CN103472009B - 一种不同植株氮含量水平下小麦植株含水率的监测方法 - Google Patents
一种不同植株氮含量水平下小麦植株含水率的监测方法 Download PDFInfo
- Publication number
- CN103472009B CN103472009B CN201310422607.4A CN201310422607A CN103472009B CN 103472009 B CN103472009 B CN 103472009B CN 201310422607 A CN201310422607 A CN 201310422607A CN 103472009 B CN103472009 B CN 103472009B
- Authority
- CN
- China
- Prior art keywords
- plant water
- different
- wheat
- pwc
- monitoring
- 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.)
- Active
Links
Classifications
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02A—TECHNOLOGIES FOR ADAPTATION TO CLIMATE CHANGE
- Y02A40/00—Adaptation technologies in agriculture, forestry, livestock or agroalimentary production
- Y02A40/10—Adaptation technologies in agriculture, forestry, livestock or agroalimentary production in agriculture
Landscapes
- Investigating Or Analysing Materials By Optical Means (AREA)
Abstract
本发明属于作物生长监测领域,公开了一种不同植株氮含量水平下小麦植株含水率的监测方法,将小麦冠层叶片反射光谱数据与PWC数据相结合,按照不同PNC大小水平分类,确定不同PNC水平下的核心波段共性区域,构建基于核心波段共性区域的最优光谱指数,建立基于最优光谱指数通用的小麦植株含水率的监测模型。本发明充分考虑了低、中、高不同氮素营养条件对PWC监测的影响,所选最优光谱指数适用于多类氮素营养下的小麦PWC高光谱监测,可以快速、无损、精准的估测不同水氮条件下的小麦PWC。该发明将对精确农业中不同氮素营养条件下的小麦植株水分含量的高光谱监测提供重要技术支撑。
Description
技术领域
本发明属于作物生长监测领域,涉及一种不同植株氮含量水平下小麦植株含水率的监测方法,具体涉及一种基于高光谱技术确定不同植株氮含量水平下的小麦植株含水率核心波段共性区域最优光谱指数、建立基于最优光谱指数的小麦PWC监测模型的方法,特别适用于不同氮营养水平下小麦植株含水率的高光谱监测研究。
背景技术
基于高光谱遥感技术可实现作物水分状况的实时监测和快速诊断,对提高作物灌溉管理水平和水分利用效率具有重要意义。
植株含水率(PWC)能全面反应作物需水信息。近年来,国内外学者对作物PWC的敏感波段和特征光谱参数做了大量研究,提出了形式多样的水分光谱指数,但这些光谱指数往往只考虑了的单一的水分影响。已有研究证明,作物体内生化成分间存在强烈的相关性,其中氮(N)素通过叶绿素、木质素和纤维素等与作物水分间接相关,因此,不同植株氮含量(PNC)水平必然影响作物生长发育,从而间接影响作物PWC监测。由于实际大田生产中往往涉及不同施氮水平,而已有水分光谱指数鲜有考虑不同氮素营养水平的影响,且部分光谱指数虽对整体PWC监测研究有较高精度,但在某些PNC水平下对PWC的监测精度则较低,误差较大,因此,迫切需要一种确定适用于不同PNC水平条件下的PWC光谱指数的技术和方法。
发明内容
本发明的目的是针对上述现有技术的不足,充分考虑不同氮营养水平对小麦水分监测的影响,通过将所有PWC及对应冠层光谱反射率按照不同PNC大小水平分类,寻找不同PNC水平下的PWC核心波段共性区域,确定适用于不同PNC水平条件下的PWC最优光谱指数,从而建立基于最优光谱指数的小麦PWC监测模型,该方法可以快速、无损、精准的估测不同水氮条件下的小麦PWC。
本发明的目的是通过以下技术方案实现的:
一种不同植株氮含量水平下小麦植株含水率的监测方法,包括以下步骤:
步骤一、取样,采集小麦冠层光谱反射率、PNC和PWC数值;样本点采自不同生育期、不同水分处理、不同施氮水平和不同年份;
步骤二、按不同PNC水平将全部PWC和冠层光谱反射率分为三个子数据集;
步骤三、获取不同PNC水平子数据集下PWC与NDSI的决定系数(R2)结果集;
步骤四、确定不同PNC水平下的PWC核心波段共性区域;
步骤五、确定基于核心波段共性区域的最优光谱指数;
步骤六、建立基于最优光谱指数的小麦PWC监测模型;
步骤七、检验小麦PWC监测模型的准确性和普适性。
步骤一中,设置不同水分处理和不同施氮水平互作的小麦田间实验,采集拔节至灌浆各关键生育时期冠层光谱反射率,并在每小区内同步选取可表征小区平均长势的10个单茎进行破坏性取样,称量鲜重和干重,计算PWC结果,磨样称重后采用凯氏定氮法测定对应PNC。
采集的冠层高光谱反射率分辨率高、信息量大,光谱波段范围为350-2500nm,波段间隔为1nm。
PWC的计算方式为:植株含水率(PWC)(%)=(WF-WD)/WF×100,其中WF为植株鲜重(g)总和,WD为植株干重(g)总和。
步骤二中,综合考虑PNC大小范围,及各范围内数据量分布情况,将PNC分为PNC<1.3%、PNC1.3-1.6%、PNC>1.6%三个范围,按照对应PNC值范围,将全部的PWC和对应的冠层光谱反射率分为对应不同PNC水平的三个子数据集。
基本分类原则为:保证各水平PNC值的范围存在一定差异的基础上,控制各PNC水平所属子数据集的数据量无太大差异。总数据量越大越有助于寻找核心波段共性区域。
步骤三中,使用Matlab9.0编程计算,获取不同PNC水平子数据集下PWC与350-2500nm波段范围内任意两波段组合的NDSI所建对应模型的决定系数(R2)结果集;并将各结果集中所有波段组合的模型R2矩阵数据绘制成等高线图,以颜色深度变化显示R2大小的变化。
R2结果集具体为:在350-2500nm波段内,以1nm为间隔的两两波段对应组合的NDSI与PWC所建模型的R2集,呈矩阵排列。
步骤四中,以上述各决定系数(R2)结果集中R2的最大值为标准,定义R2前10%对应的等高线图区域为核心波段区域;通过Matlab9.0寻找各PNC水平子数据集的核心波段区域的相同部分,即为核心波段共性区域。
步骤五中,在步骤四已确定的核心波段共性区域内计算两两波段组合的所有NDSI与PWC所建模型所对应的建模精度(R2)和检验误差(RRMSE),选取R2-RRMSE最大值对应的光谱指数为最优光谱指数,确定最优光谱指数为NDSI(1302,1190)。
步骤六中,基于最优光谱指数NDSI(1302,1190)的小麦PWC监测模型为:Y=-1289.4X+78.29,其中,模型R2为0.876,SE为2.702。
步骤七中,利用独立年份小麦试验数据验证监测模型的准确性和普适性,采用复相关系数R2、相对根均方差RRMSE对监测模型进行综合评价(检验监测模型R2为0.7979,RRMSE为0.0662),并验证监测模型对PNC的敏感性(PNC检验模型R2为0.3242,RRMSE为45.7011)。
本发明相对传统技术的优点:
本发明基于不同PNC分类水平下PWC核心波段共性区域筛选出的NDSI最优波段组合,充分考虑了低、中、高不同氮素营养条件对PWC监测的影响,所选光谱指数适用于不同氮素营养下的小麦PWC高光谱监测。而传统光谱指数构建筛选技术则往往只是针对PWC的研究,很少考虑不同氮营养条件的影响,特别是对不同氮营养水平条件下的PWC监测广适性鲜有提到。本发明可以快速、无损、精准的估测不同水氮条件下的小麦PWC,将对精确农业中不同氮素营养条件下的小麦植株水分含量的高光谱监测提供重要技术支撑。
附图说明
图1为不同PNC水平下的小麦PWC与任意两波段组合的NDSI决定系数前10%等高线图(A:PNC<1.3%;B:PNC1.3-1.6%;C:PNC>1.6%)及其共性区域图(D)。
图2为基于不同PNC水平核心波段共性区域NDSI(1302,1190)的小麦PWC模型构建(A)和模型检验(B)。
图3为基于总数据集的小麦PWC与任意两波段组合的NDSI决定系数等高线图。
图4为基于总数据集NDSI(1727,1539)的小麦PWC模型构建(A)和模型检验(B)。
图5为本发明不同植株氮含量水平下小麦植株含水率的监测方法流程图。
具体实施方式
本发明通过实施不同年份、不同施氮水平和不同水分处理互作的两个小麦试验,结合附图,考察了基于高光谱技术的不同PNC水平下的PWC核心波段共性区域最优光谱指数的应用优势。
如图5所示,不同植株氮含量水平下小麦植株含水率的监测方法,包括以下步骤:
S101:取样,采集小麦冠层光谱反射率、PNC和PWC数值;样本点采自不同生育期、不同水分处理、不同施氮水平和不同年份;
S102:按不同PNC水平将PWC和冠层光谱反射率数据分为三个子数据集;
S103:获取不同PNC水平子数据集下PWC与NDSI的决定系数(R2)结果集;
S104:确定不同PNC水平下的PWC核心波段共性区域;
S105:确定核心波段共性区域的最优光谱指数;
S106:建立基于最优光谱指数的小麦PWC监测模型;
S107:检验小麦PWC监测模型的准确性和普适性。
本发明利用不同年份(连续两季2010.11-2011.06、2011.11-2012.06)、不同水分处理、不同施氮水平和不同生育期的小麦田间试验,采集不同氮含量水平下的小麦植株含水率及对应冠层光谱反射率,按照不同PNC大小水平分类,寻找不同PNC水平下的PWC核心波段共性区域,确定适用于不同PNC水平条件下的PWC最优光谱指数,从而基于最优光谱指数构建面向小麦拔节到灌浆期的监测模型。
小麦品种为扬麦18,种植方式采用条播,行距为25cm,基本苗为每亩12万株,小区面积为10m2。
试验1(2010.11-2011.06)中设置4个水分处理水平,为9.5-10.5%、15.5-16.5%、21.5-22.5%和29.5-30.5%(以体积含水率表示);设置2个施氮水平,为150kg/hm2、300kg/hm2。试验2(2011.11-2012.06)中设置3个水分处理为13.5-14.5%、21.5-22.5%、29.5-30.5%;设置3个施氮水平,为90kg/hm2、180kg/hm2、270kg/hm2。试验1用于建立监测模型,试验2用于检验监测模型。
具体包括以下步骤:
S101:取样,采集小麦冠层光谱反射率、PNC和PWC数值。实施不同水分处理和不同施氮水平互作的小麦田间实验,设置4个水分处理水平,为9.5-10.5%、15.5-16.5%、21.5-22.5%和29.5-30.5%(以体积含水率表示),2个施氮水平,为150kg/hm2、300kg/hm2。
采集2010.11-2011.06扬麦18从拔节至灌浆各关键生育时期的冠层光谱反射率,冠层光谱反射率采用野外高光谱辐射仪,波段范围为350-2500nm,波段间隔为1nm;冠层光谱反射率测定:选择晴朗无云的天气,10:00-14:00,距冠层上方1m测试。
于各小区同步选取可表征本小区平均长势的10株单茎进行破坏性取样,称量鲜重和干重,计算PWC,磨样称重后采用凯氏定氮法测试计算对应PNC。
PWC计算方式:植株含水率(PWC)(%)=(WF-WD)/WF×100,其中WF为植株鲜重(g)总和,WD为植株干重(g)总和。
S102:按不同PNC水平将PWC和冠层光谱反射率数据分为三个子数据集。将采集的PWC及对应冠层光谱反射率的总数据集按照PNC值大小范围及数据量分布情况,分为PNC<1.3%、PNC1.3-1.6%、PNC>1.6%三个范围,按照对应PNC值范围,将全部的PWC和对应的冠层光谱反射率分为对应不同PNC水平的三个子数据集。
基本分类原则:保证各水平PNC值的范围存在一定差异的基础上,控制各PNC水平所属子数据集的数据量无过大差异。其中,试验1中PNC<1.3%、PNC1.3-1.6%、PNC>1.6%对应的三个子数据集数据量分别为:32、27、21,试验2中子数据集数据量分别为:23、38、46。
S103:获取不同PNC水平子数据集下PWC与NDSI的决定系数(R2)结果集。使用Matlab9.0编程计算,获取不同PNC水平子数据集下PWC与350-2500nm波段范围内任意两波段组合的NDSI所建对应模型的决定系数(R2)结果集;并将各结果集中所有波段组合的模型R2矩阵数据绘制成等高线图输出,以颜色深度变化显示R2大小的变化。
R2结果集具体为:在350-2500nm波段内,以1nm为间隔的两两波段对应组合的NDSI与PWC所建模型的R2集,呈矩阵排列。
S104:确定不同PNC水平下的PWC核心波段共性区域。以上述各决定系数(R2)结果集中R2的最大值为标准,定义R2前10%对应的等高线图区域为核心波段区域(如图1中A、B、C);通过Matlab9.0寻找各PNC水平子数据集的核心波段区域的相同部分,即为核心波段共性区域,以等高线图形式输出(如图1中D)。
S105:确定基于核心波段共性区域的最优光谱指数。在上述确定的核心波段共性区域内综合计算两两波段组合的所有NDSI与PWC所建模型所对应的建模精度(R2)和检验误差(相对根均方差RRMSE),综合考虑R2和RRMSE大小,选取R2-RRMSE最大值对应的核心波段共性区域波段组合NDSI(1302,1190)为最优光谱指数,其中1190nm位于水分特征吸收波段1200nm附近,1302nm为PWC的最优敏感波段1300nm附近。
S106:如图2A,建立基于最优光谱指数NDSI(1302,1190)的小麦PWC监测模型:Y=-1289.4X+78.29,其中,检测模型R2为0.876,SE为2.702。
S107:如图2B,利用独立年份(试验2,2011.11-2012.06)小麦试验数据验证监测模型的准确性和普适性,采用复相关系数R2、相对根均方差RRMSE对监测模型进行综合评价(检验监测模型R2为0.7979,RRMSE为0.0662),并验证监测模型对PNC的敏感性(PNC检验模型R2为0.3242,RRMSE为45.7011)。
其中,RRMSE的计算公式如下:
n为样本数,Pi为模型预测值,Oi为试验观察值,为观察平均值。
若按照传统的光谱指数确定方式,即不分不同PNC水平的总数据集下计算PWC最优光谱指数,则结果如图3所示:PWC的最优光谱指数波段组合为NDSI(1727,1539),其中核心波段均位于短波红外范围内。该光谱指数对总数据集有较高的建模和检验精度,但对不同PNC水平的监测和预测性能不稳定,如:PNC>1.6时模型的监测精度很低(R2=0.5064),且存在较明显的饱和现象(见图4A、B虚线圆圈内区域);PNC1.3-1.6水平下的预测能力也偏低(R2=0.6702)(见图4B)。
本发明中基于不同PNC水平核心波段共性区域最优光谱指数NDSI(1302,1190)所建立的小麦PWC监测模型,对不同PNC水平下的PWC均显示出较高的监测预测能力,同时对PNC不敏感,且相对传统光谱指数构建的监测模型而言极大程度地克服了高PNC水平下PWC模型的易饱和现象。进一步与前人提出的光谱指数比较发现,NDSI(1302,1190)的总监测预测能力远优于前人光谱指数。说明本发明基于高光谱技术确定的不同PNC水平下的小麦植PWC核心波段共性区域最优光谱指数NDSI(1302,1190)具有较好的应用前景。该方法克服了传统方法对试验因素考虑不全面的缺陷,同样适用于其他多因素互作的农作物生产监测研究。
表1基于不同光谱指数的小麦植株含水率建模(n=271)及检验(n=308)效果
Claims (8)
1.一种不同植株氮含量水平下小麦植株含水率的监测方法,其特征在于包括以下步骤:
步骤一、取样,采集小麦冠层光谱反射率、植株氮含量和植株含水率数值;样本点采自不同生育期、不同水分处理、不同施氮水平和不同年份;
步骤二、按不同植株氮含量水平将全部植株含水率和冠层光谱反射率分为三个子数据集;
步骤三、获取不同植株氮含量水平子数据集下植株含水率与350-2500nm波段范围内任意两波段组合的归一化光谱指数NDSI所建对应模型的决定系数结果集;
步骤四、确定不同植株氮含量水平下的植株含水率核心波段共性区域:以上述各决定系数结果集中决定系数的最大值为标准,定义决定系数前10%对应的等高线图区域为核心波段区域;寻找各植株氮含量水平子数据集的核心波段区域的相同部分,即为核心波段共性区域;
步骤五、确定核心波段共性区域的最优光谱指数:在步骤四已确定的核心波段共性区域内计算两两波段组合的所有归一化光谱指数NDSI与植株含水率所建模型所对应的建模精度的和检验误差的相对根均方误差值,选取建模精度-相对根均方误差最大值对应的归一化光谱指数为最优光谱指数;
步骤六、建立基于最优光谱指数的小麦植株含水率监测模型;
步骤七、检验小麦植株含水率监测模型的准确性和普适性。
2.根据权利要求1所述的一种不同植株氮含量水平下小麦植株含水率的监测方法,其特征在于步骤一中,设置不同水分处理和不同施氮水平互作的小麦田间实验,采集拔节至灌浆各关键生育时期冠层光谱反射率,并在每小区内同步选取可表征小区平均长势的10个单茎进行破坏性取样,称量鲜重和干重,计算植株含水率结果,磨样称重后采用凯氏定氮法测定对应植株氮含量。
3.根据权利要求1所述的一种不同植株氮含量水平下小麦植株含水率的监测方法,其特征在于步骤二中,将植株氮含量分为植株氮含量<1.3%、植株氮含量1.3-1.6%、植株氮含量>1.6%三个范围,按照对应植株氮含量,将全部的植株含水率和对应的冠层光谱反射率分为对应不同植株氮含量水平的三个子数据集。
4.根据权利要求1所述的一种不同植株氮含量水平下小麦植株含水率的监测方法,其特征在于步骤三中,将各结果集中所有波段组合的模型的决定系数矩阵数据绘制成等高线图,以颜色深度变化显示决定系数大小的变化。
5.根据权利要求1所述的一种不同植株氮含量水平下小麦植株含水率的监测方法,其特征在于步骤四中,通过Matlab9.0寻找各植株氮含量水平子数据集的核心波段区域的相同部分,即为核心波段共性区域。
6.根据权利要求1所述的一种不同植株氮含量水平下小麦植株含水率的监测方法,其特征在于步骤五中,最优光谱指数为NDSI(1302,1190)。
7.根据权利要求1所述的一种不同植株氮含量水平下小麦植株含水率的监测方法,其特征在于小麦植株含水率监测模型为:Y=-1289.4NDSI(1302,1190)+78.29。
8.根据权利要求1所述的一种不同植株氮含量水平下小麦植株含水率的监测方法,其特征在于步骤七中,利用独立年份小麦试验数据验证监测模型的准确性和普适性,采用复相关系数、相对根均方差对监测模型进行综合评价,并检验监测模型对植株氮含量的敏感性。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201310422607.4A CN103472009B (zh) | 2013-09-16 | 2013-09-16 | 一种不同植株氮含量水平下小麦植株含水率的监测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201310422607.4A CN103472009B (zh) | 2013-09-16 | 2013-09-16 | 一种不同植株氮含量水平下小麦植株含水率的监测方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN103472009A CN103472009A (zh) | 2013-12-25 |
CN103472009B true CN103472009B (zh) | 2015-11-18 |
Family
ID=49796949
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201310422607.4A Active CN103472009B (zh) | 2013-09-16 | 2013-09-16 | 一种不同植株氮含量水平下小麦植株含水率的监测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN103472009B (zh) |
Families Citing this family (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
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 |
CN105158177B (zh) * | 2015-09-30 | 2019-03-05 | 江苏大学 | 高光谱图像技术定量检测固态发酵水分分布均匀性的方法 |
CN107316116B (zh) * | 2017-08-23 | 2020-11-10 | 吉林大学 | 一种叶类蔬菜产量预测方法 |
CN108387534A (zh) * | 2018-03-15 | 2018-08-10 | 中国农业科学院农田灌溉研究所 | 测定植株含水量方法和装置 |
CN110082300B (zh) * | 2019-05-20 | 2020-03-03 | 中国水利水电科学研究院 | 基于光谱参量的冬小麦冠层含水率监测模型建立方法 |
CN110333195A (zh) * | 2019-07-15 | 2019-10-15 | 北华航天工业学院 | 植物叶片水分含量检测方法及装置 |
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 |
CN112287886B (zh) * | 2020-11-19 | 2023-09-22 | 安徽农业大学 | 基于高光谱图像融合图谱特征的小麦植株氮含量估测方法 |
DE202022102591U1 (de) | 2022-05-12 | 2022-06-27 | Deepak Batham | System zur Überwachung des Gesundheitszustands von Pflanzen in der Präzisionslandwirtschaft mittels Bildverarbeitung und Faltungsneuronalem Netz |
CN115015132A (zh) * | 2022-06-01 | 2022-09-06 | 南京农业大学 | 一种基于数据融合的冬小麦水分状况监测方法 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102313699A (zh) * | 2011-05-26 | 2012-01-11 | 北京农业信息技术研究中心 | 作物冠层叶片的全氮含量估算方法 |
CN102426153A (zh) * | 2011-11-21 | 2012-04-25 | 南京农业大学 | 一种基于冠层高光谱指数的小麦植株水分监测方法 |
CN102636439A (zh) * | 2012-04-16 | 2012-08-15 | 南京农业大学 | 一种确定小麦植株吸氮量核心波段的方法 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
FI20061153L (fi) * | 2006-12-22 | 2008-06-23 | Kemira Growhow Oyj | Menetelmä, laite ja järjestelmä kasvun apuaineiden tarpeen määrittämiseksi kasviston kasvun edistämiseksi |
-
2013
- 2013-09-16 CN CN201310422607.4A patent/CN103472009B/zh active Active
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102313699A (zh) * | 2011-05-26 | 2012-01-11 | 北京农业信息技术研究中心 | 作物冠层叶片的全氮含量估算方法 |
CN102426153A (zh) * | 2011-11-21 | 2012-04-25 | 南京农业大学 | 一种基于冠层高光谱指数的小麦植株水分监测方法 |
CN102636439A (zh) * | 2012-04-16 | 2012-08-15 | 南京农业大学 | 一种确定小麦植株吸氮量核心波段的方法 |
Non-Patent Citations (2)
Title |
---|
不同施氮条件下小麦冠层的高光谱和多光谱反射特征;李映雪等;《麦类作物学报》;20061231;第26卷(第2期);103-108 * |
作物水分和氮素光谱诊断研究进展;薛利红等;《遥感学报》;20030131;第7卷(第1期);73-80 * |
Also Published As
Publication number | Publication date |
---|---|
CN103472009A (zh) | 2013-12-25 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
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 | |
CN102426153B (zh) | 一种基于冠层高光谱指数的小麦植株水分监测方法 | |
Hussein et al. | Simulating cotton yield response to deficit irrigation with the FAO AquaCrop model | |
CN107024439A (zh) | 一种水稻不同生育期叶绿素含量高光谱估测方法 | |
CN102435564B (zh) | 一种基于三波段光谱指数估测植物氮含量的方法 | |
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 | |
CN103185695A (zh) | 一种基于光谱的烤烟成熟度田间快速判断方法 | |
CN110567892B (zh) | 一种基于临界氮浓度的夏玉米氮素高光谱预测方法 | |
CN109187441A (zh) | 基于冠层光谱信息的夏玉米含氮量监测模型的构建方法 | |
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 | |
CN103528965B (zh) | 一种小麦叶片等效水厚度高光谱监测方法 | |
CN104483271A (zh) | 光学反射模型与微波散射模型协同的森林生物量反演方法 | |
CN102374971A (zh) | 一种基于高光谱技术的玉米叶片氮含量估算方法 | |
CN104820065B (zh) | 一种城市单株乔木的碳汇测算方法 | |
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 | |
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 | |
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 | |
CN109060676A (zh) | 基于高光谱的夏玉米冠层spad值估算模型的确定方法 | |
CN101158576A (zh) | 内置程序式电子经纬仪角规自动立体测树技术 | |
Guan et al. | The relationship between sap flow of intercropped young poplar trees (Populus× euramericana cv. N3016) and environmental factors in a semiarid region of northeastern China | |
Kilinc et al. | An analysis of the surface energy budget above the world's tallest angiosperm forest | |
CN112270131A (zh) | 基于ard回归算法的水稻叶面积指数遥感反演模型和方法 | |
CN115184322A (zh) | 一种水稻叶片水分含量监测方法 | |
CN105954207A (zh) | 一种枣树冠层叶绿素b含量的检测方法 |
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 |