CN104914053B - 构建树木冠层光合性状预测模型及检测光合性状 - Google Patents
构建树木冠层光合性状预测模型及检测光合性状 Download PDFInfo
- Publication number
- CN104914053B CN104914053B CN201510250117.XA CN201510250117A CN104914053B CN 104914053 B CN104914053 B CN 104914053B CN 201510250117 A CN201510250117 A CN 201510250117A CN 104914053 B CN104914053 B CN 104914053B
- Authority
- CN
- China
- Prior art keywords
- photosynthetic
- maximum
- model
- characters
- forecast 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.)
- Expired - Fee Related
Links
Landscapes
- Investigating Or Analysing Materials By Optical Means (AREA)
Abstract
本发明涉及一种构建树木冠层光合性状预测模型的方法及检测光合性状的方法。构建树木冠层光合性状预测模型的方法包括获取多个光照区域的光谱数据以及获取相应光照区域的光合性状参数，所述光谱数据为反射率随波长变化的对应关系；对每个光照区域的光谱数据进行一阶微分处理得到一阶微分光谱；根据一阶微分光谱的最大值和对应光照区域的光合性状参数拟合形成光合性状预测模型。根据本发明所公开的构建树木冠层光合性状预测模型的方法以及检测光合性状的方法，可以快速获取不同光照区域的光合能力，为整形修剪、提高果实的产量和品质等提供了有力的依据。
Description
技术领域
本发明涉及光合性状研究领域，具体涉及构建树木冠层光合性状预测模型及检测光合性状。
背景技术
光合作用是植物生长及外界环境变化响应的重要决定因素之一，不仅能够用于判断植物在特定光环境下能否正常生长，还能够说明植物对环境变化的适应潜力。光合作用形成的碳水化合物是产量形成的主要物质基础，因此光合作用与果树丰产优质密切相关。苹果树是喜光植物，通过测定苹果树不同光照区域下的叶片光合作用参数，研究其光合特性，可为整形修剪、改善栽培措施、提高果实的产量和品质等提供理论依据。
苹果树的产量和质量取决于光合分布，同时还受到“库-源”关系的影响，叶片是“源”，它向果树提供必需的碳水化合物，影响果实大小、颜色及硬度等指标。果树冠层内不同位置叶片的光合能力有较大的不同。通常冠层上部叶片的最大光合速率是下部叶片的2-4倍，主要原因在于光照影响了叶片的组分含量。果树通常成行种植，具有特定的冠层结构，由于冠层具有较大的异质性，不同冠层空间下叶片的光合能力存在较大差异，因此研究苹果树冠层不同空间格局下的光合能力对于控制修剪量和负载量具有重要的意义。
许多研究结果表明，光照是影响光合作用最重要的环境因素。强光会导致光合电子传递速率下降，从而影响了正常的光合作用。适度的遮荫(72％)的自然光照会使得叶片厚度、氮含量、叶片比重具有所提高，这说明不同的光照环境下，作物的光合能力也会有所不同。张显川的研究(园艺学报,2005,32(6):975-979)表明：冠层不同部位的光合能力存在一定的差别，平均光合速率的变化通常为冠层外部>冠层中部>冠层内部，在晴天中午的时间段内是冠层中部>冠层外部>冠层内部。欧毅的研究(西南农业大学学报(自然科学版),2005,27(1):69-72)表明：冠层净光合速率与光照强度有相同的变化趋势，即冠层外部>冠层内部>冠层中部，叶幕上层>叶幕中层>叶幕下层。
光谱技术在构建植物冠层组分含量的预测模型中发挥了重要的作用，其中，应用最广泛的是基于光谱技术的氮、叶绿素含量预测模型的构建。李金梦(光谱学与光谱分析,2014,34(1):212-216)在树冠东西南北四个方位的中上部外围各采集当年春梢顶部的叶片，在暗箱环境下采集柑橘叶片高光谱图像，利用高光谱技术结合多变量统计学方法构建了柑橘叶片含氮量预测模型，结果表明：利用高光谱数据测定柑橘叶片含氮量具有可行性，研究结果为实时、准确地监控柑橘植株生长过程中叶片含氮量的变化以及合理科学的氮肥施加提供了一定的理论基础。张瑶(农业工程学报,2013,29(z1):101-108)为探索不同生理物候期苹果树叶片氮元素含量的快速检测方法，分别在果树坐果期、生理落果期和果实成熟期，采集向阳主枝上顶部、中部、底部位置的叶片，苹果叶片使用光谱仪测量了果树叶片在可见光和近红外区域的反射谱，同时在实验室测定了过树叶片的全含氮量，构建了全光谱信息建立的氮素含量预测模型。邓小蕾(农业工程学报,2014,30(14):14-147)以苹果叶片叶绿素含量为研究对象，定量研究了光谱数据预处理方法对光谱特征提取及叶绿素含量预测模型的影响，建立了苹果叶片叶绿素含量预测模型，获得了较高的预测精度；Cigandal(Journal of plant physiology,2009,166(2):157-167)利用红边(720-730nm)和近红外(770-800nm)反射光谱特征建立了红边叶绿素指数来预测玉米冠层叶绿素含量；Maccioni(Journal of Photochemistry and Photobiology B:Biology,2001,61(1):52-61)等利用绿色波段和红边归一化的单叶定向反射率计算新的植被指数对4种作物的叶绿素浓度进行了预测。
上述研究的共同特点是：虽然选择的处理样本代表性强，但并未针对不同光照区域的相关指标开展深入研究。虽然光谱技术在组分含量的研究中发挥了重要作用，而对于光合能力的研究较少。针对上述研究现状，构建基于光谱特性的光合性状预测模型，旨在快速、准确掌握冠层不同光照区域的光合能力，为整形修剪、改善栽培措施、提高果实的产量和品质等提供依据。
发明内容
本发明所要解决的技术问题是：提供一种快速、准确地掌握不同光照区域的光合能力，为整形修剪、改善栽培措施、提高果实的产量和品质等提供依据树木冠层光合性状预测模型及检测光合性状的方法。
为此目的，在第一方面，本发明提出了一种构建树木冠层光合性状预测模型的方法，包括：
获取多个光照区域的光谱数据以及获取相应光照区域的光合性状参数，所述光谱数据为反射率随波长变化的对应关系；
对每个光照区域的光谱数据进行一阶微分处理得到一阶微分光谱；
根据所述一阶微分光谱的最大值和对应光照区域的所述光合性状参数拟合形成光合性状预测模型。
优选地，所述不同光照区域，包括光照强度≤30％的光照区域、光照强度>30％且≤60％的光照区域，光照强度>60％且≤85％的光照区域和光照强度>85％的光照区域。
优选地，所述光合性状参数包括光化学效率、最大光化学量子效率和表观光合量子传递效率。
优选地，所述一阶微分光谱的最大值为波长在680nm-760nm范围内的一阶微分光谱的最大值。
优选地，所述根据所述一阶微分光谱的最大值和对应光照区域的所述平均光合性状参数拟合形成光合性状预测模型，包括随机选取若干个不同光照区域，将所述若干个不同光照区域的实际测量值和预测值进行拟合，验证光合性状预测模型的有效性。
优选地，所述光合性状预测模型，包括光化学效率预测模型，所述光化学效率预测模型为y＝-2×106x3+56412x2-612.51x+2.8738，其中，x为一阶微分光谱的最大值，y为根据所述光化学效率预测模型得到的光化学效率预测值。
优选地，所述光合性状预测模型，包括最大光化学量子效率预测模型，所述最大光化学量子效率预测模型为y＝6×106x3-201837x2+2212.4x-7.0607，其中，x为一阶微分光谱的最大值，y为根据所述最大光化学量子效率预测模型得到的最大光化学量子效率预测值。
优选地，所述光合性状预测模型，包括表观光合量子传递效率预测模型，所述表观光合量子传递效率预测模型为y＝2×109x3-6×107x2+601307x-2046.5，其中，x为一阶微分光谱的最大值，y为根据所述表观光合量子传递效率预测模型得到的表观光合量子传递效率预测值。
在第二方面，本发明提出了一种检测光合性状的方法，包括：
获取待检测光照区域的光谱数据；
对所述光谱数据进行一阶微分处理得到一阶微分光谱；
将所述一阶微分光谱的最大值代入光合性状预测模型，得到所需的光合性状参数。
通过采用本发明所公开的构建树木冠层光合性状预测模型的方法，可以得到各种光合性状预测模型，再通过本发明所公开的光合性状检测方法，可以快速获取不同光照区域的光合能力，为整形修剪、改善栽培措施、提高果实的产量和品质等提供了有力的依据。
附图说明
通过参考附图会更加清楚地理解本发明的特征和优点，附图是示意性的而不应理解为对本发明进行任何限制。
图1示出了构建树木冠层光合性状预测模型的流程。
图2(a)示出了试验处理样本A在不同光照区域的光谱反射率。
图2(b)示出了试验处理样本B在不同光照区域的光谱反射率。
图2(c)示出了试验处理样本C在不同光照区域的光谱反射率。
图2(d)示出了苹果树冠层不同光照区域的平均光谱反射率。
图3示出了波长在680nm-760nm范围内的不同光照区域的一阶微分光谱。
图4示出了检测光合性状的方法的流程图。
图5示出了基于一阶微分光谱的光化学效率预测模型。
图6示出了光化学效率的预测值与实际测量值的拟合关系。
图7示出了基于一阶微分光谱的最大光化学量子效率预测模型。
图8示出了最大光化学量子效率的预测值与实际测量值的拟合关系。
图9示出了基于一阶微分光谱的表观光合量子传递效率预测模型。
图10示出了表观光合量子传递效率的预测值和实际测量值的拟合关系。
具体实施方式
下面将结合附图对本发明的实施例进行详细描述。
本发明为了解决能够快速、准确地掌握不同光照区域的光合能力的问题而提出了一种构建树木冠层光合性状预测模型的方法，下面将以构建苹果树冠层不同光照区域的光合性状预测模型的方法为例来详细描述获得光合性状预测模型的具体的实施方法。
图1示出了构建树木冠层光合性状预测模型的方法流程图，如图1所示，该方法包括：
S1：获取多个光照区域的光谱数据以及获取相应光照区域的光合性状参数，光谱数据为反射率随波长变化的对应关系；
苹果树冠层不同光照区域(例如，光照强度≤30％的光照区域、光照强度在(30％,60％〕区间的光照区域、光照强度在(60％,85％〕区间的光照区域和光照强度>85％的光照区域)的光谱数据采集设备例如选用美国ASD(Analytical Spectral Devices)公司的FieldSpec HandHeld 2便携式地物光谱仪，当然也可以采用其他合适的设备。光谱测量时间例如选择在上午10:00-12:00之间，当然还可以为其他合适时间。利用例如FMS-2型脉冲调制式荧光仪及Li-6400便携式光合仪，测量对应光照区域的光合性状参数，当然也可以选用其他合适的设备。所测得的光合性状参数例如包括：光化学效率、最大光化学量子效率、表观光合量子传递效率。
在采用美国ASD(Analytical Spectral Devices)公司的FieldSpec HandHeld 2便携式地物光谱仪对苹果树冠层不同光照区域的叶片进行光谱反射率测定时，采样波长范围例如为325nm-1075nm，波长精度例如为1nm，光谱分辨率例如为3nm，最小采样时间间隔例如为8.5ms，采样间隔例如为1.5nm，当然，也可选用其他的合适的采样波长范围、波长精度、光谱分辨率以及最小采样时间间隔。试验所得到的信息通过光谱仪内部的16位A/D转换器将模拟信号转化成数字信号，再由标准的RS-232串行通信接口直接传送到计算机主存。
为避免外界自然环境的干扰，保证光谱测量的准确性，例如选择在晴朗无云且无风的环境下进行试验，光谱测量时间例如选择在上午10：00-12：00之间，传感器视场角例如为25°，测量时光学输入端距离冠层叶片的距离例如为30cm，保证与叶片垂直，当然，也可选用其他的合适的环境、光谱测量时间、传感器视场角以及测量时光学输入端距离冠层叶片的距离。为了光谱测量数据的准确性及稳定性，利用该光谱仪配套的植被高密度探头进行苹果树冠层不同光照区域的光谱测量。
图2(a)-(c)分别示出了在一颗苹果树上得到的3个试验处理样本(A、B和C)在不同光照区域的光谱反射率。处理样本A、处理样本B和处理样本C在四个不同光照区域的整个波段(325nm-1075nm)的光谱反射率变化曲线中，光照强度在(30％,60％〕区间的光照区域的光谱反射率始终最高，而光照强度≤30％的光照区域的光谱反射率最低，对于光照强度在(60％,85％〕区间的光照区域及光照强度>85％的光照区域，处理样本A和处理样本C在光照强度在(60％,85％〕区间的光照区域的光谱反射率大于光照强度>85％的光照区域反射率，而处理样本B的情况正好相反，分析其原因是由于测量过程中的随机误差所致。为了更好地表征不同光照区域的光谱特性，以将图2(a)-(c)的三个处理样本做平均值处理为例，得到如图2(d)所示的苹果树冠层不同光照区域的平均光谱反射率。本实施例选取了三棵苹果树作为试验对象，对这三棵苹果树均做相同的处理，即每个苹果树均得到三个试验处理样本，每个处理样本包含四个不同光照区域的光谱反射率，对每棵苹果树的三个处理样本的相同光照区域的反射率做平均值处理，得到三个处理后的处理样本(称为平均处理样本)，根据这三个平均处理样本可得到三个平均光谱反射率，其中，每个平均处理样本的平均光谱反射率包含四个不同光照区域的平均光谱反射率。
在测量不同光照区域的反射率时，利用FMS-2型脉冲调制式荧光仪及Li-6400便携式光合仪测量相应光照区域的光合性状参数(例如光化学效率、最大光化学量子效率、表观光合量子传递效率)。每棵苹果树得到三组光合性状参数，其中每组均包含四个不同光照区域的光合性状参数，对每棵苹果树的每组相同光照区域的光合性状参数做平均值处理，得到一组平均光合性状参数，这组平均光合性状参数包含四个不同光照区域的平均光合性状参数。三棵苹果树做相同的处理则可得到三组平均光合性状参数。
S2：对每个光照区域的光谱数据进行一阶微分处理得到一阶微分光谱；
数据预处理方法有很多种，如一阶微分能明显地消除光谱的基线平移、平缓背景干扰的影响，一方面，光谱一阶微分能够有效地消除获取的光谱数据之间的系统误差，削弱自然环境中的大气辐射、散射和吸收等因素对光谱目标数据的干扰，另一方面，光谱一阶微分可以突显光谱曲线在坡度上的细微变化特征，能够分辨重叠的光谱，有利于提取可识别的光谱吸收峰参数。
图3示出了红边区域(660nm-760nm)内的试验处理样本A、B、C在不同光照区域的平均光谱反射率的一阶微分光谱曲线。
从图3显示的苹果树冠层不同光照区域的一阶微分光谱曲线中可以看出，不同光照区域的一阶微分光谱的最大值及所对应的红边波长均有所差异。表1列出了处理样本A、B、C以及三者平均处理后的一阶微分光谱的最大值及所对应的红边波长。从表中数据可以看出：处理样本A的红边波长变化规律不明显，但处理样本B、处理样本C及平均处理样本的红边变化均呈现递增趋势。表中统计了红边区域，即红光范围(680nm-760nm)内一阶微分光谱的最大值，并将其作为苹果树冠层不同光照区域的相对光照强度值进行相关性分析，构建基于光谱特性的光合性状预测模型。
表1处理样本不同光照区域的一阶微分光谱的最大值所对应的红边波长及一阶微分光谱的最大值。
S3：根据一阶微分光谱的最大值和对应光照区域的光合性状参数拟合形成光合性状预测模型；
由于苹果树冠层不同光照区域的一阶微分光谱的最大值随光照强度不同发生了相应变化，且光照强度影响苹果树光合能力，因此将一阶微分光谱的最大值与对应区域的光合性状参数作为预测模型的输入端，其中一阶微分光谱的最大值作为自变量，光合性状参数作为因变量，采用多项式回归模型构建出对应的光合性状预测模型。
在S2步骤中得到了三个平均光谱反射率，对这三个平均光谱反射率均进行一阶微分处理可得到三个一阶微分光谱，由于每个一阶微分光谱中包含四个不同光照区域的一阶微分光谱，每个光照区域对应一个一阶微分光谱的最大值，这样根据这三个一阶微分光谱就得到了十二个红光范围(680nm-760nm)内的一阶微分光谱的最大值。利用多项式回归模型对这十二个一阶微分光谱的最大值和对应光照区域的光合性状参数(比如光化学效率、最大光化学量子效率和表观光合量子传递效率等)进行相关关系拟合，得到相应的光合性状预测模型。
如图4所示，示出了一种检测光合性状的方法，包括：
S1：获取待检测光照区域的光谱数据；
S2：对光谱数据进行一阶微分处理得到一阶微分光谱；
S3：将一阶微分光谱的最大值代入光合性状预测模型，得到所需的光合性状参数。
本实施例根据上述检测光合性状的方法随机选取了三棵苹果树的36个光照区域(每棵苹果树有三个试验处理处理样本，每个处理样本中包含四个光照区域，那么每棵苹果树有12个光照区域，三棵苹果树一共有36个光照区域)中的20个光照区域的光谱数据，对所述光谱数据进行一阶微分得到一阶微分光谱，将红光范围(680nm-760nm)内的一阶微分光谱的最大值代入光合性状预测模型中得到所需的光合性状参数。为了验证光合性状预测模型的有效性，对光合性状参数的实际测量值与相应的预测值进行了相关性分析。
本实施例根据上述方法构建了以下三个光合性状预测模型，并分别对每个光合性状预测模型的有效性进行了相关性分析：
(1)光化学效率预测模型
构建了基于光谱特性的光化学效率预测模型，如图5所示，即：y＝-2×106x3+56412x2-612.51x+2.8738，其中，x为一阶微分光谱的最大值，y为根据所述光化学效率预测模型得到的光化学效率预测值。一元三次多项式预测模型的相关系数R2为0.7497。
为验证光化学效率预测模型的有效性，将得到的预测值与实际测量值进行相关分析，其一元线性相关关系如图6所示，线性方程为：y＝0.7666x+0.169，其中，x为光化学效率的实际测量值，y为光化学效率的预测值。一元线性方程的相关系数R2为0.6646，均方根误差(RMSE)值为0.057，平均绝对误差(MAPE)值为0.0478，平均平方误差(MFE)值为0.0170，相对误差(RE)％值为12.538％，预测模型精度为87.462％。
(2)最大光化学量子效率预测模型
构建了基于光谱特性的最大光化学量子效率预测模型，如图7所示，即：y＝6×106x3-201837x2+2212.4x-7.0607，其中，x为一阶微分光谱的最大值，y为根据所述最大光化学量子效率预测模型得到的最大光化学量子效率预测值。一元三次多项式预测模型的相关系数R2为0.8722。
为验证最大光化学量子效率预测模型的有效性，将得到的预测值与实际测量值进行相关分析，其一元线性相关关系如图8所示，线性方程为：y＝0.6926x+0.2144，其中，x为最大光化学量子效率的实际测量值，y为最大光化学量子效率的预测值。一元线性方程的相关系数R2为0.7249，RMSE值为0.04923，MAPE值为0.0565，MFE值为0.0390，RE％值为13.502％，预测模型精度为86.498％。
(3)表观光合量子传递效率预测模型
构建了基于光谱特性的表观光合量子传递效率预测模型，如图9所示，即：y＝2E+0.9x3-6E+0.7x2+601307x-2046.5，其中，x为一阶微分光谱的最大值，y为根据所述表观光合量子传递效率预测模型得到的表观光合量子传递效率预测值。一元三次多项式预测模型的相关系数R2为0.721。
为验证表观光合量子传递效率预测模型的有效性，将得到的预测值与实际测量值进行相关分析，其一元线性相关关系如图10所示，线性方程为：y＝0.861x+4.7092，其中，x为表观光合量子传递效率的实际测量值，y为表观光合量子传递效率的预测值。一元线性方程的相关系数R2为0.887，RMSE值为0.5745，MAPE值为0.2595，MFE值为-0.2475，RE％值为18.633％，预测模型精度为81.367％。
通过采用本发明所公开的构建光合性状预测模型的方法，可以得到各种光合性状预测模型，再通过本发明所公开的光合性状检测方法，可以快速获取不同光照区域的光合能力，为整形修剪、改善栽培措施、提高果实的产量和品质等提供了有力的依据。
虽然结合附图描述了本发明的实施方式，但是本领域技术人员可以在不脱离本发明的精神和范围的情况下做出各种修改和变型，这样的修改和变型均落入由所附权利要求所限定的范围之内。
Claims (8)
1.一种构建树木冠层光合性状预测模型的方法，其特征在于，包括：
获取不同光照区域的光谱数据以及获取相应光照区域的光合性状参数，所述光谱数据为反射率随波长变化的对应关系；
对每个光照区域的光谱数据进行一阶微分处理得到一阶微分光谱；
根据所述一阶微分光谱的最大值和对应光照区域的所述光合性状参数拟合形成光合性状预测模型。
2.根据权利要求1所述的构建树木冠层光合性状预测模型的方法，其特征在于，所述不同光照区域，包括光照强度≤30％的光照区域、光照强度>30％且≤60％的光照区域，光照强度>60％且≤85％的光照区域和光照强度>85％的光照区域。
3.根据权利要求1所述的构建树木冠层光合性状预测模型的方法，其特征在于，所述光合性状参数包括光化学效率、最大光化学量子效率和表观光合量子传递效率。
4.根据权利要求1所述的构建树木冠层光合性状预测模型的方法，其特征在于，所述一阶微分光谱的最大值为红光在680nm-760nm范围内的一阶微分光谱的最大值。
5.根据权利要求1所述的构建树木冠层光合性状预测模型的方法，其特征在于，所述光合性状预测模型，包括光化学效率预测模型，所述光化学效率预测模型为y＝-2×106x3+56412x2-612.51x+2.8738，其中，x为一阶微分光谱的最大值，y为根据所述光化学效率预测模型得到的光化学效率预测值。
6.根据权利要求1所述的构建树木冠层光合性状预测模型的方法，其特征在于，所述光合性状预测模型，包括最大光化学量子效率预测模型，所述最大光化学量子效率预测模型为y＝6×106x3-201837x2+2212.4x-7.0607，其中，x为一阶微分光谱的最大值，y为根据所述最大光化学量子效率预测模型得到的最大光化学量子效率预测值。
7.根据权利要求1所述的构建树木冠层光合性状预测模型的方法，其特征在于，所述光合性状预测模型，包括表观光合量子传递效率预测模型，所述表观光合量子传递效率预测模型为y＝2×109x3-6×107x2+601307x-2046.5，其中，x为一阶微分光谱的最大值，y为根据所述表观光合量子传递效率预测模型得到的表观光合量子传递效率预测值。
8.一种检测光合性状的方法，其特征在于，包括：
获取待检测光照区域的光谱数据；
对所述光谱数据进行一阶微分处理得到一阶微分光谱；
将所述一阶微分光谱的最大值代入光合性状预测模型，得到所需的光合性状参数；
其中，所述光合性状预测模型为采用如权利要求1所述的构建树木冠层光合性状预测模型的方法构建的光合性状预测模型。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201510250117.XA CN104914053B (zh) | 2015-05-15 | 2015-05-15 | 构建树木冠层光合性状预测模型及检测光合性状 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201510250117.XA CN104914053B (zh) | 2015-05-15 | 2015-05-15 | 构建树木冠层光合性状预测模型及检测光合性状 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN104914053A CN104914053A (zh) | 2015-09-16 |
| CN104914053B true CN104914053B (zh) | 2017-07-28 |
Family
ID=54083308
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201510250117.XA Expired - Fee Related CN104914053B (zh) | 2015-05-15 | 2015-05-15 | 构建树木冠层光合性状预测模型及检测光合性状 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN104914053B (zh) |
Families Citing this family (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN110288594B (zh) * | 2019-07-02 | 2021-06-04 | 河北农业大学 | 一种植物冠层结构性状分析方法 |
| CN110414729A (zh) * | 2019-07-19 | 2019-11-05 | 西北农林科技大学 | 基于特征波长的植物潜在最大光合能力预测方法 |
Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN101514963A (zh) * | 2009-03-25 | 2009-08-26 | 北京市农林科学院 | 一种植被荧光探测方法及装置 |
| CN102314546A (zh) * | 2011-06-01 | 2012-01-11 | 福州大学 | 基于虚拟植物的植物生长生物量变化估算方法 |
| CN102749290A (zh) * | 2012-07-02 | 2012-10-24 | 浙江大学 | 一种樱桃树冠层树枝生长状态的检测方法 |
| CN103234916A (zh) * | 2013-04-06 | 2013-08-07 | 吉林大学 | 一种群体净光合速率预测方法 |
| CN203313801U (zh) * | 2013-07-08 | 2013-12-04 | 中国科学院东北地理与农业生态研究所 | 一种通过控制透光率改变玉米光合作用率的装置 |
Family Cites Families (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP5589493B2 (ja) * | 2010-03-26 | 2014-09-17 | 株式会社大林組 | 芝草群落の生長予測方法 |
-
2015
- 2015-05-15 CN CN201510250117.XA patent/CN104914053B/zh not_active Expired - Fee Related
Patent Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN101514963A (zh) * | 2009-03-25 | 2009-08-26 | 北京市农林科学院 | 一种植被荧光探测方法及装置 |
| CN102314546A (zh) * | 2011-06-01 | 2012-01-11 | 福州大学 | 基于虚拟植物的植物生长生物量变化估算方法 |
| CN102749290A (zh) * | 2012-07-02 | 2012-10-24 | 浙江大学 | 一种樱桃树冠层树枝生长状态的检测方法 |
| CN103234916A (zh) * | 2013-04-06 | 2013-08-07 | 吉林大学 | 一种群体净光合速率预测方法 |
| CN203313801U (zh) * | 2013-07-08 | 2013-12-04 | 中国科学院东北地理与农业生态研究所 | 一种通过控制透光率改变玉米光合作用率的装置 |
Non-Patent Citations (4)
| Title |
|---|
| An integrated model of soil-canopy spectral radiances,photosynthesis, fluorescence, temperature and energy balance;van der Tol C. et al.;《Biogeosciences》;20091231;第6卷(第12期);第3109-3129页 * |
| 光照强度对苦槠幼苗生长与光合作用的影响;方江保等;《浙江林学院学报》;20100831;第27卷(第4期);第538-544页 * |
| 全光和遮阴下两种亚热带木本植物的光合作用对光的响应;温达志等;《热带亚热带植物学报》;20010930;第9卷(第3期);第248-255页 * |
| 遮光对青榨槭光合速率及叶绿素荧光参数的影响;缴丽莉等;《园艺学报》;20070131;第34卷(第1期);第173-178页 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN104914053A (zh) | 2015-09-16 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Katsoulas et al. | Crop reflectance monitoring as a tool for water stress detection in greenhouses: A review | |
| Zhang et al. | High throughput analysis of leaf chlorophyll content in sorghum using RGB, hyperspectral, and fluorescence imaging and sensor fusion | |
| Neto et al. | Vis/NIR spectroscopy and chemometrics for non-destructive estimation of water and chlorophyll status in sunflower leaves | |
| Fournier et al. | Effect of canopy structure on sun-induced chlorophyll fluorescence | |
| Zhang et al. | Spectral technology and multispectral imaging for estimating the photosynthetic pigments and SPAD of the Chinese cabbage based on machine learning | |
| Barry et al. | Crown‐scale evaluation of spectral indices for defoliated and discoloured eucalypts | |
| CN110082309B (zh) | 冬小麦冠层spad值综合光谱监测模型建立方法 | |
| 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 | |
| Mõttus et al. | Seasonal course of the spectral properties of alder and birch leaves | |
| Brambilla et al. | Application of a low-cost RGB sensor to detect basil (Ocimum basilicum L.) nutritional status at pilot scale level | |
| CN109060676A (zh) | 基于高光谱的夏玉米冠层spad值估算模型的确定方法 | |
| Keskin et al. | Assessing nitrogen content of golf course turfgrass clippings using spectral reflectance | |
| CN105608296B (zh) | 一种基于荔枝冠层光谱的叶片钾浓度反演方法 | |
| CN104914053B (zh) | 构建树木冠层光合性状预测模型及检测光合性状 | |
| Jianfeng et al. | Non-destructive measurement of chlorophyll in tomato leaves using spectral transmittance | |
| Qiong et al. | Field monitoring of wheat seedling stage with hyperspectral imaging | |
| Zhao et al. | A flight sensing detector for apple maturity indexes in orchard | |
| CN106568722A (zh) | 一种基于光谱技术的设施黄瓜病害预警方法及装置 | |
| Keskin et al. | Reflectance-based sensor to predict visual quality ratings of turfgrass plots | |
| Schlerf et al. | Spectrometric estimation of leaf pigments in Norway spruce needles using band-depth analysis, partial least-square regression and inversion of a conifer leaf model | |
| Anderson et al. | Detection of wine grape nutrient levels using visible and near infrared 1nm spectral resolution remote sensing | |
| Kumar et al. | Reflectance Based Models for Non-Destructive Prediction of Lycopene Content in Tomato Fruits | |
| Huang et al. | Estimation of chlorophyll content in pepper leaves using spectral transmittance red-edge parameters | |
| Wu et al. | Recognition of wheat preharvest sprouting based on hyperspectral imaging | |
| Zhou et al. | Investigation on data fusion of sun-induced chlorophyll fluorescence and reflectance for photosynthetic capacity of rice |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| C06 | Publication | ||
| PB01 | Publication | ||
| C10 | Entry into substantive examination | ||
| SE01 | Entry into force of request for substantive examination | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant | ||
| CF01 | Termination of patent right due to non-payment of annual fee |
Granted publication date: 20170728 |
|
| CF01 | Termination of patent right due to non-payment of annual fee |