CN101726742A - 农作物污染胁迫水平遥感测量方法 - Google Patents
农作物污染胁迫水平遥感测量方法 Download PDFInfo
- Publication number
- CN101726742A CN101726742A CN200910238362A CN200910238362A CN101726742A CN 101726742 A CN101726742 A CN 101726742A CN 200910238362 A CN200910238362 A CN 200910238362A CN 200910238362 A CN200910238362 A CN 200910238362A CN 101726742 A CN101726742 A CN 101726742A
- Authority
- CN
- China
- Prior art keywords
- neural network
- level
- parameter
- remote sensing
- network structure
- 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
Images
Landscapes
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开了一种农作物污染胁迫水平遥感测量方法，属于农业科学技术领域。本方法包括：a)选取设定量的污染作物样本数据，每组样本数据包括设定量的输入参数和设定量的输出参数，输入参数包括遥感参数；b)通过模糊神经网络分析得到一个包括一条以上模糊规则的神经网络结构；期间，每输入一组样本数据，即根据设定的标准判断是否修改当前神经网络结构，是则修改；c)根据最终神经网络结构由作物的输入参数得到相应的输出值，并根据所述输出值按设定的关联方式确定污染胁迫水平。本发明可用于农作物污染胁迫水平遥感测量，尤其是重金属污染胁迫水平的遥感监测。
Description
技术领域
本发明涉及农作物污染遥感检测，尤其涉及农作物污染胁迫水平遥感测量方法，属于农业科学技术领域。
背景技术
遥感作为一种新型的探测手段，可以方便、快捷、动态地获得空间上连续的地物光谱信息。目前，国内外许多学者已致力于研究污染物的植物光谱效应，通过建立污染物质与植物光谱之间的相关关系，利用植物光谱特征的变化，来监测植被污染现状。
在多波段遥感方面，早在20世纪80年代初，就已有将植物光谱效应应用于大气污染监测的相关报道：通过对长期受空气污染地区的叶簇进行研究，Horler等(Horler D H N，Dockray M，Barber J.The Red Edge of Plant Leaf Reflectance[J].International Journal ofRemote Sensing，1983，4：273-288)发现与正常叶子相比，污染区内植物叶片反射光谱曲线的红边位置，向短波方向偏移了5nm。国外一些学者将藻类作为水质生物监测的指标，研究有效态铁对叶绿素浓度的影响，进而利用水体中的赤潮藻光谱特征来监测水体中铁的含量。L.Kooistra等人(L.Kooistra.Exploring Field Vegetation Reflectance as an Indicator of SoilContamination in River Floodplains.Environmental Pollution，Volume 127，Issue 2，January2004：281-290)将植物光谱反射率的变化情况作为土壤重金属污染的指示器，监测漫滩土壤受铜、铅、镉等重金属污染的情况。K.L.Smith等人(K.L.Smith.Use of HyperspectralDerivative Ratios in the Red-edge Region to Identify Plant Stress Responses to GasLeaks.Remote Sensing of Environment，Volume 92，Issue 2，15August 2004：207-217)根据植物光谱红移现象，通过监测周边区域的植被探测天然气运输管道气体泄露状况，能在出现明显症状前发现险情。2003年，刘圣伟等人(刘圣伟，甘甫平.用卫星高光谱数据提取江西德兴铜矿矿山废水的pH值污染指标.地质通报，2003年12月：1013-1020)通过对德兴矿区植物光谱特征进行研究，发现部分样品光谱红边蓝移，说明矿区植物受到铁、铜、铅、镍等金属影响，产生了光谱变异。
高光谱遥感技术的兴起，使植物遥感监测得到迅速发展，现已成为植物监测强有力的工具，并为遥感的进一步定量化奠定了基础。高光谱遥感有高分辨率、波段多、数据量丰富等特点，使得从光谱遥感数据中提取植物参数成为可能。
国外很早就开展了针对农作物胁迫的植物高光谱遥感研究。1996年，Carter，G.A.等人(Carter G.A..Narrow-Band Reflectance Imagery Compared with Thermal Imagery for EarlyDetection of Plant Stress.J.Plant Physiol，1996(148)：516-523)便开始利用高光谱数据评估作物胁迫的程度；Minghua Zhang等人(Minghua Zhang，Zhihao Qin.Detection of Stressin Tomatoes Induced by Late Blight Disease in California，USA，Using Hyperspectral RemoteSensing.International Journal of Applied Earth Observation and Geoinformation 4(2003)：295-310)对大面积番茄受病害胁迫情况进行监测，在高光谱数据的基础上建立了胁迫程度分类器。
近年来，国内研究人员也在这方面的研究上取得了一定的成果。2002年中国科学院的研究人员开展了一系列养分胁迫下的作物高光谱特征提取研究，将冬小麦的高光谱遥感观测数据与生理生态联合观测实验相结合，建立了冬小麦养分和生物生理参数的反演模型；孙莉等人(孙莉，陈曦.在水分胁迫下棉花冠层叶片全氮含量的高光谱遥感估算模型研究.遥感技术与应用，2005年6月，20(3)：315-320)利用美国产ASD地物光谱仪，获取新疆北部地区棉花冠层关键生育时期的高光谱数据，建立在水分胁迫下棉花冠层叶片全氮含量的高光谱遥感估算模型；蒋金豹等(蒋金豹，陈云浩.病害胁迫下冬小麦冠层叶片色素含量高光谱遥感估测研究.光谱学与光谱分析，2007年7月，27(7)：1363-1367)通过人工田间诱发小麦条锈病，在不同生育期测定染病冬小麦冠层光谱和相应叶片的色素含量，把冠层光谱数据、一阶微分数据与相应的叶片色素含量数据分别进行相关性分析，采用单变量线性和非线性回归技术，建立了小麦的色素含量估测模型。
不过，将遥感技术应用于植物污染监测上还处于基础研究阶段，主要问题是植被监测技术缺少数据支持，难以很好的监测轻度污染和中度污染，只能监测重度污染，即只有当植被出现枯萎或死亡的现象时才可以监测到。传统的宽波段遥感数据研究植被，由于波段数少、光谱分辨率低，仅限于一般性的红光吸收特征、近红外反射特征及中红外的水吸收特征的研究，并且利用其计算出的植被指数所能反演的信息量少，因此在应用中有一定局限性。而目前高光谱遥感数据在农作物胁迫研究中的应用主要集中在病、虫、营养、水分胁迫等与精准农业相关的方向上，针对农作物重金属污染开展的研究并不多，并且多数限于实验室内人为控制重金属浓度。
利用遥感技术检测农作物重金属污染胁迫状况是一个比较复杂的问题。首先，农作物的生长情况除了受到污染胁迫影响外，还受到土壤PH值、水分、营养、温度以及各种未知因素的影响，而且受到重金属轻度污染或者早期的农作物在外观上并无明显特征，其生理生态微小变化导致的光谱变化也相对较弱，即使是诊断光谱参数(如光谱特征参数、敏感的独立分量等)，它们之间的关系有时也不是非常稳定。而且从遥感数据中提取出的信息是多解的、不确定的，其信息中除了光谱特征信息，同时还包含有土壤、大气等噪声。其次，污染胁迫水平并不是一个精确的数值，而是一个模糊化的概念。因此，对于这种复杂的非线性关系，常规传统的分析方法并不能得到比较理想的结果。由于具有在噪声和数据不完整的情况下高质量地对非线性数据快速建模的能力，模糊神经网络技术(FNN)能较好的处理农作物重金属污染胁迫的问题。
模糊神经网络将神经网络与模糊理论相结合，故其具有神经网络的学习能力与模糊近似定性地表达知识的能力。
发明内容
本发明的目的在于克服现有技术中存在的问题，提出一种新的农作物污染胁迫水平遥感测量方法。
为了实现上述目的，本发明方法在模糊神经网络的基础上，引入了动态模糊神经网络(DFNN)，它是在一般的模糊神经网络模型中引入“动态”思想。具体来说，就是在初始化神经网络结构时，只给出网络训练所需的最小规模，在训练过程中，不断增加新的网络节点和模糊规则，同时删除或修改已有的节点和规则，最终形成能同时满足精度和效率要求的神经网络结构。这样模型结构就由数据决定，而非事先定义，故不需要专家知识。
具体而言，本发明提供一种农作物污染胁迫水平遥感测量方法，其包括下列步骤：
a)选取设定量(组数)的污染作物样本数据，每组样本数据包括设定量(个数)的输入参数和设定量(个数)的输出参数，所述输入参数包括遥感参数；例如，本发明实施例选取100组样本数据，每组样本数据均包括5个输入参数和1个输出参数；所谓的输入参数也可以称为响应参数，均为遥感数据或易于测得的其他农学数据，与之相应，输出参数也可以称为目标参数，其是和污染胁迫水平相关联的参数，比如叶绿素浓度；
b)通过所述样本数据进行模糊神经网络分析得到一个包括一条以上模糊规则的神经网络结构，期间，每输入一组样本数据，即根据设定的标准判断是否修改当前神经网络结构，是则修改；
所述当前神经网络结构指的是输入一组样本数据时，通过之前的若干组样本数据已经形成的神经网络结构；
本步骤意在先通过所有样本数据中的一部分形成一初步神经网络结构，然后通过剩余部分的数据不断修正该初步神经网络，从而得到完善的最终神经网络结构；
c)根据所述模糊神经网络分析得到的最终神经网络结构由作物(待测量的作物)的输入参数得到相应的输出值，并根据所述输出值按设定的关联方式确定所述作物的污染胁迫水平。
进一步，步骤b)所述设定的标准包括：
若当前神经网络结构的输出误差超过阈值，则修改当前神经网络结构；所述输出误差等于||ti-yi||，其中ti表示当前样本数据中的输出参数，也就是对污染作物的实测值；yi表示当前样本数据中的输入参数根据当前神经网络结构由得到的实际输出值，也就是当前神经网络结构的预测值。
所述阈值可由专家根据经验指定，也可以在本方法的实施实践中根据具体需求逐渐完善，不适合统一指定。该阈值也可称为最终神经网络结构的精度，因为它直接反映了输出参数的预测值和真实值之间的误差。
所述修改当前神经网络的方法包括：
判断当前输入的样本数据的输入参数是否在当前神经网络结构中已有的模糊规则的范围内，若否，则增加一条模糊规则；若是，则修改一条以上已有的模糊规则，对已有模糊规则的修改方式可以是，比如，按照设定的修改方式(比如逐渐减小，或逐渐增大)修改模糊规则的权重。
另外，本发明优选在增加一条模糊规则后，确定已有的模糊规则中每个模糊规则对当前神经网络结构的输出参数的贡献度，若某一模糊规则的贡献度小于设定的阈值，则删除所述模糊规则。
本发明发明人通过大量研究后发现，将输入参数和输出参数按如下方式设置较好：
输入参数包括遥感参数和其他参数，所述遥感参数包括NDVI(Normal DifferentialVegetation Index，归一化植被指数)，OSAVI(Optimized Soil Adjusted Vegetation Index，优化土壤调节植被指数)，MTVI2(Modified second triangular vegetation index，改进的第二个三角形植被指数)/OSAVI，和MTVI(Modified Triangular Vegetation Index，改进的三角形植被指数)/MCARI(Modified Chlorophyll Absorption Ratio Index改进的叶绿素吸收指数)中的一种以上，所述其他参数包括作物的N(氮)、P(磷)含量和土壤PH值中的一种以上；
所述输出参数为与污染胁迫水平相关联的参数。比如叶绿素浓度。
此外，本发明步骤c)所述设定的关联方式指的是输出参数和污染胁迫水平之间的对应关系，这是发明人根据其科研经验或相关标准制定的。比如，当输出参数是叶绿素浓度时，所述关联方式可以是：当叶绿素浓度在30mg/cm2以上时，所述污染胁迫水平为健康；否则，当叶绿素浓度在19mg/cm2以上时，所述污染胁迫水平为I级污染；否则，所述污染胁迫水平为II级污染。
下面进一步对本发明方法涉及的一些技术重点进行介绍。
1.动态模糊神经网络结构
形象地说，本发明所述的动态模糊神经网络结构由一个输入层，两个隐含层(模糊化层和规则推理层)以及一个输出层组成。如图1所示。
输入层：输入层的神经元的个数由每组样本数据中的输入参数(X1，...，Xr)的个数确定。输入参数一般是从高光谱遥感数据中获得的植被光谱特征数据以及其他农学数据。它的主要功能是从外部环境读取输入量。
模糊化层：模糊化层对输入层的输入参数进行模糊化处理，其主要功能是根据隶属度函数，将输入的精确量转化成模糊量。
规则推理层：神经网络结构中的模糊规则在该层生成。图1中的Φj为第j条模糊规则的输出值，ωj为第j条规则的权重(更确切地说，是规则的输出值的权重)。
输出层：输出层也可以称为规则结论层。该层的节点个数由输出参数的个数决定，图1表示输出参数为一个的情形。该层完成每条模糊规则的输出值的加权求和功能，得到输入层的输入参数经过整个神经网络结构处理的结果。将该值(或者几个值)通过设定的关联方式的映射，即可得到污染胁迫水平。
可见，本发明神经网络结构在输入参数(X)和输出参数(Y)之间建立了一个类似于函数的映射关系。
2.神经网络结构的优化
本发明所述的神经网络结构的优化(修改)，主要指对神经网络结构中的模糊规则的优化(增加，增加后的选择性删除，和修改)。
在一个神经网络结构中，如果模糊规则数太少，则系统无法完全覆盖输入-输出状态空间，会出现过拟合现象；而如果模糊规则数太多，则不仅增加系统的复杂性、延长学习时间、增加系统计算的负担，还有可能导致过训练现象，降低系统的泛化能力。因此，需要对模糊规则进行优化。
本发明主要通过下述两种判断实现模糊规则的优化。
判断一(精度判断)
确定系统是否需要修改神经网络结构的首要影响因素，是当前神经网络结构的输出误差。公式(1)给出了所述输出误差的计算方式。对每一组样本数据(xi，ti)(其中xi表示输入数据的集合，ti表示输出数据的集合)，所述输出误差为：
||ei||＝||ti-yi|| (1)
其中，ti实际上是期望中的输出参数(即实测值)，yi则表示当前神经网络结构的实际输出值(即预测值)。如果公式(2)成立则要考虑修改当前神经网络结构，其中ke值是根据网络系统期望的精度预先设定的。
||ei||＞ke (2)
判断二(模糊ε完备性检验)
当通过上述判断一确定需要修改当前神经网络结构时，则通过判断二决定是否增加新的模糊规则。
本步骤使用模糊ε完备性规则来决定是否增加新的模糊规则。模糊ε完备性规则的定义是：对于某一组训练样本数据，如果至少存在一条模糊规则，使得这组数据的实际输出与预期输出的匹配程度不小于ε，则认为这一模糊系统满足模糊ε完备性。在训练过程中，如果一个模糊神经网络已经满足了模糊ε完备性，便不再产生新的模糊规则，而是通过调整现有规则的参数，改变网络结构。
本发明所述的模糊规则通过隶属度函数来表达。在神经网络结构中，从输入参数到输出参数的模糊化过程相当于用一系列的隶属度函数划分了输入空间，一个隶属度函数代表一个模糊规则，本文中使用的隶属度函数优选为高斯函数。对于一组新的用于训练神经网络结构的样本数据而言，如果样本中的输入参数位于某个已经存在的高斯函数覆盖范围(可容纳边界)内，那么该输入参数就可以用已经存在的高斯函数代表，无须在模糊化层中生成新的节点，或者说，新的规则，只需要修改现有规则中的参数。
公式(3)给出了对训练样本数据(xi，ti)计算输入值xi和现有的隶属度函数中心之间的距离的公式：
di(j)＝||xi-cj|| (j＝1，2…u) (3)
其中，cj为现有隶属度函数的中心。若公式(4)成立，则需要在网络中增加一个新的节点。
arg min(di(j))＞kd (4)
其中，kd是可容纳边界的有效半径。其取值由εmin决定。εmin优选为0.5。
判断三(删除规则)
神经网络结构并不是节点越多，越复杂越好，故需要采用修剪技术(PruningTechnology)来删除一些冗余模糊规则使网络结构更优化。本方法采用的修剪技术为误差下降率方法(Error Reduction Ratio)。误差下降率方法对规则贡献度的计算有明确的数学理论的支持，并且计算方法稳定性高。它实际上是一种正交变换的方法，算法的核心思想是用QR分解矩阵H，也就是神经网络中所有节点的输出，将其转换成一组正交基向量。从而计算出每一条模糊规则对输出结果的贡献，并将其作为判断模糊规则重要性的依据。
当通过判断一确定需要修改当前神经网络结构，并进一步通过判断二确定需要增加新的模糊规则时，则对已有的模糊规则判断是否需要删除其中的一条或几条。
其中，是否删除模糊规则通过下列方法判断：重新计算输出误差ei，然后计算误差下降率，确定每个模糊规则对输出结果的贡献度(用ηi表示)，该值越大，表明与之对应的规则越重要。预设一个阈值kerr，若第i个规则的贡献度ηi满足
ηi＜kerr (5)
则表明其对网络结构的贡献度不大，是冗余的模糊规则，可以将其剔除。
3.输出参数和污染胁迫水平的关联方式
在判断农作物污染胁迫状况时，传统的分析方法主要是根据农田土壤重金属含量，或者土壤中可提取态的重金属含量，结合不同农作物的重金属生物有效性系数，来确定农作物的重金属污染胁迫水平。
不过，不同的农作物对重金属的吸收存在差异，即使是同一农作物的不同品种对重金属的吸收也存在差异，故计算过程中使用的农作物重金属生物有效性系数未必准确。而且，对重金属生物有效性的研究大多以室内栽培实验为基础，与大田的实际情况存在差别。
基于上述原因，本方法根据以往的实际测量数据，将叶绿素浓度作为胁迫水平的表现值，也就是本发明所述的输出参数之一。结合对应的土壤重金属含量，对不同含量的叶绿素浓度进行分级。分级标准根据我国土壤环境质量标准GB15618-1995中对土壤重金属元素含量与污染水平的划分，即建立输出参数的模糊集合。划分标准如表1。
表1.污染胁迫水平分级标准
| 污染胁迫水平 | 健康 | I级污染 | II级污染 |
| 叶绿素浓度范围(mg/cm2) | 30～ | 19～30 | 0～19 |
和现有技术相比，本发明的优势在于：
(1)将输入空间划分为一组模糊子空间，可以表达复杂的污染行为；
(2)DFNN是全局逼近器，不需要对被控对象专家知识的了解，适用于复杂的农作物重金属面源污染胁迫遥感弱信息增强；
(3)输入参数(遥感参数(植被指数)及其它生化参数)具有明确的物理意义，可根据经验选值，能加快网络的收敛速度；
(4)通过动态调整神经网络结构，网络精度得到相应的提高，即可以提高评估的精确度；
(5)获得的网络估算结果稳定性增加，即在多次使用不同训练结果的网络时，得到的数据稳定性比一般方法强，提高了估算的可靠性。
附图说明
图1是本发明神经网络结构的示意图；
图2是本发明实施例模糊规则数和训练样本数的关系示意图；
图3是本发明实施例测试样本的预测值和实际值的比较图。
具体实施方式
下面通过一具体实施例结合附图对本发明作进一步描述。
本方法将实际采集到的样本数据分成训练数据和测试数据两组，首先利用训练数据不断自主调整神经网络结构，最终形成稳定的优化结构，然后再用测试数据评估该结构模型的泛化能力及精度，确认结构模型符合要求后，应用到实际问题的分析和处理中。
本实施例采用的样本数据由发明人于2008年夏季采集于北京昌平、江苏东桥、长春西新镇等地。针对水稻分别测量其冠层光谱和相应的生理生化参数，并采集对应的农作物样本和土壤样本。其中，冠层光谱数据用于计算表2中的四种植被指数，农作物样本和土壤样本的各类参数用于评估农作物的农作物重金属污染胁迫水平。将四种植被指数与PH值作为输入参数，叶绿素浓度作为输出参数。
研究中从实测数据中选取了100组数据用于训练网络，40组用于测试模型的泛化能力和准确度。部分数据如表2所示。
表2部分训练数据的输入参数和输出参数
在神经网络结构的训练过程中，模糊规则的数量随着输入样本数量的增大而增大，随后形成一平台。如图3，横坐标表示训练样本个数，纵坐标表示产生的规则个数。随着训练样本数的增加，系统不断生成新的表达式，当输入第25组样本数据左右时，神经网络结构已经趋于稳定。此时，共生成了9个表达式(高斯函数)，即代表了9个模糊规则。
获得经优化的最终神经网络结构后，本实施例进一步用40组测试样本数据对该结构的精度与泛化能力进行检验。结果如图3与表3所示，结果表明，软件模型精确度达到90％以上，实现了在较小的网络规模下达到较高精度的要求。满足了污染胁迫分级的要求。
表3预测值和实际值的比较(部分)
上表中，R2(determination coefficient确定性系数)表示确定性系数，可用来评判线性回归预测效果的好坏。R2越大，则说明拟合的误差小，拟合效果就越好，预测结果的信任程度就越高。本实施例用来评判预测叶绿素浓度与实际叶绿素浓度的拟合效果。
本实施例的试验结果表明，本发明方法在一个简单的模糊规则集上实现了较高的精确度和良好的泛化能力，在农作物污染胁迫水平，尤其是重金属污染胁迫水平的遥感监测中有较大的应用潜力。
Claims (6)
1.一种农作物污染胁迫水平遥感测量方法，其特征在于，包括下列步骤：
a)选取设定量的污染作物样本数据，每组样本数据包括设定量的输入参数和设定量的输出参数，所述输入参数包括遥感参数；
b)通过所述样本数据进行模糊神经网络分析得到一个包括一条以上模糊规则的神经网络结构；期间，每输入一组样本数据，即根据设定的标准判断是否修改当前神经网络结构，是则修改；
c)根据所述模糊神经网络分析得到的最终神经网络结构由作物的输入参数得到相应的输出值，并根据所述输出值按设定的关联方式确定所述作物的污染胁迫水平。
2.如权利要求1所述的农作物污染胁迫水平遥感测量方法，其特征在于，步骤b)所述设定的标准包括：
若当前神经网络结构的输出误差超过阈值，则修改当前神经网络结构；所述输出误差等于||ti-yi||，其中ti表示当前样本数据中的输出参数，yi表示当前样本数据中的输入参数根据当前神经网络结构得到的实际输出值。
3.如权利要求2所述的农作物污染胁迫水平遥感测量方法，其特征在于，通过下列方法修改当前神经网络：
判断当前输入的样本数据的输入参数是否在当前神经网络结构中已有的模糊规则的范围内，若否，则增加一条模糊规则；若是，则修改一条以上已有的模糊规则。
4.如权利要求3所述的农作物污染胁迫水平遥感测量方法，其特征在于，增加一条模糊规则后，确定已有的模糊规则中每个模糊规则对当前神经网络结构的输出参数的贡献度，若某一模糊规则的贡献度小于设定的阈值，则删除所述模糊规则。
5.如权利要求1-4任意一项所述的农作物污染胁迫水平遥感测量方法，其特征在于，所述遥感参数包括NDVI，OSAVI，MTVI2/OSAVI，和MTVI/MCARI中的一种以上，所述输入参数还包括农学参数，所述农学参数包括作物的N、P含量和土壤PH值中的一种以上；所述输出参数为与污染胁迫水平相关联的参数，比如叶绿素浓度。
6.如权利要求5所述的农作物污染胁迫水平遥感测量方法，其特征在于，步骤c)所述设定的关联方式是：当叶绿素浓度在30mg/cm2以上时，所述污染胁迫水平为健康；否则，当叶绿素浓度在19mg/cm2以上时，所述污染胁迫水平为I级污染；否则，所述污染胁迫水平为II级污染。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN200910238362A CN101726742A (zh) | 2009-12-01 | 2009-12-01 | 农作物污染胁迫水平遥感测量方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN200910238362A CN101726742A (zh) | 2009-12-01 | 2009-12-01 | 农作物污染胁迫水平遥感测量方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN101726742A true CN101726742A (zh) | 2010-06-09 |
Family
ID=42447896
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN200910238362A Pending CN101726742A (zh) | 2009-12-01 | 2009-12-01 | 农作物污染胁迫水平遥感测量方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN101726742A (zh) |
Cited By (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN103674929A (zh) * | 2013-12-25 | 2014-03-26 | 黑龙江八一农垦大学 | 光谱分析用于植物幼苗的体检方法 |
| CN105528523B (zh) * | 2015-12-18 | 2018-09-21 | 中国科学院遥感与数字地球研究所 | 一种基于遥感数据的土壤厚度反演方法 |
| CN109141371A (zh) * | 2018-08-21 | 2019-01-04 | 中国科学院地理科学与资源研究所 | 冬小麦受灾识别方法、装置及设备 |
| WO2019034129A1 (zh) * | 2017-08-18 | 2019-02-21 | 北京市商汤科技开发有限公司 | 神经网络结构的生成方法和装置、电子设备、存储介质 |
| CN109540809A (zh) * | 2018-11-08 | 2019-03-29 | 中国四维测绘技术有限公司 | 一种利用高光谱反射率构建冬小麦农学参数评估的方法 |
-
2009
- 2009-12-01 CN CN200910238362A patent/CN101726742A/zh active Pending
Cited By (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN103674929A (zh) * | 2013-12-25 | 2014-03-26 | 黑龙江八一农垦大学 | 光谱分析用于植物幼苗的体检方法 |
| CN103674929B (zh) * | 2013-12-25 | 2016-08-17 | 黑龙江八一农垦大学 | 光谱分析用于植物幼苗的体检方法 |
| CN105528523B (zh) * | 2015-12-18 | 2018-09-21 | 中国科学院遥感与数字地球研究所 | 一种基于遥感数据的土壤厚度反演方法 |
| WO2019034129A1 (zh) * | 2017-08-18 | 2019-02-21 | 北京市商汤科技开发有限公司 | 神经网络结构的生成方法和装置、电子设备、存储介质 |
| US11270190B2 (en) | 2017-08-18 | 2022-03-08 | Beijing Sensetime Technology Development Co., Ltd. | Method and apparatus for generating target neural network structure, electronic device, and storage medium |
| CN109141371A (zh) * | 2018-08-21 | 2019-01-04 | 中国科学院地理科学与资源研究所 | 冬小麦受灾识别方法、装置及设备 |
| CN109141371B (zh) * | 2018-08-21 | 2020-04-03 | 中国科学院地理科学与资源研究所 | 冬小麦受灾识别方法、装置及设备 |
| CN109540809A (zh) * | 2018-11-08 | 2019-03-29 | 中国四维测绘技术有限公司 | 一种利用高光谱反射率构建冬小麦农学参数评估的方法 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Mansour et al. | Discriminating indicator grass species for rangeland degradation assessment using hyperspectral data resampled to AISA Eagle resolution | |
| Liu et al. | A method combining ELM and PLSR (ELM-P) for estimating chlorophyll content in rice with feature bands extracted by an improved ant colony optimization algorithm | |
| CN107271382A (zh) | 一种不同生育期油菜叶片spad值遥感估算方法 | |
| Bendel et al. | Evaluating the suitability of hyper-and multispectral imaging to detect foliar symptoms of the grapevine trunk disease Esca in vineyards | |
| Li et al. | Collaborative inversion heavy metal stress in rice by using two-dimensional spectral feature space based on HJ-1 A HSI and radarsat-2 SAR remote sensing data | |
| CN101726742A (zh) | 农作物污染胁迫水平遥感测量方法 | |
| CN107271372A (zh) | 一种苹果叶片叶绿素遥感估测方法 | |
| CN112903606B (zh) | 一种基于无人机高光谱的红树林生态恢复力评估方法 | |
| Huang et al. | Detection of scab in wheat ears using in situ hyperspectral data and support vector machine optimized by genetic algorithm | |
| Yang et al. | Effect of spring irrigation on soil salinity monitoring with UAV-borne multispectral sensor | |
| Huang et al. | Automated soybean mapping based on canopy water content and chlorophyll content using Sentinel-2 images | |
| Huang et al. | Hyperspectral imaging for identification of an invasive plant Mikania micrantha Kunth | |
| Wang et al. | Estimation of rice aboveground biomass by combining canopy spectral reflectance and unmanned aerial vehicle-based red green blue imagery data | |
| Vasudeva et al. | Mapping spatial variability of foliar nitrogen and carbon in Indian tropical moist deciduous sal (Shorea robusta) forest using machine learning algorithms and Sentinel-2 data | |
| Du et al. | Combining a crop growth model with CNN for underground natural gas leakage detection using hyperspectral imagery | |
| Wang et al. | Predicting copper contamination in wheat canopy during the full growth period using hyperspectral data | |
| Liu et al. | Integrating multiple vegetation indices via an artificial neural network model for estimating the leaf chlorophyll content of Spartina alterniflora under interspecies competition | |
| Liu et al. | Characteristic bands extraction method and prediction of soil nutrient contents based on an analytic hierarchy process | |
| Mangalraj et al. | Recent trends and advances in hyperspectral imaging techniques to estimate solar induced fluorescence for plant phenotyping | |
| Huang et al. | Identification of Fusarium head blight in wheat ears using vertical angle-based reflectance spectroscopy | |
| Toledo et al. | Maize yield prediction based on multi-modality remote sensing and LSTM models in nitrogen management practice trials | |
| Xu et al. | A Band Math-ROC operation for early differentiation between Sclerotinia sclerotiorum and Botrytis cinerea in oilseed rape | |
| Li et al. | HSI combined with CNN model detection of heavy metal Cu stress levels in apple rootstocks | |
| Li et al. | Estimation of Potato Biomass and Yield Based on Machine Learning from Hyperspectral Remote Sensing Data | |
| Ma et al. | Hyperspectral remote sensing estimation of soil nutrients in the black soil region based on computer vision model. |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| C06 | Publication | ||
| PB01 | Publication | ||
| C10 | Entry into substantive examination | ||
| SE01 | Entry into force of request for substantive examination | ||
| C02 | Deemed withdrawal of patent application after publication (patent law 2001) | ||
| WD01 | Invention patent application deemed withdrawn after publication |
Application publication date: 20100609 |