CN102636439A - 一种确定小麦植株吸氮量核心波段的方法 - Google Patents
一种确定小麦植株吸氮量核心波段的方法 Download PDFInfo
- Publication number
- CN102636439A CN102636439A CN2012101095974A CN201210109597A CN102636439A CN 102636439 A CN102636439 A CN 102636439A CN 2012101095974 A CN2012101095974 A CN 2012101095974A CN 201210109597 A CN201210109597 A CN 201210109597A CN 102636439 A CN102636439 A CN 102636439A
- Authority
- CN
- China
- Prior art keywords
- sequence number
- plant
- nitrogen
- nitrogen sucking
- model
- 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
- Investigating Or Analysing Materials By Optical Means (AREA)
Abstract
本发明属于小麦生长无损监测领域,提供了一种确定小麦植株吸氮量核心波段的方法,该方法基于任意两波段组合的归一化植被指数,综合考虑了建模和检验的模型表现,选取了六种统计指标,分别将上述6种统计指标进行排序后将所得序号相加得到综合排名从而确定监测植株吸氮量的NDVI的核心波段。该方法独立试验资料的检验表现进一步表明由该方法确定的监测植株吸氮量的核心波段的稳定性和准确性。此外,与已有的方法相比,本发明提供的方法普适性更强,准确性更高,基于确定的核心波段构建的小麦生长监测模型表现更加稳定,且不需要依赖于先验知识,可以扩展到其他作物中监测不同生理参数核心波段的确定上。
Description
技术领域
本发明属于小麦氮素无损监测领域,尤其涉及一种确定小麦植株吸氮量核心波段的方法。
背景技术
除了水分和光能辐射外,氮素是冬小麦及其他作物生长和产量形成的主要限制因素。而由植株氮含量和生物量构成的植株吸氮量显著地影响小麦产量、品质形成,是监测植株氮素状况的优良指标。无损、实时、精确地监测追氮前植株吸氮量时间和空间上的差异性对实时与实地氮肥管理具有重大意义。
利用光谱反射率数据构建指数估测作物氮素状况的基础是核心波段的选择,而核心波段选择的方法一直是遥感监测领域中的一大难题。在前人的研究中,通过氮素缺乏下的光谱反射率与正常条件下的光谱反射率相减来确定大豆叶片氮素状况的核心波段。Carter通过选择对胁迫敏感和不敏感的两个波段确定构建光谱指数的核心波段,利用这一方法构建的比值植被指数包括420/695、695/760、710/760和605/760(按预测能力的高低排序)。另有研究通过逐步回归的方法确定预测植株氮素状况的核心波段并得到了较为理想的估测结果。Cho和Skidmore提出了线性外推的方法确定红边区域的核心波段(红边位置)来预测植株的氮含量。Hansen和Schjoerring构建了两波段任意组合的NDVI,并从中选择与叶片氮含量相关性最高的NDVI作为氮素估测指数。之后,Yao等又基于波段任意组合的思想,提出了减量精细采样法,该方法可以高效提取光谱特征信息,快速确定作物生长监测核心波段,目前,减量精细采样法已成功用于小麦叶片氮积累量核心波段、适宜带宽和特征光谱指数的确定。但已有的方法在选择核心波段时往往仅考虑建模的决定系数的表现,Tarpley等研究证明最好的核心波段是需要在各种情况下均表现良好,而不是仅在特定数据集中表现最好。为此,Tarpley等在他们的研究中提出了一种新的波段选择的方法,该方法实现了棉花叶片氮含量的准确预测。但他们的研究存在仅依靠视觉进行波段选择的不足。因而波段确定的方法需要进一步研究,提出更为科学、准确的选择方法,从而挖掘海量高光谱数据中反映作物关键参数的核心波段。
发明内容
本发明提供了一种确定小麦植株吸氮量核心波段的方法,旨在解决现有技术仅依靠视觉进行波段选择的不足,并且不能提供一种更为科学、准确的用于核心波段选择及确定的方法,不能够有效地挖掘海量高光谱数据中反映作物关键参数的核心波段的问题。
本发明的目的在于提供一种确定小麦植株吸氮量核心波段的方法,所述方法包括以下步骤:
确定小麦植株样本;
对小麦植株样本进行冠层光谱反射率和植株吸氮量的测定;
构建所有两波段组合的归一化植被指数(NDVI);
构建植株吸氮量和植被指数(NDVI)的线性回归模型,并运用独立年份的数据检验模型表现;
通过回归分析计算模型建立的决定系数(R2)、均方根误差(RMSE)、模型检验的决定系数(R2)、均方根误差(RMSE)、斜率(Slope)和截距(Intercept);
对六个统计指标按照各指标最优值具有最小序号的原则分别进行排序,将六个指标的序号相加后再排序作为模型的综合评价序号,序号为1的波段组合为最优的组合来确定核心波段。
进一步,所述采集的小麦植株样本来自于8个大田实验,涉及不同年份、生态点、品种、氮肥、播期和密度处理。
进一步,所述冠层光谱反射率的测定主要是采用FieldSpec Pro FR2500型背挂式野外高光谱辐射仪田间测量,350~1000nm波段采样间隔为1.4nm,光谱分辨率为3nm,1000~2500nm波段采样间隔为2nm,光谱分辨率为10nm。
进一步,所述冠层光谱测定选择在无云、无风或风速很小时进行,时间范围为10:00~14:00,传感器探头垂直向下,光谱仪视场角为25°,距冠层顶垂直高度约1.2m测量,所测数据通过白板校正获得反射率数据;
以15条光谱为一采样光谱,以其平均值作为该小区的光谱反射率,每测定5条光谱数据进行白板校正,每个试验在关键生育时期都进行观测。
进一步,所述植株吸氮量的测定主要是田间破坏性取样0.25m2,在105°下杀青并在80°下烘干至恒重后称重,测定植株干重,进一步计算为单位土地面积植株干重,称重后将植株样本磨碎后进行氮含量分析;
进一步,所述植株氮含量采用凯氏定氮法测定,通过植株干重与植株氮含量相乘计算出植株吸氮量,植株氮含量的测定方法包括以下步骤:
称样:每个样品称取0.14g左右。使用万分之一天平,每个样品做好编号,装入对应编号的试管中;
消煮:每个样品加5-10ml浓硫酸,浸泡一夜,放入消煮炉内消煮。280℃半个小时,升到330℃消煮1个小时,关闭消煮炉,冷却10min左右,边加入双氧水边小心摇晃至溶液无色透明,330℃继续加热半小时;
定容:消煮完成,样品冷却后,加入蒸馏水定容至100ml,摇匀;
蒸馏:加入10ml样品溶液,加入8-10ml氢氧化钠溶液。提前在三角瓶中加入5ml指示剂。大约40ml;
滴定:稀硫酸滴定至颜色变为原来的红色,读数。
进一步,所述构建植株吸氮量光谱指数的实现方法为:
植株吸氮量监测核心波段的确定基于归一化植被指数(NDVI)的形式;
计算350-2500nm范围内任意两波段组合的NDVI并从中选出核心波段,构建植株吸氮量光谱指数。
进一步,所述对六个统计指标按照各指标最优值具有最小序号的原则分别进行排序,将六个指标的序号相加后再排序作为模型的综合评价序号,序号为1的波段组合为最优的组合来确定核心波段来确定核心波段的实现方法为:
对建模和检验R2降序排序,其中最大R2的序号为1;
建模和检验RMSE升序排序,其中最小RMSE的序号为1;
Slope-1的绝对值和Intercept的绝对值升序排序,其中Slope最接近1的序号为1,Intercept最接近0的序号为1。
计算上述六种统计指标序号的和后再排序,作为模型的综合评价序号,最优的模型将具有最低的序号;所有波段组合的模型综合评价序号的矩阵数据绘制成二维的等高线图,以颜色的变化显示综合排序序号的变化;
优选其中综合排序序号前0.05%的区域作为“热点区域”,即在此范围内的波段为植株吸氮量监测的核心波段范围,而其中综合序号最小的波段组合为植株吸氮量监测的核心波段。
本发明提供的确定小麦植株吸氮量核心波段的方法,方法基于任意两波段组合的归一化植被指数(NDVI),同时考虑了建模和检验的模型表现,模型评价参数包括六种统计指标:建模的决定系数(R2)和均方根误差(RMSE),检验的决定系数(R2),均方根误差(RMSE),斜率(Slope)和截距(Intercept),并分别进行排序后将所得序号相加得到综合排名,该方法能够准确地确定了植株吸氮量的核心波段,同时,独立年份的数据资料的检验进一步说明了由该方法确定的核心波段所构建的植被指数在不同数据集资料内的稳定性,与已有的方法相比,本发明提供的方法确定的核心波段的普适性更强,通过确定的核心波段构建的植被指数的监测模型表现更加稳定,且不需要依赖于先验知识,可以扩展到其他作物不同生理参数核心波段的确定上。
附图说明
图1是本发明实施例提供的确定小麦植株吸氮量核心波段的方法的实现流程图。
具体实施方式
为了使本发明的目的、技术方案及优点更加清楚明白,以下结合附图及实施例,对本发明进行进一步的详细说明。应当理解,此处所描述的具体实施例仅仅用以解释本发明,并不用于限定发明。
图1示出了本发明实施例提供的确定小麦植株吸氮量核心波段的方法的实现流程。
该方法包括以下步骤:
在步骤S101中,确定小麦植株样本;;
在步骤S102中,对小麦植株样本进行冠层光谱反射率和植株吸氮量的测定;
在步骤S103中,构建所有两波段组合的归一化植被指数(NDVI);
在步骤S104中,构建植株吸氮量和植被指数的线性回归模型,并运用独立年份的数据检验模型表现;
在步骤S105中,通过回归分析计算模型建立的决定系数(R2)、均方根误差(RMSE)、模型检验的决定系数(R2)、均方根误差(RMSE)、斜率(Slope)和截距(Intercept);
在步骤S106中,对六个统计指标按照各指标最优值具有最小序号的原则分别进行排序,将六个指标的序号相加后再排序作为模型的综合评价序号,序号为1的波段组合为最优的组合来确定核心波段来确定核心波段;
在本发明实施例中,采集的小麦植株样本为来自于8个大田实验,涉及不同年份、生态点、品种、氮肥、播期和密度处理。
在本发明实施例中,对确定的小麦植株样本进行冠层光谱反射率和植株吸氮量的测定的实现方法为:
冠层光谱反射率的测定主要是采用FieldSpec Pro FR2500型背挂式野外高光谱辐射仪田间测量,350~1000nm波段采样间隔为1.4nm,光谱分辨率为3nm,1000~2500nm波段采样间隔为2nm,光谱分辨率为10nm;
冠层光谱测定选择在无云、无风或风速很小时进行,时间范围为10:00~14:00,传感器探头垂直向下,光谱仪视场角为25°,距冠层顶垂直高度约1.2m测量,所测数据通过白板校正获得反射率数据;
以15条光谱为一采样光谱,以其平均值作为该小区的光谱反射率,每测定5条光谱数据进行白板校正,每个试验在关键生育时期都进行观测;
植株吸氮量的测定主要是田间破坏性取样0.25m2,在105°下杀青并在80°下烘干至恒重后称重,测定植株干重,进一步计算为单位土地面积植株干重,称重后将植株样本磨碎后进行氮含量分析;
植株氮含量采用凯氏定氮法测定,通过植株干重与植株氮含量相乘计算出植株吸氮量。
在本发明实施例中,构建植株吸氮量光谱指数的实现方法为:
植株吸氮量监测核心波段的确定基于归一化植被指数(NDVI)的形式;
计算350-2500nm范围内任意两波段组合并从中选出核心波段,构建植株吸氮量植被指数。
在本发明实施例中,:对六个统计指标按照各指标最优值具有最小序号的原则分别进行排序,将六个指标的序号相加后再排序作为模型的综合评价序号,序号为1的波段组合为最优的组合来确定核心波段来确定核心波段的实现方法为:
对建模和检验R2降序排序,其中最大R2的序号为1;
建模和检验RMSE升序排序,其中最小RMSE的序号为1;
Slope-1的绝对值和Intercept的绝对值升序排序,其中Slope最接近1的序号为1,Intercept最接近0的序号为1;
计算上述六种统计指标序号的和后再排序,作为模型的综合评价序号,最优的模型将具有最低的序号;
所有波段组合的模型综合序号的矩阵数据绘制成二维的等高线图,以颜色的变化显示综合排序序号的变化;
优选其中综合排序序号前0.05%的区域作为“热点区域”,即在此范围内的波段为植株吸氮量监测的核心波段范围,而其中综合序号最小的波段组合为植株吸氮量监测的核心波段。
下面结合附图及具体实施例对本发明的应用原理作进一步描述。
如图1所示,一种确定小麦植株吸氮量核心波段的方法,该方法主要包括以下步骤:
第一步、确定小麦植株样本;。
第二步、对采集的小麦样本进行冠层光谱反射率和植株吸氮量的测定。冠层光谱反射率的测定主要是采用FieldSpec Pro FR2500型背挂式野外高光谱辐射仪田间测量。350~1000nm波段采样间隔为1.4nm,光谱分辨率为3nm;1000~2500nm波段采样间隔为2nm,光谱分辨率为10nm。冠层光谱测定选择在无云、无风或风速很小时进行,时间范围为10:00~14:00,传感器探头垂直向下,光谱仪视场角为25°,距冠层顶垂直高度约1.2m测量,所测数据通过白板(Labsphere,North Sutton,NH,USA)校正获得反射率数据。以15条光谱为一采样光谱,以其平均值作为该小区的光谱反射率。每测定5条光谱数据进行白板校正。每个试验在关键生育时期都进行观测。植株吸氮量的测定主要是田间破坏性取样0.25m2,在105°下杀青并在80°下烘干至恒重后称重,测定植株干重,进一步计算为单位土地面积植株干重。称重后将植株样本磨碎后进行氮含量分析。植株氮含量采用凯氏定氮法测定,通过植株干重(PDW,g DW m-2)与植株氮含量(PNC,g 100g-1)相乘计算出植株吸氮量(PNU,g N m-2)。
第三步、构建植株吸氮量植被指数。植株吸氮量监测核心波段的确定基于归一化植被指数(NDVI)的形式。计算350-2500nm范围内任意两波段组合并从中选出核心波段,构建植株吸氮量植被指数。
第四步、构建植株吸氮量和归一化植被指数(NDVI)的线性回归模型,并运用独立年份的数据检验模型表现。
第五步、通过回归分析计算以下统计参数:模型建立的决定系数(R2)和均方根误差(RMSE);模型检验的决定系数(R2)、均方根误差(RMSE)、斜率(Slope)和截距(Intercept)。
第六步、根据第五步计算所得的六个统计指标按照各指标最优值具有最小序号的原则分别进行排序,将六个指标的序号相加后再排序作为模型的综合评价序号,序号为1的波段组合为最优的组合来确定核心波段来确定核心波段:
其中,对建模和检验的R2降序排序(最大R2的序号为1)、建模和检验的RMSE升序排序(最小RMSE的序号为1)、Slope-1的绝对值和Intercept的绝对值升序排序(Slope最接近1的序号为1、Intercept最接近0的序号为1)。然后,计算上述六种统计指标序号的和后再排序,作为模型的综合评价序号,最优的模型将具有最低的序号。所有波段组合的模型综合序号的矩阵数据绘制成二维的等高线图,以颜色的变化显示综合排序序号的变化。同时,优选其中综合排序序号前0.05%的区域作为“热点区域”,即在此范围内的波段为植株吸氮量监测的核心波段范围,而其中综合序号最小的波段组合为植株吸氮量监测的核心波段。
本发明实施例提供的方法基于不同品种、密度、氮肥和播期的八个小麦大田试验数据,以期达到以下目的:(1)建立一种新的确定归一化植被指数(NDVI)核心波段的方法,并基于确定的核心波段建立归一化植被指数(NDVI)与植株吸氮量的监测模型;(2)基于多年的田间试验资料比较本文提出的方法确定的核心波段构建的植株吸氮量模型与前人关于色素和氮的估算模型的预测效果。
本发明提供的确定小麦植株吸氮量核心波段的方法,方法基于任意两波段组合的归一化植被指数(NDVI),同时考虑了建模和检验的模型表现,模型评价参数包括六种统计指标:建模的决定系数(R2)和均方根误差(RMSE),检验的决定系数(R2),均方根误差(RMSE),斜率(Slope)和截距(Intercept),并分别进行排序后将所得序号相加得到综合排名,该方法能够准确地确定了植株吸氮量的核心波段,同时,独立年份的数据资料的检验进一步说明了由该方法确定的核心波段所构建的植被指数在不同数据集资料内的稳定性,与已有的方法相比,本发明提供的方法确定的核心波段的普适性更强,通过确定的核心波段构建的植被指数的监测模型表现更加稳定,且不需要依赖于先验知识,可以扩展到其他作物不同生理参数核心波段的确定上。
以上仅为本发明的较佳实施例而已,并不用以限制本发明,凡在本发明的精神和原则之内所作的任何修改、等同替换和改进等,均应包含在本发明的保护范围之内。
Claims (8)
1.一种确定小麦植株吸氮量核心波段的方法,其特征在于,所述方法包括以下步骤:
确定小麦植株样本;
对小麦植株样本进行冠层光谱反射率和植株吸氮量的测定;
构建所有两波段组合的归一化植被指数(NDVI);
构建植株吸氮量和植被指数(NDVI)的线性回归模型,并运用独立年份的数据检验模型表现;
通过回归分析计算模型建立的决定系数(R2)、均方根误差(RMSE)、模型检验的决定系数(R2)、均方根误差(RMSE)、斜率(Slope)和截距(Intercept);
对六个统计指标按照各指标最优值具有最小序号的原则分别进行排序,将六个指标的序号相加后再排序作为模型的综合评价序号,序号为1的波段组合为最优的组合来确定核心波段。
2.如权利要求1所述的方法,其特征在于,所述采集的小麦植株样本来自于8个大田实验,涉及不同年份、生态点、品种、氮肥、播期和密度处理。
3.如权利要求1所述的方法,其特征在于,所述冠层光谱反射率的测定主要是采用FieldSpec Pro FR2500型背挂式野外高光谱辐射仪田间测量,350~1000nm波段采样间隔为1.4nm,光谱分辨率为3nm,1000~2500nm波段采样间隔为2nm,光谱分辨率为10nm。
4.如权利要求1或3所述的方法,其特征在于,所述冠层光谱测定选择在无云、无风或风速很小时进行,时间范围为10:00~14:00,传感器探头垂直向下,光谱仪视场角为25°,距冠层顶垂直高度约1.2m测量,所测数据通过白板校正获得反射率数据;
以15条光谱为一采样光谱,以其平均值作为该小区的光谱反射率,每测定5条光谱数据进行白板校正,每个试验在关键生育时期都进行观测。
5.如权利要求1所述的方法,其特征在于,所述植株吸氮量的测定主要是田间破坏性取样0.25m2,在105°下杀青并在80°下烘干至恒重后称重,测定植株干重,进一步计算为单位土地面积植株干重,称重后将植株样本磨碎后进行氮含量分析。
6.如权利要求1或5所述的方法,其特征在于,所述植株氮含量采用凯氏定氮法测定,通过植株干重与植株氮含量相乘计算出植株吸氮量,植株氮含量的测定方法包括以下步骤:
称样:每个样品称取0.14g左右,使用万分之一天平,每个样品做好编号,装入对应编号的试管中;
消煮:每个样品加5-10ml浓硫酸,浸泡一夜,放入消煮炉内消煮,280℃半个小时,升到330℃消煮1个小时,关闭消煮炉,冷却10min左右,边加入双氧水边小心摇晃至溶液无色透明,330℃继续加热半小时;
定容:消煮完成,样品冷却后,加入蒸馏水定容至100ml,摇匀;
蒸馏:加入10ml样品溶液,加入8-10ml氢氧化钠溶液,提前在三角瓶中加入5ml指示剂,大约40ml;
滴定:稀硫酸滴定至颜色变为原来的红色,读数。
7.如权利要求1所述的方法,其特征在于,所述构建植株吸氮量光谱指数的实现方法为:
植株吸氮量监测核心波段的确定基于归一化植被指数(NDVI)的形式;
计算350-2500nm范围内任意两波段组合的NDVI并从中选出核心波段,构建植株吸氮量光谱指数。
8.如权利要求1所述的方法,其特征在于,所述对六个统计指标按照各指标最优值具有最小序号的原则分别进行排序,将六个指标的序号相加后再排序作为模型的综合评价序号,序号为1的波段组合为最优的组合来确定核心波段来确定核心波段的实现方法为:
对建模和检验R2降序排序,其中最大R2的序号为1;
建模和检验RMSE升序排序,其中最小RMSE的序号为1;
Slope-1的绝对值和Intercept的绝对值升序排序,其中Slope最接近1的序号为1,Intercept最接近0的序号为1;
计算上述六种统计指标序号的和后再排序,作为模型的综合评价序号,最优的模型将具有最低的序号;所有波段组合的模型综合评价序号的矩阵数据绘制成二维的等高线图,以颜色的变化显示综合排序序号的变化;
优选其中综合排序序号前0.05%的区域作为“热点区域”,即在此范围内的波段为植株吸氮量监测的核心波段范围,而其中综合序号最小的波段组合为植株吸氮量监测的核心波段。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN2012101095974A CN102636439A (zh) | 2012-04-16 | 2012-04-16 | 一种确定小麦植株吸氮量核心波段的方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN2012101095974A CN102636439A (zh) | 2012-04-16 | 2012-04-16 | 一种确定小麦植株吸氮量核心波段的方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN102636439A true CN102636439A (zh) | 2012-08-15 |
Family
ID=46620916
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN2012101095974A Pending CN102636439A (zh) | 2012-04-16 | 2012-04-16 | 一种确定小麦植株吸氮量核心波段的方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN102636439A (zh) |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103472009A (zh) * | 2013-09-16 | 2013-12-25 | 南京农业大学 | 一种不同植株氮含量水平下小麦植株含水率的监测方法 |
CN106226246A (zh) * | 2016-07-26 | 2016-12-14 | 新疆农垦科学院 | 一种直播建园枣树植株氮素含量的监测方法 |
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 |
CN112268867A (zh) * | 2020-10-14 | 2021-01-26 | 云南新土壤农业科技有限公司 | 一种花椰菜光谱氮素营养诊断模型的构建方法 |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101021472A (zh) * | 2007-01-17 | 2007-08-22 | 南京农业大学 | 便携式多通道作物叶片氮素营养指标无损监测装置 |
CN102175618A (zh) * | 2011-01-31 | 2011-09-07 | 南京农业大学 | 一种稻麦叶片氮含量光谱监测模型建模方法 |
-
2012
- 2012-04-16 CN CN2012101095974A patent/CN102636439A/zh active Pending
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101021472A (zh) * | 2007-01-17 | 2007-08-22 | 南京农业大学 | 便携式多通道作物叶片氮素营养指标无损监测装置 |
CN102175618A (zh) * | 2011-01-31 | 2011-09-07 | 南京农业大学 | 一种稻麦叶片氮含量光谱监测模型建模方法 |
Non-Patent Citations (2)
Title |
---|
冯伟 等: "基于高光谱遥感的小麦叶片含氮量监测模型研究", 《麦类作物学报》 * |
刘寅东 等 编著: "《船舶设计决策理论与方法》", 31 March 2006, 高等教育出版社 * |
Cited By (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103472009A (zh) * | 2013-09-16 | 2013-12-25 | 南京农业大学 | 一种不同植株氮含量水平下小麦植株含水率的监测方法 |
CN103472009B (zh) * | 2013-09-16 | 2015-11-18 | 南京农业大学 | 一种不同植株氮含量水平下小麦植株含水率的监测方法 |
CN106226246A (zh) * | 2016-07-26 | 2016-12-14 | 新疆农垦科学院 | 一种直播建园枣树植株氮素含量的监测方法 |
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 |
CN112268867A (zh) * | 2020-10-14 | 2021-01-26 | 云南新土壤农业科技有限公司 | 一种花椰菜光谱氮素营养诊断模型的构建方法 |
CN112268867B (zh) * | 2020-10-14 | 2023-11-17 | 云南新土壤农业科技有限公司 | 一种花椰菜光谱氮素营养诊断模型的构建方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN102426153B (zh) | 一种基于冠层高光谱指数的小麦植株水分监测方法 | |
CN100394212C (zh) | 一种大面积作物种植面积及其产量的遥感检测估算方法 | |
CN102393238B (zh) | 一种草地地上干物质量遥感估测方法 | |
Sánchez et al. | Monitoring daily evapotranspiration at a regional scale from Landsat-TM and ETM+ data: Application to the Basilicata region | |
CN104089647B (zh) | 一种作物病害发生范围监测方法及系统 | |
CN105354534A (zh) | 一种基于多源同期高分辨率遥感数据的树种分类方法 | |
Zhang et al. | Validating the modified perpendicular drought index in the North China region using in situ soil moisture measurement | |
CN101719298A (zh) | 森林草原火灾遥感监测预警方法 | |
CN101187630A (zh) | 一种农田干旱监测方法 | |
CN103868880A (zh) | 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 | |
CN113252583B (zh) | 一种基于枯草植被指数计算高寒枯草覆盖度的方法 | |
Yeganeh et al. | Monitoring rangeland ground cover vegetation using multitemporal MODIS data | |
Zhao et al. | Estimating and Validating Wheat Leaf Water Content wi th Three MODIS Spectral Indexes: A Case Study in Ningx ia Plain, China | |
CN102636439A (zh) | 一种确定小麦植株吸氮量核心波段的方法 | |
Mokarram et al. | RELATIONSHIP BETWEEN LAND COVER AND VEGETATION INDICES. CASE STUDY: EGHLID PLAIN, FARS PROVINCE, IRAN. | |
Cheng et al. | Mapping paddy rice yield in Zhejiang Province using MODIS spectral index | |
Lou et al. | An effective method for canopy chlorophyll content estimation of marsh vegetation based on multiscale remote sensing data | |
CN102207453A (zh) | 一种基于冠层多光谱的烤烟地上鲜生物量测定方法 | |
Qin et al. | An two-dimensional spectral space based model for drought monitoring and its re-examination | |
Zhang et al. | Automated paddy rice extent extraction with time stacks of Sentinel data: A case study in Jianghan plain, Hubei, China | |
Rama Rao et al. | Yield prediction and waterlogging assessment for tea plantation land using satellite image‐based techniques | |
Wang et al. | Monitoring wheat stripe rust using remote sensing technologies in China | |
Al-Bakri et al. | Assessment of remote sensing indices for drought monitoring in Jordan | |
Powell et al. | Remote Sensing of Lake Clarity | |
Sims et al. | Assessing the health of Pinus radiata plantations using remote sensing data and decision tree analysis |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
C12 | Rejection of a patent application after its publication | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20120815 |