CN105277491A - 叶绿素含量测量方法及装置 - Google Patents
叶绿素含量测量方法及装置 Download PDFInfo
- Publication number
- CN105277491A CN105277491A CN201510617332.9A CN201510617332A CN105277491A CN 105277491 A CN105277491 A CN 105277491A CN 201510617332 A CN201510617332 A CN 201510617332A CN 105277491 A CN105277491 A CN 105277491A
- Authority
- CN
- China
- Prior art keywords
- vegetation
- chlorophyll content
- spectral
- measured
- indexes
- 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.)
- Pending
Links
Landscapes
- Investigating Or Analysing Materials By Optical Means (AREA)
Abstract
本发明涉及一种叶绿素含量测量方法及装置,该方法包括:采集预设样本的叶绿素含量,并根据所述预设样本的高光谱反射率数据计算对应的光谱植被指数;根据所述预设样本的叶绿素含量与对应的光谱植被指数构建待测植被的叶绿素含量与所述光谱植被指数的预测关系模型;获取待测植被的叶片和冠层的高光谱反射率数据;根据所述高光谱反射率数据,利用光谱指数算法计算待测植被的光谱植被指数;根据所述待测植被的光谱植被指数,采用预先建立的预测关系模型反演得到所述待测植被的叶绿素含量。本发明将光学遥感技术运用到叶绿素含量测量领域,可实现叶绿素含量的准确简便、快速及时地测量,对农作物长势监测、产量估算等领域具有十分重要的意义。
Description
技术领域
本发明涉及遥感数据处理和农学技术领域,尤其涉及一种叶绿素含量测量方法及装置。
背景技术
叶绿素在植物进行光合作用的过程中起着重要的作用,植物叶片的叶绿素含量SPAD值是植物营养胁迫、光合作用能力和生长发育状况的重要指示因子,其值的多少不仅反映植物的生长状况,而且可以体现出植物与外界发生物质交换的能力。叶绿素含量检测技术的研究在农业生产、林业研究等方面有着至关重要的意义。
目前测定植物叶片叶绿素含量的标准方法是分光光度计法,即将植物叶片取回实验室,将叶片称重剪碎,用丙酮提取叶片叶绿素,然后用分光光度计测定提取液在645nm和663nm的光密度,然后按公式换算成叶绿素含量。这种方法具有耗时长、环节多、操作复杂、对叶片有破坏性、不便于野外现场测量、不便于连续测量等诸多缺点,而且实验条件等易受到诸多因素的影响。
现有研究表明,植物冠层和叶片的反射光谱曲线在可见光区主要受植物色素(叶绿素和类胡萝卜素)的影响,而在近红外范围主要受叶子内部细胞结构、冠层结构、生物量、蛋白质和纤维素等影响。目前,现有技术已得出了680nm-740nm范围内的红边波段对叶绿素最为敏感的结论,并且针对不同植被、不同影响因素已建立数十种叶绿素含量敏感的光谱指数。
因此,现存的亟待解决的技术问题是:如何运用光学遥感技术提供一种非接触式、经济有效且不受实验条件等因素影响的叶绿素含量测量方法,以实现叶绿素含量的准确简便、快速及时地测量。
发明内容
为解决上述技术问题,本发明一方面提出了一种叶绿素含量测量方法,包括以下步骤:
采集预设样本的叶绿素含量,并根据所述预设样本的高光谱反射率数据计算对应的光谱植被指数;
根据所述预设样本的叶绿素含量与对应的光谱植被指数构建待测植被的叶绿素含量与所述光谱植被指数的预测关系模型;
获取待测植被的叶片和冠层的高光谱反射率数据;
根据所述高光谱反射率数据,利用光谱指数算法计算待测植被的光谱植被指数;
根据所述待测植被的光谱植被指数,采用预先建立的预测关系模型反演得到所述待测植被的叶绿素含量。
优选地,所述光谱反射率数据为近红外光谱反射率数据和红光光谱反射率数据。
优选地,所述利用光谱指数算法计算出待测植被的光谱植被指数具体包括:
利用差值比值算法,计算一个红边波段叶绿素指数SRCI,将所述SRCI作为待测植被的光谱植被指数;
所述SRCI的表达式为:
SRCI=(NIR-R)/(NIR+R),
其中,NIR—为近红外波段的反射值;R—为红光波段的反射值。
优选地,所述方法还包括:
根据实际测量的待测植被的叶绿素含量,对所述待测植被的叶绿素含量与所述光谱植被指数的预测关系模型进行修正。
优选地,所述方法还包括:
针对所述待测植被的不同生长阶段,分别建立叶绿素含量的反演模型。
优选地,所述方法还包括:
当超出所述光谱植被指数的预测关系模型的预设有效期限时,重新建立所述光谱植被指数的预测关系模型。
另一方面,本发明提供了一种叶绿素含量测量装置,包括样本光谱植被指数计算单元、预测关系模型建立单元、高光谱反射率获取单元、光谱植被指数计算单元及叶绿素含量反演单元;
所述样本光谱植被指数计算单元,用于采集预设样本的叶绿素含量,并根据所述预设样本的高光谱反射率数据计算对应的光谱植被指数;
所述预测关系模型建立单元,用于根据所述预设样本的叶绿素含量与对应的光谱植被指数构建待测植被的叶绿素含量与所述光谱植被指数的预测关系模型;
所述高光谱反射率获取单元,用于获取待测植被的叶片和冠层的高光谱反射率数据;
所述光谱植被指数计算单元,用于根据所述高光谱反射率数据,利用光谱指数算法计算待测植被的光谱植被指数;
所述叶绿素含量反演单元,根据所述待测植被的光谱植被指数,采用预先建立的预测关系模型反演得到所述待测植被的叶绿素含量。
优选地,所述光谱植被指数计算单元具体用于利用差值比值算法,计算一个红边波段叶绿素指数SRCI,将所述SRCI作为待测植被的光谱植被指数;
所述SRCI的表达式为:
SRCI=(NIR-R)/(NIR+R),
其中,NIR—为近红外波段的反射值;R—为红光波段的反射值。
优选地,还包括预测关系模型修正单元,用于根据实际测量的待测植被的叶绿素含量,对所述待测植被的叶绿素含量与所述光谱植被指数的预测关系模型进行修正。
优选地,还包括预测关系模型有效期控制单元,当超出所述光谱植被指数的预测关系模型的预设有效期限时,重新建立所述光谱植被指数的预测关系模型。
本发明提供的叶绿素含量测量方法及装置,将光学遥感技术运用到叶绿素含量测量领域,提供了一种非接触式、经济有效且不受实验条件等因素影响的叶绿素含量测量方法,可实现叶绿素含量的准确简便、快速及时地测量,对农作物长势监测、产量估算等领域具有十分重要的意义。
附图说明
通过参考附图会更加清楚的理解本发明的特征和优点,附图是示意性的而不应理解为对本发明进行任何限制,在附图中:
图1示出了本发明实施例提供的叶绿素含量测量方法的流程图;
图2示出了本发明另一实施例提供的叶绿素含量测量方法的流程图;
图3示出了本发明实施例提供的监测植被的植被指数效果示意图;
图4示出了本发明实施例提供的SCRI指数的叶绿素含量估算模型示意图;
图5示出了本发明实施例提供的叶绿素含量测量装置的结构示意图;
图6示出了本发明另一实施例提供的叶绿素含量测量装置的结构示意图。
具体实施方式
下面详细描述本发明的实施例,所述实施例的示例在附图中示出,其中自始至终相同或类似的标号表示相同或类似的元件或具有相同或类似功能的元件。下面通过参考附图描述的实施例是示例性的,仅用于解释本发明,而不能解释为对本发明的限制。
本技术领域技术人员可以理解,除非特意声明,这里使用的单数形式“一”、“一个”、“所述”和“该”也可包括复数形式。应该进一步理解的是,本发明的说明书中使用的措辞“包括”是指存在所述特征、整数、步骤、操作、元件和/或组件,但是并不排除存在或添加一个或多个其他特征、整数、步骤、操作、元件、组件和/或它们的组。
本技术领域技术人员可以理解,除非另外定义,这里使用的所有术语(包括技术术语和科学术语),具有与本发明所属领域中的普通技术人员的一般理解相同的意义。还应该理解的是,诸如通用字典中定义的那些术语,应该被理解为具有与现有技术的上下文中的意义一致的意义,并且除非被特定定义,否则不会用理想化或过于正式的含义来解释。
图1示出了本发明实施例提供的叶绿素含量测量方法的流程图。如图1所示,本实施例提出的一种叶绿素含量测量方法,包括以下步骤:
S1:采集预设样本的叶绿素含量,并根据所述预设样本的高光谱反射率数据计算对应的光谱植被指数;
S2:根据所述预设样本的叶绿素含量与对应的光谱植被指数构建待测植被的叶绿素含量与所述光谱植被指数的预测关系模型;
S3:获取待测植被的叶片和冠层的高光谱反射率数据;
S4:根据所述高光谱反射率数据,利用光谱指数算法计算待测植被的光谱植被指数;
S5:根据所述待测植被的光谱植被指数,采用预先建立的预测关系模型反演得到所述待测植被的叶绿素含量。
本实施例提供的叶绿素含量测量方法,可实现叶绿素含量的准确简便、快速及时地测量,提供了一种非接触式、经济有效且不受实验条件等因素影响的叶绿素含量测量方法,对农作物长势监测、产量估算等领域具有十分重要的意义。
在此实施例的基础上,所述光谱反射率数据为近红外光谱反射率数据和红光光谱反射率数据。
所述利用光谱指数算法计算出待测植被的光谱植被指数具体包括:
利用差值比值算法,计算一个红边波段叶绿素指数SRCI,将所述SRCI作为待测植被的光谱植被指数;
所述SRCI的表达式为:
SRCI=(NIR-R)/(NIR+R),
其中,NIR—为近红外波段的反射值;R—为红光波段的反射值。
图2示出了本发明另一实施例提供的叶绿素含量测量方法的流程图。如图2所示,该测量方法还可包括以下步骤:
S6:根据实际测量的待测植被的叶绿素含量,对所述待测植被的叶绿素含量与所述光谱植被指数的预测关系模型进行修正。
S7:针对所述待测植被的不同生长阶段,分别建立叶绿素含量的反演模型。
例如:针对玉米划分了两个阶段分别建立模型,具体阶段划分为:营养生长阶段(出苗-吐丝前)和生殖生长阶段(吐丝日-成熟)。
针对水稻划分了三个阶段分别建立模型,具体阶段划分为:营养生长阶段(从发芽到幼穗分化)、营养生长生殖生长并进阶段(从幼穗分化到扬花期)和生殖生长阶段(从扬花到完熟期)。
作为本实施例的优选,该方法还可包括当超出所述光谱植被指数的预测关系模型的预设有效期限时,重新建立所述光谱植被指数的预测关系模型。
图3示出了本发明实施例提供的监测植被的植被指数效果示意图。
图4示出了本发明实施例提供的SCRI指数的叶绿素含量估算模型示意图。如图4所示,本实施例选用统计量相关系数R的平方R2(0<R2<1)对模型的拟合度进行评价,该值度量拟合在解释数据变异性方面是否成功。R2值越接近1,拟合效果越好。其中,RMSE为误差值,n为采样点的个数。
本实施例提供利用光学遥感技术提供了一种非接触式、经济有效且不受实验条件等因素影响的叶绿素含量测量方法,可实现叶绿素含量的准确简便、快速及时地测量。
图5示出了本发明实施例提供的叶绿素含量测量装置的结构示意图。如图5所示,本实施例提供的叶绿素含量测量装置10,包括样本光谱植被指数计算单元11、预测关系模型建立单元12、高光谱反射率获取单元13、光谱植被指数计算单元14及叶绿素含量反演单元15。
所述的样本光谱植被指数计算单元11,用于采集预设样本的叶绿素含量,并根据所述预设样本的高光谱反射率数据计算对应的光谱植被指数。
所述的预测关系模型建立单元12,用于根据所述预设样本的叶绿素含量与对应的光谱植被指数构建待测植被的叶绿素含量与所述光谱植被指数的预测关系模型;
所述的高光谱反射率获取单元13,用于获取待测植被的叶片和冠层的高光谱反射率数据;
所述的光谱植被指数计算单元14,用于根据所述高光谱反射率数据,利用光谱指数算法计算待测植被的光谱植被指数;
所述的叶绿素含量反演单元15,根据所述待测植被的光谱植被指数,采用预先建立的预测关系模型反演得到所述待测植被的叶绿素含量。
本实施提供的叶绿素含量测量装置结构简单、成本低,可实现叶绿素含量的准确简便、快速及时地测量,对农作物长势监测、产量估算等领域具有十分重要的意义。
优选地,光谱植被指数计算单元14具体用于利用差值比值算法,计算一个红边波段叶绿素指数SRCI,将所述SRCI作为待测植被的光谱植被指数;
所述SRCI的表达式为:
SRCI=(NIR-R)/(NIR+R),
其中,NIR—为近红外波段的反射值;R—为红光波段的反射值。
图6示出了本发明另一实施例提供的叶绿素含量测量装置的结构示意图。如图6所示,本实施例的叶绿素含量测量装置10优选地还包括预测关系模型修正单元16,用于根据实际测量的待测植被的叶绿素含量,对所述待测植被的叶绿素含量与所述光谱植被指数的预测关系模型进行修正。
进一步地,还可包括预测关系模型有效期控制单元17,当超出所述光谱植被指数的预测关系模型的预设有效期限时,重新建立所述光谱植被指数的预测关系模型。
本实施例提供的叶绿素含量测量装置,结构简单、操作方便、成本低廉,可实现叶绿素含量的准确简便、快速及时地测量,对农作物长势监测、产量估算等领域具有十分重要的意义。
通过以上的实施方式的描述,本领域的技术人员可以清楚地了解到本发明可以通过硬件实现,也可以借助软件加必要的通用硬件平台的方式来实现。基于这样的理解,本发明的技术方案可以以软件产品的形式体现出来,该软件产品可以存储在一个非易失性存储介质(可以是CD-ROM,U盘,移动硬盘等)中,包括若干指令用以使得一台计算机设备(可以是个人计算机,服务器,或者网络设备等)执行本发明各个实施例所述的方法。
本领域技术人员可以理解附图只是一个优选实施例的示意图,附图中的模块或流程并不一定是实施本发明所必须的。
本领域技术人员可以理解实施例中的***中的模块可以按照实施例描述进行分布于实施例的***中,也可以进行相应变化位于不同于本实施例的一个或多个***中。上述实施例的模块可以合并为一个模块,也可以进一步拆分成多个子模块。
以上所述仅是本发明的部分实施方式,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 (10)
1.一种叶绿素含量测量方法,其特征在于,包括以下步骤:
采集预设样本的叶绿素含量,并根据所述预设样本的高光谱反射率数据计算对应的光谱植被指数;
根据所述预设样本的叶绿素含量与对应的光谱植被指数构建待测植被的叶绿素含量与所述光谱植被指数的预测关系模型;
获取待测植被的叶片和冠层的高光谱反射率数据;
根据所述高光谱反射率数据,利用光谱指数算法计算待测植被的光谱植被指数;
根据所述待测植被的光谱植被指数,采用预先建立的预测关系模型反演得到所述待测植被的叶绿素含量。
2.如权利要求1所述的叶绿素含量测量方法,其特征在于,所述光谱反射率数据为近红外光谱反射率数据和红光光谱反射率数据。
3.如权利要求2所述的叶绿素含量测量方法,其特征在于,所述利用光谱指数算法计算出待测植被的光谱植被指数具体包括:
利用差值比值算法,计算一个红边波段叶绿素指数SRCI,将所述SRCI作为待测植被的光谱植被指数;
所述SRCI的表达式为:
SRCI=(NIR-R)/(NIR+R),
其中,NIR—为近红外波段的反射值;R—为红光波段的反射值。
4.如权利要求1所述的叶绿素含量测量方法,其特征在于,所述方法还包括:
根据实际测量的待测植被的叶绿素含量,对所述待测植被的叶绿素含量与所述光谱植被指数的预测关系模型进行修正。
5.如权利要求1所述的叶绿素含量测量方法,其特征在于,所述方法还包括:
针对所述待测植被的不同生长阶段,分别建立叶绿素含量的反演模型。
6.如权利要求1所述的叶绿素含量测量方法,其特征在于,所述方法还包括:
当超出所述光谱植被指数的预测关系模型的预设有效期限时,重新建立所述光谱植被指数的预测关系模型。
7.一种叶绿素含量测量装置,其特征在于,包括样本光谱植被指数计算单元、预测关系模型建立单元、高光谱反射率获取单元、光谱植被指数计算单元及叶绿素含量反演单元;
所述样本光谱植被指数计算单元,用于采集预设样本的叶绿素含量,并根据所述预设样本的高光谱反射率数据计算对应的光谱植被指数;
所述预测关系模型建立单元,用于根据所述预设样本的叶绿素含量与对应的光谱植被指数构建待测植被的叶绿素含量与所述光谱植被指数的预测关系模型;
所述高光谱反射率获取单元,用于获取待测植被的叶片和冠层的高光谱反射率数据;
所述光谱植被指数计算单元,用于根据所述高光谱反射率数据,利用光谱指数算法计算待测植被的光谱植被指数;
所述叶绿素含量反演单元,根据所述待测植被的光谱植被指数,采用预先建立的预测关系模型反演得到所述待测植被的叶绿素含量。
8.如权利要求7所述的叶绿素含量测量装置,其特征在于,所述光谱植被指数计算单元具体用于利用差值比值算法,计算一个红边波段叶绿素指数SRCI,将所述SRCI作为待测植被的光谱植被指数;
所述SRCI的表达式为:
SRCI=(NIR-R)/(NIR+R),
其中,NIR—为近红外波段的反射值;R—为红光波段的反射值。
9.如权利要求7所述的叶绿素含量测量装置,其特征在于,还包括预测关系模型修正单元,用于根据实际测量的待测植被的叶绿素含量,对所述待测植被的叶绿素含量与所述光谱植被指数的预测关系模型进行修正。
10.如权利要求7所述的叶绿素含量测量装置,其特征在于,还包括预测关系模型有效期控制单元,当超出所述光谱植被指数的预测关系模型的预设有效期限时,重新建立所述光谱植被指数的预测关系模型。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201510617332.9A CN105277491A (zh) | 2015-09-24 | 2015-09-24 | 叶绿素含量测量方法及装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201510617332.9A CN105277491A (zh) | 2015-09-24 | 2015-09-24 | 叶绿素含量测量方法及装置 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN105277491A true CN105277491A (zh) | 2016-01-27 |
Family
ID=55146879
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201510617332.9A Pending CN105277491A (zh) | 2015-09-24 | 2015-09-24 | 叶绿素含量测量方法及装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN105277491A (zh) |
Cited By (20)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105954226A (zh) * | 2016-06-08 | 2016-09-21 | 北京大学深圳研究生院 | 对叶表结构不敏感的叶绿素含量的检测方法 |
CN106291582A (zh) * | 2016-09-28 | 2017-01-04 | 中国科学院华南植物园 | 一种基于光谱曲线特征分异的森林生物量遥感反演方法 |
CN106323880A (zh) * | 2016-07-29 | 2017-01-11 | 河南科技大学 | 基于soc高光谱指数的植物叶片花青素含量估算方法及装置 |
CN106469240A (zh) * | 2016-09-06 | 2017-03-01 | 西北农林科技大学 | 基于光谱指数的油菜叶片spad估测及估测模型构建方法 |
CN106872383A (zh) * | 2017-03-31 | 2017-06-20 | 南京农业大学 | 一种基于连续小波分析的水稻反射光谱红边位置提取方法 |
CN107024439A (zh) * | 2017-03-23 | 2017-08-08 | 西北农林科技大学 | 一种水稻不同生育期叶绿素含量高光谱估测方法 |
CN107271372A (zh) * | 2017-06-02 | 2017-10-20 | 西北农林科技大学 | 一种苹果叶片叶绿素遥感估测方法 |
CN108956505A (zh) * | 2018-09-18 | 2018-12-07 | 航天信德智图(北京)科技有限公司 | 基于Sentinel-2图像的小型水体中叶绿素a浓度的检测方法及装置 |
CN109564155A (zh) * | 2016-08-17 | 2019-04-02 | 索尼公司 | 信号处理装置,信号处理方法及程序 |
CN109583311A (zh) * | 2018-10-31 | 2019-04-05 | 中化地质矿山总局地质研究院 | 采矿区周边粉尘影响评价方法及*** |
CN109632688A (zh) * | 2018-11-28 | 2019-04-16 | 北京农业智能装备技术研究中心 | 一种植物秧苗养分盈亏状态识别方法及光谱检测*** |
CN110082309A (zh) * | 2019-05-20 | 2019-08-02 | 中国水利水电科学研究院 | 冬小麦冠层spad值综合光谱监测模型建立方法 |
CN110702628A (zh) * | 2019-10-26 | 2020-01-17 | 山东科技大学 | 基于连续小波分析的植被叶片叶绿素含量的光谱指数模型 |
CN110987830A (zh) * | 2019-12-23 | 2020-04-10 | 陕西地建土地工程技术研究院有限责任公司 | 植物冠层叶片叶绿素含量快速测定模型、测定方法及应用 |
CN111175783A (zh) * | 2019-12-31 | 2020-05-19 | 塔里木大学 | 一种棉花冠层叶绿素b含量的卫星遥感监测方法 |
CN111175782A (zh) * | 2019-12-31 | 2020-05-19 | 塔里木大学 | 一种棉花冠层叶绿素含量的卫星遥感监测方法 |
CN111650129A (zh) * | 2020-03-05 | 2020-09-11 | 广州地理研究所 | 一种荔枝叶片钙含量预测方法及预测装置 |
CN115495703A (zh) * | 2022-11-18 | 2022-12-20 | 杭州领见数字农业科技有限公司 | 一种基于机载多光谱数据的烟草成熟度检测方法及*** |
CN116380806A (zh) * | 2023-04-07 | 2023-07-04 | 东北师范大学 | 一种利用偏振度光谱信息估算叶绿素含量的方法及*** |
CN116660206A (zh) * | 2023-05-31 | 2023-08-29 | 浙江省农业科学院 | 一种作物产量预估方法及*** |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN1677085A (zh) * | 2004-03-29 | 2005-10-05 | 中国科学院遥感应用研究所 | 对地观测技术的农业应用集成***及其方法 |
CN1837787A (zh) * | 2006-04-19 | 2006-09-27 | 南京大学 | 一种无损伤精准测定棉花生物物理参数的方法 |
CN101403689A (zh) * | 2008-11-20 | 2009-04-08 | 北京航空航天大学 | 一种植物叶片生理指标无损检测方法 |
CN101762463A (zh) * | 2009-12-16 | 2010-06-30 | 中国烟草总公司郑州烟草研究院 | 一种基于冠层多光谱的烤烟鲜烟叶叶绿素含量测定方法 |
CN102878957A (zh) * | 2012-09-26 | 2013-01-16 | 安徽大学 | 基于遥感影像优化prosail模型参数的叶面积指数和叶绿素含量的反演方法 |
CN103308461A (zh) * | 2013-06-10 | 2013-09-18 | 张伟 | 基于可见/近红外光谱的作物养分快速检测方法及装置 |
CN104390917A (zh) * | 2014-12-03 | 2015-03-04 | 中国科学院南京地理与湖泊研究所 | 一种富营养化湖泊水体叶绿素a 的MODIS卫星高精度监测方法 |
-
2015
- 2015-09-24 CN CN201510617332.9A patent/CN105277491A/zh active Pending
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN1677085A (zh) * | 2004-03-29 | 2005-10-05 | 中国科学院遥感应用研究所 | 对地观测技术的农业应用集成***及其方法 |
CN1837787A (zh) * | 2006-04-19 | 2006-09-27 | 南京大学 | 一种无损伤精准测定棉花生物物理参数的方法 |
CN101403689A (zh) * | 2008-11-20 | 2009-04-08 | 北京航空航天大学 | 一种植物叶片生理指标无损检测方法 |
CN101762463A (zh) * | 2009-12-16 | 2010-06-30 | 中国烟草总公司郑州烟草研究院 | 一种基于冠层多光谱的烤烟鲜烟叶叶绿素含量测定方法 |
CN102878957A (zh) * | 2012-09-26 | 2013-01-16 | 安徽大学 | 基于遥感影像优化prosail模型参数的叶面积指数和叶绿素含量的反演方法 |
CN103308461A (zh) * | 2013-06-10 | 2013-09-18 | 张伟 | 基于可见/近红外光谱的作物养分快速检测方法及装置 |
CN104390917A (zh) * | 2014-12-03 | 2015-03-04 | 中国科学院南京地理与湖泊研究所 | 一种富营养化湖泊水体叶绿素a 的MODIS卫星高精度监测方法 |
Non-Patent Citations (1)
Title |
---|
靳彦华 等: "不同地类春小麦叶片叶绿素含量高光谱植被指数估算模型研究", 《麦类作物学报》 * |
Cited By (28)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105954226A (zh) * | 2016-06-08 | 2016-09-21 | 北京大学深圳研究生院 | 对叶表结构不敏感的叶绿素含量的检测方法 |
CN105954226B (zh) * | 2016-06-08 | 2019-06-14 | 北京大学深圳研究生院 | 对叶表结构不敏感的叶绿素含量的检测方法 |
CN106323880A (zh) * | 2016-07-29 | 2017-01-11 | 河南科技大学 | 基于soc高光谱指数的植物叶片花青素含量估算方法及装置 |
CN109564155B (zh) * | 2016-08-17 | 2022-03-11 | 索尼公司 | 信号处理装置,信号处理方法及程序 |
CN109564155A (zh) * | 2016-08-17 | 2019-04-02 | 索尼公司 | 信号处理装置,信号处理方法及程序 |
CN106469240A (zh) * | 2016-09-06 | 2017-03-01 | 西北农林科技大学 | 基于光谱指数的油菜叶片spad估测及估测模型构建方法 |
CN106291582A (zh) * | 2016-09-28 | 2017-01-04 | 中国科学院华南植物园 | 一种基于光谱曲线特征分异的森林生物量遥感反演方法 |
CN106291582B (zh) * | 2016-09-28 | 2018-12-25 | 中国科学院华南植物园 | 一种基于光谱曲线特征分异的森林生物量遥感反演方法 |
CN107024439A (zh) * | 2017-03-23 | 2017-08-08 | 西北农林科技大学 | 一种水稻不同生育期叶绿素含量高光谱估测方法 |
CN106872383B (zh) * | 2017-03-31 | 2019-05-24 | 南京农业大学 | 一种基于连续小波分析的水稻反射光谱红边位置提取方法 |
CN106872383A (zh) * | 2017-03-31 | 2017-06-20 | 南京农业大学 | 一种基于连续小波分析的水稻反射光谱红边位置提取方法 |
CN107271372A (zh) * | 2017-06-02 | 2017-10-20 | 西北农林科技大学 | 一种苹果叶片叶绿素遥感估测方法 |
CN108956505B (zh) * | 2018-09-18 | 2021-05-28 | 航天信德智图(北京)科技有限公司 | 基于Sentinel-2图像的小型水体中叶绿素a浓度的检测方法及装置 |
CN108956505A (zh) * | 2018-09-18 | 2018-12-07 | 航天信德智图(北京)科技有限公司 | 基于Sentinel-2图像的小型水体中叶绿素a浓度的检测方法及装置 |
CN109583311A (zh) * | 2018-10-31 | 2019-04-05 | 中化地质矿山总局地质研究院 | 采矿区周边粉尘影响评价方法及*** |
CN109632688B (zh) * | 2018-11-28 | 2021-05-28 | 北京农业智能装备技术研究中心 | 一种植物秧苗养分盈亏状态识别方法及光谱检测*** |
CN109632688A (zh) * | 2018-11-28 | 2019-04-16 | 北京农业智能装备技术研究中心 | 一种植物秧苗养分盈亏状态识别方法及光谱检测*** |
CN110082309A (zh) * | 2019-05-20 | 2019-08-02 | 中国水利水电科学研究院 | 冬小麦冠层spad值综合光谱监测模型建立方法 |
CN110702628A (zh) * | 2019-10-26 | 2020-01-17 | 山东科技大学 | 基于连续小波分析的植被叶片叶绿素含量的光谱指数模型 |
CN110702628B (zh) * | 2019-10-26 | 2022-10-11 | 山东科技大学 | 基于连续小波分析的光谱指数模型估算植被叶片叶绿素含量的方法 |
CN110987830A (zh) * | 2019-12-23 | 2020-04-10 | 陕西地建土地工程技术研究院有限责任公司 | 植物冠层叶片叶绿素含量快速测定模型、测定方法及应用 |
CN111175782A (zh) * | 2019-12-31 | 2020-05-19 | 塔里木大学 | 一种棉花冠层叶绿素含量的卫星遥感监测方法 |
CN111175783A (zh) * | 2019-12-31 | 2020-05-19 | 塔里木大学 | 一种棉花冠层叶绿素b含量的卫星遥感监测方法 |
CN111650129A (zh) * | 2020-03-05 | 2020-09-11 | 广州地理研究所 | 一种荔枝叶片钙含量预测方法及预测装置 |
CN115495703A (zh) * | 2022-11-18 | 2022-12-20 | 杭州领见数字农业科技有限公司 | 一种基于机载多光谱数据的烟草成熟度检测方法及*** |
CN116380806A (zh) * | 2023-04-07 | 2023-07-04 | 东北师范大学 | 一种利用偏振度光谱信息估算叶绿素含量的方法及*** |
CN116660206A (zh) * | 2023-05-31 | 2023-08-29 | 浙江省农业科学院 | 一种作物产量预估方法及*** |
CN116660206B (zh) * | 2023-05-31 | 2024-05-28 | 浙江省农业科学院 | 一种作物产量预估方法及*** |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN105277491A (zh) | 叶绿素含量测量方法及装置 | |
Zhang et al. | Mapping maize water stress based on UAV multispectral remote sensing | |
Zhou et al. | Analysis of plant height changes of lodged maize using UAV-LiDAR data | |
Nasrallah et al. | Sentinel-1 data for winter wheat phenology monitoring and mapping | |
Gracia-Romero et al. | UAV and ground image-based phenotyping: A proof of concept with durum wheat | |
Yue et al. | Estimation of winter wheat above-ground biomass using unmanned aerial vehicle-based snapshot hyperspectral sensor and crop height improved models | |
Shihua et al. | Monitoring paddy rice phenology using time series MODIS data over Jiangxi Province, China | |
Sankaran et al. | Huanglongbing (citrus greening) detection using visible, near infrared and thermal imaging techniques | |
Rodrigues Jr et al. | Multi-temporal and spectral analysis of high-resolution hyperspectral airborne imagery for precision agriculture: assessment of wheat grain yield and grain protein content | |
Golhani et al. | Estimating chlorophyll content at leaf scale in viroid-inoculated oil palm seedlings (Elaeis guineensis Jacq.) using reflectance spectra (400 nm–1050 nm) | |
Peng et al. | Assessing spectral indices to estimate the fraction of photosynthetically active radiation absorbed by the vegetation canopy | |
Cogato et al. | Medium-resolution multispectral data from Sentinel-2 to assess the damage and the recovery time of late frost on vineyards | |
Kim et al. | A short review: Comparisons of high-throughput phenotyping methods for detecting drought tolerance | |
JP2015077113A (ja) | 植物判定装置、植物判定方法、及びプログラム | |
Zhou et al. | Fusion of UAV hyperspectral imaging and LiDAR for the early detection of EAB stress in ash and a new EAB detection index—NDVI (776,678) | |
Crusiol et al. | In-season monitoring of maize leaf water content using ground-based and UAV-based hyperspectral data | |
Lopez-Fornieles et al. | Potential of Multiway PLS (N-PLS) regression method to analyse time-series of multispectral images: A case study in agriculture | |
Elsayed et al. | Estimating the leaf water status and grain yield of wheat under different irrigation regimes using optimized two-and three-band hyperspectral indices and multivariate regression models | |
Scalisi et al. | A fruit colour development index (CDI) to support harvest time decisions in peach and nectarine orchards | |
Yuan et al. | Research on rice leaf area index estimation based on fusion of texture and spectral information | |
Wijesingha et al. | Comparison of spaceborne and uav-borne remote sensing spectral data for estimating monsoon crop vegetation parameters | |
Liu et al. | Monitoring of wheat powdery mildew under different nitrogen input levels using hyperspectral remote sensing | |
Li et al. | Remote sensing indicators for crop growth monitoring at different scales | |
Buelvas et al. | Biomass estimation from canopy measurements for leafy vegetables based on ultrasonic and laser sensors | |
Dai et al. | A Modified Temperature Vegetation Dryness Index (mTVDI) for agricultural drought assessment based on MODIS Data: A case study in Northeast China |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20160127 |
|
RJ01 | Rejection of invention patent application after publication |