CN103528965B - 一种小麦叶片等效水厚度高光谱监测方法 - Google Patents
一种小麦叶片等效水厚度高光谱监测方法 Download PDFInfo
- Publication number
- CN103528965B CN103528965B CN201310382064.8A CN201310382064A CN103528965B CN 103528965 B CN103528965 B CN 103528965B CN 201310382064 A CN201310382064 A CN 201310382064A CN 103528965 B CN103528965 B CN 103528965B
- Authority
- CN
- China
- Prior art keywords
- band
- leaf
- wheat
- model
- equivalent water
- 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
Abstract
本发明公开了一种小麦叶片等效水厚度高光谱监测方法,基于不同生态点、不同施氮水平、不同水分处理、不同生育期和不同年份小麦品种的田间试验,构建了基于两波段指数而新建的三波段光谱指数,建立了基于新型三波段光谱指数的小麦等效水厚度高光谱监测模型。本发明通过不同氮素、水分、年份和生育期的田间试验,确定监测小麦LEWT的敏感波段范围和最佳光谱指数,构建定量监测模型,模型具有较高的普适性、机理性和准确性,且对水分敏感对氮素钝感。本发明方法简单,操作方便,快速、准确并无损,为不同氮素条件下的小麦水分监测和精确灌溉提供理论基础和技术支撑。
Description
技术领域
本发明属于精确农业中作物生命信息无损监测领域,涉及一种小麦叶片等效水厚度高光谱监测方法,尤其涉及研究不同水氮条件下小麦叶片等效水厚度高光谱监测方法和监测模型。
背景技术
水、氮是作物长势和产量品质形成的主要限制因子,其作用贯穿于植株生长发育的一生,且二者之间具有复杂的交互作用,有研究表明,植物体内生化成分间存在强烈的相关性,其中水和氮通过叶绿素及木质素等作用间接相关,具体相关性为水叶绿素氮,水木质素氮,因此实际生产中必须考虑如何消除或降低氮素对田间作物水分状况监测的影响,探寻对水分敏感而对氮素钝感的光谱指数和监测模型。
目前,植被指数广泛地应用于作物生命信息的提取中,其中以两波段组合的归一化植被指数(NDVI,Normalizeddifferencevegetationindex)最为常用,但NDVI对水和氮都敏感,为此需要构建新的指数形式,如三波段光谱指数,借助于第三个波段以消除或减轻氮素影响,提高光谱监测的准确性。
但是现有的三波段光谱植被指数多用于监测色素等生理参数,缺乏针对小麦叶片等效水厚度的三波段植被指数;且植被指数核心波段的确定多是基于不同生理生化参数监测的先验知识,暂未发现通用的定量分析方法。
发明内容
本发明的目的在于提供一种小麦叶片等效水厚度高光谱监测方法,旨在解决现有的三波段光谱植被指数多用于监测色素等生理参数,缺乏针对小麦叶片等效水厚度的三波段植被指数,且植被指数核心波段的确定多是基于不同生理生化参数监测的先验知识,暂未发现通用的定量分析方法的问题。
本发明的目的是通过下述方案实现的:
一种小麦叶片等效水厚度高光谱监测方法,包括以下步骤:
步骤一,小麦叶片取样,获得光谱反射率、叶片等效水厚度和氮含量,样本点采自不同生态点、不同施氮水平、不同水分处理、不同生育期和不同年份;
步骤二:构建二波段和三波段光谱指数;
步骤三:确定二波段光谱指数的特征波段;
步骤四:确定三波段光谱指数的特征波段;
步骤五:建立监测模型,利用新构建的三波段光谱指数,建立小麦叶片等效水厚度监测模型;
步骤六:验证测试监测模型。
在步骤一中,每小区选取10个单茎,依次测试顶部第一叶(L1,Leaffromthetop)、顶部第二叶(L2)、顶部第三叶(L3)、顶部第四叶(L4)的单叶光谱反射率,在取样的10个单茎中随机取4个单茎重复测试,取平均值作为不同叶位单叶光谱反射率。
光谱反射率测定时同步破坏性采样,每小区随机抽取10株,分L1、L2、L3、L4,称鲜重并测量叶面积后,烘箱杀青并烘干至恒重称干重,测试计算叶片等效水厚度(LeafEquivalentWaterThickness,LEWT);将顶部四叶干样磨碎称重后,采用凯氏定氮法测定对应氮含量。
小麦的种植方式采用条播,行距为25cm,基本苗为每亩12万株,小区面积为10m2。水分处理为9.5-10.5%、13.5-14.5%、15.5-16.5%、21.5-22.5%和29.5-30.5%;施氮水平为90kg/hm2、150kg/hm2、180kg/hm2、270kg/hm2、300kg/hm2。
所述的叶片等效水厚度根据下述公式计算:LEWT=(WF-WD)/(DW*A)(μm),其中WF为叶片鲜重(g),WD为叶片干重(g),DW为水密度(g/cm3),A为叶片面积(cm2)。
在步骤二中,具体的光谱指数构建方法为:
二波段光谱指数的构建:植被指数NDVI广泛地应用于光谱中作物长势信息的提取,建立NDSI(λ1、λ2),二波段光谱指数为二波段的归一化调节光谱指数NDSI(λ1、λ2),形式如下:
NDSI(λ1、λ2)=(Rλ1-Rλ2)/(Rλ1+Rλ2);
三波段光谱指数的构建:选用三类三波段光谱指数形式,在已构建的二波段光谱指数NDSI(λ1、λ2)基础上增加第三波段λ3,以消除氮素的影响:
NDSI(λ1、λ2)(λ3)=(Rλ1-Rλ2)/(Rλ1+Rλ2-Rλ3);
NDSI(λ1、λ2)(λ3)=(Rλ1-Rλ2-Rλ3)/(Rλ1+Rλ2+Rλ3);
NDSI(λ1、λ2)(λ3)=(Rλ1-Rλ2+2Rλ3)/(Rλ1+Rλ2-2Rλ3);
其中Rλ1、Rλ2、Rλ3分别为350-2500nm波段范围内的任意波段光谱反射率。
在步骤三中,二波段光谱指数NDSI(λ1、λ2)中2个波段的确定,以开花期为分界线,将NDSI(λ1、λ2)与开花前、开花后的叶片等效水厚度分别建立线性模型,分别对模型的决定系数排序,寻找某一组合的波段在开花前、开花后都具有较大决定系数的前N%(如1%,5%,10%,15%等)的共性波段,不断扩展各模型决定系数前N%波段组合范围,直到各模型波段范围的共性交集,确定特征波段为1429nm和416nm,二波段指数为(R1429-R416)/(R1429+R416)。
在步骤四中,三波段光谱指数NDSI(λ1、λ2)(λ3)中第三个波段λ3的确定,基于开花前后的共性二波段指数,建立新的三波段光谱指数NDSI(λ1、λ2)(λ3),在350-2500nm波段范围内利用Matlab9.0做全波段循环,根据精度R2、标准误SE确定对水分敏感、对氮素钝感的最佳第三波段,第三个特征波段为1865nm,三波段光谱指数为(R1429-R416-R1865)/(R1429+R416+R1865)。
所述的三波段光谱指数优选为三波段的氮调节光谱指数NDSI(λ1、λ2)(λ3)=(Rλ1-Rλ2-Rλ3)/(Rλ1+Rλ2+Rλ3)。
在步骤五中,小麦叶片等效水厚度监测模型为:Y=-681.33(R1429-R416-R1865)/(R1429+R416+R1865)-60.232。
在步骤六中,利用独立年份小麦试验数据验证测试监测模型的准确性和普适性,采用复相关系数(R2)、相对根均方差(RRMSE)对监测模型进行综合评价,并检验监测模型对叶片氮含量(leafnitrogencontent,LNC)的敏感性,
其中,n为样本数,Pi为模型预测值,Oi为试验观察值,为观察平均值。
优选的,监测模型的复相关系数平方R2为0.4255,相对均方根差RRMSE为6.89%。
本发明的有益效果:
本发明提供的小麦叶片等效水厚度高光谱监测方法,通过将光谱仪采集到的小麦叶片反射光谱数据与水分指标融合分析,面向花前、花后的共性二波段指数构建对水分敏感对氮素钝感的三波段光谱指数,确定特征敏感波段,建立面向全生育期的小麦叶片水分指标光谱定量监测模型。
本发明通过不同氮素、水分、年份和生育期的田间试验,确定监测小麦LEWT的敏感波段范围和最佳光谱指数,构建定量监测模型,模型具有较高的普适性、机理性和准确性,且对水分敏感对氮素钝感。
此外,本发明方法简单,操作方便,快速、准确并无损,为不同氮素条件下的小麦水分监测和精确灌溉提供理论基础和技术支撑。
附图说明
图1是本发明小麦叶片等效水厚度高光谱监测方法的流程图。
图2是基于(R1429-R416-R1865)/(R1429+R416+R1865)的小麦LEWT模型构建(A)和模型检验(B),其中b代表开花前(Beforeanthesis),a代表开花后(Afteranthesis);e代表全生育期(Entiregrowth)。
具体实施方式
为了使本发明的技术方案及优点更加清楚明白,以下结合实施例和图1、图2,对本发明进行进一步详细说明。
如图1所示,本实施例小麦叶片等效水厚度高光谱监测方法,包括以下步骤:
S101:不同生态点、施氮水平和水分处理下的小麦叶片取样;
S102:测试计算小麦叶片光谱反射率、叶片等效水厚度和叶片氮含量;
S103:构建二波段和三波段光谱指数;
S104:确定二波段光谱指数的特征波段;
S105:确定三波段光谱指数的特征波段;
S106:利用新构建的三波段光谱指数,建立小麦叶片等效水厚度监测模型;
S107:利用独立年份小麦试验资料测试与检验监测模型的准确性和普适性。
本实施例中利用野外高光谱辐射仪采集到不同年份、不同施氮水平、不同水分处理和不同生育期的小麦叶片反射光谱数据与小麦叶片等效水厚度数据相融合,构建全生育期的最佳监测小麦叶片等效水厚度的二波段和三波段光谱指数,挖掘小麦叶片等效水厚度敏感波段λ1=1429nm、λ2=416nm,基于二波段确定消除氮素影响的第三个波段1865nm,以此建立小麦叶片等效水厚度监测模型:Y=-681.33(R1429-R416-R1865)/(R1429+R416+R1865)-60.232;
具体包括以下步骤:
S101,小麦叶片取样;小麦的种植方式采用条播,行距为25cm,基本苗为每亩12万株,小区面积为10m2;样本点采自不同年份(2010-2011、2011-2012)的扬麦18,设置4个水分处理:W1(9.5-10.5%),W2(15.5-16.5%),W3(21.5-22.5%),W4(29.5-30.5%);2个施氮水平:N1(150kg/hm2),N2(300kg/hm2);上午8:00开始边取样边分叶位测试单叶光谱反射率,并装袋于稍后在室内测试计算LEWT等。
S102,叶片光谱反射率测试波段范围为350~2500nm,每小区选取10个单茎,采用野外高光谱辐射仪依次测试顶部第一叶、顶部第二叶、顶部第三叶、顶部第四叶的单叶光谱反射率,在取样的10个单茎中随机取4个单茎重复测试,取平均值作为不同叶位单叶光谱反射率。
光谱反射率测定时同步破坏性采样,每小区随机选取可表征小区平均长势的10株单茎,分L1、L2、L3、L4,快速分样后立即装入已称重的自封袋中,带回室内,称鲜重并测量叶面积后,烘箱杀青并烘干至恒重称干重,测试计算叶片等效水厚度;叶片等效水厚度计算公式:LEWT=(WF-WD)/(DW*A)(μm),其中WF为叶片鲜重(g),WD为叶片干重(g),DW为水密度(g/cm3),A为叶片面积(cm2)。
将顶部四页干样磨碎称重后,采用凯氏定氮法测定对应氮含量。
S103,构建二波段和三波段光谱指数;
首先在350-2500nm波段范围内,任意两波段组合构建NDSI光谱指数,进一步基于NDSI的形式,选用三类经典三波段光谱指数形式,在已构建的两波段光谱指数NDSI(λ1、λ2)基础上增加第三个波段λ3,以消除氮素的影响。
二波段光谱指数的构建,二波段光谱指数为二波段的归一化调节光谱指数NDSI(λ1、λ2),形式如下:
NDSI(λ1、λ2)=(Rλ1-Rλ2)/(Rλ1+Rλ2);
三波段光谱指数构建,选用三类三波段光谱指数形式,在已构建的二波段光谱指数NDSI(λ1、λ2)基础上增加第三波段λ3,以消除氮素的影响:
NDSI(λ1、λ2)(λ3)=(Rλ1-Rλ2)/(Rλ1+Rλ2-Rλ3);
NDSI(λ1、λ2)(λ3)=(Rλ1-Rλ2-Rλ3)/(Rλ1+Rλ2+Rλ3);
NDSI(λ1、λ2)(λ3)=(Rλ1-Rλ2+2Rλ3)/(Rλ1+Rλ2-2Rλ3);
其中Rλ1、Rλ2、Rλ3分别为350-2500nm波段范围内的任意波段光谱反射率。
S104,确定二波段光谱指数的特征波段;考虑开花前后叶片变化引起的LEWT差异与光谱反射率及二者关系的变化,以开花期为分界线,分花前、花后进一步研究,以期能降低小麦开花前后叶片生理生化变化对LEWT监测模型的精度影响,将NDSI(λ1、λ2)与开花前、开花后的叶片等效水厚度分别建立线性模型,分别对模型的决定系数排序,寻找某一组合的波段在开花前、开花后都具有较大决定系数的N%,不断扩展各模型决定系数前N%波段组合范围,直到各模型波段范围的共性交集(本发明中决定系数从前5%开始,不断扩展至8%共性交集),即为小麦叶片等效水厚度的特征波段λ1=1429nm、λ2=416nm,二波段指数为(R1429-R416)/(R1429+R416)。
S105,确定三波段光谱指数的特征波段;在350-2500nm波段范围内,基于开花前后的共性二波段指数,建立新的三波段光谱指数,利用Matlab9.0在350-2500nm波段范围内做全波段循环,根据精度R2、标准误SE确定对水分敏感、对氮素钝感的最佳第三波段λ3,λ3为1865nm,三波段光谱指数为(R1429-R416-R1865)/(R1429+R416+R1865)。
S106,如图2A,建立监测模型,利用新构建的三波段光谱指数,建立小麦叶片等效水厚度监测模型,采用精度(R2)、标准误(SE)对模型进行评价,建立的小麦叶片等效水厚度监测模型为:Y=-681.33(R1429-R416-R1865)/(R1429+R416+R1865)-60.232。
S107,如图2B,验证测试监测模型;利用独立年份(2011.11-2012.06)小麦试验资料(3个水分处理:W1(13.5-14.5%),W2(21.5-22.5%),W3(29.5-30.5%);3个施氮水平:N1(90kg/hm2),N2(180kg/hm2),N3(270kg/hm2))测试与检验监测模型的准确性和普适性,采用复相关系数(R2)、相对根均方差(RRMSE)对监测模型进行综合评价,并检验监测模型对叶片氮含量的敏感性;
其中,评价指标RRMSE的计算公式如下:
n为样本数,Pi为模型预测值,Oi为试验观察值,为观察平均值;
监测模型检验的复相关系数平方R2为0.4255,相对均方根差RRMSE为6.89%。
利用本发明中的试验资料进一步比较了已有的光谱指数在小麦水分指标估测中的表现,结果显示,本发明所构建的新的三波段光谱指数(R1429-R416-R1865)/(R1429+R416+R1865)和监测模型准确性较高,预测能力较强,优于已有的光谱指数(见表1)。
表1各种植被指数模型估测的小麦水分指标的表现比较
以上所述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 (7)
1.一种小麦叶片等效水厚度高光谱监测方法,其特征在于包括以下步骤:
步骤一,小麦叶片取样,获得光谱反射率、叶片等效水厚度和叶片氮含量,样本点采自不同生态点、不同施氮水平、不同水分处理、不同生育期和不同年份;
步骤二:构建二波段和三波段光谱指数;
二波段光谱指数的构建,形式如下:
NDSI(λ1、λ2)=(Rλ1-Rλ2)/(Rλ1+Rλ2);
三波段光谱指数的构建,在已构建的二波段光谱指数NDSI(λ1、λ2)基础上增加第三波段λ3,以消除氮素的影响:
NDSI(λ1、λ2)(λ3)=(Rλ1-Rλ2-Rλ3)/(Rλ1+Rλ2+Rλ3);
其中Rλ1、Rλ2、Rλ3分别为350-2500nm波段范围内的任意波段光谱反射率;
步骤三:确定二波段光谱指数的特征波段;
步骤四:确定三波段光谱指数的特征波段;
步骤五:建立监测模型,利用新构建的三波段光谱指数,建立小麦叶片等效水厚度监测模型;
步骤六:验证测试监测模型。
2.如权利要求1所述的小麦叶片等效水厚度高光谱监测方法,其特征在于在步骤一中,每小区选取10个单茎,依次测试顶部第一叶、顶部第二叶、顶部第三叶、顶部第四叶的单叶光谱反射率,在取样的10个单茎中随机取4个单茎重复测试,取平均值作为不同叶位单叶光谱反射率;每小区随机抽取10株,分L1、L2、L3、L4,称鲜重并测量叶面积后,烘箱杀青并烘干至恒重称干重,测试计算叶片等效水厚度;将顶部四叶干样磨碎称重后,采用凯氏定氮法测定对应叶片氮含量。
3.如权利要求1所述的小麦叶片等效水厚度高光谱监测方法,其特征在于在步骤三中,二波段光谱指数NDSI(λ1、λ2)中2个波段的确定,以开花期为分界线,将NDSI(λ1、λ2)与开花前、开花后的叶片等效水厚度分别建立线性模型,分别对模型的决定系数排序,寻找某一组合的波段在开花前、开花后都具有较大决定系数的N%,不断扩展各模型决定系数前N%波段组合范围,直到各模型波段范围的共性交集,确定特征波段为1429nm和416nm,二波段指数为(R1429-R416)/(R1429+R416)。
4.如权利要求1所述的小麦叶片等效水厚度高光谱监测方法,其特征在于在步骤四中,三波段光谱指数NDSI(λ1、λ2)(λ3)中第三个波段λ3的确定,基于开花前后的共性二波段指数,建立新的三波段光谱指数NDSI(λ1、λ2)(λ3),在350-2500nm波段范围内利用Matlab9.0做全波段循环,根据精度R2、标准误差SE确定最佳第三波段,第三个特征波段为1865nm,三波段指数为(R1429-R416-R1865)/(R1429+R416+R1865)。
5.如权利要求1所述的小麦叶片等效水厚度高光谱监测方法,其特征在于在步骤五中,小麦叶片等效水厚度监测模型为:Y=-681.33(R1429-R416-R1865)/(R1429+R416+R1865)-60.232。
6.如权利要求1所述的小麦叶片等效水厚度高光谱监测方法,其特征在于在步骤六中,利用独立年份小麦试验数据验证测试监测模型的准确性和普适性,采用复相关系数R2、相对根均方差RRMSE对监测模型进行综合评价,并检验监测模型对叶片氮含量LNC的敏感性,
其中,n为样本数,Pi为模型预测值,Oi为试验观察值,为观察平均值。
7.如权利要求6所述的小麦叶片等效水厚度高光谱监测方法,其特征在于步骤六中监测模型的复相关系数平方R2为0.4255,相对均方根差RRMSE为6.89%。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201310382064.8A CN103528965B (zh) | 2013-08-28 | 2013-08-28 | 一种小麦叶片等效水厚度高光谱监测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201310382064.8A CN103528965B (zh) | 2013-08-28 | 2013-08-28 | 一种小麦叶片等效水厚度高光谱监测方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN103528965A CN103528965A (zh) | 2014-01-22 |
CN103528965B true CN103528965B (zh) | 2016-03-02 |
Family
ID=49931152
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201310382064.8A Active CN103528965B (zh) | 2013-08-28 | 2013-08-28 | 一种小麦叶片等效水厚度高光谱监测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN103528965B (zh) |
Families Citing this family (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105866042B (zh) * | 2016-04-27 | 2018-06-01 | 南京林业大学 | 基于像素指标无偏估计法生物品质指标空间分布检测方法 |
JP7155681B2 (ja) | 2018-07-10 | 2022-10-19 | ソニーグループ株式会社 | 情報処理装置、情報処理方法、及び、プログラム |
CN110220852A (zh) * | 2019-06-25 | 2019-09-10 | 商丘师范学院 | 基于高光谱遥感的烟草叶片等效水厚度的监测方法 |
CN110333195A (zh) * | 2019-07-15 | 2019-10-15 | 北华航天工业学院 | 植物叶片水分含量检测方法及装置 |
CN112131708B (zh) * | 2020-08-24 | 2023-11-28 | 无锡德林海环保科技股份有限公司 | 基于HY-1C数据的高原湖泊叶绿素a浓度遥感反演方法 |
CN112504972B (zh) * | 2020-10-09 | 2023-05-12 | 华南师范大学 | 一种快速监测烟草氮含量的方法 |
CN112461773B (zh) * | 2020-11-18 | 2021-07-06 | 西南大学 | 一种确定果实膨大期树体叶片氮含量的方法及系统 |
CN115015132A (zh) * | 2022-06-01 | 2022-09-06 | 南京农业大学 | 一种基于数据融合的冬小麦水分状况监测方法 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102313699A (zh) * | 2011-05-26 | 2012-01-11 | 北京农业信息技术研究中心 | 作物冠层叶片的全氮含量估算方法 |
CN102426153A (zh) * | 2011-11-21 | 2012-04-25 | 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 |
CN102636438A (zh) * | 2012-04-16 | 2012-08-15 | 南京农业大学 | 一种根据小麦植株吸氮量核心波长确定适宜带宽的方法 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20060290933A1 (en) * | 2005-06-27 | 2006-12-28 | Paige Holm | System and method for monitoring plant conditions |
-
2013
- 2013-08-28 CN CN201310382064.8A patent/CN103528965B/zh active Active
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102313699A (zh) * | 2011-05-26 | 2012-01-11 | 北京农业信息技术研究中心 | 作物冠层叶片的全氮含量估算方法 |
CN102426153A (zh) * | 2011-11-21 | 2012-04-25 | 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 |
CN102636438A (zh) * | 2012-04-16 | 2012-08-15 | 南京农业大学 | 一种根据小麦植株吸氮量核心波长确定适宜带宽的方法 |
Non-Patent Citations (3)
Title |
---|
Vegetation water content estimation for corn and soybeans using spectral indices derived from MODIS near- and short-wave infrared bands;Daoyi Chen等;《Remote Sensing of Environment》;20051231;第225-236页 * |
不同水氮条件下水稻冠层反射光谱与植株含水率的定量关系;田永超等;《不同水氮条件下水稻冠层反射光谱与植株》;20051231;第29卷(第2期);第318-323页 * |
基于光谱反射特征的柑橘叶片含水率模型;杨勇等;《中国农学通报》;20111231;第180-184页 * |
Also Published As
Publication number | Publication date |
---|---|
CN103528965A (zh) | 2014-01-22 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN103528965B (zh) | 一种小麦叶片等效水厚度高光谱监测方法 | |
El-Hendawy et al. | Potential of the existing and novel spectral reflectance indices for estimating the leaf water status and grain yield of spring wheat exposed to different irrigation rates | |
CN102426153B (zh) | 一种基于冠层高光谱指数的小麦植株水分监测方法 | |
CN110376167A (zh) | 基于无人机高光谱的水稻叶片氮含量监测方法 | |
Tian et al. | Comparison of different hyperspectral vegetation indices for canopy leaf nitrogen concentration estimation in rice | |
CN102175618B (zh) | 一种稻麦叶片氮含量光谱监测模型建模方法 | |
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 | |
CN103293111B (zh) | 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 | |
Feng et al. | Canopy vegetation indices from in situ hyperspectral data to assess plant water status of winter wheat under powdery mildew stress | |
CN107356569A (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 | |
CN103472009B (zh) | 一种不同植株氮含量水平下小麦植株含水率的监测方法 | |
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 | |
CN104502283A (zh) | 估测大豆产量和地上部干重的一套两波段高光谱指数和预测模型 | |
Guo et al. | Remotely estimating aerial N uptake in winter wheat using red-edge area index from multi-angular hyperspectral data | |
CN110220852A (zh) | 基于高光谱遥感的烟草叶片等效水厚度的监测方法 | |
Xiaoping et al. | Spectral response characteristics and identification of typical plant species in Ebinur lake wetland national nature reserve (ELWNNR) under a water and salinity gradient | |
Liu et al. | Evaluation of hyperspectral indices for retrieval of canopy equivalent water thickness and gravimetric water content | |
CN110987830A (zh) | 植物冠层叶片叶绿素含量快速测定模型、测定方法及应用 | |
Zaeen et al. | In‐season potato yield prediction with active optical sensors | |
CN111882242A (zh) | 一种植被指数在牧草生物量估算研究中的评价方法 | |
Chen et al. | Evaluating the severity level of cotton Verticillium using spectral signature analysis | |
Hartz et al. | On-farm nitrogen tests improve fertilizer efficiency, protect groundwater | |
Wu et al. | Research of foliar dust content estimation by reflectance spectroscopy of Euonymus japonicus Thunb | |
QiuXiang et al. | Measuring cotton water status using water-related vegetation indices at leaf and canopy levels | |
Guan et al. | Relationships between percentage defoliation, dry weight, percentage reflectance, leaf‐to‐stem ratio, and green leaf area index in the alfalfa leaf spot pathosystem |
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 |