CN104374711A - 一种树木叶面尘土量的确定方法及系统 - Google Patents
一种树木叶面尘土量的确定方法及系统 Download PDFInfo
- Publication number
- CN104374711A CN104374711A CN201410525056.9A CN201410525056A CN104374711A CN 104374711 A CN104374711 A CN 104374711A CN 201410525056 A CN201410525056 A CN 201410525056A CN 104374711 A CN104374711 A CN 104374711A
- Authority
- CN
- China
- Prior art keywords
- blade
- spectrum
- dust amount
- blade face
- parameter
- 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
Landscapes
- Investigating Or Analysing Materials By Optical Means (AREA)
Abstract
一种树木叶面尘土量的确定方法及系统,属于测量和计算机技术领域。包括以下步骤:建立预估方程并确定方程参数:采集叶片样本;用万分之一电子天平称取叶片重量;用便捷式光谱仪测量叶片除尘前的反射光谱;用去离子水洗净叶片表面尘土;称取叶片除尘后的重量;用同样的方法测量叶片除尘后的反射光谱;获取光谱参数并建立光谱与叶面尘土量之间的关系;根据本发明,可不用高精度的电子天平只通过便捷式光谱仪就可实现叶面尘土量的测定,因此,本发明只需要普通的光谱仪就可估算叶面尘土量,极其适于植物受污染程度的估测及雾霾防治措施的优选工作。
Description
技术领域
本发明涉及一种树木叶面尘土量的确定方法及系统,属于测量和计算机技术领域。
背景技术
我国空气质量在日益恶化,大气颗粒物的污染程度明显增加。近年来北京市雾霾天气频繁出现。雾霾天气除了影响呼吸,对人们的健康造成危害外,给交通出行、植物生长等都造成了直接危害,因此粉尘污染得到了人们的高度重视。由此可见,空气污染监测与防治已刻不容缓。
大叶黄杨是典型的城市绿化树种之一,枝叶茂密,四季常青,叶色亮绿,各省普遍栽培,常供观赏使用,优于其极耐修剪,是良好的绿篱材料[3]。江苏植物研究所试验表明本种对二氧化硫抗性较强,而空气降尘中含有这种化学元素,因此,就大叶黄杨反射光谱特征信息与叶面尘土量的关系研究是林业领域与城市绿化领域相结合的一个桥梁。
目前,国内在叶面尘与植物的相关性有一定程度的研究,田亦陈等通过研究大麻植物冠层光谱特征,探明了其遥感探测的各波段的光谱分辨率,为大区域范围内的大麻植物遥感识别提供了理论基础。王涛等(2012)研究了叶面尘对国道旁玉米反射光谱的影响,得到了较理想的结果,但只是在研究对象为玉米的时候才成立,不能推广应用。Jin等(2013)在广州市研究了小叶榕叶片表面的光谱特征与空气降尘污染之间的相关关系。这些都取得了相应的结果,但其研究对象都是集中在农业方面,在对环境净化作用更大的树木或森林的林业方面的相关研究很少,并且其研究深入的程度还不够,不能解决相应的环境污染治理等实际问题。
有关环境污染监测的技术手段已逐渐成熟,但其仍具有局限性。而随着光谱技术的快速发展,许多学者通过监测植物光谱特征来反映环境污染对植物的影响。Troy等(2011)对城市环境中历史悠久的城墙上的常春藤吸收的粉尘颗粒物进行研究,结果表明,粉尘对其叶片的反射光谱产生影响;Serpil等(2006)利用ICP-AES(等离子发射发射光谱法)测定了雪松叶片内Pb、Cu、Zn、Co、Cr、Cd、V的含量,Garty等(2001)研究了光合系统的生理参数与地衣Ramalinalacera的元素含量的关系,两者的结果均表明,不同粉尘对叶片的反射光谱具有不同影响;Holer等研究了受污染和未受污染的叶簇植物叶片的光谱特征,结果表明,污染对其叶片具有影响;Rock等对杉木林地进行遥感影像测定,得出污染程度与林区光谱反射率成负相关。这些研究均表明环境的污染对植物的反射光谱已经产生了不可忽视的影响。而随着城市化的加快,这种大气颗粒物对城市以及周边植物的反射光谱影响越来越大。
从动态过程看,叶面尘与空气颗粒物互为源汇,叶面尘可以表征一定时间、一定区域的空气颗粒物的污染情况。因此,研究大叶黄杨叶片光谱特征与叶面尘之间的关系,只有通过建立大叶黄杨叶片各种反射光谱特征波段与叶面尘土量之间的相关关系,通过叶片光谱特征来反演叶面尘土量。
发明内容
为了克服现有技术结构的不足,本发明提供了一种树木叶面尘土量的确定方法及系统,仅根据叶片反射光谱可以估测叶面尘土量。
一种树木叶面尘土量的确定方法,包括以下步骤:
1)、建立预估方程并确定方程参数:
步骤1:采集叶片样本;
步骤2、用万分之一电子天平称取叶片重量;
步骤3、用便捷式光谱仪测量叶片除尘前的反射光谱;
步骤4:用去离子水洗净叶片表面尘土;
步骤5:称取叶片除尘后的重量;
步骤6:用同样的方法测量叶片除尘后的反射光谱;
步骤7、获取光谱参数并建立光谱与叶面尘土量之间的关系
2)、利用光谱数据估计叶面尘土量
步骤8、获取叶片反射光谱值;
步骤9、从叶片的反射光谱值中获得光谱参数;
步骤10、根据光谱参数利用叶面尘土量预估模型确定叶面尘土量。
①计算初始尘土量y0
②根据y0按着分级原则确定虚拟变量k1,k2
③根据预估方程估计叶面尘土量,进一步,可以
进行污染评测分级
所述光谱参数包括:绿峰(x1)、红边参数(x2)、简单比值指数(x3)以及归一化指数(x4)。
所述叶面尘土量预估模型为:
其中,
y:叶面尘土量;
x1:绿峰;
x2:红边参数;
x3:简单比值指数;
x4:归一化指数;
k1、k2:虚拟变量;
p0、p1、p2:待定标参数;
所述待定标参数通过实验获得。
在所述获取叶片的反射光谱和叶面尘土量的过程中,将外界背景值设为不变,将除尘前后所测得的叶面尘土量之差作为叶面尘土量。
在根据光谱参数利用叶面尘土量预估模型确定叶面尘土量步骤之前,所述方法还包括对待定标参数的定标过程;确定叶面尘土量预估模型的待定标参数p0、p1、p2,首先需要获取若干叶片的反射光谱并实测叶面尘土量,提取出光谱参数后,采用统计方法估计出叶面尘土量预估模型的3个待定标参数,定标时抽取若干叶片的数量要求≥60。
一种树木叶片表面尘土量的确定系统,包括:
叶片反射光谱获取装置,
用于获取叶片在各波段的光谱反射率大小;
计算单元,用于从叶片的反射光谱值中获取光谱参数;
确定单元,用于根据光谱参数利用叶面尘土量反演模型确定叶片表面尘土量。
根据本发明,可不用高精度的电子天平只通过便捷式光谱仪就可实现叶面尘土量的测定,因此,本发明只需要普通的光谱仪就可估算叶面尘土量,极其适于植物受污染程度的估测及雾霾防治措施的优选工作。
附图说明
图1为本发明实施例的确定叶面尘土量的流程示意图;
图2为本发明实施例的由叶片反射光谱值确定尘土预估方程的流程示意图;
图3为本发明实施例的叶面尘土量估算或分级的流程示意图。
下面结合附图和实施例对本发明进一步说明。
具体实施方式
实施例1:
不同叶面尘土量的大叶黄杨叶片,在生长过程中,对不同波段光的吸收、反射存在差异,从而使得其叶片反射光谱特征也不一样,因此,可通过叶片反射光谱特征值来探知大叶黄杨叶面尘土量并进行分级。
如图1所示,本实施例提供了一种树木叶面尘土量的确定方法,包括如下步骤:
1)、建立预估方程并确定方程参数:
步骤1:采集叶片样本;
步骤2、用万分之一电子天平称取叶片重量;
步骤3、用便捷式光谱仪测量叶片除尘前的反射光谱;
步骤4:用去离子水洗净叶片表面尘土;
步骤5:称取叶片除尘后的重量;
步骤6:用同样的方法测量叶片除尘后的反射光谱;
步骤7、获取光谱参数并建立光谱与叶面尘土量之间的关系
2)、利用光谱数据估计叶面尘土量
步骤8、获取叶片反射光谱值;
步骤9、从叶片的反射光谱值中获得光谱参数;
步骤10、根据光谱参数利用叶面尘土量预估模型确定叶面尘土量。
①计算初始尘土量y0
②根据y0按着分级原则确定虚拟变量k1,k2
③根据预估方程估计叶面尘土量,进一步,可以进行污染评测分级
在步骤1)中,为了能获得较准确的叶面尘土量,根据本发明实施例,在获取过程中,尽量克服外界环境带来的系统误差,比如,由于北京天气长期处于干旱状态,为避免叶片长时间的浸泡于水中产生吸水引起数据差异,洗尘时间控制在10s以内。为减少在采集叶片过程中洒落叶面上的尘土所带来的误差,则在采摘时保持叶片原有状态,平稳的放入承物盘内。
在步骤1)中,为了更精确地获取叶片反射光谱特征值,根据本发明实施例,优选地,在反射光谱测量时采用单一光源和单一背景,比如将测量反射光谱的时间设定在晚上并使用唯一的光源,且选择颜色单一且反光较大的白色背景,这样能够最大限度的减小外界带来的系统误差,具体步骤如图2所示。
在步骤2)中,为了从叶片的光谱特征值中获得光谱参数,首先对反射光谱进行去噪处理,然后计算光谱参数。
根据大量的试验结果,所述光谱参数包括:绿峰x1(545nm处反射率)、红边参数x2(680~750nm反射率一阶导数之和)、简单比值指数x3(R706/R809)以及归一化指数x4((R750-R705)/(R750+R705+2R445))。
计算光谱参数:绿峰、红边参数、简单比值指数以及归一化指数。
求得所有定标叶片的光谱参数后,然后求解叶面尘土量预估模型中的参数即完成叶面尘土量预估模型的定标工作,然后根据叶面尘土量预估模型确定叶面尘土量。
叶面尘土量预估模型为:
其中,
y:叶面尘土量;
x1:绿峰;
x2:红边参数;
x3:简单比值指数;
x4:归一化指数;
k1、k2:虚拟变量;
p0、p1、p2:待定标参数;
根据文献,叶片反射光谱与叶面尘土量大小存在着一定的关系,因此本发明在估计叶面尘土量时引入了虚拟变量,将叶面尘土量大小分成几个等级,用于更加准确的估计叶面尘土量。具体所述虚拟变量根据不同叶面尘土量大小不同情况来确定,详见后面描述。
叶面尘土量与叶片种类、生长地等因素相关,如果直接使用如下实施例模型进行叶面尘土量估测会产生较大误差,因此,使用本发明进行叶面尘土量测定前,需要抽取有代表性的叶面尘土量确定待定标参数p0、p1、p2,然后使用标定参数的模型进行叶面尘土量预估。
叶面尘土量模型的光谱预估模型定标步骤如下:
为了确定叶面尘土量预估模型的待定标参数p0、p1、p2,首先需要获取若干叶片的反射光谱并实测叶面尘土量,利用本发明的算法提取出光谱参数后,采用统计方法估计出叶面尘土量预估模型的3个待定标参数,进而实现叶面尘土量预估模型的实际应用,这种确定模型参数的过程就是定标,定标时抽取叶片的数量要求≥60。
作为例子,取叶片60个,将除尘前的叶片放在调平后的万分之一电子天平称重,然后放在经过校正的白板下测量叶片的反射光谱,再清洗叶片,除尽叶片上的尘土,并用吸水纸吸干叶片表面的水分,再一次的称取叶片重量获得叶面尘土量,再一次的测量叶片的反射光谱,获取叶片反射光谱特征值。称量使用的天平类型为万分之一电子分析天平,精度为0.0001。
光谱测量采用美国ASD(Analytical Spectral Device)公司生产的FieldSpec3便携式近红外光谱仪,该仪器可通过无线网络由笔记本电脑操作控制,它的探测器可以探测从近紫外到近红外的波段(300~1000nm)。
仪器分辨率:3nm~700nm;采样间隔:1.4nm(350~1000nm区间)。镜头可选择为30°视场角。
光谱仪每次扫描时间0.1S,10条原始扫描光谱自动平均得到输出曲线。
把60个大叶黄杨叶片随机分成2组,一组45个另一组15个,根据上述算法,分别求算每个叶片的光谱参数,然后用45个的一组定标叶面尘土量预估模型参数,15个的组用于检验模型的优劣。
把叶面尘土量分成y<3mg、3mg≤y≤5mg、y>5mg三级,并规定相对应的k1和k2分别为k1=1,k2=0、k1=0,k2=1、k1=1,k2=1。
具备叶面尘土量预估模型参数求解的全部数据后,就可以计算(1)中模型参数,当然也可以利用既有的统计软件比如SAS、SPSS等求解模型参数。并用其它数据进行检测,本实施例模型拟合数据45组,模型检验数据15组,综合2组数据测试结果,得到模型的确定指数为0.869,可以用于叶面尘土量的预估和分级。
预估模型如下:
x1:绿峰;
x2:红边参数;
x3:简单比值指数;
x4:归一化指数;
k1、k2:虚拟变量;
对应的虚拟变量估计模型:
x1:绿峰;
x2:红边参数;
x3:简单比值指数;
x4:归一化指数;
此时,叶面尘土量分级过程为:
首先根据式(3)计算y0,然后基于y0按着设定的叶面尘土量级别确定k1、k2,最后由式(2)预估叶面尘土量并进行分级。
从光谱角度的叶片尘土量估测,其预估模型中的所有自变量都是从图像中抽取的,因此,仅根据反射光谱特征值就可以实现对叶面尘土量的预估,而不再需要额外的其它条件,这对于植物受污染程度的估测及雾霾防治措施的优选工作无疑是便利的。
但是由于叶片反射光谱特征值会随着测量的时间长短和光谱探头的高度等的变化而变化,因此定标后要求保持光谱仪的探头的高度一致和每次测量后都要进行白板校正。
为了更加灵活的使用本发明,一种解决策略是把测量反射光谱的探头放在固定三脚架上,这样通过固定三脚架达到测量高度一致且探头位置不变的目的,从而方便本发明的使用。
本实施例还公开了一种叶面尘土量分级的方法。其包括前述叶面尘土量确定方法,并且根据叶面尘土量确定方法所确定的叶面尘土量对叶片受污染程度进行分级。如图3所示,分级方法如下:
步骤11、确定虚拟变量k1、k2。
基于虚拟变量的预估模型通常包含一对模型,其中一个是没有虚拟变量的模型,用于确定虚拟变量。
为确定虚拟变量,首先根据没有虚拟变量的模型计算叶面尘土量y0,
如果y0<T1,则k1=1,k2=0
如果T1≤y0≤T2,则k1=0,k2=1
如果y0>T2,则k1=1,k2=1
其中,T1、T2是根据具体叶片设定的叶面尘土量级别界限,如果叶面尘土量介于某3mg和5mg两个数值之间,则定义为该叶片被“中度污染”,则这两个数值的下限与上限就是T1、T2,若大于T2就为“重度污染”。
步骤12、计算待估计的叶面尘土量y。
把获取的光谱参数x1~x4及刚刚计算得到的虚拟变量k1、k2代入叶面尘土量预估模型,计算得到y。
步骤13、叶面尘土量分级。
根据设定的叶面尘土量分级标准把叶片受尘土污染程度分为几个等级。
由于相同叶面尘土量所表现出来的叶片受污染程度都不一样,因此该标准没有严格的规定,比如如下的三级标准:
如果y<3,“轻度污染”;
如果3≤y≤5,“中度污染”;
如果y>5,“重度污染”;
通过上述分级后,可将叶面尘土量作为估计植物叶片受污染程度的重要因素,对叶片受污染程度进行分级,再根据受污染程度进行分级治理。即,将相同时间内的不同污染程度的植物所在地区进行相应的不同方法的防治和治理,为雾霾的防治提供参考。
实施例2;一种树木叶片表面尘土量的确定系统,包括:
叶片反射光谱获取装置,
用于获取叶片在各波段的光谱反射率大小;
计算单元,用于从叶片的反射光谱值中获取光谱参数;
确定单元,用于根据光谱参数利用叶面尘土量反演模型确定叶片表面尘土量。
叶片反射光谱获取装置包括采用光谱测量采用美国ASD(AnalyticalSpectral Device)公司生产的FieldSpec3便携式近红外光谱仪。
根据本发明,可不用高精度的电子天平只通过便捷式光谱仪就可实现叶面尘土量的测定,因此,本发明只需要普通的光谱仪就可估算叶面尘土量,极其适于植物受污染程度的估测及雾霾防治措施的优选工作。
虽然通过实施例描绘了本发明,但本领域普通技术人员知道,在不脱离本发明的精神和实质的情况下,就可使本发明有许多变形和变化。
Claims (6)
1.一种树木叶面尘土量的确定方法,其特征在于,包括以下步骤:
步骤1)、建立预估方程并确定方程参数:
步骤1:采集叶片样本;
步骤2、用万分之一电子天平称取叶片重量;
步骤3、用便捷式光谱仪测量叶片除尘前的反射光谱;
步骤4:用去离子水洗净叶片表面尘土;
步骤5:称取叶片除尘后的重量;
步骤6:用同样的方法测量叶片除尘后的反射光谱;
步骤7、获取光谱参数并建立光谱与叶面尘土量之间的关系;
步骤2)、利用光谱数据估计叶面尘土量;
步骤8、获取叶片反射光谱值;
步骤9、从叶片的反射光谱值中获得光谱参数;
步骤10、根据光谱参数利用叶面尘土量预估模型确定叶面尘土量;
步骤①、计算初始尘土量y0;
步骤②、根据y0按着分级原则确定虚拟变量k1,k2;
步骤③、根据预估方程估计叶面尘土量,进一步,可以进行污染评测分级。
2.根据权利要求1所述的一种树木叶面尘土量的确定方法,其特征在于,所述光谱参数包括:绿峰x1、红边参数x2、简单比值指数x3以及归一化指数x4。
3.根据权利要求1或2所述的一种树木叶面尘土量的确定方法,其特征在于,所述叶面尘土量预估模型为:
其中,
y:叶面尘土量;
x1:绿峰;
x2:红边参数;
x3:简单比值指数;
x4:归一化指数;
k1、k2:虚拟变量;
p0、p1、p2:待定标参数;
所述待定标参数通过实验获得。
4.根据权利要求1所述的一种树木叶面尘土量的确定方法,其特征在于,确定叶面尘土量预估方程参数的步骤:
采集叶片样本;用镊子将每片叶片夹到精度为万分之一天平的载物盘上称除尘前的叶片重量(M1);将叶片放在光谱仪的探头下测量除尘前的反射光谱;用化妆棉将叶片在装有去离子水的塑料盆内轻轻的快速洗净,用吸水纸将叶片表面的水吸干;再用精度为万分之一的天平称除尘后的叶片重量(M2),得到质量差ΔM=M1-M2;则ΔM为叶面尘土量;用同样的方法测量叶片除尘后的反射光谱;获取光谱参数并建立光谱与叶面尘土量之间的关系。
5.根据权利要求1所述的一种树木叶面尘土量的确定方法,其特征在于,利用光谱数据估计叶面尘土量,包括以下步骤:
步骤1)、获取叶片反射光谱值的步骤:将叶片置于折射率近似为零的白色观测台上,固定光谱仪探头使其垂直向下,探头视场角30°,距离叶片表面3cm;在暗室中采用唯一光源,首先对叶片进行称重和光谱测量,每次测量10条光谱,以其平均值作为观测叶片的反射光谱值,每次测量前都对系统配置作优化和白板校正;之后,将叶片洗净称重后再次进行光谱测量,测量方法同处理前;
步骤2)、从叶片的反射光谱值中获得光谱参数:通过所测得的叶片反射光谱值和计算机计算出光谱参数:绿峰x1、红边参数x2、简单比值指数x3以及归一化指数x4;
步骤3)、根据光谱参数利用叶面尘土量预估模型确定叶面尘土量:在根据光谱参数利用叶面尘土量预估模型确定叶面尘土量的步骤之前,所述方法还包括对待定标参数进行定标过程,对虚拟变量进行确定;确定叶面尘土量预估模型的待定标参数p0、p1、p2:首先需要获取若干叶片的反射光谱并实测叶面尘土量,提取出光谱参数后,采用统计方法估计出叶面尘土量预估模型的3个待定标参数;定标时抽取若干叶片的数量要求≥60;
对虚拟变量进行确定步骤为:
通过预估得的预估模型式(2):
再根据对应的式(3):计算y0,然后基于y0按着设定的叶面尘土量级别确定k1、k2;
基于虚拟变量的预估模型通常包含一对模型,其中一个是没有虚拟变量的模型,用于确定虚拟变量;
为确定虚拟变量,首先根据没有虚拟变量的模型计算叶面尘土量y0,
如果y0<T1,则k1=1,k2=0;
如果T1≤y0≤T2,则k1=0,k2=1;
如果y0>T2,则k1=1,k2=1;
其中,T1、T2是根据具体叶片设定的叶面尘土量级别界限,如果叶面尘土量介于某3mg和5mg两个数值之间,则定义为该叶片被“中度污染”,则这两个数值的下限与上限就是T1、T2,若大于T2就为“重度污染”。
6.一种树木叶片表面尘土量的确定系统,其特征在于包括:
叶片反射光谱获取装置,用于获取叶片在各波段的光谱反射率大小;
计算单元,用于从叶片的反射光谱值中获取光谱参数;
确定单元,用于根据光谱参数利用叶面尘土量反演模型确定叶片表面尘土量。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201410525056.9A CN104374711B (zh) | 2014-10-08 | 2014-10-08 | 一种树木叶面尘土量的确定方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201410525056.9A CN104374711B (zh) | 2014-10-08 | 2014-10-08 | 一种树木叶面尘土量的确定方法及系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN104374711A true CN104374711A (zh) | 2015-02-25 |
CN104374711B CN104374711B (zh) | 2016-09-28 |
Family
ID=52553758
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201410525056.9A Expired - Fee Related CN104374711B (zh) | 2014-10-08 | 2014-10-08 | 一种树木叶面尘土量的确定方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN104374711B (zh) |
Cited By (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106845554A (zh) * | 2017-02-07 | 2017-06-13 | 中国林业科学研究院资源信息研究所 | 一种檀香植株生长土壤铁元素含量的图像确定方法和系统 |
CN109270012A (zh) * | 2018-11-15 | 2019-01-25 | 广州地理研究所 | 一种基于相关性系数的植物滞尘能力检测方法 |
CN109270011A (zh) * | 2018-11-15 | 2019-01-25 | 广州地理研究所 | 一种基于机器学习算法的植物滞尘能力检测方法 |
CN109583311A (zh) * | 2018-10-31 | 2019-04-05 | 中化地质矿山总局地质研究院 | 采矿区周边粉尘影响评价方法及系统 |
CN109856002A (zh) * | 2019-01-02 | 2019-06-07 | 昆明理工大学 | 一种测定植物叶片叶表有效滞尘量的方法 |
CN110108592A (zh) * | 2019-04-03 | 2019-08-09 | 昆明理工大学 | 一种测定植物叶表净沉降大气pm的方法 |
CN112964641A (zh) * | 2021-04-08 | 2021-06-15 | 北京市园林科学研究院 | 基于高光谱技术的叶片滞尘量测定系统及方法 |
CN113252522A (zh) * | 2021-05-12 | 2021-08-13 | 中国农业大学 | 基于高光谱扫描的植物叶片雾滴沉积量的测量装置 |
Family Cites Families (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
SE7905294L (sv) * | 1979-06-15 | 1980-12-16 | Svenska Traeforskningsinst | Stoftmetning |
US4392533A (en) * | 1981-06-05 | 1983-07-12 | Universal Foods Corporation | Root crop harvester |
CN101424637A (zh) * | 2008-12-04 | 2009-05-06 | 浙江大学 | 一种油菜叶片氮素含量遥感估算模型方法 |
CN102374971A (zh) * | 2010-08-09 | 2012-03-14 | 中国农业大学 | 一种基于高光谱技术的玉米叶片氮含量估算方法 |
CN102252931B (zh) * | 2011-04-01 | 2013-01-23 | 北华大学 | 树木滞尘测量仪 |
CN103411846B (zh) * | 2013-08-16 | 2017-06-23 | 塔里木大学 | 基于高光谱技术的叶面降尘量测定方法 |
-
2014
- 2014-10-08 CN CN201410525056.9A patent/CN104374711B/zh not_active Expired - Fee Related
Cited By (12)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106845554A (zh) * | 2017-02-07 | 2017-06-13 | 中国林业科学研究院资源信息研究所 | 一种檀香植株生长土壤铁元素含量的图像确定方法和系统 |
CN106845554B (zh) * | 2017-02-07 | 2019-11-19 | 中国林业科学研究院资源信息研究所 | 一种檀香植株生长土壤铁元素含量的图像确定方法和系统 |
CN109583311A (zh) * | 2018-10-31 | 2019-04-05 | 中化地质矿山总局地质研究院 | 采矿区周边粉尘影响评价方法及系统 |
CN109270012A (zh) * | 2018-11-15 | 2019-01-25 | 广州地理研究所 | 一种基于相关性系数的植物滞尘能力检测方法 |
CN109270011A (zh) * | 2018-11-15 | 2019-01-25 | 广州地理研究所 | 一种基于机器学习算法的植物滞尘能力检测方法 |
CN109856002A (zh) * | 2019-01-02 | 2019-06-07 | 昆明理工大学 | 一种测定植物叶片叶表有效滞尘量的方法 |
CN109856002B (zh) * | 2019-01-02 | 2021-10-15 | 昆明理工大学 | 一种测定植物叶片叶表有效滞尘量的方法 |
CN110108592A (zh) * | 2019-04-03 | 2019-08-09 | 昆明理工大学 | 一种测定植物叶表净沉降大气pm的方法 |
CN110108592B (zh) * | 2019-04-03 | 2021-09-10 | 昆明理工大学 | 一种测定植物叶表净沉降大气pm的方法 |
CN112964641A (zh) * | 2021-04-08 | 2021-06-15 | 北京市园林科学研究院 | 基于高光谱技术的叶片滞尘量测定系统及方法 |
CN113252522A (zh) * | 2021-05-12 | 2021-08-13 | 中国农业大学 | 基于高光谱扫描的植物叶片雾滴沉积量的测量装置 |
CN113252522B (zh) * | 2021-05-12 | 2022-03-15 | 中国农业大学 | 基于高光谱扫描的植物叶片雾滴沉积量的测量装置 |
Also Published As
Publication number | Publication date |
---|---|
CN104374711B (zh) | 2016-09-28 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN104374711A (zh) | 一种树木叶面尘土量的确定方法及系统 | |
CN103411846B (zh) | 基于高光谱技术的叶面降尘量测定方法 | |
Olivas et al. | Comparison of direct and indirect methods for assessing leaf area index across a tropical rain forest landscape | |
CN102435564B (zh) | 一种基于三波段光谱指数估测植物氮含量的方法 | |
CN103196838B (zh) | 一种海岸河口富营养化高光谱遥感监测方法 | |
CN104897592A (zh) | 基于高光谱技术的盐渍化土壤盐分离子含量监测方法 | |
CN108801934A (zh) | 一种土壤有机碳含量高光谱预测模型的建模方法 | |
CN108956505B (zh) | 基于Sentinel-2图像的小型水体中叶绿素a浓度的检测方法及装置 | |
CN108414455B (zh) | 用于农业保险理赔的农作物雹灾遥感监测方法 | |
CN103954567A (zh) | 基于连续统去除法的土壤盐分测定方法 | |
CN103868860A (zh) | 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 | |
CN113252583B (zh) | 一种基于枯草植被指数计算高寒枯草覆盖度的方法 | |
CN108548793A (zh) | 一种综合Nir-Red-Swir光谱特征的小麦冠层含水量反演方法 | |
CN105136686B (zh) | 紫叶李叶片花青素含量的测定方法 | |
CN107132190A (zh) | 一种土壤有机质光谱反演模型校正样本集构建方法 | |
CN109946714A (zh) | 一种基于LiDAR和ALOS PALSAR多元数据的森林生物量模型的建立方法 | |
CN114739919A (zh) | 一种基于光谱反演分析的水质检测方法 | |
CN113866102A (zh) | 一种基于光谱的土壤健康调查监测方法 | |
CN115294147A (zh) | 一种基于无人机激光雷达单木与森林地上生物量估算方法 | |
Wang et al. | Estimation of plant water content by spectral absorption features centered at 1,450 nm and 1,940 nm regions | |
CN110779875B (zh) | 一种基于高光谱技术检测冬小麦麦穗水分含量的方法 | |
CN105954207A (zh) | 一种枣树冠层叶绿素b含量的检测方法 | |
CN114169165A (zh) | 一种三波段植被指数估算镉胁迫下水稻叶绿素的模型方法 | |
Wu et al. | Research of foliar dust content estimation by reflectance spectroscopy of Euonymus japonicus Thunb | |
Karakoc et al. | Ratio-based vegetation indices for biomass estimation depending on grassland characteristics |
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 |
Granted publication date: 20160928 Termination date: 20181008 |
|
CF01 | Termination of patent right due to non-payment of annual fee |