1.基于光谱监测技术的植物生长监控保护方法，其特征在于，该方法包括以下步骤：

采集大豆植物种植区域中每个样本点的高光谱原始数据；

对高光谱原始数据进行降维得到高光谱降维数据，所述高光谱降维数据中的各维度记为一个波长组合；

根据各波长组合与各波长的线性组合系数以及各波长上最大响应变化量计算高光谱降维数据各波长组合的光谱成分单一性；基于所述光谱成分单一性以及各波长组合的光谱响应值确定任意两个样本点在各波长组合上的光谱响应强度系数；基于所述光谱响应强度系数获得任意两个样本点的修正马氏距离；

根据任意两个样本点的修正马氏距离计算每个样本点的基准采样权重，基于基准采样权重从所有样本点中采样出基准点；根据基准点与其他样本点的修正马氏距离获得其他样本点的偏移采样权重，基于偏移采样权重从其他样本点中采样出偏移点；根据基准点和偏移点确定虚拟点，所有的样本点和虚拟点构成扩充数据集，利用扩充数据集训练机器学习模型并监测大豆植物长势；

所述基于所述光谱响应强度系数获得任意两个样本点的修正马氏距离，包括的具体方法为：

根据每两个样本点在各波长组合上进行比较时的光谱响应强度系数，获得每两个样本点之间的修正矩阵，第i个样本点与第j个样本点之间的修正矩阵 为：式中： 表示第i个样本点与第j个样本点在第1个维度上进行比较时的光谱响应强度系数； 表示第i个样本点与第j个样本点在第z个维度上进行比较时的光谱响应强度系数；

根据每两个样本点的高光谱降维数据以及每两个样本点之间的修正矩阵，获取每两个样本点的修正马氏距离，第i个样本点与第j个样本点之间修正马氏距离 计算方法为：式中： 表示第i个样本点的高光谱降维数据，表示第j个样本点的高光谱降维数据，表示第i个样本点与第j个样本点之间的修正矩阵， 表示第1个波长组合在PCA主成分分析中对应主成分的方差贡献率， 表示第z个波长组合在PCA主成分分析中对应主成分的方差贡献率， 表示求转置矩阵函数， 表示求逆矩阵函数。

2.根据权利要求1所述基于光谱监测技术的植物生长监控保护方法，其特征在于，所述根据各波长组合与各波长的线性组合系数以及各波长上最大响应变化量计算高光谱降维数据各波长组合的光谱成分单一性，包括的具体计算方法为：第r个波长组合的光谱成分单一性 计算方法为：

式中： 表示高光谱原始数据中的第一个波长； 表示高光谱原始数据中的最后一个波长； 表示高光谱降维数据中第r个波长组合与第 个波长的线性组合系数， 表示求标准差函数， 表示求最大值函数； 表示第i个样本点与第 个样本点的欧式距离， 表示高光谱原始数据中第i个样本点在第 个波长上的光谱响应值， 表示高光谱原始数据中第 个样本点在第 个波长上的光谱响应值，表示第i个样本点邻域内在第 个波长上光谱值的最大响应变化量。

3.根据权利要求2所述基于光谱监测技术的植物生长监控保护方法，其特征在于，所述各波长组合与各波长的线性组合系数，包括的具体内容为：根据PCA主成分分析方法获取高光谱降维数据中各波长组合与各波长对应的线性组合系数。

4.根据权利要求1所述基于光谱监测技术的植物生长监控保护方法，其特征在于，所述基于所述光谱成分单一性以及各波长组合的光谱响应值确定任意两个样本点在各波长组合上的光谱响应强度系数，包括的具体方法为：第i个样本点与第j个样本点在第r个波长组合上进行比较时的光谱响应强度系数计算方法为：式中： 表示第r个波长组合的光谱成分单一性， 表示第i个样本点在第r个波长组合上的光谱响应值， 表示第j个样本点在第r个波长组合上的光谱响应值， 表示以自然常数为底的指数函数。

5.根据权利要求1所述基于光谱监测技术的植物生长监控保护方法，其特征在于，所述根据任意两个样本点的修正马氏距离计算每个样本点的基准采样权重，包括的具体方法为：根据各样本点与各样本点的邻近样本点之间的修正马氏距离的均值，获取各样本点的密度，第i个样本点的密度 计算方法为：式中：表示第i个样本点的邻近样本点数量，表示第i个样本点的第t个邻近样本点，表示第i个样本点与第i个样本点的第t个邻近样本点之间的修正马氏距离；

根据各样本点的密度，获取各样本点的基准采样权重，第i个样本点的基准采样权重计算方法为：式中： 表示第i个样本点的密度， 表示Sigmoid函数。

6.根据权利要求1所述基于光谱监测技术的植物生长监控保护方法，其特征在于，所述基于基准采样权重从所有样本点中采样出基准点，包括的具体方法为：将所有样本点的数量记为N，获取所有样本点的基准采样权重，将所有样本点按基准采样权重从大到小排列，取基准采样权重最大的 个样本点，将所取得的 个样本点记为基准点，将所有基准点以及所有基准点的基准采样权重输入随机抽样函数进行抽取；第t轮采样，使用datasample函数在所有基准点中随机抽取一个样本点作为第t轮采样的基准点。

7.根据权利要求6所述基于光谱监测技术的植物生长监控保护方法，其特征在于，所述根据基准点与其他样本点的修正马氏距离获得其他样本点的偏移采样权重，基于偏移采样权重从其他样本点中采样出偏移点，包括的具体方法为：第t轮采样的基准点为第i个样本点，则第j个样本点的偏移采样权重 计算方法为：

式中： 表示第j个样本点的密度， 表示第i个样本点与第j个样本点之间的修正马氏距离，j≠i， 表示第i个样本点与第j个样本点之间的欧式距离， 表示求标准差函数，表示Sigmoid函数； 表示第i个样本点与所有样本点之间的修正马氏距离构成的合集的标准差， 表示第i个样本点与所有样本点之间的欧式距离构成的合集的标准差；

获取所有样本点在第t轮采样的偏移采样权重，将所有样本点按第t轮采样的偏移采样权重从大到小排列，取偏移采样权重最大的 个样本点，将这 个样本点记为偏移点，将所有偏移点以及所有偏移点的偏移采样权重输入随机抽样函数进行抽取；用datasample函数在所有偏移点中随机抽取一个样本点作为第t轮采样的偏移点。

8.根据权利要求6所述基于光谱监测技术的植物生长监控保护方法，其特征在于，所述根据基准点和偏移点确定虚拟点，包括的具体方法为：第t轮采样的基准点为第a个样本点，第t轮采样的偏移点为第b个样本点，所建立的第t个虚拟点第r个波长组合的光谱响应值 为：式中： 表示第a个样本点在第r个波长组合上的光谱响应值， 表示第b个样本点在第r个波长组合上的光谱响应值。

9.根据权利要求1所述基于光谱监测技术的植物生长监控保护方法，其特征在于，所述利用扩充数据集训练机器学习模型并监测大豆植物长势，包括的具体方法为：将扩充数据集中所有样本点和虚拟点的高光谱降维数据以向量格式输入孤立森林算法模型，孤立森林算法的输出即为各数据点的异常分数；筛选出异常分数大于预设异常阈值G的样本点；将筛选得到的所有样本点记为异常点；通过异常点在高光谱降维数据中对应位置即可获得长势异常的大豆植物所处的位置。