用决定系数、均方根误差、相对均方根误差作为反演模型的评价指标进行模型精度对比，确定极限学习机模型为咖啡树冠层的叶片含水率的最优反演模型。在步骤s52中，采用决定系数、均方根误差、相对均方根误差作为土壤含水率预测模型的评价指标，并进行模型精度对比，确定多项式模型为咖啡树土壤含水率的最优反演模型。
24、根据本申请的第二方面，还提供了一种基于高光谱的咖啡树灌溉系统，包括：
25、光谱信息获取单元，包括无人机，所述无人机配置有高光谱仪，用于获取咖啡冠层的光谱信息；
26、控制单元，包括信息接收部、分析部；信息接收部用于接收所述光谱信息获取单元获取的咖啡冠层光谱信息并输送至所述分析部内；所述分析部内配置有叶片含水率的反演模型以及土壤含水率的反演模型，所述叶片含水率的反演模型以及土壤含水率的反演模型根据第一方面提供的基于高光谱的咖啡树灌溉方法的获取；所述分析部在接收所述咖啡冠层光谱信息后，经反演模型计算后确定灌溉决策信息并输出；
27、灌溉单元，用于接收所述灌溉决策信息，并根据所述灌溉决策信息对咖啡树进行灌溉。
28、与现有技术相比，本申请的有益效果为：
29、在本申请的技术方案中，建立了高光谱信息与叶片含水率之间的反演模型，建立了植被指数与土壤含水率之间的反演模型，通过反演模型快速、无损的获取咖啡树的水分需求状况，精确确定灌溉决策。基于灌溉决策信息对需要灌溉的咖啡树进行灌溉，实现了动态监测咖啡树生长状况的作用，促进咖啡树更好的多产、高产。
1.一种基于高光谱的咖啡树灌溉方法，其特征在于，包括以下步骤：
2.根据权利要求1所述的基于高光谱的咖啡树灌溉方法，其特征在于，在步骤s1中，所述获取多个咖啡树冠层的高光谱反射率至少包括：采集咖啡树冠层高光谱反射率信息的参数设置为：高光谱仪的波段范围为350nm-2500nm，通道数为2151，其中350nm-1000nm光谱采集间隔为1.4nm，光谱分辨率为3nm；1000-2500nm光谱采集间隔为2nm，光谱分辨率为10nm。
3.根据权利要求1所述的基于高光谱的咖啡树灌溉方法，其特征在于，在步骤s3中，所述预处理至少包括：对高光谱反射率数据集进行标准正态变量变换。
4.根据权利要求3所述的基于高光谱的咖啡树灌溉方法，其特征在于，在步骤s3中，采用连续投影算法对预处理后的高光谱反射率数据进行特征提取，获取咖啡树叶片含水率更敏感的特征波段。
5.根据权利要求4所述的基于高光谱的咖啡树灌溉方法，其特征在于，在步骤s3中，在进行特征提取之前，将咖啡树冠层高光谱反射率数据集划分为建模集与验证集。
6.根据权利要求5所述的基于高光谱的咖啡树灌溉方法，其特征在于，在步骤s4中，所述建模集与所述验证集的划分比例为2：1。
7.根据权利要求6所述的基于高光谱的咖啡树灌溉方法，其特征在于，在步骤s4中，至少还包括以下内容：
8.根据权利要求7所述的基于高光谱的咖啡树灌溉方法，其特征在于，在步骤s5中，至少还包括以下内容：
9.根据权利要求7所述的基于高光谱的咖啡树灌溉方法，其特征在于，在步骤s42中，采用决定系数、均方根误差、相对均方根误差作为反演模型的评价指标进行模型精度对比，确定极限学习机模型为咖啡树冠层的叶片含水率的最优反演模型；在步骤s52中，采用决定系数、均方根误差、相对均方根误差作为土壤含水率预测模型的评价指标，并进行模型精度对比，确定多项式模型为咖啡树土壤含水率的最优反演模型。
10.一种基于高光谱的咖啡树灌溉系统，其特征在于，灌溉系统包括：
