本发明涉及无人机，具体涉及基于无人机多光谱数据的屋顶绿化植物碳含量分析系统。
背景技术：
1、基于无人机多光谱数据的屋顶绿化植物碳含量分析指的是利用无人机搭载的多光谱相机获取屋顶绿化植物的光谱数据，以分析植物中的碳含量。碳含量是植物吸收二氧化碳并通过光合作用储存能量的结果，因此可通过分析植物的光谱数据来估算植物的碳吸收和储存能力。
2、然而，屋顶表面材料的反射特性可能会干扰无人机对植被的光谱数据采集。例如，金属屋顶或使用高反射性材料的建筑表面会反射强烈的太阳光，这种“光污染”主要表现为背景噪声的增加，干扰多光谱相机的传感器，使其难以分辨植物和屋顶材料的光谱差异，导致采集到的数据不准确，对植物碳含量的分析产生了不利的影响，使得结果偏离真实值。且如果传感器无法准确区分植被反射与屋顶反射之间的光谱特征差异，从而影响后续对植物健康和碳含量的精确估算。
技术实现思路
1、本发明的目的是提供基于无人机多光谱数据的屋顶绿化植物碳含量分析系统，以解决背景技术中不足。
2、为了实现上述目的，本发明提供如下技术方案：基于无人机多光谱数据的屋顶绿化植物碳含量分析系统，包括数据获取模块、目标污染区域划分模块、反射特性分析模块、污染程度评估模块，污染程度划分模块以及调整模块；
3、数据获取模块：将屋顶绿化植物划分为若干个监测区域，并在无人机飞行的过程中通过安装在无人机上的光线角度测量仪，实时监测，获取不同监测区域内太阳光的入射角度；
4、目标污染区域划分模块：将各监测区域内太阳光的入射角度与屋顶材料的临界角进行对比分析，并将入射角度大于等于临界角的监测区域标记为目标污染区域；
5、反射特性分析模块：对于目标污染区域，利用多光谱相机实时采集不同波段的光反射数据，根据植物的光谱反射特性对不同波段的光反射数据进行分析，判断目标污染区域的光谱反射与植物正常反射特性的差异情况以及屋顶材料对不同波段的光反射干扰程度；
6、污染程度评估模块：根据目标污染区域的光谱反射与植物正常反射特性的差异情况以及屋顶材料对不同波段的光反射干扰程度，评估目标污染区域太阳光反射对光谱数据的整体污染程度；
7、污染程度划分模块：根据评估结果，将目标污染区域划分为高污染区域和低污染区域，对于低污染区域，使用已知的植物光谱特征对低污染区域的数据进行校准，将校准后的数据直接用于碳含量估算模型；
8、调整模块：对于高污染区域，将固定时间段内目标污染区域太阳光反射对光谱数据的整体污染程度进行进一步的分析，根据分析结果对植物光谱反射数据的采集频率和采集角度进行动态调整，以提高植物碳含量分析的准确性。
9、优选的，目标污染区域划分模块中，无人机飞行过程中，光线角度测量仪会实时记录每个监测区域的太阳光入射角度，每个监测区域的数据应包括时间、入射角度以及无人机的gps位置信息，将每个监测区域的太阳光入射角度与对应屋顶材料的临界角进行对比，当监测区域的入射角度大于等于材料临界角时，标记为目标污染区域，当入射角度低于材料临界角时，标记为普通区域。
10、优选的，反射特性分析模块中，对目标污染区域的光谱反射与植物正常反射特性的差异情况进行分析后生成反射谱宽度偏差指数，则反射谱宽度偏差指数的获取方法为：
11、从多光谱相机采集的光谱数据中提取不同波段的反射光谱，分析反射峰值的形态和宽度变化，分别计算光谱曲线的一阶导数和二阶导数，确定光谱曲线的局部斜率和弯曲度，光谱曲线的一阶导数，计算表达式为：；式中，表示曲线的斜率，为光谱反射率，为波长变化率，以及计算光谱曲线的二阶导数，表达式为：；表示曲线的弯曲程度，计算光谱曲线在每个波长位置的弯曲程度，计算表达式为：；式中，是曲率，计算曲线的曲率随波长x的变化，在目标污染区域和普通区域分别计算曲率曲线，确定光谱反射峰的起点和终点，即曲率值开始显著变化的位置，计算反射峰的全宽半高，表达式为：；其中，和分别为反射峰的起点和终点波长，计算反射谱宽度偏差指数，表达式为：；式中，是目标污染区域的反射峰宽度，是植物正常区域的反射峰宽度，rbd是反射谱宽度偏差指数。
12、优选的，将屋顶材料对不同波段的光反射干扰程度进行分析后生成光谱干扰比波动指数，则光谱干扰比波动指数的获取方法为：
13、计算屋顶材料对不同波段的光反射与植物光谱反射之间的比例，其中，在每个波段λ上，计算光谱干扰比，计算表达式为：；式中，是屋顶材料在波长λ处的反射率，是植物在相同波长λ处的反射率，将各个波段的作为一组离散数据序列，用于傅里叶变换的输入，对光谱干扰比进行离散傅里叶变换，；f(k) 是傅里叶变换后的频域信号，表示波段分布的频率成分，k是频率索引，n是波段的数量，表示第n个波段的波长，i是虚数单位，是第n个波段的光谱干扰比，将傅里叶变换后的结果f(k)转换成频率k对应的幅度，表达式为：；式中，re(f(k))是傅里叶变换结果的实部，im(f(k))是傅里叶变换结果的虚部，是频率k对应的幅度，计算光谱干扰比波动指数，表达式为：；为光谱干扰比波动指数。
14、优选的，污染程度评估模块中，将反射谱宽度偏差指数和光谱干扰比波动指数转换为第一特征向量，将第一特征向量作为机器学习模型的输入，机器学习模型以每组第一特征向量预测目标污染区域太阳光反射对光谱数据的整体污染程度值标签为预测目标，以最小化对所有目标污染区域太阳光反射对光谱数据的整体污染程度值标签的预测误差之和作为训练目标，对机器学习模型进行训练，直至预测误差之和达到收敛时停止模型训练，根据模型输出结果确定目标污染区域太阳光反射对光谱数据的整体污染程度值，其中，机器学习模型为多项式回归模型。
15、优选的，污染程度划分模块中，将计算出的整体污染程度值与预先设置的整体污染程度值的参考阈值进行比较，根据比较结果将目标污染区域划分为高污染区域和低污染区域；
16、若整体污染程度值大于等于整体污染程度值的参考阈值，表明太阳光反射对光谱数据的干扰大，将目标污染区域划分为高污染区域；
17、若整体污染程度值小于整体污染程度值的参考阈值，表明污染小，直接用于后续分析，将目标污染区域划分为低污染区域。
18、优选的，调整模块中，对于高污染区域，即在固定时间段内生成的整体污染程度值大于等于整体污染程度值的参考阈值，将后续固定时间段内计算得到的反射谱宽度偏差指数和光谱干扰比波动指数进行收集。
19、优选的，通过自适应采样算法根据不同波段上的数据波动情况动态调整采集频率，采集频率的调整公式为：；其中，是新采集频率，是调整系数，是当前频率；根据不同采集角度下的污染趋势，利用梯度下降寻找使光谱数据最稳定的角度，角度优化的目标函数为：；其中，是采集角度。
20、优选的，根据自适应采样算法的输出，动态调整目标污染区域的采集频率，对于高波动区域，提高采样频率，捕捉更多的细节数据；对于波动小的区域，降低采样频率，以节约资源；根据角度优化算法的结果，调整无人机或传感器的采集角度，使其在减少太阳光反射干扰的同时，保持对植被反射特性的精准采集。
21、在上述技术方案中，本发明提供的技术效果和优点：
22、1、本发明通过利用无人机搭载的多光谱相机对屋顶绿化植物进行光谱数据采集，解决了屋顶高反射性材料所导致的太阳光反射干扰问题。通过各个模块的协同工作，系统能够实时监测太阳光的入射角度，识别目标污染区域，并基于反射特性分析和污染评估，利用反射谱宽度偏差指数（rbd）和光谱干扰比波动指数（sirfi）准确量化污染程度。随后，系统通过动态调整采集频率和角度，对高污染区域进行优化处理，而低污染区域的数据则通过校准直接用于植物碳含量的精确估算。
23、2、本发明不仅能够显著提升多光谱数据的采集质量，同时还减少太阳光反射对光谱数据的干扰，从而提高植物健康状况和碳固存量评估的准确性。通过自适应采样算法和角度优化算法，系统能够针对不同污染区域进行灵活调整，实现更高效的资源利用，并确保采集数据在分析中具有较高的可靠性和稳定性。
1.基于无人机多光谱数据的屋顶绿化植物碳含量分析系统，其特征在于：包括数据获取模块、目标污染区域划分模块、反射特性分析模块、污染程度评估模块，污染程度划分模块以及调整模块；
2.根据权利要求1所述的基于无人机多光谱数据的屋顶绿化植物碳含量分析系统，其特征在于：目标污染区域划分模块中，无人机飞行过程中，光线角度测量仪会实时记录每个监测区域的太阳光入射角度，每个监测区域的数据应包括时间、入射角度以及无人机的gps位置信息，将每个监测区域的太阳光入射角度与对应屋顶材料的临界角进行对比，当监测区域的入射角度大于等于材料临界角时，标记为目标污染区域，当入射角度低于材料临界角时，标记为普通区域。
3.根据权利要求1所述的基于无人机多光谱数据的屋顶绿化植物碳含量分析系统，其特征在于：污染程度评估模块中，将反射谱宽度偏差指数和光谱干扰比波动指数转换为第一特征向量，将第一特征向量作为机器学习模型的输入，机器学习模型以每组第一特征向量预测目标污染区域太阳光反射对光谱数据的整体污染程度值标签为预测目标，以最小化对所有目标污染区域太阳光反射对光谱数据的整体污染程度值标签的预测误差之和作为训练目标，对机器学习模型进行训练，直至预测误差之和达到收敛时停止模型训练，根据模型输出结果确定目标污染区域太阳光反射对光谱数据的整体污染程度值，其中，机器学习模型为多项式回归模型。
4.根据权利要求3所述的基于无人机多光谱数据的屋顶绿化植物碳含量分析系统，其特征在于：污染程度划分模块中，将计算出的整体污染程度值与预先设置的整体污染程度值的参考阈值进行比较，根据比较结果将目标污染区域划分为高污染区域和低污染区域；
5.根据权利要求4所述的基于无人机多光谱数据的屋顶绿化植物碳含量分析系统，其特征在于：调整模块中，对于高污染区域，即在固定时间段内生成的整体污染程度值大于等于整体污染程度值的参考阈值，将后续固定时间段内计算得到的反射谱宽度偏差指数和光谱干扰比波动指数进行收集。
6.根据权利要求5所述的基于无人机多光谱数据的屋顶绿化植物碳含量分析系统，其特征在于：通过自适应采样算法根据不同波段上的数据波动情况动态调整采集频率，采集频率的调整公式为：；其中，是新采集频率，是调整系数，是当前频率；根据不同采集角度下的污染趋势，利用梯度下降寻找使光谱数据最稳定的角度，角度优化的目标函数为：；其中，是采集角度。
7.根据权利要求6所述的基于无人机多光谱数据的屋顶绿化植物碳含量分析系统，其特征在于：根据自适应采样算法的输出，动态调整目标污染区域的采集频率，对于高波动区域，提高采样频率，捕捉更多的细节数据；对于波动小的区域，降低采样频率，以节约资源；根据角度优化算法的结果，调整无人机或传感器的采集角度，使其在减少太阳光反射干扰的同时，保持对植被反射特性的精准采集。
