CN102175618B - 一种稻麦叶片氮含量光谱监测模型建模方法 - Google Patents

一种稻麦叶片氮含量光谱监测模型建模方法 Download PDF

Info

Publication number
CN102175618B
CN102175618B CN2011100331138A CN201110033113A CN102175618B CN 102175618 B CN102175618 B CN 102175618B CN 2011100331138 A CN2011100331138 A CN 2011100331138A CN 201110033113 A CN201110033113 A CN 201110033113A CN 102175618 B CN102175618 B CN 102175618B
Authority
CN
China
Prior art keywords
rice
nitrogen content
model
rice wheat
wheat
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.)
Expired - Fee Related
Application number
CN2011100331138A
Other languages
English (en)
Other versions
CN102175618A (zh
Inventor
曹卫星
王薇
姚霞
朱艳
倪军
田永超
刘小军
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Nanjing Agricultural University
Original Assignee
Nanjing Agricultural University
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Nanjing Agricultural University filed Critical Nanjing Agricultural University
Priority to CN2011100331138A priority Critical patent/CN102175618B/zh
Publication of CN102175618A publication Critical patent/CN102175618A/zh
Application granted granted Critical
Publication of CN102175618B publication Critical patent/CN102175618B/zh
Expired - Fee Related legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02A—TECHNOLOGIES FOR ADAPTATION TO CLIMATE CHANGE
    • Y02A40/00—Adaptation technologies in agriculture, forestry, livestock or agroalimentary production
    • Y02A40/10—Adaptation technologies in agriculture, forestry, livestock or agroalimentary production in agriculture

Landscapes

  • Cultivation Of Plants (AREA)
  • Investigating Or Analysing Materials By Optical Means (AREA)
  • Breeding Of Plants And Reproduction By Means Of Culturing (AREA)

Abstract

本发明公开了一种稻麦叶片氮含量光谱监测模型建模方法，属于精准农业中作物生长信息无损监测领域。将野外高光谱辐射仪采集到的稻麦冠层叶片反射光谱数据与稻麦冠层叶片氮含量数据相融合，建立基于窄波段与宽波段相结合面向稻麦不同生育期的冠层叶片氮含量光谱监测模型。本发明利用多年、多点的稻麦田间试验数据，构建面向稻麦拔节至孕穗期、抽穗至灌浆期的最佳植被指数；挖掘稻麦冠层叶片氮含量共性特征波段及带宽。模型涵盖了稻麦不同品种、不同氮素水平，普适性好，利用独立年份的数据验证模型，模型的准确性高。

Description

一种稻麦叶片氮含量光谱监测模型建模方法
技术领域
本发明一种稻麦叶片氮含量光谱监测模型建模方法，涉及稻麦生长信息光谱监测模型，属于精准农业中作物生长信息无损监测领域。
背景技术
稻麦是我国最重要的粮食作物，实时监测稻麦氮素营养状况不仅能保证稻麦的产量和品质，而且能提高氮肥利用效率，减少地下水污染，从而产生巨大的经济和生态效益。长期以来，稻麦的氮素含量监测都是通过田间破坏性取样，室内分析测定而得，其缺陷是：费时费力，时效性差，不能实时指导稻麦精确管理。
稻麦体内大多数生理生化变化会引起某些特定波段反射光谱的变化。基于这一原理，可以利用稻麦生长信息的光谱特征波长和植被指数来反演稻麦的氮素营养状态。传统的方法是针对不同生育期作物生长状况，利用特征波段构建单一的光谱参数，定量分析光谱参数与生理参数之间的关系，以此建立光谱监测模型；但是稻麦不同生育期的光谱反射率差异较大，单一的光谱参数很难反映稻麦生理参数的变化规律，建立的光谱监测模型准确性低、敏感性差。
目前，基于不同特征光谱参数的作物氮含量监测模型都是针对单一作物，特征波段的普适性较差，模型的机理性不强。虽然目前也有关于稻麦叶片氮含量共性特征光谱的研究，但都是基于多光谱数据，其特征波段的可靠性和监测模型的准确性都依赖于对高光谱数据的深层挖掘来提高，且未解决特征波段的适宜带宽问题。
发明内容
技术问题
本发明针对上述现有技术的不足，提供一种普适性好、准确性高且机理性强的稻麦叶片氮含量监测模型建模方法。
技术方案
本发明为解决上述技术问题所采用的技术方案是：
本发明一种稻麦叶片氮含量光谱监测模型建模方法在于采用如下步骤：
（1）取样；分别对稻麦叶片氮含量测定和光谱进行取样，样本采自不同生态点、不同品种、不同施氮水平和不同水分处理，涉及不同的年份；
（2）构建植被指数；利用400-1000nm任意两波段按步长1nm递增，两两组合构建植被指数，拔节至孕穗期稻麦未完全封行，采用土壤调节植被指数SAVI，抽穗至灌浆期稻麦基本封行，采用常用差值植被指数DVI、比值植被指数RVI和归一化植被指数NDVI。
（3）确定特征波段；将SAVI植被指数与拔节至孕穗期稻麦叶片氮含量建立线性模型；将RSI植被指数与抽穗至灌浆期稻麦叶片氮含量建立线性模型；对模型决定系数R2排序，寻找某一组合的波段在水稻、小麦不同生育阶段模型中都具有较大的决定系数R2，以1% R2起始，按照0.01步长变换，不断扩展特征波段组合范围，直到各模型波段组合范围出现共性交集，即为稻麦叶片氮含量的共性特征波段；
（4）优化带宽范围；基于已构建的两波段组合植被指数与稻麦叶片氮含量决定系数的变化，分别在不同模型决定系数水平上求取稻麦叶片氮含量估测的核心波段范围，在此范围内确定最大内接矩形，内接矩形的长和宽分别为相应特征波段的适宜带宽；
（5）建立监测模型；利用构建的窄波段和宽波段特征光谱参数，分别在不同生育期构建监测模型，采用复相关系数平方R2、标准误差SE评价模型；
（6）检验模型；使用独立年份稻麦试验数据测试与检验监测模型的准确性和普适性，采用复相关系数平方R2、相对均方根差RRMSE对模型进行综合评价。
所述步骤（1）中的稻麦叶片氮含量测定取样与光谱取样同步，每个田块随机抽取10株，叶茎分离，并于烘箱70℃干燥至恒重，然后称重，采用凯氏定氮法测定氮含量；
所述稻麦冠层氮含量监测模型为
水稻：拔节至孕穗期：Y1=-4.314 SAVI(R722,R812)+1.435
抽穗至灌浆期：Y2=-7.588DVI(R722,R812)+0.779
或者Y3=-4.409RVI(R722,R812) +4.119
或者Y4= -4.656NDVI(R722,R812)+0.303
小麦：拔节至孕穗期：Y5=-6.022 SAVI(R722,R812)+1.186
抽穗至灌浆期：Y6=-12.758DVI(R722,R812)+0.654
或者Y7=-5.707RVI(R722,R812)+5.694
或者Y8=-7.226NDVI(R722,R812)+0.364
所述步骤（2）中SAVI植被指数中调节参数按步长0.001在 [-2，2]递增。
所述步骤（3）中所述稻麦叶片氮含量共性特征波段为λ1=722nm、λ2=812nm；
其中：特征波段722nm的带宽△λ1为2 nm—7nm，特征波段812nm的带宽△λ2为3.5 nm—50 nm。
有益效果：
利用多年、多点的稻麦田间试验数据，构建稻麦不同生育期的最佳植被指数；挖掘稻麦冠层叶片氮含量共性敏感波段，建立稻麦冠层叶片氮含量光谱监测模型，不仅增强了模型的机理性，而且提高了模型的敏感度。该监测模型涵盖了不同品种、不同氮素水平，普适性好；利用独立年份的数据验证模型，模型的准确性高。
附图说明
图1为本发明稻麦叶片氮含量建模流程图。
具体实施方式
本实施例中野外高光谱辐射仪采集到不同农田、不同年份、不同品种、不同施氮水平、不同水分处理和不同生育期的稻麦冠层叶片反射光谱数据与冠层叶片氮含量数据相融合，构建拔节至孕穗期的最佳稻麦植被指数SAVI、抽穗至灌浆期的最佳植被指数DVI,RVI和NDVI,挖掘稻麦冠层叶片氮含量共性敏感波段λ1=722nm、λ2=812nm，以此建立稻麦冠层氮含量监测模型：
水稻：拔节至孕穗期：Y1=-4.314 SAVI(R722,R812)+1.435
抽穗至灌浆期：Y2=-7.588DVI(R722,R812)+0.779
或者Y3=-4.409RVI(R722,R812) +4.119
或者Y4= -4.656NDVI(R722,R812)+0.303
小麦：拔节至孕穗期：Y5=-6.022 SAVI(R722,R812)+1.186
抽穗至灌浆期：Y6=-12.758DVI(R722,R812)+0.654
或者Y7=-5.707RVI(R722,R812)+5.694
或者Y8=-7.226NDVI(R722,R812)+0.364
参照图1，稻麦冠层氮含量光谱建模方法具体包括以下步骤：
S101：取样。样本采自八个不同生态点，不同品种（水稻品种为：武香粳9、华粳2、日本晴、武香粳14、27123和两优培九；小麦品种为：淮麦20、宁麦9、徐麦26、杨麦10、杨麦12和豫麦34），四种施氮水平（水稻：0kg·hm-2～390kg·hm-2；小麦：0kg·hm-2～270g·hm-2）和不同水分处理，涉及五个年份（2004年～2009年）。
稻麦冠层光谱取样采用野外高光谱辐射仪，波段范围为350~2500nm；取样环境条件为天气晴朗、无风；取样时间为10：00-14：00。
稻麦冠层叶片氮含量测定取样与光谱取样同步，每个田块随机抽取10株，叶茎分离，并于烘箱70℃干燥至恒重，然后称重，采用凯氏定氮法测定氮含量。
S102：构建植被指数。利用400-1000nm任意两波段按步长1nm递增，两两组合构建植被指数。拔节至孕穗期稻麦未完全封行，田间实际观测的冠层反射率受土壤背景的影响相对较大，采用土壤调节植被指数SAVI能有效降低背景的影响。
Figure 398107DEST_PATH_IMAGE001
，
式中Rλ1 为波段λ1的反射率, Rλ2波段λ2的反射率，L为调节参数，按步长0.001在 [-2，2]递增。
抽穗至灌浆期稻麦基本封行，土壤背景的影响较小，采用常用差值植被指数DVI、比值植被指数RVI和归一化植被指数NDVI。
Figure 730999DEST_PATH_IMAGE002
Figure 545371DEST_PATH_IMAGE003
Figure 305517DEST_PATH_IMAGE004
S103：确定特征波段。将SAVI植被指数与拔节至孕穗期稻麦叶片氮含量建立线性模型；将DVI植被指数与抽穗至灌浆期稻麦叶片氮含量建立线性模型，将RVI植被指数与抽穗至灌浆期稻麦叶片氮含量建立线性模型；将NDVI植被指数与抽穗至灌浆期稻麦叶片氮含量建立线性模型。对模型决定系数R2排序，寻找某一组合的波段在水稻、小麦不同生育阶段模型中都具有较大的决定系数R2，以1% R2起始，按照0.01步长变换，不断扩展特征波段组合范围，直到各模型波段组合范围出现共性交集，即为稻麦叶片氮含量的共性特征波段。λ1=722nm、λ2=812nm。
S104：优化带宽范围。基于已构建的两波段组合植被指数与稻麦叶片氮含量决定系数的变化，分别在不同模型决定系数水平上求取稻麦叶片氮含量估测的核心波段范围，在此范围内确定最大内接矩形，内接矩形的长和宽分别为相应特征波段的适宜带宽。△λ1=2~7nm，△λ2=3.5~50 nm。
S105：建立监测模型。利用构建的窄波段和宽波段特征光谱参数，分别在不同生育期构建监测模型，采用复相关系数平方R2、标准误差SE评价模型。
水稻：拔节至孕穗期：Y1=-4.314 SAVI(R722,R812)+1.435
抽穗至灌浆期：Y2=-7.588DVI(R722,R812)+0.779
或者Y3=-4.409RVI(R722,R812) +4.119
或者Y4= -4.656NDVI(R722,R812)+0.303
小麦：拔节至孕穗期：Y5=-6.022 SAVI(R722,R812)+1.186
抽穗至灌浆期：Y6=-12.758DVI(R722,R812)+0.654
或者Y7=-5.707RVI(R722,R812)+5.694
或者Y8=-7.226NDVI(R722,R812)+0.364
S106：检验模型。使用独立年份稻麦试验数据测试与检验监测模型的准确性和普适性，采用复相关系数平方R2、相对均方根差RRMSE对模型进行综合评价，具体评价指标的计算公式如下：
Figure 8769DEST_PATH_IMAGE005
模型Y1的复相关系数平方R2为0.928 , 相对均方根差RRMSE为8.3%；模型Y2的复相关系数平方R2为0.658 , 相对均方根差RRMSE为18.2%；模型Y3的复相关系数平方R2为0.878，相对均方根差RRMSE为15.7%；模型Y4的复相关系数平方R2为0.860，相对均方根差RRMSE为15.2%；模型Y5的复相关系数平方R2为0.443，相对均方根差RRMSE为29.4%；模型Y6的复相关系数平方R2为0.811，相对均方根差RRMSE为32.1%；模型Y7的复相关系数平方为0.864，相对均方根差RRMSE为20.9%;模型Y8的复相关系数平方R2为0.855 , 相对均方根差RRMSE为22.3%。

Claims (4)

1. 一种稻麦叶片氮含量光谱监测模型建模方法，其特征在于采用如下步骤：
（1）取样；分别对稻麦叶片氮含量测定和光谱进行取样，样本采自不同生态点、不同品种、不同施氮水平和不同水分处理，涉及不同的年份；
（2）构建植被指数；利用400-1000nm任意两波段按步长1nm递增，两两组合构建植被指数，拔节至孕穗期稻麦未完全封行，采用土壤调节植被指数SAVI，抽穗至灌浆期稻麦基本封行，采用常用差值植被指数DVI、比值植被指数RVI和归一化植被指数NDVI；
（3）确定特征波段；将SAVI植被指数与拔节至孕穗期稻麦叶片氮含量建立线性模型；将DVI植被指数与抽穗至灌浆期稻麦叶片氮含量建立线性模型；将RVI植被指数与抽穗至灌浆期稻麦叶片氮含量建立线性模型；将NDVI植被指数与抽穗至灌浆期稻麦叶片氮含量建立线性模型；对模型决定系数R2排序，寻找某一组合的波段在水稻、小麦不同生育阶段模型中都具有较大的决定系数R2，以1% R2起始，按照0.01步长变换，不断扩展特征波段组合范围，直到各模型波段组合范围出现共性交集，即为稻麦叶片氮含量的共性特征波段；
（4）优化带宽范围；基于已构建的两波段组合植被指数与稻麦叶片氮含量决定系数的变化，分别在不同模型决定系数水平上求取稻麦叶片氮含量估测的核心波段范围，在此范围内确定最大内接矩形，内接矩形的长和宽分别为相应特征波段的适宜带宽；
（5）建立监测模型；利用构建的窄波段和宽波段特征光谱参数，分别在不同生育期构建监测模型，采用复相关系数平方R2、标准误差SE评价模型；
（6）检验模型；使用独立年份稻麦试验数据测试与检验监测模型的准确性和普适性，采用复相关系数平方R2、相对均方根差RRMSE对模型进行综合评价。
2.如权利要求1所述一种稻麦叶片氮含量光谱监测模型建模方法，其特征在于：步骤（1）中的稻麦叶片氮含量测定取样与光谱取样同步，每个田块随机抽取10株，叶茎分离，并于烘箱70℃干燥至恒重，然后称重，采用凯氏定氮法测定氮含量；
所述稻麦冠层氮含量监测模型为：
水稻：拔节至孕穗期：Y1=-4.314 SAVI(R722,R812)+1.435
抽穗至灌浆期：Y2=-7.588DVI(R722,R812)+0.779
或者Y3=-4.409RVI(R722,R812) +4.119
或者Y4= -4.656NDVI(R722,R812)+0.303   ；
小麦：拔节至孕穗期：Y5=-6.022 SAVI(R722,R812)+1.186
抽穗至灌浆期：Y6=-12.758DVI(R722,R812)+0.654
或者Y7=-5.707RVI(R722,R812)+5.694
或者Y8=-7.226NDVI(R722,R812)+0.364   。
3.如权利要求1所述一种稻麦叶片氮含量光谱监测模型建模方法，其特征在于：步骤（2）中SAVI植被指数中调节参数按步长0.001在 [-2，2]递增。
4.如权利要求1所述一种稻麦叶片氮含量光谱监测模型建模方法，其特征在于：步骤（3）中所述稻麦叶片氮含量共性特征波段为λ1=722nm、λ2=812nm；
其中：特征波段722nm的带宽△λ1为2 nm—7nm，特征波段812nm的带宽△λ2为3.5 nm—50 nm。
CN2011100331138A 2011-01-31 2011-01-31 一种稻麦叶片氮含量光谱监测模型建模方法 Expired - Fee Related CN102175618B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN2011100331138A CN102175618B (zh) 2011-01-31 2011-01-31 一种稻麦叶片氮含量光谱监测模型建模方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN2011100331138A CN102175618B (zh) 2011-01-31 2011-01-31 一种稻麦叶片氮含量光谱监测模型建模方法

Publications (2)

Publication Number Publication Date
CN102175618A CN102175618A (zh) 2011-09-07
CN102175618B true CN102175618B (zh) 2012-11-21

Family

ID=44518825

Family Applications (1)

Application Number Title Priority Date Filing Date
CN2011100331138A Expired - Fee Related CN102175618B (zh) 2011-01-31 2011-01-31 一种稻麦叶片氮含量光谱监测模型建模方法

Country Status (1)

Country Link
CN (1) CN102175618B (zh)

Families Citing this family (23)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102435564B (zh) * 2011-09-19 2013-09-18 南京农业大学 一种基于三波段光谱指数估测植物氮含量的方法
CN102426153B (zh) * 2011-11-21 2015-09-16 南京农业大学 一种基于冠层高光谱指数的小麦植株水分监测方法
CN102636439A (zh) * 2012-04-16 2012-08-15 南京农业大学 一种确定小麦植株吸氮量核心波段的方法
CN103308465B (zh) * 2013-05-31 2016-04-13 南京农业大学 一种主动光源式作物冠层反射光谱测量装置用信号处理系统及方法
CN103293111B (zh) * 2013-06-07 2016-01-13 南京农业大学 一种土壤背景干扰下小麦叶层氮含量光谱监测模型及建模方法
CN103868880B (zh) * 2014-01-24 2016-08-17 河南农业大学 基于光谱双峰指数的小麦叶片氮含量监测方法及其监测模型的构建方法
CN103868860B (zh) * 2014-03-25 2016-04-13 辽宁师范大学 一种基于高光谱植被指数监测湿地植被冠层氮浓度的方法
CN104614321B (zh) * 2015-01-20 2017-07-25 山东农业大学 一种基于光谱图像的作物长势实时监测方法
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
CN105806791B (zh) * 2016-03-22 2018-05-25 新疆农业科学院园艺作物研究所 一种扁桃果实发育期叶片氮、磷和钾测定方法
CN106290197A (zh) * 2016-09-06 2017-01-04 西北农林科技大学 水稻叶片全氮含量高光谱估测及估测模型构建方法
CN109115951A (zh) * 2018-07-31 2019-01-01 东北农业大学 基于冠层结构与冠层光谱的水稻植株全氮估测方法
CN109444069A (zh) * 2018-09-13 2019-03-08 南京农业大学 一种基于无人机载主动冠层传感器的水稻氮素营养监测方法
CN109042176B (zh) * 2018-09-18 2020-07-31 扬州大学 一种高氮肥利用效率水稻品种的筛选方法
CN109187398A (zh) * 2018-11-08 2019-01-11 河南省农业科学院植物营养与资源环境研究所 一种小麦植株氮含量的高光谱测定方法
CN109632799A (zh) * 2019-01-23 2019-04-16 湖北大学 基于机器视觉的水稻叶片氮含量移动检测分级方法、系统和计算机可读存储介质
CN110082309B (zh) * 2019-05-20 2021-03-16 中国水利水电科学研究院 冬小麦冠层spad值综合光谱监测模型建立方法
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
CN112285062B (zh) * 2020-09-22 2022-07-26 武汉大学 一种高nue水稻筛选标志及筛选方法
CN112632796A (zh) * 2020-12-31 2021-04-09 广州极飞科技有限公司 氮含量确定方法、作业方法、装置、电子设备及存储介质
CN113063739A (zh) * 2021-02-25 2021-07-02 北京麦飞科技有限公司 一种基于机载高光谱传感器的水稻冠层氮含量监测方法
CN113552096A (zh) * 2021-07-20 2021-10-26 中国热带农业科学院湛江实验站 一种基于光谱的菠萝叶片氮含量估算方法
CN113670913B (zh) * 2021-08-18 2023-05-16 沈阳农业大学 水稻氮素含量反演高光谱植被指数构建方法

Citations (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN1837787A (zh) * 2006-04-19 2006-09-27 南京大学 一种无损伤精准测定棉花生物物理参数的方法

Patent Citations (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN1837787A (zh) * 2006-04-19 2006-09-27 南京大学 一种无损伤精准测定棉花生物物理参数的方法

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
姚霞等.监测小麦叶片氮积累量的新高光谱特征波段及比值植被指数.《光谱学与光谱分析》.2009,第29卷(第8期),2191-2195. *
朱艳等.稻麦叶片氮含量与冠层反射光谱的定量关系.《生态学报》.2006,第26卷(第10期),3463-3469. *

Also Published As

Publication number Publication date
CN102175618A (zh) 2011-09-07

Similar Documents

Publication Publication Date Title
CN102175618B (zh) 一种稻麦叶片氮含量光谱监测模型建模方法
Ely et al. Spectroscopy can predict key leaf traits associated with source–sink balance and carbon–nitrogen status
Vigneau et al. Potential of field hyperspectral imaging as a non destructive method to assess leaf nitrogen content in Wheat
Li et al. Multi-LUTs method for canopy nitrogen density estimation in winter wheat by field and UAV hyperspectral
CN109187441B (zh) 基于冠层光谱信息的夏玉米含氮量监测模型的构建方法
Feng et al. An optimized non-linear vegetation index for estimating leaf area index in winter wheat
Neto et al. Vis/NIR spectroscopy and chemometrics for non-destructive estimation of water and chlorophyll status in sunflower leaves
CN102426153B (zh) 一种基于冠层高光谱指数的小麦植株水分监测方法
Ranjan et al. Assessment of plant nitrogen stress in wheat (Triticum aestivum L.) through hyperspectral indices
CN110189793B (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
Yamashita et al. Dissection of hyperspectral reflectance to estimate nitrogen and chlorophyll contents in tea leaves based on machine learning algorithms
CN109187398A (zh) 一种小麦植株氮含量的高光谱测定方法
Tan et al. Analysis of different hyperspectral variables for diagnosing leaf nitrogen accumulation in wheat
CN110567892B (zh) 一种基于临界氮浓度的夏玉米氮素高光谱预测方法
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
Cao et al. Hyperspectral inversion of nitrogen content in maize leaves based on different dimensionality reduction algorithms
Zhao et al. Relationships of leaf nitrogen concentration and canopy nitrogen density with spectral features parameters and narrow-band spectral indices calculated from field winter wheat (Triticum aestivum L.) spectra
CN102374971A (zh) 一种基于高光谱技术的玉米叶片氮含量估算方法
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
CN108520127A (zh) 一种树种叶面积指数的高光谱反演方法
Wang et al. Development of near-infrared reflectance spectroscopy models for quantitative determination of water-soluble carbohydrate content in wheat stem and glume
Zaeen et al. In‐season potato yield prediction with active optical sensors
Brambilla et al. Application of a low-cost RGB sensor to detect basil (Ocimum basilicum L.) nutritional status at pilot scale level
Li et al. Multivariate analysis models based on full spectra range and effective wavelengths using different transformation techniques for rapid estimation of leaf nitrogen concentration in winter wheat
Cai et al. Soil nutrient information extraction model based on transfer learning and near infrared 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
C14 Grant of patent or utility model
GR01 Patent grant
CF01 Termination of patent right due to non-payment of annual fee
CF01 Termination of patent right due to non-payment of annual fee

Granted publication date: 20121121

Termination date: 20130131