CN111650129B - 一种荔枝叶片钙含量预测方法及预测装置 - Google Patents
一种荔枝叶片钙含量预测方法及预测装置 Download PDFInfo
- Publication number
- CN111650129B CN111650129B CN202010436011.XA CN202010436011A CN111650129B CN 111650129 B CN111650129 B CN 111650129B CN 202010436011 A CN202010436011 A CN 202010436011A CN 111650129 B CN111650129 B CN 111650129B
- Authority
- CN
- China
- Prior art keywords
- data
- spectral
- calcium content
- vegetation index
- litchi
- 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
Images
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
-
- 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
- G01N21/47—Scattering, i.e. diffuse reflection
- G01N21/4738—Diffuse reflection, e.g. also for testing fluids, fibrous materials
Landscapes
- Physics & Mathematics (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)
- Spectroscopy & Molecular Physics (AREA)
- Investigating Or Analysing Materials By Optical Means (AREA)
Abstract
本发明公开了一种荔枝叶片钙含量预测方法及装置,该方法主要包括对所获取到的光谱数据进行预处理,去除水分和噪声影响波段范围的反射信息;利用波段平均方法对预处理后的光谱数据进行降维处理;对降维处理后的光谱数据进行一阶微分处理,得到一阶导数光谱数据DR;对DR进行光谱植被指数迭代计算,获得光谱植被指数集;根据实测钙含量数据和光谱植被指数集,并根据皮尔逊相关系数绝的大小,选择出相关系数最大的那个植被指数和相关系数最小的那个植被指数,并得到叶片钙含量的预测模型,通过预测模型即可得到预测数据集的钙含量。本发明能够快速、有效、准确地预测出荔枝关键生长期叶片钙含量信息,以指导荔枝施肥,减少荔枝裂果。
Description
技术领域
本发明测量技术,具体涉及一种荔枝叶片钙含量预测方法及预测装置。
背景技术
钙是对果实发育有重要影响的元素之一,许多生理病害和生理失调症于组织中钙水平密切相关。裂果是一种生理失调症,研究表明荔枝裂果的多少于果实中钙含量有有关。果实快速生长期,增加叶片和果皮中钙含量有利于减少荔枝裂果。
快速、有效的获取荔枝关键生长期叶片钙含量信息,对指导荔枝施肥具有重要意义。传统的化学分析方法,往往具有时滞性,难以满足快速、高效的养分监测需求。遥感技术具有实时、高效等优点,成为当前研究的热点。但有关植物叶片钙含量与光谱关系的研究很少。
发明内容
为了解决现有技术无法快速、有效地获取荔枝关键生长期叶片钙含量信息,本发明提供了一种荔枝叶片钙含量预测方法及预测装置。
为实现上述目的,本发明的技术方案是:
第一方面,本发明实施例提供了一种荔枝叶片钙含量预测方法,包括:
利用光谱仪对荔枝冠层预测,获得荔枝冠层反射光谱数据;并同步采集荔枝冠层叶片样本,并对叶片样本进行化学分析,获得叶片样本的实测钙含量数据;
对所获取到的光谱数据进行预处理,去除水分和噪声影响波段范围的反射信息,获得预处理后的光谱数据;
利用波段平均方法对预处理后的光谱数据进行降维处理,获得降维处理后的光谱数据;
对降维处理后的光谱数据进行一阶微分处理,得到一阶导数光谱数据DR;
对所得到的一阶导数光谱数据DR进行光谱植被指数迭代计算,获得光谱植被指数集;
根据实测钙含量数据和光谱植被指数集来分别计算各光谱指数与钙含量的皮尔逊相关系数,并根据皮尔逊相关系数绝对值的大小,选择出相关系数最大的那个植被指数和相关系数最小的那个植被指数;
将相关系数最大的那个植被指数和相关系数最小的那个植被指数共同作为自变量,叶片钙含量作为因变量,进行多元回归,得到叶片钙含量的预测模型;
对预测数据集分别求出其相关系数最大的那个植被指数和相关系数最小的那个植被指数,并将对应的指数代入叶片钙含量的预测模型,得到预测数据集的钙含量。
第二方面,本发明实施例提供了一种荔枝叶片钙含量预测装置,包括:
数据存储器,其存储有光谱仪对荔枝冠层测量所获得荔枝冠层反射光谱数据以及存储有光谱仪所测量的那一荔枝冠层的叶片样本的实测钙含量数据;
第一数据处理单元,其用于对数据存储器所存储的光谱数据进行预处理,去除水分和噪声影响波段范围的反射信息,获得预处理后的光谱数据;并利用波段平均方法对预处理后的光谱数据进行降维处理,获得降维处理后的光谱数据;并对降维处理后的光谱数据进行一阶微分处理,得到一阶导数光谱数据DR;并对所得到的一阶导数光谱数据DR进行光谱植被指数迭代计算,获得光谱植被指数集;
第二数据处理单元,其用于查找数据存储器所存储的实测钙含量数据以及接收第一数据处理单元所传输来的光谱植被指数集,以根据实测钙含量数据和光谱植被指数集来分别计算各光谱指数与钙含量的皮尔逊相关系数,并根据皮尔逊相关系数绝对值的大小,选择出相关系数最大的那个植被指数和相关系数最小的那个植被指数;并将相关系数最大的那个植被指数和相关系数最小的那个植被指数共同作为自变量,叶片钙含量作为因变量,进行多元回归,得到叶片钙含量的预测模型;还用于接收所输入的预测数据集,并对预测数据集分别求出其相关系数最大的那个植被指数和相关系数最小的那个植被指数,并将对应的指数代入叶片钙含量的预测模型,得到预测数据集的钙含量。
本发明与现有技术相比,其有益效果在于:
通过采用本实施例提供的荔枝叶片钙含量预测方法能够快速、有效、准确地预测出荔枝关键生长期叶片钙含量信息,以指导荔枝施肥,减少荔枝裂果。
附图说明
图1为本发明实施例1提供的荔枝叶片钙含量预测方法的流程图;
图2为降维之后的冠层反射率数据的示意图;
图3为对降维处理后的光谱数据进行一阶微分处理,得到一阶导数光谱数据DR的示意图;
图4为叶片钙含量预测模型的示意图;
图5为预测数据集的结果示意图;
图6为本发明实施例2提供的荔枝叶片钙含量预测装置的组成示意图。
具体实施方式
下面结合附图和具体实施方式对本发明的内容做进一步详细说明。
实施例1:
参阅图1所示,本实施提供的荔枝叶片钙含量预测方法,包括:
101、选择某一地区的荔枝园实验地,基于ASD FieldSpec@3测量荔枝冠层反射光谱数据,获得对应的光谱数据;并同步采集冠层叶片样本,叶片放入采样袋,送至实验室化学分析,获得叶片样本的实测钙含量数据;其中,共采集91组样本,分为预测集(预测集样本数量为13)和建模集(建模集样本数量为78)。
102、对所获取到的光谱数据进行预处理,去除水分和噪声影响波段1350-1450nm,1800-1960nm,2350-2500nm范围的反射信息,获得预处理后的光谱数据,从而可以去除干扰信息。
103、利用波段平均方法对预处理后的光谱数据进行降维处理,以降低光谱数据噪声、降低计算复杂度,获得降维处理后的光谱数据共174维。
Ri=(Ri-4+Ri-3+Ri-2+Ri-1+Ri+Ri+1+Ri+2+Ri+3+Ri+4+Ri+5)/10
Ri是i nm处反射率的值,i的取值范围为(350~1349,1451~1799,1961-2349)。在本实施例中,去除噪音和水分吸收波段的反射光谱数据,进行10波段平均的光谱数据降维。降维后的光谱数据反射率范围为:354~1344,1453~1793,1962~2342nm。这一数据用于进一步做光谱数据一阶导数处理,具体如图2所示。
104、对降维处理后的光谱数据进行一阶微分处理,得到一阶导数光谱数据,
105、对所得到的一阶导数光谱数据进行光谱植被指数迭代计算,获得光谱植被指数集;
106、根据实测钙含量数据和光谱植被指数集来分别计算各光谱指数与钙含量的皮尔逊相关系数,并根据皮尔逊相关系数绝对值的大小,选择出相关系数最大的那个植被指数和相关系数最小的那个植被指数;将选择出的那两个植被指数共同作为自变量,叶片钙含量作为因变量,进行多元回归,得到叶片钙含量的预测模型;
107、对预测数据集分别求出其相关系数最大的那个植被指数和相关系数最小的那个植被指数,并将对应的指数代入叶片钙含量的预测模型,得到预测数据集的钙含量。
由此可见,通过采用本实施例提供的荔枝叶片钙含量预测方法能够快速、有效、准确地预测出荔枝关键生长期叶片钙含量信息,以指导荔枝施肥,减少荔枝裂果。
具体地,上述步骤104中,对降维处理后的光谱数据进行一阶微分处理的方式为:
DRj=(Rj-Rj-1)/Δλ
DRj是j nm处反射率一阶导数的值,Rj是j nm处反射率值;Rj-1是j-1nm处反射率值;Δλ=(j-(j-1))。,j的取值范围为(2,174),具体如图3所示。
而上述步骤105中,对所得到的一阶导数光谱数据DR进行光谱植被指数迭代计算包括:
SVI(i,j,h,k)是i nm,j nm,h nm,k nm处的光谱植被指数;DRi、DRj、DRh、DRk分别是inm,j nm,h nm,k nm处的一阶导数值。
上述步骤106中,皮尔逊相关系数为:
也就是说,根据实测钙含量和步骤105中求得的光谱指数,分别计算各光谱指数与钙含量的皮尔逊相关系数,具体到本实施例中,相关系数最大的光谱指数为:(DR854-DR934)/(DR1114+DR1334)和(DR934-DR1054)/(DR1114+DR1164)。
这两个光谱指数被选择,用于步骤107中的多元回归模型中。
因此,在步骤107中,将步骤106得到的两种植被指数共同作为自变量,叶片钙含量作为因变量,进行多元回归,得到叶片钙含量的预测模型为:
yCa=141.7968+10.1883×((DR854-DR934)/(DR1114+DR1334))+12.3914
×((DR934-DR1054)/(DR1114+DR1164))
最后,对预测数据集(样本数量=13)求上述两种指数,将指数带入步骤107的钙含量估算模型进行预测,可得到预测数据集的钙含量,具体预测结果如图5所示。
此外,为了保证预测模型结果的准确性,在对预测数据集输入至预测模型之前,还可以对叶片钙含量的预测模型进行精度评价:
通过确定系数R2和均方根误差RMSE来评价预测模型的精度:
实施例2:
参阅图6所示,本实施例提供的荔枝叶片钙含量预测装置,包括:
数据存储器601,其存储有光谱仪对荔枝冠层测量所获得荔枝冠层反射光谱数据以及存储有光谱仪所测量的那一荔枝冠层的叶片样本的实测钙含量数据;也就是说,光谱仪所测量到的光谱数据以及通过实验分析得到的实测钙含量数据数据都预先存储记录在数据存储器601中。
第一数据处理单元602,其用于对数据存储器所存储的光谱数据进行预处理,去除水分和噪声影响波段范围的反射信息,获得预处理后的光谱数据;并利用波段平均方法对预处理后的光谱数据进行降维处理,获得降维处理后的光谱数据;并对降维处理后的光谱数据进行一阶微分处理,得到一阶导数光谱数据DR;并对所得到的一阶导数光谱数据DR进行光谱植被指数迭代计算,获得光谱植被指数集;
第二数据处理单元603,其用于查找数据存储器所存储的实测钙含量数据以及接收第一数据处理单元所传输来的光谱植被指数集,以根据实测钙含量数据和光谱植被指数集来分别计算各光谱指数与钙含量的皮尔逊相关系数,并根据皮尔逊相关系数绝对值的大小,选择出相关系数最大的那个植被指数和相关系数最小的那个植被指数;并将相关系数最大的那个植被指数和相关系数最小的那个植被指数共同作为自变量,叶片钙含量作为因变量,进行多元回归,得到叶片钙含量的预测模型;还用于接收所输入的预测数据集,并对预测数据集分别求出其相关系数最大的那个植被指数和相关系数最小的那个植被指数,并将对应的指数代入叶片钙含量的预测模型,得到预测数据集的钙含量。
由此可见,通过采用本实施例提供的荔枝叶片钙含量预测装置能够快速、有效、准确地预测出荔枝关键生长期叶片钙含量信息,以指导荔枝施肥,减少荔枝裂果。
本实施中的数据存储器601的具体工作原理和实施例1中的步骤101相对应,第一数据处理单元602的运算处理过程和实施例1中的步骤102-105相对应,第二数据处理单元603的运算处理过程和实施例1中的步骤106-107相对应,因此在本实施例中就不再详细赘述数据存储器601、第一数据处理单元602以及第二数据处理单元403的工作原理和运算处理过程。其中,需要说明的是,该第一数据处理单元602以及第二数据处理单元603可以为单独的数据处理器,也可以公用一个数据处理器。
作为本实施例荔枝叶片镁含量的测量的一种优选,该***还包括客户端,该客户端用于接收第二数据处理单元603所得到的预测数据集的钙含量,该客户端可以为手机、电脑或平板电脑,如此,工作人员可以远程、实时地得知运算的最终结果。
上述实施例只是为了说明本发明的技术构思及特点,其目的是在于让本领域内的普通技术人员能够了解本发明的内容并据以实施,并不能以此限制本发明的保护范围。凡是根据本发明内容的实质所做出的等效的变化或修饰,都应涵盖在本发明的保护范围内。
Claims (6)
1.一种荔枝叶片钙含量预测方法,其特征在于,包括:
利用光谱仪对荔枝冠层预测,获得荔枝冠层反射光谱数据;并同步采集荔枝冠层叶片样本,并对叶片样本进行化学分析,获得叶片样本的实测钙含量数据;
对所获取到的光谱数据进行预处理,去除水分和噪声影响波段范围的反射信息,获得预处理后的光谱数据;
利用波段平均方法对预处理后的光谱数据进行降维处理,获得降维处理后的光谱数据;
对降维处理后的光谱数据进行一阶微分处理,得到一阶导数光谱数据DR;
对所得到的一阶导数光谱数据DR进行光谱植被指数迭代计算,获得光谱植被指数集;
根据实测钙含量数据和光谱植被指数集来分别计算各光谱指数与钙含量的皮尔逊相关系数,并根据皮尔逊相关系数绝对值的大小,选择出相关系数最大的那个植被指数和相关系数最小的那个植被指数;将选择出的那两个植被指数共同作为自变量,叶片钙含量作为因变量,进行多元回归,得到叶片钙含量的预测模型;
对预测数据集分别求出其相关系数最大的那个植被指数和相关系数最小的那个植被指数,并将对应的指数代入叶片钙含量的预测模型,得到预测数据集的钙含量;
所述对降维处理后的光谱数据进行一阶微分处理的方式为:
DRj=(Rj-Rj-1)/Δλ
DRj是j nm处反射率一阶导数的值,Rj是j nm处反射率值;Rj-1是j-1nm处反射率值;Δλ=(j-(j-1));
所述对所得到的一阶导数光谱数据DR进行光谱植被指数迭代计算包括:
SVI(i,j,h,k)是i nm,j nm,h nm,k nm处的光谱植被指数;DRi、DRj、DRh、DRk分别是i nm,jnm,h nm,k nm处的一阶导数值。
4.一种荔枝叶片钙含量预测装置,其特征在于,包括:
数据存储器,其存储有光谱仪对荔枝冠层测量所获得荔枝冠层反射光谱数据以及存储有光谱仪所测量的那一荔枝冠层的叶片样本的实测钙含量数据;
第一数据处理单元,其用于对数据存储器所存储的光谱数据进行预处理,去除水分和噪声影响波段范围的反射信息,获得预处理后的光谱数据;并利用波段平均方法对预处理后的光谱数据进行降维处理,获得降维处理后的光谱数据;并对降维处理后的光谱数据进行一阶微分处理,得到一阶导数光谱数据DR;并对所得到的一阶导数光谱数据DR进行光谱植被指数迭代计算,获得光谱植被指数集;
第二数据处理单元,其用于查找数据存储器所存储的实测钙含量数据以及接收第一数据处理单元所传输来的光谱植被指数集,以根据实测钙含量数据和光谱植被指数集来分别计算各光谱指数与钙含量的皮尔逊相关系数,并根据皮尔逊相关系数绝对值的大小,选择出相关系数最大的那个植被指数和相关系数最小的那个植被指数;并将选择出的那两个植被指数共同作为自变量,叶片钙含量作为因变量,进行多元回归,得到叶片钙含量的预测模型;还用于接收所输入的预测数据集,并对预测数据集分别求出其相关系数最大的那个植被指数和相关系数最小的那个植被指数,并将对应的指数代入叶片钙含量的预测模型,得到预测数据集的钙含量;
所述第一数据处理单元对降维处理后的光谱数据进行一阶微分处理的方式为:
DRj=(Rj-Rj-1)/Δλ
DRj是j nm处反射率一阶导数的值,Rj是j nm处反射率值;Rj-1是j-1nm处反射率值;Δλ=(j-(j-1);
所述对所得到的一阶导数光谱数据DR进行光谱植被指数迭代计算包括:
SVI(i,j,h,k)是i nm,j nm,h nm,k nm处的光谱植被指数;DRi、DRj、DRh、DRk分别是i nm,jnm,h nm,k nm处的一阶导数值。
5.如权利要求4所述的荔枝叶片钙含量预测装置,其特征在于,还包括:
用户端,其用于接收第二数据处理单元所传输来的预测数据集的钙含量。
Applications Claiming Priority (2)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN2020101457293 | 2020-03-05 | ||
CN202010145729 | 2020-03-05 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111650129A CN111650129A (zh) | 2020-09-11 |
CN111650129B true CN111650129B (zh) | 2022-07-01 |
Family
ID=72342831
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010436011.XA Active CN111650129B (zh) | 2020-03-05 | 2020-05-21 | 一种荔枝叶片钙含量预测方法及预测装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111650129B (zh) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112903625B (zh) * | 2021-01-25 | 2024-01-19 | 北京工业大学 | 基于偏最小二乘法分析药物中活性物质含量的集成参数优化建模方法 |
Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101595812A (zh) * | 2009-06-26 | 2009-12-09 | 中国农业科学院农业资源与农业区划研究所 | 一种作物收获指数的获取方法 |
CN102012528A (zh) * | 2010-11-23 | 2011-04-13 | 北京理工大学 | 一种稀疏植被地区的高光谱遥感油气勘探方法 |
CN102663438A (zh) * | 2012-05-08 | 2012-09-12 | 哈尔滨工程大学 | 一种小样本高光谱图像蒙特卡罗特征降维方法 |
CN103310230A (zh) * | 2013-06-17 | 2013-09-18 | 西北工业大学 | 联合解混及自适应端元提取的高光谱图像分类方法 |
CN103336968A (zh) * | 2013-05-28 | 2013-10-02 | 中国矿业大学 | 基于张量距离补丁校准的高光谱数据降维方法 |
CN103679703A (zh) * | 2013-11-25 | 2014-03-26 | 河海大学 | 一种基于共形几何代数的高光谱遥感影像降维方法 |
CN106156728A (zh) * | 2016-06-24 | 2016-11-23 | 湖北久之洋红外***股份有限公司 | 基于光谱空间分解和噪声成分分析的超光谱图像降维方法及*** |
CN108007917A (zh) * | 2017-03-16 | 2018-05-08 | 黑龙江八农垦大学 | 希尔伯特法建立稻株中氮素含量拉曼光谱测量模型方法 |
CN108805168A (zh) * | 2017-05-04 | 2018-11-13 | 唯亚威通讯技术有限公司 | 近红外光谱学和机器学习技术进行的制造过程的端点检测 |
Family Cites Families (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US9075008B2 (en) * | 2003-11-07 | 2015-07-07 | Kyle H. Holland | Plant treatment based on a water invariant chlorophyll index |
CN102829739B (zh) * | 2012-08-21 | 2015-03-25 | 北京农业信息技术研究中心 | 一种面向对象的作物叶面积指数遥感反演方法 |
CN105277491A (zh) * | 2015-09-24 | 2016-01-27 | 中国农业科学院农业资源与农业区划研究所 | 叶绿素含量测量方法及装置 |
CN105608296B (zh) * | 2016-01-29 | 2018-10-30 | 广州地理研究所 | 一种基于荔枝冠层光谱的叶片钾浓度反演方法 |
WO2018028191A1 (zh) * | 2016-08-10 | 2018-02-15 | 福州大学 | 一种基于波段比模型和太阳高度角的tavi计算方法 |
CN108663330B (zh) * | 2018-04-19 | 2019-08-16 | 中国自然资源航空物探遥感中心 | 一种基于叶片实测光谱的植被覆盖区土壤铜元素反演方法 |
CN109187441B (zh) * | 2018-08-27 | 2022-06-10 | 中国水利水电科学研究院 | 基于冠层光谱信息的夏玉米含氮量监测模型的构建方法 |
CN109270012A (zh) * | 2018-11-15 | 2019-01-25 | 广州地理研究所 | 一种基于相关性系数的植物滞尘能力检测方法 |
CN110160967A (zh) * | 2019-04-16 | 2019-08-23 | 安徽大学 | 一种作物冠层叶片的全氮含量估算方法 |
CN110118742A (zh) * | 2019-05-27 | 2019-08-13 | 成都理工大学 | 基于光谱分析的陆表植被冠层生态水含量遥感反演方法 |
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 |
-
2020
- 2020-05-21 CN CN202010436011.XA patent/CN111650129B/zh active Active
Patent Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101595812A (zh) * | 2009-06-26 | 2009-12-09 | 中国农业科学院农业资源与农业区划研究所 | 一种作物收获指数的获取方法 |
CN102012528A (zh) * | 2010-11-23 | 2011-04-13 | 北京理工大学 | 一种稀疏植被地区的高光谱遥感油气勘探方法 |
CN102663438A (zh) * | 2012-05-08 | 2012-09-12 | 哈尔滨工程大学 | 一种小样本高光谱图像蒙特卡罗特征降维方法 |
CN103336968A (zh) * | 2013-05-28 | 2013-10-02 | 中国矿业大学 | 基于张量距离补丁校准的高光谱数据降维方法 |
CN103310230A (zh) * | 2013-06-17 | 2013-09-18 | 西北工业大学 | 联合解混及自适应端元提取的高光谱图像分类方法 |
CN103679703A (zh) * | 2013-11-25 | 2014-03-26 | 河海大学 | 一种基于共形几何代数的高光谱遥感影像降维方法 |
CN106156728A (zh) * | 2016-06-24 | 2016-11-23 | 湖北久之洋红外***股份有限公司 | 基于光谱空间分解和噪声成分分析的超光谱图像降维方法及*** |
CN108007917A (zh) * | 2017-03-16 | 2018-05-08 | 黑龙江八农垦大学 | 希尔伯特法建立稻株中氮素含量拉曼光谱测量模型方法 |
CN108805168A (zh) * | 2017-05-04 | 2018-11-13 | 唯亚威通讯技术有限公司 | 近红外光谱学和机器学习技术进行的制造过程的端点检测 |
Also Published As
Publication number | Publication date |
---|---|
CN111650129A (zh) | 2020-09-11 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Abulaiti et al. | A possible fractional order derivative and optimized spectral indices for assessing total nitrogen content in cotton | |
Li et al. | A comparative study for the quantitative determination of soluble solids content, pH and firmness of pears by Vis/NIR spectroscopy | |
Guo et al. | Hyperspectral assessment of leaf nitrogen accumulation for winter wheat using different regression modeling | |
Ullah et al. | An accurate retrieval of leaf water content from mid to thermal infrared spectra using continuous wavelet analysis | |
Li et al. | Determination of SSC in pears by establishing the multi-cultivar models based on visible-NIR spectroscopy | |
CN111768051B (zh) | 一种小麦赤霉病动态预警方法及装置 | |
Zhu et al. | Determining sugar content and firmness of ‘Fuji’apples by using portable near‐infrared spectrometer and diffuse transmittance spectroscopy | |
Sun et al. | Achieving robustness to temperature change of a NIRS-PLSR model for intact mango fruit dry matter content | |
Tardaguila et al. | Non‐destructive assessment of grapevine water status in the field using a portable NIR spectrophotometer | |
Stramski et al. | Ocean color algorithms to estimate the concentration of particulate organic carbon in surface waters of the global ocean in support of a long-term data record from multiple satellite missions | |
Teh et al. | Location, year, and tree age impact NIR-based postharvest prediction of dry matter concentration for 58 apple accessions | |
CN111474117B (zh) | 作物病害监测的方法及装置 | |
CN104215591A (zh) | 一种可见-近红外光谱无损判别的方法 | |
CN111650129B (zh) | 一种荔枝叶片钙含量预测方法及预测装置 | |
CN111562235A (zh) | 基于近红外光谱快速鉴别烟叶黑暴病害及感染程度的方法 | |
Jin et al. | Selecting informative bands for partial least squares regressions improves their goodness-of-fits to estimate leaf photosynthetic parameters from hyperspectral data | |
CN112129709A (zh) | 一种苹果树冠层尺度氮含量诊断方法 | |
Dagnachew et al. | Genetic and environmental information in goat milk Fourier transform infrared spectra | |
Song et al. | Temporal instability of partial least squares regressions for estimating leaf photosynthetic traits from hyperspectral information | |
CN111650130A (zh) | 一种荔枝叶片镁含量的预测方法及预测*** | |
Ong et al. | Visible and near-infrared spectroscopic determination of sugarcane chlorophyll content using a modified wavelength selection method for multivariate calibration | |
CN113065230A (zh) | 基于优化光谱指数建立水稻叶片spad的高光谱反演模型 | |
Zhao et al. | Improving chlorophyll content detection to suit maize dynamic growth effects by deep features of hyperspectral data | |
Wang et al. | Monitoring model for predicting maize grain moisture at the filling stage using NIRS and a small sample size | |
Song et al. | Fractional-order derivative spectral transformations improved partial least squares regression estimation of photosynthetic capacity from hyperspectral reflectance |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
CB02 | Change of applicant information |
Address after: 510070 No. 100 martyrs Middle Road, Guangzhou, Guangdong, Yuexiu District Applicant after: Guangzhou Institute of geography, Guangdong Academy of Sciences Address before: 510070 No. 100 martyrs Middle Road, Guangzhou, Guangdong, Yuexiu District Applicant before: GUANGZHOU INSTITUTE OF GEOGRAPHY |
|
CB02 | Change of applicant information | ||
GR01 | Patent grant | ||
GR01 | Patent grant |