CN102435564A - 一种基于三波段光谱指数估测植物氮含量的方法 - Google Patents
一种基于三波段光谱指数估测植物氮含量的方法 Download PDFInfo
- Publication number
- CN102435564A CN102435564A CN2011102785135A CN201110278513A CN102435564A CN 102435564 A CN102435564 A CN 102435564A CN 2011102785135 A CN2011102785135 A CN 2011102785135A CN 201110278513 A CN201110278513 A CN 201110278513A CN 102435564 A CN102435564 A CN 102435564A
- Authority
- CN
- China
- Prior art keywords
- nitrogen content
- mndvi
- plant nitrogen
- red
- triband
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Granted
Links
Images
Landscapes
- Investigating Or Analysing Materials By Optical Means (AREA)
Abstract
本发明公开了一种基于三波段光谱指数估测植物氮含量的方法,属于植物遥感监测领域,本发明在近红外光波段、可见光红光波段的基础上,增加了蓝绿光波段及其修正系数,建立了三波段光谱指数及氮含量的监测模型,同时提供该模型的检验模型。本发明克服了现有二波段光谱指数法趋向饱和时灵敏度下降的缺陷,尤其对不同品种、不同水分处理、不同氮素水平下的水稻、小麦叶片氮含量监测具有较高的精度和准确性,实现了作物氮素信息的实时获取,促进了基于光谱技术的作物无损监测技术的广泛应用。
Description
技术领域
本发明涉及农业植被遥感领域,具体地说涉及一种基于三波段光谱指数估测植物氮含量的方法。
背景技术
氮肥的施用是提高作物产量和品质的有效途径,但不科学的氮肥投入会使作物无法完全吸收利用,导致经济损失和生态污染。因此,近年来人们开始研究精确氮肥管理,从而提高氮肥利用率的有效途径,而准确、实时地获取田间作物氮素状况是精确氮肥管理的基础。
传统的获取植物氮素营养的方法主要依赖于破坏性取样、室内分析测定,虽然结果较为可靠,但具有一定滞后性,并破坏了植被完整性。植被遥感光谱技术能够实时、快速、无损地监测作物氮素营养状况,及时进行苗情诊断,为精确氮素管理提供可靠的技术支持。
植被遥感可区别植物类型并进行划分,可以推演出植被的重要参数,还可以较准确地估算出与植被光合作用有关的一些物理量。植被遥感的基本原理是植物的光谱特性。不同植物由于叶片的组织结构和生化组分不同,具有不同的光谱特征,特别是近红外波段有较大的差别。
归一化植被指数(NDVI,Normalized Difference Vegetation Index)被定义为近红外波段与可见光红波段数值之差和这两个波段数值之和的比值,是近红外波段和可见光红光波段两个波段表示的统计参数,即:
NDVI的应用非常广泛,它是植被生长状态及覆盖度的最佳指示因子,与植被分布情况密切相关。在有植被覆盖的情况下,NDVI为正值(>0),并随植被覆盖度增大而增大。但是,NDVI的一个主要的缺陷在于:当植被覆盖度大于80%后,NDVI值增加缓慢,呈饱和状态,严重影响监测的灵敏度。
发明内容
发明目的:本发明的目的是提供一种基于三波段光谱指数估测植物氮含量的方法,用于修正二波段归一化植被指数过饱和的缺陷,建立一个基于三波段指数的高效、精确的植物氮含量监测模型。
技术方案:为实现上述目的,本发明的一种基于三波段光谱指数估测植物氮含量的方法包括如下步骤:
(1)测定植物氮含量并进行光谱采样;
(2)构建三波段光谱指数(mNDVI),所述
其中Rnir为近红外波段的反射率,Rred为可见光红光波段的反射率,Rgreen/blue为可见光蓝绿光波段反射率,k为修正系数;
(3)取mNDVI与植物氮含量相关性最高时的k值;
(4)分别在近红外波段(760nm~1000nm)、可见光红光波段(620~760nm)、可见光蓝绿光波段(400~600nm)中任意取Rnir、Rred、Rgreen/blue随机组合建立mNDVI与植物氮含量的线性回归模型,取较高的决定系数(R2)所对应的波段作为最优Rnir、Rred、Rgreen/blue;
(5)利用mNDVI建立该植物氮含量的监测模型;
(6)检验步骤(5)得到的监测模型。
所述步骤(1)中植物氮含量的测定采用破坏性取样,将被测植物样本烘干称重,采用凯氏定氮法测定得到实测氮含量。同时进行光谱采样,采用光谱辐射仪在适宜天气中观测采样,记录光谱反射率。
所述步骤(3)中模拟k在(-5,5)区间内,间隔0.5的步长变化下,通过模拟取mNDVI与植物氮含量相关性最高的k值。模拟步长须结合实际情况进行调整,当间隔步长过大时,会遗漏最佳k值,而当间隔步长过小时,会增加计算工作量,且没有显著提高模型精度。
所述步骤(5)中建立监测模型通过将一定时间内试验统计的多个mNDVI建立监测模型Y=a×mNDVI+b,并对监测模型进行评估。所述监测模型的评估采用监测决定系数(RY 2)和标准误(SE)评估模型拟合度。
所述步骤(6)包括:利用独立年份该植物测定得的叶片氮含量(LNC)建立检验模型y=c×LNC+d。所述检验模型采用检验精度(RA 2)、相对均方根误差(RRMSE)和斜率(slope)进行综合评价。
其中, n为模型检验样本数,Pi为模型估测值,Oi为试验观察值。
本方案可以对某一独立对象进行氮含量监测,也可同时监测不同对象的氮含量。当监测不同对象的氮含量时,步骤(4)所述确定最优Rnir、Rred、Rgreen/blue时,取各对象较高的决定系数(R2)前10%的交集的最好结果。
有益效果:本发明的一种基于三波段光谱指数估测植物氮含量的方法克服了现有二波段光谱指数法趋向饱和时灵敏度下降的缺陷,尤其对不同品种、不同水分处理、不同氮素水平下的水稻、小麦叶片氮含量监测具有较高的精度和准确性,实现作物氮素信息的实时获取,促进了基于光谱技术的作物无损监测技术的广泛应用。
附图说明
图1是本发明估测植物氮含量的方法流程图;
图2是本发明不同修正系数k下mNDVI与稻麦叶片氮含量的相关性示意图;
图3是本发明mNDVI与稻麦叶片氮含量监测模型的模型效果图,纵坐标表示叶片氮含量(LNC(%)),横坐标为对应的三波段植被指数(mNDVI)。图中表明经多年监测实验结果得出:水稻从拔节到灌浆期的监测模型Y=4.4366x-1.0648,监测决定系数RY 2=0.870,标准误SE=0.052,样本数N=183;小麦从拔节到灌浆期的监测模型Y=7.3912x-2.7266,监测决定系数RY 2=0.857,标准误SE=0.148,样本数N=228;
图4是本发明三波段植被指数mNDVI与稻麦叶片氮含量模型检验测试效果图,图中样本为独立年份资料,纵坐标为预测氮含量,横坐标表示某年实测氮含量。该图表明水稻从拔节到灌浆期的检验模型y1=0.7405x+0.7405,检验精度RA 2=0.866,相对均方根误差RRMSE=0.131,样本数N=180;小麦从拔节到灌浆期的检验模型y2=0.9795x+0.3672,检验精度RA 2=0.8583,相对均方根误差RRMSE=0.169,样本数N=250。
具体实施方式
下面结合附图对本发明作更进一步的说明。
S101测定植物氮含量、光谱采样
样本信息来自不同生态点的不同品种稻麦,经区别氮肥处理和水分处理的稻麦试验田共8个。水稻品种包括武香粳9、华粳2、日本晴、武香粳14、27123和两优培九;小麦品种包括宁麦9、扬麦12、豫麦34、淮麦25和徐麦856。氮肥处理(水稻:0~405kg·hm-2,小麦:0~270kg·hm-2)。水分处理(-60、-40、-20、5cm水层灌溉,田间持水量百分比40%~45%、60%~65%、75%~80%和100%)。生态点包括南京和淮安。样本信息的采集从2004~2009年。
本实施监测的是稻麦叶片的氮含量,进行光谱采样时,采用美国Analytical SpectralDevice(ASD)公司生产的FieldSpec Pro FR2500型背挂式野外高光谱辐射仪对稻麦冠层进行采样。采样时选择在天气晴朗、无风或风速很小时进行,采样时间为10:00~14:00h,光谱辐射仪视场角为25°,距冠层顶垂直距离约1.0m,地面视场范围为0.44m2。每小区测定3个观测点,每个观测点记录10个采样光谱,以其平均值代表该小区光谱反射率。
植物氮含量的测定与光谱观测同步,采用田间破坏性取样,每小区取10株,将绿色叶片按叶位分离,在105℃下杀青并在80℃下烘干后称重。采用凯氏定氮法测得氮含量,通过不同叶位叶干重加权计算出冠层叶片的实测氮含量。
S102构建mNDVI
其中Rnir为近红外波段的反射率,Rred为可见光红光波段的反射率,Rgreen/blue为可见光蓝绿光波段反射率,k为修正系数。
模拟k在(-5,5)区间内,间隔0.5的步长变化下,mNDVI与植物氮含量的相关性,当k=2时,mNDVI与叶片氮含量的敏感性最高,进而得到:
S103确定对应该被测植物指数的最优Rnir、Rred、Rgreen/blue
分别在近红外波段(760nm~1000nm)、可见光红光波段(620~760nm)、可见光蓝绿光波段(400~600nm)中任意取Rnir、Rred、Rgreen/blue随机组合建立mNDVI与植物氮含量的线性回归模型,取较高的决定系数(R2)所对应的波段作为最优Rnir、Rred、Rgreen/blue,得到λnir=924nm,λred=703nm,λgreen/blue=423nm。从而得到:
S104利用mNDVI建立氮含量监测模型;
基于上述新构建的mNDVI,利用2004~2009年各大田试验区的试验数据,构建适用于稻麦拔节期至灌浆期叶片氮含量的监测模型Y1和Y2。将试验统计的多个mNDVI建立监测模型Y=a×mNDVI+b,并采用监测决定系数(RY 2)和标准误(SE)对监测模型的拟合优度进行评估。如图3所示:
水稻:Y1=4.4366×mNDVI(R924,R703,R423)-1.0648;监测决定系数RY 2为0.870,标准误SE为0.052;
小麦:Y2=7.3912×mNDVI(R924,R703,R423)-2.7266;监测决定系数RY 2为0.857,标准误SE为0.148。
图3显示了本发明mNDVI与稻麦叶片氮含量监测模型的模型效果图,纵坐标表示叶片氮含量,横坐标为对应的三波段植被指数。结果表明:水稻从拔节到灌浆期的监测模型Y=4.4366x-1.0648,监测决定系数RY 2=0.870,标准误SE=0.052,样本数N=183;小麦从拔节到灌浆期的监测模型Y=7.3912x-2.7266,监测决定系数RY 2=0.857,标准误SE=0.148,样本数N=228。
S105检验氮含量监测模型。
利用独立年份试验资料稻麦叶片测得的氮含量(LNC)建立检验模型y=c×LNC+d。检验模型采用检验精度(RA 2)、相对均方根误差(RRMSE)和斜率(slope)对进行综合评价。 n为模型检验样本数,Pi为模型估测值,Oi为试验观察值。
水稻从拔节到灌浆期的检验模型:y1=0.7405x+0.7405,检验精度RA 2=0.866,斜率slope为0.749,相对均方根误差RRMSE=13.1%;
小麦从拔节到灌浆期的检验模型:y2=0.9795x+0.3672,检验精度RA 2=0.8583,斜率slope为0.797,相对均方根误差RRMSE=16.9%。
将上述试验资料的结果与现有的光谱植被指数在稻麦叶片氮含量估测中的表现进行对比,这些光谱植被指数包括:三波段指数修正的归一化指数(mND)、修正的比值指数(mSR)、增强型植被指数(EVI),转换型色素吸收光谱指数(TCARI),中分辨率地面叶绿素指数(MTCI),两波段植被指数归一化差值红边指数(NDRE)、冠层色素含量指数(CCCI)、RVI(R870,R660)等,如表1所示:
表1 各种植被指数的稻麦叶片氮含量监测模型表现
结果表明,本发明所提供的三波段光谱植被指数mNDVI建立的稻麦氮含量估测模型准确性较高,预测能力较强,优于已有的三波段指数和两波段指数。
以上所述仅是本发明的优选实施方式,应当指出:对于本技术领域的普通技术人员来说,在不脱离本发明原理的前提下,还可以做出若干改进和润饰,这些改进和润饰也应视为本发明的保护范围。
Claims (6)
1.一种基于三波段光谱指数估测植物氮含量的方法,其特征在于包括如下步骤:
(1)测定植物氮含量并进行光谱采样;
(2)构建三波段光谱指数(mNDVI),所述
其中Rnir为近红外波段的反射率,Rred为可见光红光波段的反射率,Rgreen/blue为可见光蓝绿光波段反射率,k为修正系数;
(3)取mNDVI与植物氮含量相关性最高时的k值;
(4)分别在近红外波段(760nm~1000nm)、可见光红光波段(620~760nm)、可见光蓝绿光波段(400~600nm)中任意取Rnir、Rred、Rgreen/blue随机组合建立mNDVI与植物氮含量的线性回归模型,取较高的决定系数(R2)所对应的波段作为最优Rnir、Rred、Rgreen/blue;
(5)利用mNDVI建立该植物的监测模型;
(6)检验步骤(5)得到的监测模型。
2.根据权利要求1所述的一种基于三波段光谱指数估测植物氮含量的方法,其特征在于:所述步骤(3)中模拟k在(-5,5)区间内,间隔0.5的步长变化下,取mNDVI与植物氮含量相关性最高的k值。
3.根据权利要求1所述的一种基于三波段光谱指数估测植物氮含量的方法,其特征在于:所述步骤(5)中建立监测模型通过将一定时间内试验统计的多个mNDVI建立监测模型Y=a×mNDVI+b,并对监测模型进行评估。
4.根据权利要求3所述的一种基于三波段光谱指数估测植物氮含量的方法,其特征在于:所述监测模型的评估采用监测决定系数(RY 2)和标准误(SE)评估模型拟合度。
5.根据权利要求1所述的一种基于三波段光谱指数估测植物氮含量的方法,其特征在于:所述步骤(6)包括:利用独立年份该植物测得的叶片氮含量(LNC)建立检验模型y=c×LNC+d。
6.根据权利要求5所述的一种三波段光谱指数估测植物氮含量的方法,其特征在于:所述检验模型采用检验精度(RA 2)、相对均方根误差(RRMSE)和斜率(slope)进行综合评价。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201110278513.5A CN102435564B (zh) | 2011-09-19 | 2011-09-19 | 一种基于三波段光谱指数估测植物氮含量的方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201110278513.5A CN102435564B (zh) | 2011-09-19 | 2011-09-19 | 一种基于三波段光谱指数估测植物氮含量的方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN102435564A true CN102435564A (zh) | 2012-05-02 |
CN102435564B CN102435564B (zh) | 2013-09-18 |
Family
ID=45983739
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201110278513.5A Active CN102435564B (zh) | 2011-09-19 | 2011-09-19 | 一种基于三波段光谱指数估测植物氮含量的方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN102435564B (zh) |
Cited By (16)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103323404A (zh) * | 2013-05-30 | 2013-09-25 | 中国农业科学院北京畜牧兽医研究所 | 一种获得冷季型禾本科牧草群体补充氮肥量的方法 |
CN103868880A (zh) * | 2014-01-24 | 2014-06-18 | 河南农业大学 | 基于光谱双峰指数的小麦叶片氮含量监测方法及其监测模型的构建方法 |
CN106525731A (zh) * | 2016-09-27 | 2017-03-22 | 北京农业信息技术研究中心 | 基于遥感与农学知识的冠层叶氮垂直分布探测方法及装置 |
CN107389561A (zh) * | 2017-07-13 | 2017-11-24 | 山东省烟台市农业科学研究院 | 基于rgb颜色传感器的植物叶片养分监测设备及监测方法 |
CN107389573A (zh) * | 2017-07-28 | 2017-11-24 | 中国农业科学院农田灌溉研究所 | 氮营养指数估算方法及装置 |
CN107466756A (zh) * | 2017-08-30 | 2017-12-15 | 黑龙江省农业科学院耕作栽培研究所 | 一种水稻冷害早期鉴定及其处理方法 |
CN107796764A (zh) * | 2016-09-05 | 2018-03-13 | 南京农业大学 | 一种基于三波段植被指数的小麦叶面积指数估算模型的构建方法 |
CN109115951A (zh) * | 2018-07-31 | 2019-01-01 | 东北农业大学 | 基于冠层结构与冠层光谱的水稻植株全氮估测方法 |
CN109596577A (zh) * | 2018-11-12 | 2019-04-09 | 河南农业大学 | 小麦白粉病病情监测模型的构建方法及宽角度适应的监测方法 |
CN111721738A (zh) * | 2020-06-23 | 2020-09-29 | 陕西理工大学 | 基于高光谱的植物生长状态与土壤含氮量关系的分析方法 |
CN111811998A (zh) * | 2020-09-01 | 2020-10-23 | 中国人民解放军国防科技大学 | 一种目标波段下强吸收性生物颗粒组分的确定方法 |
CN112461773A (zh) * | 2020-11-18 | 2021-03-09 | 西南大学 | 一种确定果实膨大期树体叶片氮含量的方法及*** |
CN112504972A (zh) * | 2020-10-09 | 2021-03-16 | 华南师范大学 | 一种快速监测烟草氮含量的方法 |
CN113433127A (zh) * | 2021-06-24 | 2021-09-24 | 内蒙古农业大学 | 基于优化光谱指数的马铃薯生长季氮肥用量施用方法 |
CN113670913A (zh) * | 2021-08-18 | 2021-11-19 | 沈阳农业大学 | 水稻氮素含量反演高光谱植被指数构建方法 |
CN116602106A (zh) * | 2023-07-20 | 2023-08-18 | 南京农业大学三亚研究院 | 一种基于无人机的水稻田内变量施肥方法 |
Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102175618A (zh) * | 2011-01-31 | 2011-09-07 | 南京农业大学 | 一种稻麦叶片氮含量光谱监测模型建模方法 |
-
2011
- 2011-09-19 CN CN201110278513.5A patent/CN102435564B/zh active Active
Patent Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102175618A (zh) * | 2011-01-31 | 2011-09-07 | 南京农业大学 | 一种稻麦叶片氮含量光谱监测模型建模方法 |
Non-Patent Citations (3)
Title |
---|
J.J.READ ET AL: "Narrow-Waveband Reflectance Ratios for Remote Estimation of Nitrogen Status in Cotton", 《JOURNAL OF ENVIRONMENTAL QUALITY》, vol. 31, no. 5, 30 September 2002 (2002-09-30), pages 1442 - 1452 * |
唐世浩 等: "三波段梯度差植被指数的理论基础及其应用", 《中国科学(D辑)》, vol. 33, no. 11, 30 November 2003 (2003-11-30), pages 1094 - 1102 * |
田永超 等: "估测水稻叶层氮浓度的新型蓝光氮指数", 《应用生态学报》, vol. 21, no. 4, 30 April 2010 (2010-04-30), pages 966 - 972 * |
Cited By (23)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103323404B (zh) * | 2013-05-30 | 2015-09-16 | 中国农业科学院北京畜牧兽医研究所 | 一种获得冷季型禾本科牧草群体补充氮肥量的方法 |
CN103323404A (zh) * | 2013-05-30 | 2013-09-25 | 中国农业科学院北京畜牧兽医研究所 | 一种获得冷季型禾本科牧草群体补充氮肥量的方法 |
CN103868880A (zh) * | 2014-01-24 | 2014-06-18 | 河南农业大学 | 基于光谱双峰指数的小麦叶片氮含量监测方法及其监测模型的构建方法 |
CN103868880B (zh) * | 2014-01-24 | 2016-08-17 | 河南农业大学 | 基于光谱双峰指数的小麦叶片氮含量监测方法及其监测模型的构建方法 |
CN107796764A (zh) * | 2016-09-05 | 2018-03-13 | 南京农业大学 | 一种基于三波段植被指数的小麦叶面积指数估算模型的构建方法 |
CN107796764B (zh) * | 2016-09-05 | 2020-01-24 | 南京农业大学 | 一种基于三波段植被指数的小麦叶面积指数估算模型的构建方法 |
CN106525731A (zh) * | 2016-09-27 | 2017-03-22 | 北京农业信息技术研究中心 | 基于遥感与农学知识的冠层叶氮垂直分布探测方法及装置 |
CN106525731B (zh) * | 2016-09-27 | 2019-01-22 | 北京农业信息技术研究中心 | 基于遥感与农学知识的冠层叶氮垂直分布探测方法及装置 |
CN107389561A (zh) * | 2017-07-13 | 2017-11-24 | 山东省烟台市农业科学研究院 | 基于rgb颜色传感器的植物叶片养分监测设备及监测方法 |
CN107389573A (zh) * | 2017-07-28 | 2017-11-24 | 中国农业科学院农田灌溉研究所 | 氮营养指数估算方法及装置 |
CN107466756A (zh) * | 2017-08-30 | 2017-12-15 | 黑龙江省农业科学院耕作栽培研究所 | 一种水稻冷害早期鉴定及其处理方法 |
CN109115951A (zh) * | 2018-07-31 | 2019-01-01 | 东北农业大学 | 基于冠层结构与冠层光谱的水稻植株全氮估测方法 |
CN109596577A (zh) * | 2018-11-12 | 2019-04-09 | 河南农业大学 | 小麦白粉病病情监测模型的构建方法及宽角度适应的监测方法 |
CN111721738A (zh) * | 2020-06-23 | 2020-09-29 | 陕西理工大学 | 基于高光谱的植物生长状态与土壤含氮量关系的分析方法 |
CN111811998A (zh) * | 2020-09-01 | 2020-10-23 | 中国人民解放军国防科技大学 | 一种目标波段下强吸收性生物颗粒组分的确定方法 |
CN112504972A (zh) * | 2020-10-09 | 2021-03-16 | 华南师范大学 | 一种快速监测烟草氮含量的方法 |
CN112461773A (zh) * | 2020-11-18 | 2021-03-09 | 西南大学 | 一种确定果实膨大期树体叶片氮含量的方法及*** |
CN112461773B (zh) * | 2020-11-18 | 2021-07-06 | 西南大学 | 一种确定果实膨大期树体叶片氮含量的方法及*** |
CN113433127A (zh) * | 2021-06-24 | 2021-09-24 | 内蒙古农业大学 | 基于优化光谱指数的马铃薯生长季氮肥用量施用方法 |
CN113433127B (zh) * | 2021-06-24 | 2024-02-23 | 内蒙古农业大学 | 基于优化光谱指数的马铃薯生长季氮肥用量施用方法 |
CN113670913A (zh) * | 2021-08-18 | 2021-11-19 | 沈阳农业大学 | 水稻氮素含量反演高光谱植被指数构建方法 |
CN113670913B (zh) * | 2021-08-18 | 2023-05-16 | 沈阳农业大学 | 水稻氮素含量反演高光谱植被指数构建方法 |
CN116602106A (zh) * | 2023-07-20 | 2023-08-18 | 南京农业大学三亚研究院 | 一种基于无人机的水稻田内变量施肥方法 |
Also Published As
Publication number | Publication date |
---|---|
CN102435564B (zh) | 2013-09-18 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN102435564B (zh) | 一种基于三波段光谱指数估测植物氮含量的方法 | |
CN102426153B (zh) | 一种基于冠层高光谱指数的小麦植株水分监测方法 | |
CN102313699B (zh) | 作物冠层叶片的全氮含量估算方法 | |
CN110376167A (zh) | 基于无人机高光谱的水稻叶片氮含量监测方法 | |
CN113268923B (zh) | 一种基于模拟多光谱的夏玉米产量估算方法 | |
CN110567892B (zh) | 一种基于临界氮浓度的夏玉米氮素高光谱预测方法 | |
CN103472009B (zh) | 一种不同植株氮含量水平下小麦植株含水率的监测方法 | |
CN103868880A (zh) | 基于光谱双峰指数的小麦叶片氮含量监测方法及其监测模型的构建方法 | |
CN103293111A (zh) | 一种土壤背景干扰下小麦叶层氮含量光谱监测模型及建模方法 | |
CN104502283A (zh) | 估测大豆产量和地上部干重的一套两波段高光谱指数和预测模型 | |
CN104374711B (zh) | 一种树木叶面尘土量的确定方法及*** | |
CN103185695A (zh) | 一种基于光谱的烤烟成熟度田间快速判断方法 | |
CN111044516B (zh) | 一种水稻叶绿素含量遥感估测方法 | |
CN103411846A (zh) | 基于高光谱技术的叶面降尘量测定方法 | |
CN106485345A (zh) | 棉花全生育期冠层spad值遥感估算及估算模型构建方法 | |
CN110987830A (zh) | 植物冠层叶片叶绿素含量快速测定模型、测定方法及应用 | |
CN113252583B (zh) | 一种基于枯草植被指数计算高寒枯草覆盖度的方法 | |
CN106469240A (zh) | 基于光谱指数的油菜叶片spad估测及估测模型构建方法 | |
CN112649392A (zh) | 一种快速鉴定小麦节水抗旱性的方法 | |
Wang et al. | Estimation of plant water content by spectral absorption features centered at 1,450 nm and 1,940 nm regions | |
CN103913425B (zh) | 基于光谱指数和气候因子耦合的冬小麦籽粒蛋白质含量预测方法及其预测模型的构建方法 | |
CN114169165B (zh) | 一种三波段植被指数估算镉胁迫下水稻叶绿素的模型方法 | |
CN106203673A (zh) | 考虑水分胁迫的农作物生物量遥感估算方法 | |
Kaishan et al. | Soybean LAI estimation with in-situ collected hyperspectral data based on BP-neural networks | |
CN112924401B (zh) | 一种植被冠层叶绿素含量半经验反演方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
C14 | Grant of patent or utility model | ||
GR01 | Patent grant | ||
TR01 | Transfer of patent right |
Effective date of registration: 20220509 Address after: 111 Baima Avenue, Baima Town, Lishui District, Nanjing City, Jiangsu Province, 211200 Patentee after: Shennong Intelligent Agricultural Research Institute Nanjing Co.,Ltd. Address before: Weigang Xuanwu District of Nanjing in Jiangsu province No. 1 Nanjing Agricultural University 210095 Patentee before: NANJING AGRICULTURAL University |
|
TR01 | Transfer of patent right |