CN101836561A - 一种海滨盐土蓖麻产量预测模型及其构建方法和应用 - Google Patents
一种海滨盐土蓖麻产量预测模型及其构建方法和应用 Download PDFInfo
- Publication number
- CN101836561A CN101836561A CN201010118848.6A CN201010118848A CN101836561A CN 101836561 A CN101836561 A CN 101836561A CN 201010118848 A CN201010118848 A CN 201010118848A CN 101836561 A CN101836561 A CN 101836561A
- Authority
- CN
- China
- Prior art keywords
- castor
- yield
- oil plant
- model
- soil
- 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.)
- Granted
Links
- 235000004443 Ricinus communis Nutrition 0.000 title claims abstract description 80
- 240000000528 Ricinus communis Species 0.000 title claims abstract description 77
- 239000002689 soil Substances 0.000 title claims abstract description 38
- FAPWRFPIFSIZLT-UHFFFAOYSA-M Sodium chloride Chemical compound [Na+].[Cl-] FAPWRFPIFSIZLT-UHFFFAOYSA-M 0.000 title claims abstract description 12
- 239000011780 sodium chloride Substances 0.000 title claims abstract description 12
- 238000010276 construction Methods 0.000 title claims abstract description 5
- 238000000034 method Methods 0.000 claims abstract description 23
- 239000003337 fertilizer Substances 0.000 claims abstract description 5
- 238000001228 spectrum Methods 0.000 claims description 19
- 230000003595 spectral effect Effects 0.000 claims description 9
- 230000008635 plant growth Effects 0.000 claims description 6
- 150000003839 salts Chemical class 0.000 claims description 6
- 239000000523 sample Substances 0.000 claims description 6
- 238000004611 spectroscopical analysis Methods 0.000 claims description 5
- 238000005259 measurement Methods 0.000 claims description 4
- 241000196324 Embryophyta Species 0.000 claims description 3
- 238000004458 analytical method Methods 0.000 claims description 2
- 230000010076 replication Effects 0.000 claims description 2
- 230000000007 visual effect Effects 0.000 claims description 2
- 230000003203 everyday effect Effects 0.000 claims 1
- 230000012010 growth Effects 0.000 abstract description 7
- 238000004519 manufacturing process Methods 0.000 abstract description 6
- 229930002875 chlorophyll Natural products 0.000 description 10
- 235000019804 chlorophyll Nutrition 0.000 description 10
- ATNHDLDRLWWWCB-AENOIHSZSA-M chlorophyll a Chemical compound C1([C@@H](C(=O)OC)C(=O)C2=C3C)=C2N2C3=CC(C(CC)=C3C)=[N+]4C3=CC3=C(C=C)C(C)=C5N3[Mg-2]42[N+]2=C1[C@@H](CCC(=O)OC\C=C(/C)CCC[C@H](C)CCC[C@H](C)CCCC(C)C)[C@H](C)C2=C5 ATNHDLDRLWWWCB-AENOIHSZSA-M 0.000 description 10
- IJGRMHOSHXDMSA-UHFFFAOYSA-N Atomic nitrogen Chemical compound N#N IJGRMHOSHXDMSA-UHFFFAOYSA-N 0.000 description 8
- 238000005516 engineering process Methods 0.000 description 6
- 239000004359 castor oil Substances 0.000 description 5
- 229960001777 castor oil Drugs 0.000 description 5
- 235000019438 castor oil Nutrition 0.000 description 5
- ZEMPKEQAKRGZGQ-XOQCFJPHSA-N glycerol triricinoleate Natural products CCCCCC[C@@H](O)CC=CCCCCCCCC(=O)OC[C@@H](COC(=O)CCCCCCCC=CC[C@@H](O)CCCCCC)OC(=O)CCCCCCCC=CC[C@H](O)CCCCCC ZEMPKEQAKRGZGQ-XOQCFJPHSA-N 0.000 description 5
- 229910052757 nitrogen Inorganic materials 0.000 description 4
- 239000002028 Biomass Substances 0.000 description 3
- 238000003556 assay Methods 0.000 description 3
- 238000011161 development Methods 0.000 description 3
- 230000018109 developmental process Effects 0.000 description 3
- 238000002474 experimental method Methods 0.000 description 3
- 239000000463 material Substances 0.000 description 3
- 238000012544 monitoring process Methods 0.000 description 3
- 238000000513 principal component analysis Methods 0.000 description 3
- OAICVXFJPJFONN-UHFFFAOYSA-N Phosphorus Chemical compound [P] OAICVXFJPJFONN-UHFFFAOYSA-N 0.000 description 2
- ZLMJMSJWJFRBEC-UHFFFAOYSA-N Potassium Chemical compound [K] ZLMJMSJWJFRBEC-UHFFFAOYSA-N 0.000 description 2
- 238000012271 agricultural production Methods 0.000 description 2
- 239000003225 biodiesel Substances 0.000 description 2
- 238000010219 correlation analysis Methods 0.000 description 2
- 244000038559 crop plants Species 0.000 description 2
- 230000007613 environmental effect Effects 0.000 description 2
- 239000002803 fossil fuel Substances 0.000 description 2
- 239000005416 organic matter Substances 0.000 description 2
- 229910052698 phosphorus Inorganic materials 0.000 description 2
- 239000011574 phosphorus Substances 0.000 description 2
- 239000011591 potassium Substances 0.000 description 2
- 229910052700 potassium Inorganic materials 0.000 description 2
- 238000012545 processing Methods 0.000 description 2
- 238000011160 research Methods 0.000 description 2
- 239000000126 substance Substances 0.000 description 2
- 238000012360 testing method Methods 0.000 description 2
- 241001269238 Data Species 0.000 description 1
- 206010011906 Death Diseases 0.000 description 1
- 244000068988 Glycine max Species 0.000 description 1
- 235000010469 Glycine max Nutrition 0.000 description 1
- 240000008042 Zea mays Species 0.000 description 1
- 235000005824 Zea mays ssp. parviglumis Nutrition 0.000 description 1
- 235000002017 Zea mays subsp mays Nutrition 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 239000003795 chemical substances by application Substances 0.000 description 1
- 238000007796 conventional method Methods 0.000 description 1
- 235000005822 corn Nutrition 0.000 description 1
- 239000002537 cosmetic Substances 0.000 description 1
- 238000012272 crop production Methods 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 230000035558 fertility Effects 0.000 description 1
- 244000037666 field crops Species 0.000 description 1
- 239000000446 fuel Substances 0.000 description 1
- 238000005286 illumination Methods 0.000 description 1
- 239000003317 industrial substance Substances 0.000 description 1
- 229910052500 inorganic mineral Inorganic materials 0.000 description 1
- 238000012417 linear regression Methods 0.000 description 1
- 239000000314 lubricant Substances 0.000 description 1
- 238000012067 mathematical method Methods 0.000 description 1
- 239000011707 mineral Substances 0.000 description 1
- 238000010899 nucleation Methods 0.000 description 1
- 235000016709 nutrition Nutrition 0.000 description 1
- 230000035764 nutrition Effects 0.000 description 1
- 239000003208 petroleum Substances 0.000 description 1
- 239000002686 phosphate fertilizer Substances 0.000 description 1
- 239000004033 plastic Substances 0.000 description 1
- 229920003023 plastic Polymers 0.000 description 1
- 238000004445 quantitative analysis Methods 0.000 description 1
- 238000011155 quantitative monitoring Methods 0.000 description 1
- 230000005855 radiation Effects 0.000 description 1
- 239000002994 raw material Substances 0.000 description 1
- 238000002310 reflectometry Methods 0.000 description 1
- 230000000630 rising effect Effects 0.000 description 1
- 230000011218 segmentation Effects 0.000 description 1
- 239000004575 stone Substances 0.000 description 1
- 238000003786 synthesis reaction Methods 0.000 description 1
- 238000005406 washing Methods 0.000 description 1
Images
Landscapes
- Investigating Or Analysing Materials By Optical Means (AREA)
Abstract
本发明属于农业遥感工程技术领域，具体涉及一种海滨盐土蓖麻产量预测模型及其构建方法和应用。针对蓖麻阔叶型冠层特征和快速生长的特点，选择了适宜蓖麻生长中后期测定CCD和LAI的较高精度的植被指数NDVI和WDRVI；考虑到在海滨盐土上种植蓖麻所受到的影响产量的主要因子，结合植被指数、土壤含盐量、施肥投入等因子，利用拟牛顿方程构建预测蓖麻产量的经验模型：利用这一模型可以对海滨盐土蓖麻产量进行预测，其精度达90％以上，操作方法快速，操作过程简单易行，能够客观、准确、定量预测蓖麻产量，对于指导蓖麻生产具有重要意义。
Description
一、技术领域
本发明属于农业遥感工程技术领域，具体涉及一种海滨盐土蓖麻产量预测模型及其构建方法和应用。
二、背景技术
随着国际石油价格的飙升以及由此产生的能源、经济、生态危机，使得发展生物质能代替化石燃料运动在世界范围内蓬勃兴起。生物柴油由于其性质与石化柴油相近、储运使用更安全、润滑性能优良、洁净环保，最有希望发展成为化石燃料的替代能源。近年来，蓖麻油作为生物柴油与传统柴油混合用于汽车动力燃料受到越来越广泛的关注。另外，蓖麻油还是生产润滑剂、塑料、洗涤剂、化妆品等的重要化工原料，其深加工产品达到3000余种。目前国际市场蓖麻油的供需缺口达一半以上，我国也从蓖麻油出口国变为了进口国。国内大多数蓖麻油加工企业处于停产和半停产状态，主要就是由于蓖麻原材料供应短缺造成的，因此大力发展蓖麻种植具有广阔的前景。基于我国可耕地面积少、粮食缺口逐年增加的基本国情，本着“不与人争粮，不与粮争地”的原则，开发利用近0.2亿公顷的海滨盐土资源进行规模化的蓖麻种植将是一个良好的选择。然而，由于海滨系统特殊的生态环境特征，特别是海滨盐土的高含盐量、低肥力特性以及灾害性气候如台风、涝渍等严重影响着蓖麻生长和最终产量，因此对蓖麻的长势和生产力进行实时监测以便于采取对应的农业管理措施，以及快速、精确地对蓖麻产量进行预报，对于指导盐土蓖麻生产具有重要意义。叶绿素密度(单位土地面积上种植作物叶绿素的含量，CCD)和叶面积指数(LAI)是用来监测农作物生长状况的主要两个参数，以高光谱遥感技术为主导的精准农业，同时结合数学手段，构建农作物估产模型以快速、精确的预测产量，对指导农业生产具有重大意义。
遥感技术是现代信息技术的一种，它能够快速准确地收集农业资源和农业生产的信息，具有定时、定量、定位、客观性强等优点。高光谱遥感技术以超多波段(几十，上百个)、高光谱分辨率(3～20nm)以及连续的辐射抽样方式记录地表物体的光谱信息，从而区分出作物中具有诊断性光谱特征的物质，准确实时地监测作物营养状况和生产力水平。采用高光谱反演的方法可以采集光谱数据一次性对作物多种生物物理参数进行测定。利用实验中得到的经验方程可以迅速较高精度地测定作物生物物理参数，此方法不仅适用于叶片水平上的测定，而且也适用于作物植株水平和群体冠层水平上的应用，为大面积精准农业管理提供遥感数据。近几年来，结合高光谱遥感数据和其他多因子的非线性拟牛顿方程用于作物产量预测研究已有报道，在美国大面积大豆、玉米等农作物产量预报上有成功事例(Prasad，2006)。拟牛顿方程是建立在分段线型回归方法基础上的一种数学方法，这种方法通过临界点把几段线型模型综合起来，从而构建一个非线性模型。这种方法主要包括三个步骤：(1)构建一个初始模型；(2)运用逐步回归标准对模型进行迭代汇聚；(3)当模型中的任意一个因子达到限制标准(饱和值)即终止回归，进行下一段回归模型的构建。这种模型通过回归系数R2值来确定该模型的精准度，R2越接近100％，说明该模型的精准度越高。综合分析海滨盐土影响蓖麻长势和产量的土壤含盐量、施肥投入、土壤含水率、土壤氮、磷、钾、有机质含量等主要土壤环境因子，同时结合高光谱遥感数据构建出的蓖麻产量预报模型，对于指导蓖麻生产具有重要作用。
三、发明内容
1、发明目的
本发明需要解决的技术问题是：找到一种快速无损伤光谱反演精准测定蓖麻生长中的主要生物物理参数方法，结合数学模型，构建一个精确度较高的海滨盐土蓖麻产量预测模型，为指导蓖麻生产和海滨盐土蓖麻大面积估产打下基础。由于采用传统方法测定叶绿素密度和叶面积指数的方法，虽然精度较高，但测定周期相对较长，测定需要较多人力物力的支持，而且每次测定均需采集样品，要损伤部分作物植株，造成一定的经济损失。虽然利用传统的宽光谱遥感，可以定性的判断出蓖麻生长过程中生长发育状况，但不能定量精细地进行描述其生长发育过程中生物物理参数的变化情况，对蓖麻大面积的精细管理不能提出具体准确地施肥浇水管理方案。而高光谱遥感数据具有较高分辨率和连续波谱的诊断性光谱特点，从而能够实现快速无损伤大面积监测蓖麻生物物理参数，为提高蓖麻遥感定量监测及估产精度提供了可能。本发明主要从大量高光谱数据中，选择出测定蓖麻叶面积指数和叶绿素密度合适的植被指数及经验方程，实现较高的测定精度，在此基础上，利用拟牛顿方程构建蓖麻不同生育期的估产模型，达到准确地掌握蓖麻生长过程中的生产力变化特征，为海滨盐土上大面积蓖麻精准农业生产服务。
2、技术方案
(1)我们构建了一种海滨盐土蓖麻产量预测模型：
Y＝65.91+49.72NDVI-8.9ST+1.1FI(Y＜150公斤/亩)R2＝0.91
Y＝180.93+153.47NDVI-28.42ST+0.92FI(Y＞150公斤/亩)R2＝0.907
Y-产量；NDVI-归一化植被指数；ST-土壤含盐量；FI-施肥投入
(2)采用高光谱反演技术高精度地对海滨盐土蓖麻的生物物理参数(叶面积指数和叶绿素密度)实现快速无损伤测定；同时收集蓖麻生长地的土壤含盐量(ST)、施肥量(FI)、土壤含水率(SM)、土壤氮、磷、钾、有机质含量以及蓖麻产量等数据。
(3)筛选出适宜精准测定蓖麻中后期叶面积指数和叶绿素密度的最佳植被指数。从常用的植被指数中通过对高光谱数据与LAI及CCD进行逐步回归和相关分析，其测定精度达60％以上，进而从表1的六种指数中筛选出NDVI、WDRVI两种最佳测定的植被指数(见附图1、2)。
(4)采用线性回归的方法，以决定系数为衡量标准，运用这两个指数与LAI和CCD线性拟合，得出了测定LAI最佳的经验方程Y＝9.875NDVI-5.075(R2＝0.821)；测定CCD最佳的经验方程Y＝3.366WDRVI+1.535(R2＝0.765)。(4)利用主成分分析技术，找出影响蓖麻产量的主要因子：蓖麻长势(以通用植被指数NDVI代替)、土壤含盐量和施肥投入(见附图3)。
(5)利用拟牛顿方程，以主要影响因子数据构建蓖麻估产模型。经检验，利用该模型预测的产量接近实际产量，相关系数达到了90％以上(见附图4)，可以很好的用于海滨盐土蓖麻估产。
表1、本发明测定蓖麻主要生物物理参数所选用的光谱植被指数及其计算公式
3、有益效果
(1)本发明方法操作简单、快速。运用传统的室内生化及野外测定方式，对叶绿素含量、CCD、LAI等生物物理参数指标的测定，需要采用较多的仪器设备和人员的配合，耗时耗力。而通过高光谱仪只需2-3人便可在农田进行快速简便采集数据，能成功地运用相关回归方程分析蓖麻冠层高光谱数据，得到精确的蓖麻生物物理参数数据。
(2)可实现快速无损伤测定。与传统室内生化的方法相比，无论测定CCD，还是LAI，每次测定总是需要采集大量样品，对大田作物有所损伤。而采用我们的高光谱反演的测定方法，在小区实验的基础上得出经验方程，可以保证在较高的精度下测定不同营养水平下的蓖麻生长的主要生物物理参数，而不需要每次都从大田采集样品损伤作物。
(3)可快速、实时、高精度地预测蓖麻产量。海滨盐土上的蓖麻产量受土壤理化性质很大的影响，而本发明所运用的拟牛顿方程主要就是用来预测那些由主要由环境因子决定产量的作物和地区，通过本发明构建的蓖麻产量预测模型，可以在蓖麻生育中后期实时对蓖麻产量进行预报，且预报精度达到80％以上，为及时调整田间管理措施、指导蓖麻生产提供帮助。
(4)该方法适用于测定多个蓖麻生物物理参数。该方法不仅对叶绿素含量、叶绿素密度实现精细测定，也可对叶面积指数、含氮量和生物量等进行测定，其光谱反演的方法适用范围较广，可测定的指标较多。
(5)该方法适用范围广。用于定量分析蓖麻生物物理参数时，不仅适用于蓖麻叶片水平参数测定，而且也适宜植株水平和大面积的农田群体冠层水平蓖麻遥感快速测定；用于海滨盐土地区蓖麻产量预测时，只要获得当地的主要土壤因子数据，便可通过本模型对当地蓖麻产量进行预测，精度高，适用范围广。
(6)本发法使用经济成本低。利用我们发明的测定方法只需进行一次性投入，可重复多次使用，只需要根据田间采集到的光谱数据就可分析蓖麻生长力水平，并对最终产量进行预测，成本低，作用大，价值高。
四、附图说明
图1、不同植被指数与蓖麻群体叶绿素密度(CCD)之间的决定系数
图2、不同植被指数与蓖麻群体叶面积指数(LAI)之间的决定系数
图3、影响蓖麻产量的主成分分析图
图4、海滨盐土蓖麻估产模型精度检验图
五、具体实施方式
(1)使用仪器：Unispec光谱分析系统。是由美国PPsystem公司制造。适用于从遥感测量，农作物监测，森林研究到工业照明测量，海洋学研究和矿物勘察的各方面应用。本实验使用的光谱仪为Unispec单通道光谱分析系统，可测定光谱范围350-1300nm，光谱分辨率为3-10nm。
(2)试验地材料及设计：试验地设置在江苏省盐城市大丰金海农场，试验点位于北纬33°05′N，东经120°49′E。土壤含盐量在1-7‰之间。株行距为1m×1m，南北行向。设置不施肥和每公顷施氮、磷肥各90Kg、180Kg、360Kg四个处理。
(3)测定的时间和日期：测定日期分别选择蓖麻生长的苗期、初花期和结果期三个时期，分别对应在6月10号、7月30号和10月9号三个时期测定蓖麻的群体光谱反射率和作物生长参数(叶面积指数、叶绿素密度、生物量等)。测定时间选择在晴朗无云的天气进行，一般在10:30-14:30之间，这一时间段太阳高度角是一天中最大、光照最强的时间段，可以减少其他环境因素对光谱测定的影响。
(4)测定方法：光谱的测定只需2人配合即可进行。一人操作高光谱仪遥感探头，一人辅助操作仪器并记录数据。测量时，将传感器探头向下与地面垂直，观测视场角设定为20°，观测高度为2米，视场直径为0.7米，在观测点两行正上方各测定一次，两个值的平均值作为一个重复，每个试验小区重复测定10次，以其平均值作为该小区的光谱反射值，测量时及时进行标准板校正。冠层光谱数据测定后，对应测冠层光谱的位置取样测定蓖麻的生物物理参数，经回归及相关分析，筛选出最适宜的精准测定的植被指数。
(5)构建模型：收集每个试验小区的土壤主要理化因子数据和最终产量，通过主成分分析技术对影响蓖麻产量的主要因子做出分析，在此基础上利用拟牛顿方程构建蓖麻估产模型。
Claims (4)
1.一种海滨盐土蓖麻产量预测模型，其特征是：Y＝65.91+49.72NDVI-8.9ST+1.1FI(Y＜150公斤/亩)R2＝0.91
Y＝180.93+153.47NDVI-28.42ST+0.92FI(Y＞150公斤/亩)R2＝0.907
Y-产量；NDVI-归一化植被指数；ST-土壤含盐量；FI-施肥投入
2.根据权利要求1所述其海滨盐土蓖麻产量预测模型的构建方法，特征是采用高光谱反演方法快速无损伤精准测定蓖麻主要生物物理参数，在此基础上构建植被指数，利用主成分分析方法分析影响蓖麻产量的主要因子，结合拟牛顿方程构建蓖麻估产模型；具体方法由以下步骤构成：
(1)使用Unispec光谱分析系统在晴朗少云或无云的天气，测定时间在每天的10:30-14:30之间进行；光谱测定的时期为蓖麻生长的苗期未郁闭、花期完全郁闭及采摘种子前三个时期；
(2)测量时，将传感器探头向下与地面垂直，观测视场角设定为20°，观测高度为2米，视场直径为0.7米，在观测点两行正上方各测定一次，两个值的平均值作为一个重复，每个试验小区重复测定10次，以其平均值作为该小区的光谱反射值，测量时及时进行标准板校正；
(3)冠层光谱数据测定后，对应测定冠层光谱的位置取样测定蓖麻植株的生物物理参数；
(4)收集每个试验小区的土壤理化因子和蓖麻最终产量，利用拟牛顿方程构建蓖麻估产模型。
3.根据权利要求1所述海滨盐土蓖麻产量预测模型在蓖麻叶片水平及植株水平测定中的应用。
4.根据权利要求1所述海滨盐土蓖麻产量预测模型在蓖麻大面积作物冠层水平测定的应用。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN2010101188486A CN101836561B (zh) | 2010-03-08 | 2010-03-08 | 一种海滨盐土蓖麻产量预测模型及其构建方法和应用 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN2010101188486A CN101836561B (zh) | 2010-03-08 | 2010-03-08 | 一种海滨盐土蓖麻产量预测模型及其构建方法和应用 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN101836561A true CN101836561A (zh) | 2010-09-22 |
| CN101836561B CN101836561B (zh) | 2011-11-16 |
Family
ID=42740444
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN2010101188486A Expired - Fee Related CN101836561B (zh) | 2010-03-08 | 2010-03-08 | 一种海滨盐土蓖麻产量预测模型及其构建方法和应用 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN101836561B (zh) |
Cited By (9)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN102893817A (zh) * | 2012-10-10 | 2013-01-30 | 南京信息工程大学 | 一种基于指数线性方程的设施作物干物质生产模拟方法 |
| CN103699803A (zh) * | 2013-12-31 | 2014-04-02 | 北京农业信息技术研究中心 | 一种基于多光谱遥感信息的区域作物养分管理方法 |
| CN104766135A (zh) * | 2015-03-25 | 2015-07-08 | 中国农业科学院农业信息研究所 | 一种预测农作物产量的方法、装置及系统 |
| CN105075692A (zh) * | 2015-04-22 | 2015-11-25 | 华北水利水电大学 | 一种在周年垄作沟灌冬小麦产量预测和灌水质量评价方法 |
| CN107576618A (zh) * | 2017-07-20 | 2018-01-12 | 华南理工大学 | 基于深度卷积神经网络的水稻穗瘟检测方法及系统 |
| CN109829234A (zh) * | 2019-01-30 | 2019-05-31 | 北京师范大学 | 一种基于高分辨率遥感数据和作物模型的跨尺度高精度动态作物长势监测和估产方法 |
| CN111742793A (zh) * | 2020-06-19 | 2020-10-09 | 武汉大学 | 基于盐氮影响的向日葵叶面积指数增长的预测方法 |
| CN113196287A (zh) * | 2018-12-21 | 2021-07-30 | 克莱米特公司 | 应季田地级产量预报 |
| CN114739326A (zh) * | 2022-05-10 | 2022-07-12 | 河南启迪睿视智能科技有限公司 | 烤烟烟叶面积的测量方法及系统 |
Citations (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN101336590A (zh) * | 2008-07-25 | 2009-01-07 | 南京大学 | 一种海滨盐土蓖麻生态种植方法 |
-
2010
- 2010-03-08 CN CN2010101188486A patent/CN101836561B/zh not_active Expired - Fee Related
Patent Citations (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN101336590A (zh) * | 2008-07-25 | 2009-01-07 | 南京大学 | 一种海滨盐土蓖麻生态种植方法 |
Non-Patent Citations (2)
| Title |
|---|
| 《内蒙古农业科技》 20081231 张智勇 随机增广区组设计在蓖麻产量测定中的应用 第55-56页 1-4 , 2 * |
| 《西南农业学报》 20071231 张锡顺 双标图在蓖麻区域试验产量分析中的应用 第917-920页 1-4 , 2 * |
Cited By (12)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN102893817A (zh) * | 2012-10-10 | 2013-01-30 | 南京信息工程大学 | 一种基于指数线性方程的设施作物干物质生产模拟方法 |
| CN103699803A (zh) * | 2013-12-31 | 2014-04-02 | 北京农业信息技术研究中心 | 一种基于多光谱遥感信息的区域作物养分管理方法 |
| CN104766135A (zh) * | 2015-03-25 | 2015-07-08 | 中国农业科学院农业信息研究所 | 一种预测农作物产量的方法、装置及系统 |
| CN105075692A (zh) * | 2015-04-22 | 2015-11-25 | 华北水利水电大学 | 一种在周年垄作沟灌冬小麦产量预测和灌水质量评价方法 |
| CN107576618A (zh) * | 2017-07-20 | 2018-01-12 | 华南理工大学 | 基于深度卷积神经网络的水稻穗瘟检测方法及系统 |
| CN107576618B (zh) * | 2017-07-20 | 2020-04-28 | 华南理工大学 | 基于深度卷积神经网络的水稻穗瘟检测方法及系统 |
| CN113196287A (zh) * | 2018-12-21 | 2021-07-30 | 克莱米特公司 | 应季田地级产量预报 |
| CN109829234A (zh) * | 2019-01-30 | 2019-05-31 | 北京师范大学 | 一种基于高分辨率遥感数据和作物模型的跨尺度高精度动态作物长势监测和估产方法 |
| CN109829234B (zh) * | 2019-01-30 | 2019-09-27 | 北京师范大学 | 一种基于高分辨率遥感数据和作物模型的跨尺度高精度动态作物长势监测和估产方法 |
| CN111742793A (zh) * | 2020-06-19 | 2020-10-09 | 武汉大学 | 基于盐氮影响的向日葵叶面积指数增长的预测方法 |
| CN111742793B (zh) * | 2020-06-19 | 2022-04-15 | 武汉大学 | 基于盐氮影响的向日葵叶面积指数增长的预测方法 |
| CN114739326A (zh) * | 2022-05-10 | 2022-07-12 | 河南启迪睿视智能科技有限公司 | 烤烟烟叶面积的测量方法及系统 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN101836561B (zh) | 2011-11-16 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN101836561B (zh) | 一种海滨盐土蓖麻产量预测模型及其构建方法和应用 | |
| US11600363B2 (en) | PTF-based method for predicting target soil property and content | |
| CN113268923B (zh) | 一种基于模拟多光谱的夏玉米产量估算方法 | |
| CN107356569B (zh) | 基于叶绿素荧光预测小麦籽粒产量的方法及其模型的构建方法 | |
| CN107796764B (zh) | 一种基于三波段植被指数的小麦叶面积指数估算模型的构建方法 | |
| CN1837787A (zh) | 一种无损伤精准测定棉花生物物理参数的方法 | |
| CN110376167A (zh) | 基于无人机高光谱的水稻叶片氮含量监测方法 | |
| CN105445229B (zh) | 基于氮平衡光谱法的小麦春季氮肥施用方法及其追氮量模型的构建方法 | |
| CN107505271B (zh) | 基于氮素组分辐射传输模型的植株氮素估算方法和系统 | |
| CN104483271B (zh) | 光学反射模型与微波散射模型协同的森林生物量反演方法 | |
| CN110567892B (zh) | 一种基于临界氮浓度的夏玉米氮素高光谱预测方法 | |
| CN104584751A (zh) | 基于冬油菜氮素营养无损检测的施肥方法 | |
| CN110189793A (zh) | 基于高光谱的小麦氮肥生理利用率估测模型构建及不同氮效率小麦品种分类 | |
| Li et al. | Plant height as a simple predictor of the root to shoot ratio: Evidence from alpine grasslands on the Tibetan Plateau | |
| CN115452822A (zh) | 基于遥感和农田信息获取稻田甲烷排放通量的方法及装置 | |
| Zhang et al. | Spectral characteristics and the study of pollution degree of maize leaves under copper and lead stress | |
| An et al. | The optimal soil water content models based on crop-LAI and hyperspectral data of winter wheat | |
| CN117217632A (zh) | 一种基于模型估算的农田碳通量评估方法 | |
| CN101982055B (zh) | 基于统计局统计抽样调查地块实割实测数据的省级水稻单产遥感估算方法 | |
| Touch et al. | The relationships between electrical conductivity of soil and reflectance of canopy, grain, and leaf of rice in northeastern Thailand | |
| Li et al. | Assessing plant nitrogen concentration in winter oilseed rape using hyperspectral measurements | |
| Chen et al. | Estimation of leaf area index of winter wheat based on hyperspectral data of unmanned aerial vehicles | |
| Malhi et al. | Empirical modelling for retrieval of foliar traits in cotton crop using spatial data | |
| Wang et al. | Monitoring wheat quality protein content in critical period based division by remote sensing | |
| Qi et al. | Soil Organic Carbon Stock in Hindu Kush Himalayn’s Grasslands |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| C06 | Publication | ||
| PB01 | Publication | ||
| C10 | Entry into substantive examination | ||
| SE01 | Entry into force of request for substantive examination | ||
| C14 | Grant of patent or utility model | ||
| GR01 | Patent grant | ||
| C17 | Cessation of patent right | ||
| CF01 | Termination of patent right due to non-payment of annual fee |
Granted publication date: 20111116 Termination date: 20130308 |