CN106442338A - 一种基于svr算法的苹果叶片叶绿素含量高光谱反演方法 - Google Patents
一种基于svr算法的苹果叶片叶绿素含量高光谱反演方法 Download PDFInfo
- Publication number
- CN106442338A CN106442338A CN201610804917.6A CN201610804917A CN106442338A CN 106442338 A CN106442338 A CN 106442338A CN 201610804917 A CN201610804917 A CN 201610804917A CN 106442338 A CN106442338 A CN 106442338A
- Authority
- CN
- China
- Prior art keywords
- svr
- model
- chlorophyll
- spad
- spectrum
- 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
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SVR算法的苹果叶片叶绿素含量高光谱反演方法,为实现苹果叶片叶绿素含量的高光谱反演,分析了多种光谱参数与实测SPAD值的相关性,并将归一化光谱参数值及SPAD值进行多项式回归及支持向量回归。其中以归一化植被指数为变量的SVR反演模型在建模及模型检验中决定系数分别为0.7410、0.8914,均方根误差分别为0.1332、0.1256,具有较高的精度及良好的预测能力。与多项式回归相比,SVR具有更好的反演效果,可以作为叶绿素高光谱反演的优选算法。
Description
技术领域
本发明属于农业技术领域,具体地说,涉及一种基于SVR算法的苹果叶片叶绿素含量高光谱反演方法。
背景技术
叶绿素浓度是反映植物光合作用能力和生长状况的重要指标。由于叶绿素与叶片氮含量间存在较好的相关,可表征植物的营养状况,所以叶绿素浓度也是植物营养胁迫的指示剂。由此可见,快速、准确地测量植物叶片的叶绿素含量具有重要的应用价值。HORLER等研究了叶片叶绿素浓度与反射光谱间的相关性,指出红边测量对叶绿素状态评估的价值;CURRAN与FILELLA等指出红边位置与形状可作为植被叶绿素、叶面积指数及营养状况等信息获取的指标。近年来,针对高光谱与叶绿素含量关系的研究大多集中在水稻、玉米、小麦等粮食作物上,对果树的研究相对较少。
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SVR算法的苹果叶片叶绿素含量高光谱反演方法,选取多种光谱特征参数对苹果叶片叶绿素含量进行反演建模,并利用支持向量回归对模型进行优化,对比分析,以得到最佳反演模型。
其具体技术方案为:
一种基于SVR算法的苹果叶片叶绿素含量高光谱反演方法,包括以下步骤:
步骤1、叶片光谱测定:苹果叶片光谱测定于室内进行。,采用SVC HR-1024i型全波段地物光谱仪,波长范围为350-2500nm,光谱采样间隔在350~1000nm范围内是1.377nm,在1000~2500nm范围内为2nm,光谱测定中使用仪器内置光源,为消除环境变化对仪器的影响,每隔0.5h用参考板进行一次优化。选择正常苹果叶片94片,每片叶子使用叶片夹从叶柄至叶尖分段测量3次,避开叶脉部分,求平均值后得出该叶片的光谱反射率曲线;
步骤2、叶绿素测定:用SPAD-502型便携式叶绿素仪测定值代替叶绿素含量。每片叶片测量时避开叶脉部分,从叶柄至叶尖分段测量4次,平均后得出该叶片的SPAD值;
步骤3、数据处理:对测得的原始光谱数据进行重采样,采样间隔1nm,构建光谱特征参数,将采集的94个样本随机分为2组:一组60个,一组34个,分别用于光谱参数与实测SPAD值的相关关系模型的建立与检验。数据处理及建模在Excel及Matlab中完成;
步骤4:光谱参数与SPAD值支持向量回归分析选取了数据归一化的方法以消除量级的差别,对归一化后的光谱参数数据及SPAD值进行支持向量回归,SVM类型设置为e-SVR,其损失函数p设为0.01,核函数类型选取径向基函数(RBF),最优惩罚系数C及RBF核参数g使用网格搜索法进行参数寻优,其他参数采用默认值;各光谱参数与SPAD值SVR模型中,R565、NDVI光谱参数SVR模型在建立及检验中的决定系数分别在0.69及0.85以上,均方根误差在0.15及0.14以下。
与现有技术相比,本发明的有益效果:
本发明提供的一种基于SVR算法的苹果叶片叶绿素含量高光谱反演方法:,与其他各光谱参数的SVR模型相比,决定系数较大,均方根误差则较小,表明光谱参数R565、NDVI分别与SPAD值建立的SVR模型比其他光谱参数与SPAD值的SVR模型具有更高的精度及更好的预测能力。
附图说明
图1是苹果叶片SPAD值与原始光谱的相关分析;
图2是苹果叶片SPAD值与一阶微分光谱的相关分析;
图3是苹果叶片SPAD预测值与实测值的比较,其中,图3(a)是Db模型,图3(b)是Sb模型,图3(c)是Sg模型,图3(d)是R565模型,(图3e)是NDVI模型,图3(f)是NPCI模型;
图4是苹果叶片光谱参数与SPAD值多项式回归及SVR检验结果,其中,图4(a)是NDVI模型(多项式回归),图4(b)是NDVI模型(支持向量回归),图4(c)是R565模型(多项式回归),图4(d)是R565模型(支持向量回归)。
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。
1材料与方法
1.1实验设计
实验地位于陕西省扶风县杏林镇召宅村(108°00′45"E,34°22′12"N),样品采集于2015年4月27日,此时苹果果树处于生长早期,叶片受病害等其他因素的影响较小,叶片光谱可以较好地反映叶绿素状况,监测此时苹果叶片叶绿素含量可为之后果树生长过程中氮肥的施加提供一定的参考依据,采集红富士苹果叶片,用保鲜袋密封保存,带回实验室处理。
1.2叶片光谱测定
苹果叶片光谱测定于室内进行。采用SVC HR-1024i型全波段地物光谱仪,波长范围为350-2500nm,光谱采样间隔在350~1000nm范围内是1.377nm,在1000~2500nm范围内为2nm。光谱测定中使用仪器内置光源,为消除环境变化对仪器的影响,每隔0.5h用参考板进行一次优化。选择正常苹果叶片94片,每片叶子使用叶片夹从叶柄至叶尖分段测量3次(避开叶脉部分),求平均值后得出该叶片的光谱反射率曲线。
1.3叶绿素测定
叶绿素是植物光合作用的色素,传统方法测定叶绿素一般采用分光光度法,但是研究表明叶片绿色度(SPAD值)与叶绿素含量具有显著的相关性,SPAD值能较好地反映叶片叶绿素含量的变化,使用叶绿素计测定叶片叶绿素含量是完全可行的,在一定条件下可代替叶绿素含量的直接测定[10]。本文即用SPAD-502型便携式叶绿素仪测定值代替叶绿素含量。每片叶片测量时避开叶脉部分,从叶柄至叶尖分段测量4次,平均后得出该叶片的SPAD值。
1.4数据处理
对测得的原始光谱数据进行重采样,采样间隔1nm。在借鉴前人经验的基础上,结合本实验中苹果叶片SPAD值的敏感波段,构建表1所示的光谱特征参数,表中R765、R720、R620、R506、R570、R531、R642、R432分别表示765nm、720nm、620nm、506nm、570nm、531nm、642nm、432nm处的反射率。
表1 光谱参数及其定义
Tab.1 Spectral parameters and their definitions used in the paper
将采集的94个样本随机分为2组:一组60个,一组34个,分别用于光谱参数与实测SPAD值的相关关系模型的建立与检验。数据处理及建模在Excel及Matlab中完成。
2结果与分析
2.1苹果叶片SPAD值与光谱变量的相关分析
2.1.1叶片SPAD值与原始光谱相关分析
叶片SPAD值与原始光谱的相关性如图1所示。图1中R为SPAD值与原始光谱的相关性曲线,从曲线R可以看出,在400~735nm,1880~2060nm,2341~2500nm处,SPAD值与原始光谱均呈极显著负相关,最大相关系数达0.8以上;在852~1365nm处,两者呈极显著正相关。绿色植物反射光谱在可见光范围内主要受叶片色素的影响,吸收作用较强,反射率较低,叶片SPAD值与原始光谱在可见光范围内呈负相关说明叶绿素含量越高,光谱反射率越低,吸收作用越强。可见光之外反射光谱主要受细胞结构及叶片含水率的影响,虽然在部分波段叶片SPAD值与原始光谱达到极显著相关,但不排除其他因素的影响。
各模型检验的均方根误差均在4~6之间,其中以NDVI为变量建立的模型在检验中均方根误差最小,为4.1285,同时具有相对较小的相对误差9.35%;其次是以R565为变量建立的模型。这两个模型的预测决定系数分别为0.8896和0.8524,且较小的均方根误差及相对误差说明2个模型具有较好的预测能力叶片SPAD值与光谱一阶微分的相关性如图2所示。从图中可以看出,在406~470nm,476~550nm,681~705nm,1345~1420nm,1670~1750nm,1830~1885nm,2236~2295nm处,SPAD值与一阶微分光谱呈极显著负相关,最大相关系数达0.7以上;在560~670nm,711~800nm,815~855nm,1445~1655nm,2050~2125nm处,两者呈极显著正相关,最大相关系数达0.9以上。与原始光谱相比较,一阶微分与叶片SPAD值的相关系数有所提高。与叶片SPAD值和原始光谱的结果分析相同,在长波段上SPAD值与一阶微分光谱的极显著相关波段不作为光谱参数选取的依据。
2.2苹果叶片SPAD值与光谱特征参数的相关分析
各光谱特征参数与SPAD值的相关性分析结果如表2所示。
表2 光谱参数与SPAD值相关分析
Tab.2 Correlation between spectral parameters and SPAD values
注:r0.001=0.334,r0.01=0.264,**表示在0.001水平上极显著,*表示在0.01水平上极显著。
由表2可知,文中所构建的光谱参数与SPAD值均具有较好的相关性,达到了0.01或0.001水平上的显著、极显著关系,其中以归一化植被指数NDVI与SPAD值的相关系数值最大,达到了0.85以上;红边内一阶微分的最大值即Dr与SPAD值的相关系数最小,只有0.2837,但也达到了0.01水平的显著相关。表2显示,各光谱参数与SPAD值的相关系数大多在0.5以上,为极显著相关,Sy、Sr和NDVI与SPAD值呈正相关关系,其他光谱参数与SPAD值呈负相关。
2.3光谱参数与SPAD值普通回归分析
选取表2中与SPAD值相关系数0.7以上的光谱参数进行回归分析,建立光谱参数与SPAD值的回归关系模型。为达到较好的模型拟合水平,在回归模型建立中分别尝试了线性、二次多项式、对数、指数及幂函数模型,最终选取的模型为:Db、Sg二次多项式回归模型,R565、NPCI指数模型,Sb对数模型,NDVI幂函数模型,各模型的表达式及决定系数、均方根误差(RMSE)如表3所示。其中NDVI、R565和NPCI模型的决定系数R2在0.65以上,均方根误差则小于
5.1,由这3个光谱参数建立的叶片SPAD值回归模型精度较高。
表3 光谱参数与SPAD值回归关系模型
Tab.3 Regression models of spectral parameters and SPAD values
以所建立的回归模型用检验集样本的各光谱参数为变量,分别估测其对应叶片SPAD值,与实测值比较,对叶片SPAD值的各回归模型进行检验,比较其均方根误差及相对误差,结果如图3所示。
2.4光谱参数与SPAD值支持向量回归分析
原始光谱参数数据与SPAD值的普通回归分析实现了SPAD值的高光谱反演,而部分模型精度较低,且为了找到最佳反演模型,需要在线性、指数、对数、多项式、幂函数模型间比较选择。梁亮等[8]研究表明利用支持向量回归(SVR)[15]可以提高小麦冠层叶绿素高光谱反演精度。因此本文利用SVR进行了苹果叶片的高光谱反演。在支持向量回归的参数寻优过程中,由于惩罚系数C过大或过小会出现过拟合或拟合不足现象,因此通常为C设定范围[2-8,28]。由于各光谱参数值与实测SPAD值在数值上相差过大,在使用原始数据进行参数寻优时C将会达到阈值,无法得到最优值。因此本文选取了数据归一化的方法以消除这种量级的差别[16]。
对归一化后的光谱参数数据及SPAD值进行支持向量回归,SVM类型设置为e-SVR,其损失函数p设为0.01,核函数类型选取径向基函数(RBF),最优惩罚系数C及RBF核参数g使用网格搜索法进行参数寻优,其他参数采用默认值。光谱参数与叶绿素含量SVR模型检验结果如表4所示。
表4 各光谱参数与SPAD值SVR结果
Tab.4 Spectral parameters data and SPAD values support vectorregression results
各光谱参数与SPAD值SVR模型中,R565、NDVI光谱参数SVR模型在建立及检验中的决定系数分别在0.69及0.85以上,均方根误差在0.15及0.14以下,与其他各光谱参数的SVR模型相比,决定系数较大,均方根误差则较小,表明光谱参数R565、NDVI分别与SPAD值建立的SVR模型比其他光谱参数与SPAD值的SVR模型具有更高的精度及更好的预测能力。
2.5普通回归模型与SVR模型精度比较
将归一化光谱参数数据与SPAD值进行普通回归以实现与SVR的结果比较。归一化后光谱参数与SPAD值的普通回归模型及检验结果如表5所示。
表5 归一化光谱参数与SPAD值回归关系模型及其检测精度
Tab.5 Regression models and predicting precision of normalizedspectral parameters data and SPAD values
由表5可见,归一化后各光谱参数与SPAD值回归模型都为多项式。比较各光谱参数与SPAD值多项式回归的结果可知,R565、NDVI两光谱参数分别与SPAD值的相关模型在建立及检验中均具有较大的决定系数和较小的均方根误差,这与归一化之前各光谱参数与SPAD值的回归检验结果是一致的。由于归一化后数据范围为[0,1],出现0值,部分模型不再适用,因此出现部分参数构建的回归模型精度降低的情况,而归一化前后同样是多项式模型的Db模型及Sg模型,建模决定系数及检验决定系数是相同的。
对比表4与表5可知,光谱参数Sb、Sg、R565和NPCI与SPAD值的相关模型中,SVR的建模决定系数均大于多项式回归的建模决定系数,且均方根误差也更小,说明这些光谱参数与SPAD值建模时,与多项式模型相比,SVR模型的估测结果与实测值更接近。NDVI与SPAD值模型建立过程中,虽然SVR的决定系数小于多项式回归的决定系数,且均方根误差大于多项式回归的均方根误差,但同其他参数建立的各种模型相比,NDVI与SPAD值的SVR模型建立中具有较大的决定系数与较小的均方根误差,即具有更高的精度。光谱参数R565、NDVI及NPCI在2种回归模型的检验中具有相同的比较结果,即检验过程中SVR模型检验决定系数比多项式回归模型大而检验均方根误差比多项式回归模型小,说明光谱参数R565、NDVI及NPCI与SPAD值的SVR模型比多项式模型具有更好的预测能力。R565和NDVI在多项式回归及支持向量回归2种不同模型下的预测检验结果如图4所示。
通过图4中SVR模型与多项式模型检验结果的比较,NDVI与SPAD值建立的2种模型均具有较好的预测效果。SVR模型检验决定系数R2(0.8914)大于多项式模型(0.8611),检验均方根误差(0.1256)小于多项式模型(0.1424),预测回归方程的斜率(0.8337)较多项式模型(0.7363)更接近1,偏移为0.157,小于多项式模型(0.2058),表明SVR模型预测回归方程更接近于直线y=x(图中虚线),说明SVR模型预测能力较多项式模型更好。光谱参数R565与SPAD值SVR模型回归的各种指标与多项式模型回归相比和上述NDVI与SPAD值建立的2种模型比较结果具有同样的特征,即光谱参数R565与SPAD值的SVR模型预测能力同样较多项式模型更好。
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SVR算法的苹果叶片叶绿素含量高光谱反演方法,其特征在于,包括以下步骤:
步骤1、叶片光谱测定:苹果叶片光谱测定于室内进行,,采用SVC HR-1024i型全波段地物光谱仪,波长范围为350-2500nm,光谱采样间隔在350~1000nm范围内是1.377nm,在1000~2500nm范围内为2nm,光谱测定中使用仪器内置光源,为消除环境变化对仪器的影响,每隔0.5h用参考板进行一次优化,选择正常苹果叶片94片,每片叶子使用叶片夹从叶柄至叶尖分段测量3次,避开叶脉部分,求平均值后得出该叶片的光谱反射率曲线;
步骤2、叶绿素测定:用SPAD-502型便携式叶绿素仪测定值代替叶绿素含量,每片叶片测量时避开叶脉部分,从叶柄至叶尖分段测量4次,平均后得出该叶片的SPAD值;
步骤3、数据处理:对测得的原始光谱数据进行重采样,采样间隔1nm,构建光谱特征参数,将采集的94个样本随机分为2组:一组60个,一组34个,分别用于光谱参数与实测SPAD值的相关关系模型的建立与检验,数据处理及建模在Excel及Matlab中完成;
步骤4:光谱参数与SPAD值支持向量回归分析选取了数据归一化的方法以消除量级的差别,对归一化后的光谱参数数据及SPAD值进行支持向量回归,SVM类型设置为e-SVR,其损失函数p设为0.01,核函数类型选取径向基函数,最优惩罚系数C及RBF核参数g使用网格搜索法进行参数寻优,其他参数采用默认值;各光谱参数与SPAD值SVR模型中,R565、NDVI光谱参数SVR模型在建立及检验中的决定系数分别在0.69及0.85以上,均方根误差在0.15及0.14以下。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201610804917.6A CN106442338A (zh) | 2016-09-06 | 2016-09-06 | 一种基于svr算法的苹果叶片叶绿素含量高光谱反演方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201610804917.6A CN106442338A (zh) | 2016-09-06 | 2016-09-06 | 一种基于svr算法的苹果叶片叶绿素含量高光谱反演方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN106442338A true CN106442338A (zh) | 2017-02-22 |
Family
ID=58164707
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201610804917.6A Pending CN106442338A (zh) | 2016-09-06 | 2016-09-06 | 一种基于svr算法的苹果叶片叶绿素含量高光谱反演方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN106442338A (zh) |
Cited By (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107064069A (zh) * | 2017-03-23 | 2017-08-18 | 西北农林科技大学 | 一种猕猴桃树叶片叶绿素含量高光谱估算方法 |
CN107271382A (zh) * | 2017-06-02 | 2017-10-20 | 西北农林科技大学 | 一种不同生育期油菜叶片spad值遥感估算方法 |
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 |
CN109668857A (zh) * | 2019-01-25 | 2019-04-23 | 江苏大学 | 基于近红外高光谱图像技术的茶叶菌落总数检测装置及方法 |
CN110376167A (zh) * | 2019-07-29 | 2019-10-25 | 北京麦飞科技有限公司 | 基于无人机高光谱的水稻叶片氮含量监测方法 |
CN111929261A (zh) * | 2020-09-16 | 2020-11-13 | 广州地理研究所 | 基于高光谱植被指数的叶片多酚含量估算方法 |
CN113065230A (zh) * | 2021-03-16 | 2021-07-02 | 吉林大学 | 基于优化光谱指数建立水稻叶片spad的高光谱反演模型 |
CN113607656A (zh) * | 2021-08-03 | 2021-11-05 | 安徽省农业科学院土壤肥料研究所 | 一种基于高光谱成像的叶片叶绿素含量监测方法与*** |
CN114324215A (zh) * | 2021-12-31 | 2022-04-12 | 重庆市农业科学院 | 一种柠檬叶片叶绿素含量及其二维分布检测方法 |
CN117274915A (zh) * | 2023-11-20 | 2023-12-22 | 广东华茂高科种业有限公司 | 一种监测水稻冠层氮含量的数据计算方法及*** |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
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 |
US20120141209A1 (en) * | 2010-12-01 | 2012-06-07 | Frank Hagen | Rdx plant indicator system |
CN105021617A (zh) * | 2015-07-14 | 2015-11-04 | 华中农业大学 | 基于高光谱成像的整株水稻叶绿素含量测量装置及方法 |
CN105548455A (zh) * | 2015-12-07 | 2016-05-04 | 青岛农业大学 | 一种返青后到抽穗以前冬小麦叶片氮积累量估算方法 |
-
2016
- 2016-09-06 CN CN201610804917.6A patent/CN106442338A/zh active Pending
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
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 |
US20120141209A1 (en) * | 2010-12-01 | 2012-06-07 | Frank Hagen | Rdx plant indicator system |
CN105021617A (zh) * | 2015-07-14 | 2015-11-04 | 华中农业大学 | 基于高光谱成像的整株水稻叶绿素含量测量装置及方法 |
CN105548455A (zh) * | 2015-12-07 | 2016-05-04 | 青岛农业大学 | 一种返青后到抽穗以前冬小麦叶片氮积累量估算方法 |
Non-Patent Citations (1)
Title |
---|
刘京等: ""基于SVR算法的苹果叶片叶绿素含量高光谱反演"", 《农业机械学报》 * |
Cited By (12)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107064069A (zh) * | 2017-03-23 | 2017-08-18 | 西北农林科技大学 | 一种猕猴桃树叶片叶绿素含量高光谱估算方法 |
CN107271382A (zh) * | 2017-06-02 | 2017-10-20 | 西北农林科技大学 | 一种不同生育期油菜叶片spad值遥感估算方法 |
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 |
CN109668857A (zh) * | 2019-01-25 | 2019-04-23 | 江苏大学 | 基于近红外高光谱图像技术的茶叶菌落总数检测装置及方法 |
CN110376167A (zh) * | 2019-07-29 | 2019-10-25 | 北京麦飞科技有限公司 | 基于无人机高光谱的水稻叶片氮含量监测方法 |
CN111929261A (zh) * | 2020-09-16 | 2020-11-13 | 广州地理研究所 | 基于高光谱植被指数的叶片多酚含量估算方法 |
CN111929261B (zh) * | 2020-09-16 | 2021-03-23 | 广州地理研究所 | 基于高光谱植被指数的叶片多酚含量估算方法 |
CN113065230A (zh) * | 2021-03-16 | 2021-07-02 | 吉林大学 | 基于优化光谱指数建立水稻叶片spad的高光谱反演模型 |
CN113607656A (zh) * | 2021-08-03 | 2021-11-05 | 安徽省农业科学院土壤肥料研究所 | 一种基于高光谱成像的叶片叶绿素含量监测方法与*** |
CN114324215A (zh) * | 2021-12-31 | 2022-04-12 | 重庆市农业科学院 | 一种柠檬叶片叶绿素含量及其二维分布检测方法 |
CN117274915A (zh) * | 2023-11-20 | 2023-12-22 | 广东华茂高科种业有限公司 | 一种监测水稻冠层氮含量的数据计算方法及*** |
CN117274915B (zh) * | 2023-11-20 | 2024-01-30 | 广东华茂高科种业有限公司 | 一种监测水稻冠层氮含量的数据计算方法及*** |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
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 | |
Tian et al. | Comparison of different hyperspectral vegetation indices for canopy leaf nitrogen concentration estimation in rice | |
CN102175618B (zh) | 一种稻麦叶片氮含量光谱监测模型建模方法 | |
Feng et al. | Measuring leaf nitrogen concentration in winter wheat using double-peak spectral reflection remote sensing data | |
CN110160967A (zh) | 一种作物冠层叶片的全氮含量估算方法 | |
Ren et al. | Multi-variable selection strategy based on near-infrared spectra for the rapid description of dianhong black tea quality | |
Wei et al. | Hyperspectral characterization of freezing injury and its biochemical impacts in oilseed rape leaves | |
CN103196838B (zh) | 一种海岸河口富营养化高光谱遥感监测方法 | |
Kunz et al. | Updating a synchronous fluorescence spectroscopic virgin olive oil adulteration calibration to a new geographical region | |
Feng et al. | Analysis of the relationship between the spectral characteristics of maize canopy and leaf area index under drought stress | |
CN107271382A (zh) | 一种不同生育期油菜叶片spad值遥感估算方法 | |
CN102435564A (zh) | 一种基于三波段光谱指数估测植物氮含量的方法 | |
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 | |
Guo et al. | Estimating leaf chlorophyll content in tobacco based on various canopy hyperspectral parameters | |
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 | |
CN103185695A (zh) | 一种基于光谱的烤烟成熟度田间快速判断方法 | |
CN109060676A (zh) | 基于高光谱的夏玉米冠层spad值估算模型的确定方法 | |
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 | |
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 | |
CN110779875B (zh) | 一种基于高光谱技术检测冬小麦麦穗水分含量的方法 | |
Wang et al. | General model of multi-quality detection for apple from different origins by Vis/NIR transmittance spectroscopy | |
CN103913425A (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 | |
CN107064069A (zh) | 一种猕猴桃树叶片叶绿素含量高光谱估算方法 | |
Zhu et al. | Estimating leaf nitrogen concentration (LNC) of cereal crops with hyperspectral data | |
Yao et al. | Prediction of total nitrogen content in different soil types based on spectroscopy |
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: 20170222 |