CN106198420A - 一种基于高光谱特征参数的叶片氮含量估算方法 - Google Patents
一种基于高光谱特征参数的叶片氮含量估算方法 Download PDFInfo
- Publication number
- CN106198420A CN106198420A CN201610648485.4A CN201610648485A CN106198420A CN 106198420 A CN106198420 A CN 106198420A CN 201610648485 A CN201610648485 A CN 201610648485A CN 106198420 A CN106198420 A CN 106198420A
- Authority
- CN
- China
- Prior art keywords
- nitrogen concentration
- leaf nitrogen
- leaf
- absworption peak
- evaluation method
- 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
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N21/00—Investigating or analysing materials by the use of optical means, i.e. using sub-millimetre waves, infrared, visible or ultraviolet light
- G01N21/17—Systems in which incident light is modified in accordance with the properties of the material investigated
- G01N21/25—Colour; Spectral properties, i.e. comparison of effect of material on the light at two or more different wavelengths or wavelength bands
- G01N21/31—Investigating relative effect of material at wavelengths characteristic of specific elements or molecules, e.g. atomic absorption spectrometry
- G01N21/3103—Atomic absorption analysis
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N21/00—Investigating or analysing materials by the use of optical means, i.e. using sub-millimetre waves, infrared, visible or ultraviolet light
- G01N21/17—Systems in which incident light is modified in accordance with the properties of the material investigated
- G01N21/25—Colour; Spectral properties, i.e. comparison of effect of material on the light at two or more different wavelengths or wavelength bands
- G01N21/31—Investigating relative effect of material at wavelengths characteristic of specific elements or molecules, e.g. atomic absorption spectrometry
- G01N21/314—Investigating relative effect of material at wavelengths characteristic of specific elements or molecules, e.g. atomic absorption spectrometry with comparison of measurements at specific and non-specific wavelengths
Landscapes
- Physics & Mathematics (AREA)
- Spectroscopy & Molecular Physics (AREA)
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Chemical & Material Sciences (AREA)
- Analytical Chemistry (AREA)
- Biochemistry (AREA)
- General Health & Medical Sciences (AREA)
- General Physics & Mathematics (AREA)
- Immunology (AREA)
- Pathology (AREA)
- Investigating Or Analysing Materials By Optical Means (AREA)
Abstract
本发明公开了一种基于高光谱特征参数的叶片氮含量估算方法,基于光谱吸收特征参数的叶片氮含量估算模型为550~750nm波段的吸收峰总面积建立的叶片氮含量指数估算模型,估算模型为LNC=0.0025e0.0404TA,R2=0.803。本发明利用550~750nm波段的吸收峰总面积建立叶片氮含量的指数估算模型,精度和稳定性较高。
Description
技术领域
本发明属于农业技术领域,涉及一种基于高光谱特征参数的叶片氮含量估算方法。
背景技术
小麦在不同生长阶段的叶片氮素营养吸收、运转和同化作用,都会引起叶片颜色、形状大小、形态结构等的变化,其叶片光谱反射随之作出响应,并在小麦群体冠层光谱上得到反映。利用冠层光谱反射率及反射光谱波形特征来反演小麦氮素营养状况,首先需要通过光谱形态来探寻叶片氮素营养的敏感吸收和反射波段,进而建立敏感波段光谱或其衍生参数与氮素含量之间的定量关系。
作物的光谱吸收是作物叶片中不同生物化学成分含量与每个成分吸收系数的代数和,光谱维方向的特征信息主要表现为作物中生物化学成分含量变化而形成不同的吸收波形。氮素营养的吸收属于弱信号,叶片或者冠层光谱对氮素营养的响应往往是通过叶绿素-蛋白质关联机制来体现的。叶绿素强烈吸收的蓝、红光以及“红边”波段范围都与叶片氮含量(LNC)显著相关。连续统去除反射率将小麦冠层光谱映射到局部连续统线上,定义为原始光谱反射率与对应波段连续统线反射率的比值,表征了光谱吸收特性的强弱,基于连续统去除光谱的吸收特征参数使得局部吸收特征之间的差异放大,是进行叶片氮含量高光谱监测的有益尝试。同时,以往的研究基本上都只关注红光和红边波段,而很少对蓝光区吸收特征与叶片氮含量的关系进行探讨。
发明内容
本发明的目的在于克服上述技术存在的缺陷,提供一种基于高光谱特征参数的叶片氮含量估算方法,该方法建立叶片氮含量的指数估算模型,具有精度和稳定性高的特点,适合推广应用。
其具体技术方案为:
一种基于高光谱特征参数的叶片氮含量估算方法,基于光谱吸收特征参数的叶片氮含量估算模型为550~750nm波段的吸收峰总面积建立的叶片氮含量指数估算模型,估算模型为LNC=0.0025e0.0404TA,R2=0.803。
与现有技术相比,本发明的有益效果:
本发明方法连续统去除处理能有效地抑制背景光谱噪声,扩大了原始反射光谱中由氮素胁迫引起的吸收特征微小变化,消除冠层结构参数的影响,通过吸收特征参数增强了吸收波段对叶片氮含量的估测能力,虽然400~500nm波段吸收特征参数与叶片氮含量也显著相关,但相关性弱于550~760nm波段,利用550~750nm波段的吸收峰总面积建立叶片氮含量的指数估算模型,精度和稳定性较高。
附图说明
图1是400~550nm吸收特征参数与叶片氮含量空间分布,其中,图1A、图1B、图1C分别为基于400~550nm最大吸收深度、吸收峰总面积、吸收峰左面积的LNC估算;
图2是550~750nm吸收特征参数与叶片氮含量空间分布,其中,图2A、图2B、图2C分别为基于550~750nm最大吸收深度、吸收峰总面积、吸收峰右面积的LNC估算;
图3是400~550nm吸收特征的叶片氮含量实测值与预测值空间分布,其中,图3A、图3B、图3C分别为基于400~550nm最大吸收深度、吸收峰总面积、吸收峰左面积的叶片氮含量实测值与预测值空间分布;
图4是550~750nm吸收特征的叶片氮含量实测值与预测值空间分布,其中,图4A、图4B、图4C分别为基于500~750nm最大吸收深度、吸收峰总面积、吸收峰右面积的叶片氮含量实测值与预测值空间分布。
具体实施方式
下面结合附图和具体实施方案对本发明的技术方案作进一步详细地说明。
本发明利用400~500nm的最大吸收深度、吸收峰总面积、吸收峰左面积和550~750nm的最大吸收深度、吸收峰总面积、吸收峰右面积建立叶片氮含量的估算模型,结果如图1和图2所示。吸收特征参数与叶片氮含量均表现为显著的指数模型关系,不同吸收特征参数所构建模型的精度较为接近。400~500nm吸收特征参数所建模型的决定系数为0.75~0.781,550~750nm的决定系数为0.737~0.803。550~750nm波段最大吸收深度、吸收峰总面积、吸收峰右面积所建叶片氮含量的估算的检验结果略优于400~500nm波段,指数模型对叶片氮含量高值的估算能力较差,当LNC>2.6时,检验模型的散点趋于分散,并低于1:1线,因此对高值区存在低估现象(图3和图4)。从检验模型的决定系数(R2)、均方根误差(RMSE)和预测相对误差(REP)来看,基于550~750nm波段的吸收峰总面积(TA)对叶片氮含量的估算效果最佳,估算模型的表达式为LNC=0.0025e0.0404TA,R2=0.803。
本发明提取400~550nm和550~750nm波段的光谱吸收特征参数,结果表明,随着叶片氮含量的增加,400~550nm和550~750nm吸收谷的位置向长波方向移动,波段吸收深度增加,整个吸收谷的面积呈递增趋势,放大了由氮素胁迫引起的波谱吸收特征。当叶片氮含量增大时,蓝光和红光波段的吸收整体增强,因此这两段吸收峰的面积和宽度增加,最大吸收深度增强,与叶片氮含量呈显著正相关关系。面积归一化最大吸收深度与叶片氮含量呈显著负相关关系。其他参数受波谱曲线形状不对称的影响,400~550nm和550~750nm的吸收特征参数与叶片氮含量的关系相反。指数模型虽然取得了较好的拟合精度,但同时对叶片氮含量的高值容易饱和,高值区存在低估现象。基于光谱吸收特征参数的最佳叶片氮含量估算模型为550~750nm波段的吸收峰总面积建立的叶片氮含量指数估算模型,估算模型为LNC=0.0025e0.0404TA,R2=0.803,模型精度优于“三边”参数建立的叶片氮含量估算模型。
以上所述,仅为本发明较佳的具体实施方式,本发明的保护范围不限于此,任何熟悉本技术领域的技术人员在本发明披露的技术范围内,可显而易见地得到的技术方案的简单变化或等效替换均落入本发明的保护范围内。
Claims (1)
1.一种基于高光谱特征参数的叶片氮含量估算方法,其特征在于,基于光谱吸收特征参数的叶片氮含量估算模型为550~750nm波段的吸收峰总面积建立的叶片氮含量指数估算模型,估算模型为LNC=0.0025e0.0404TA,R2=0.803。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201610648485.4A CN106198420A (zh) | 2016-08-09 | 2016-08-09 | 一种基于高光谱特征参数的叶片氮含量估算方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201610648485.4A CN106198420A (zh) | 2016-08-09 | 2016-08-09 | 一种基于高光谱特征参数的叶片氮含量估算方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN106198420A true CN106198420A (zh) | 2016-12-07 |
Family
ID=57514114
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201610648485.4A Pending CN106198420A (zh) | 2016-08-09 | 2016-08-09 | 一种基于高光谱特征参数的叶片氮含量估算方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN106198420A (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
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 |
CN108169141A (zh) * | 2017-11-28 | 2018-06-15 | 华南农业大学 | 一种基于高光谱图像的茶树lai及氮含量估算方法 |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20100279332A1 (en) * | 2007-05-11 | 2010-11-04 | Force-A | Method and device for characterizing biological tissue |
CN103954567A (zh) * | 2014-04-15 | 2014-07-30 | 塔里木大学 | 基于连续统去除法的土壤盐分测定方法 |
-
2016
- 2016-08-09 CN CN201610648485.4A patent/CN106198420A/zh active Pending
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20100279332A1 (en) * | 2007-05-11 | 2010-11-04 | Force-A | Method and device for characterizing biological tissue |
CN103954567A (zh) * | 2014-04-15 | 2014-07-30 | 塔里木大学 | 基于连续统去除法的土壤盐分测定方法 |
Non-Patent Citations (1)
Title |
---|
张雪红 等: "基于连续统去除法的冬小麦叶片氮积累量的高光谱评价", 《生态学杂志》 * |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
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 |
CN108169141A (zh) * | 2017-11-28 | 2018-06-15 | 华南农业大学 | 一种基于高光谱图像的茶树lai及氮含量估算方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN102200576B (zh) | 叶绿素a浓度反演方法及*** | |
Shafri et al. | Hyperspectral imagery for mapping disease infection in oil palm plantationusing vegetation indices and red edge techniques | |
CN101776584B (zh) | 松材线虫病的高光谱综合分析早期探测方法 | |
CN105352895A (zh) | 高光谱遥感数据植被信息提取方法 | |
CN102313699B (zh) | 作物冠层叶片的全氮含量估算方法 | |
CN110702628B (zh) | 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 | |
Ray et al. | Evaluation of hyperspectral indices for LAI estimation and discrimination of potato crop under different irrigation treatments | |
CN105526874B (zh) | 一种基于光谱特征参数的油膜厚度识别方法 | |
CN105138994A (zh) | 一种基于高光谱遥感图像的水华识别方法及装置 | |
CN103163094B (zh) | 叶片中叶绿素无损测定方法 | |
CN106442338A (zh) | 一种基于svr算法的苹果叶片叶绿素含量高光谱反演方法 | |
CN106198420A (zh) | 一种基于高光谱特征参数的叶片氮含量估算方法 | |
CN101986139A (zh) | 一种基于反射光谱小波变换的植被参数遥感反演方法 | |
CN102508959A (zh) | 反演高浑浊度水体中叶绿素a浓度的四波段半分析模型 | |
CN109406457A (zh) | 一种基于半分析模型的沉水植被光谱水体影响校正方法 | |
CN103500343A (zh) | 基于mnf变换结合扩展属性滤波的高光谱影像分类方法 | |
CN105224961A (zh) | 一种高识别度的红外光谱特征提取与匹配方法 | |
CN106202971A (zh) | 基于folium模型叶片色素遥感反演方法 | |
CN107132204A (zh) | 一种叶片叶绿素含量的测量装置及反演方法 | |
CN105678229B (zh) | 一种高光谱影像检索方法 | |
CN104036499B (zh) | 一种多尺度叠加分割方法 | |
CN108596254A (zh) | 耦合叶片多表征的刚竹毒蛾危害检测方法 | |
Gonçalves et al. | Land cover classification with Support Vector Machine applied to MODIS imagery | |
CN108507972A (zh) | 一种基于距离度量和半监督学习的近红外光谱跨年份苹果糖度预测方法 | |
CN106872383B (zh) | 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 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
WD01 | Invention patent application deemed withdrawn after publication | ||
WD01 | Invention patent application deemed withdrawn after publication |
Application publication date: 20161207 |