CN105842245B - 一种评估水稻产量的方法 - Google Patents

一种评估水稻产量的方法 Download PDF

Info

Publication number
CN105842245B
CN105842245B CN201610236111.1A CN201610236111A CN105842245B CN 105842245 B CN105842245 B CN 105842245B CN 201610236111 A CN201610236111 A CN 201610236111A CN 105842245 B CN105842245 B CN 105842245B
Authority
CN
China
Prior art keywords
rice
value
fit equation
yield
nbi
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
Application number
CN201610236111.1A
Other languages
English (en)
Other versions
CN105842245A (zh
Inventor
张会民
柳开楼
李亚贞
王亮亮
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.)
JIANGXI INSTITUTE OF REO SOIL
Institute of Agricultural Resources and Regional Planning of CAAS
Original Assignee
JIANGXI INSTITUTE OF REO SOIL
Institute of Agricultural Resources and Regional Planning of CAAS
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 JIANGXI INSTITUTE OF REO SOIL, Institute of Agricultural Resources and Regional Planning of CAAS filed Critical JIANGXI INSTITUTE OF REO SOIL
Priority to CN201610236111.1A priority Critical patent/CN105842245B/zh
Publication of CN105842245A publication Critical patent/CN105842245A/zh
Application granted granted Critical
Publication of CN105842245B publication Critical patent/CN105842245B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
    • G01N21/00—Investigating or analysing materials by the use of optical means, i.e. using sub-millimetre waves, infrared, visible or ultraviolet light
    • G01N21/84—Systems specially adapted for particular applications
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
    • G01N21/00—Investigating or analysing materials by the use of optical means, i.e. using sub-millimetre waves, infrared, visible or ultraviolet light
    • G01N21/84—Systems specially adapted for particular applications
    • G01N2021/8466—Investigation of vegetal material, e.g. leaves, plants, fruits

Landscapes

  • Physics & Mathematics (AREA)
  • Health & Medical Sciences (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Chemical & Material Sciences (AREA)
  • Analytical Chemistry (AREA)
  • Biochemistry (AREA)
  • General Health & Medical Sciences (AREA)
  • General Physics & Mathematics (AREA)
  • Immunology (AREA)
  • Pathology (AREA)
  • Image Processing (AREA)

Abstract

本发明公开了一种评估水稻产量的方法，包括如下步骤：步骤(1)：在田间试验中，采集处于灌浆末期的水稻冠层数字图像；获取红光标准化值NRI、绿光标准化值NGI和蓝光标准化值NBI；获得田间试验水稻实测产量；得到第一拟合方程和第二拟合方程；步骤(2)：在大田验证中，采集灌浆末期的水稻冠层数字图像；获取红光标准化值NRI、绿光标准化值NGI和蓝光标准化值NBI；将红光标准化值NRI输入第一拟合方程，将蓝光标准化值NBI输入第二拟合方程，得到大田水稻预测产量。本发明对水稻产量进行预测得到的预测产量与实测产量之间符合度较高，能够较好的预测水稻籽粒产量。本发明操作相比现有技术简单，且成本低。

Description

一种评估水稻产量的方法
技术领域
本发明涉及一种评估水稻产量的方法，具体涉及一种基于数字图像评估水稻产量的方法，本发明属于水稻产量评估领域。
背景技术
目前市场上评估水稻产量的方法主要有光谱诊断法、遥感评估法等，但是这些方法均需要价格昂贵的光谱仪或者购买卫星遥感图片，且操作步骤繁琐，从而导致推广和应用较难。由于其较低的价格走势，数码相机等数码拍摄设备目前已经在各行各业中普遍使用，且已经与智能手机完全融合。通过数码相机等数码拍摄设备拍摄水稻植株的数字图像，而根据前人研究，数字图像的RGB值与水稻养分和产量存在密切相关。但是现有技术中尚没有基于数字图像来实现水稻产量评估的方法。
发明内容
为解决现有技术的不足，本发明的目的在于提供一种评估水稻产量的方法，从而降低评估水稻产量的成本和操作难度。
为了实现上述目标，本发明的技术方案为：
一种评估水稻产量的方法，包括如下步骤：
步骤(1)：在田间试验中，操作如下：采集处于灌浆末期的水稻冠层数字图像；从所述数字图像中分别获取红光值R、绿光值G和蓝光值B，以及红光标准化值NRI、绿光标准化值NGI和蓝光标准化值NBI，其中NRI＝R/(R+G+B)，NGI＝G/(R+G+B)，NBI＝B/(R+G+B)；获得田间试验水稻实测产量；得到第一拟合方程和第二拟合方程，所述的第一拟合方程为所述红光标准化值NRI与田间试验水稻实测产量的拟合方程，所述的第二拟合方程为所述蓝光标准化值NBI与田间试验水稻实测产量的拟合方程；
步骤(2)：在大田验证中，操作如下：采集灌浆末期的水稻冠层数字图像；从所述数字图像中分别获取红光值R、绿光值G和蓝光值B，计算红光标准化值NRI、绿光标准化值NGI和蓝光标准化值NBI：其中NRI＝R/(R+G+B)，NGI＝G/(R+G+B)，NBI＝B/(R+G+B)；将红光标准化值NRI输入步骤(1)中的第一拟合方程，将蓝光标准化值NBI输入步骤(1)中的第二拟合方程，得到大田水稻预测产量。
优选的，步骤(1)在田间试验中，设置不同氮肥水平和密度水平，采集处于各种氮肥水平和密度水平的水稻冠层数字图像。
优选的，步骤(1)采用二次曲线分别构建第一拟合方程和第二拟合方程。
步骤(1)第一拟合方程可以为：y＝-3437.4x2+2465.5x-434.79，方程中x为红光标准化值NRI，y为通过第一拟合方程得到的水稻预测产量。
优选的，步骤(1)第二拟合方程为：y＝-1198.9x2+436.5x-32.612，方程中x为蓝光标准化值NBI，y为通过第二拟合方程得到的水稻评估产量。
优选的，所述数字图像的采集工具包括但不限于数码相机。
使用数码相机进行数字图像的采集时，拍摄时镜头离水稻冠层为40—60cm，优选50cm。数字图像采集时间在9:00至15:30之间，优选在10:30至14:30之间。
本发明的有益效果为：本发明的评估水稻产量的方法，对水稻产量进行预测得到的预测产量与实测产量之间符合度较高，能够较好的预测水稻籽粒产量。本发明操作相比现有技术简单，且成本低，因而具有广阔的市场应用前景。创新了一种基于数字图像来实现水稻产量评估的方法。
附图说明
图1是本发明一种评估水稻产量的方法的流程示意图；
图2是本发明一种评估水稻产量的方法得到的第一拟合方程示意图；
图3是本发明一种评估水稻产量的方法得到的第二拟合方程示意图；
图4是本发明一种评估水稻产量的方法基于第一拟合方程得到的预测产量和实测产量的示意图；
图5是本发明一种评估水稻产量的方法基于第二拟合方程得到的预测产量和实测产量的示意图。
具体实施方式
下面结合实施例对发明涉及的技术方案进行进一步说明，以便有助于本发明的理解，但不作为对技术方案的限制，该技术领域的技术工程师可根据上述发明的内容作出一些非本质性的改进和调整。
实施例1：评估水稻产量的方法，包括如下步骤：
步骤(1)在田间试验中，步骤如下：采集处于灌浆末期的水稻冠层数字图像；从上述水稻冠层数字图像中分别获取红光值R、绿光值G和蓝光值B，以及红光标准化值NRI、绿光标准化值NGI和蓝光标准化值NBI，其中NRI＝R/(R+G+B)，NGI＝G/(R+G+B)，NBI＝B/(R+G+B)；获得田间试验水稻实测产量；得到第一拟合方程和第二拟合方程，所述第一拟合方程为水稻冠层数字图像红光标准化值NRI与田间试验水稻实测产量的拟合方程，所述第二拟合方程为水稻冠层数字图像蓝光标准化值NBI与田间试验水稻实测产量的拟合方程。
本实施例是在双季稻区域进行，优选于晴朗无云的10:30至14:30的时间内，且在水稻灌浆末期，选择长势均匀的水稻冠层，用数码相机拍摄，拍摄时镜头离水稻冠层50cm左右，并保持与水稻冠层垂直。拍摄正面图像，重复3次。数字图像以JPEG格式转入计算机。本实施例设置不同氮肥和密度互作的田间试验，主处理为氮肥水平(0，135，180，225kg N/hm2)，副处理为密度水平(21，27，33，39万穴/hm2)。在水稻的分蘖盛期、穗分化期、齐穗期、灌浆期、灌浆末期、成熟期分别采集数字图像。本实施例中采用Canon IXUS140型数码相机进行拍摄。表一为在不同氮肥和密度互作的田间试验下，水稻各关键生育期的标准化值。表一“处理组”一栏中，根据主处理和副处理划分了16个小组，小组名称分别是：N0D4、N0D3、N0D2、N0D1、N1D4、N1D3、N1D2、N1D1、N2D4、N2D3、N2D2、N2D1、N3D4、N3D3、N3D2、N3D1。小组命名时，含有“N0”的小组其氮肥水平为0kg N/hm2，含有“N1”的小组其氮肥水平为135kg N/hm2，含有“N2”的小组其氮肥水平为180kg N/hm2，含有“N3”的小组其氮肥水平为225kg N/hm2，含有“D4”的小组其密度水平为21万穴/hm2，含有“D3”的小组其密度水平为27万穴/hm2，含有“D2”的小组其密度水平为33万穴/hm2，含有“D1”的小组其密度水平为39万穴/hm2。因此，每一个小组的名称即指明了此小组的氮肥水平和密度水平。
图像的处理采用Adobe photoshop来获得数字图像的红光值R、绿光值G和蓝光值B，并计算相应的红光标准化值NRI、绿光标准化值NGI和蓝光标准化值NBI,各标准化值的计算为：红光标准化值:NRI＝R/(R+G+B)，绿光标准化值:NGI＝G/(R+G+B)，蓝光标准化值:NBI＝B/(R+G+B)。如表一所示，对16个处理组，在水稻的分蘖盛期、穗分化期、齐穗期、灌浆期、灌浆末期、成熟期分别得到了红光标准化值NRI、绿光标准化值NGI和蓝光标准化值NBI。
由表一可知，各处理的NRI值均随水稻的生长而逐渐增加，且施氮肥处理(135，180，225kg N/hm2)在抽穗—灌浆期的NRI显著低于不施氮肥处理；而NGI和NBI的值则随水稻的生长而逐渐降低，且各处理的NGI不存在显著差异；施氮肥的处理在抽穗—灌浆期的NBI显著高于不施氮肥处理，与不施氮相比，氮肥用量为135，180，225kg N/hm2处理在灌浆末期的NBI分别增加了20.1％、28.7％和19.6％。
对水稻各关键生育期的冠层数字图像色彩参数与产量进行拟合分析，结果显示灌浆末期水稻冠层数字图像中NRI/NBI与产量的关系可以用二次曲线进行拟合。
采用二次曲线对红光标准化值NRI与水稻评估产量进行拟合，采用二次曲线对蓝光标准化值NBI与水稻评估产量进行拟合。
第一拟合方程为所述红光标准化值NRI与田间试验水稻实测产量的拟合方程，第二拟合方程为所述蓝光标准化值NBI与田间试验水稻实测产量的拟合方程。拟合结果为第一拟合方程y＝-3437.4x2+2465.5x-434.79(拟合度R2＝0.4853)，方程中x为红光标准化值NRI，y为通过第一拟合方程得到的水稻预测产量。如图2所示。第二拟合方程y＝-1198.9x2+436.5x-32.612(拟合度R2分别为0.4122)，方程中x为蓝光标准化值NBI，y为通过第二拟合方程得到的水稻评估产量。如图3所示。而NGI与籽粒产量不存在显著关系。因此，可以用灌浆末期的NRI和NBI与产量的拟合方程对不同田块的水稻产量进行预测。采用两个拟合方程中的每一个都可以得到一个水稻预测产量。
表一：在不同氮肥和密度互作的田间试验下，水稻各关键生育期的标准化值和水稻实测产量
在得到拟合在大田验证中，操作如下：采集灌浆末期的水稻冠层数字图像；从所述数字图像中分别获取红光值R、绿光值G和蓝光值B，计算红光标准化值NRI、绿光标准化值NGI和蓝光标准化值NBI：NRI＝R/(R+G+B)，NGI＝G/(R+G+B)，NBI＝B/(R+G+B)。上述几部操作时，为了确保采集的图像比较清楚，仍然优选长势均匀的水稻冠层，用数码相机拍摄，拍摄时镜头离水稻冠层50cm左右，并保持与水稻冠层垂直。拍摄正面图像，重复3次。数字图像以JPEG格式转入计算机。
步骤(2)将由大田验证中，由此得到的灌浆末期水稻冠层红光标准化值NRI输入第一拟合方程，将灌浆末期水稻冠层蓝光标准化值NBI输入第二拟合方程，得到大田水稻预测产量。
表二为对拟合方程进行大田验证得到的数据。表二中选取了16块田块，进行了编号，每块田块均得到了灌浆末期水稻冠层NRI、NGI、NBI值，将NRI、NBI值输入拟合方程后均分别得到了基于第一拟合方程的预测产量，以及基于第二拟合方程的预测产量。本实施例为了验证两个拟合方程的精确度，还得到了16块田块的实测产量，还分别得到了基于第一拟合方程的距离误差比率和基于第二拟合方程的距离误差比率。基于第一拟合方程的距离误差比率＝(基于第一拟合方程的预测产量-实测产量)/基于第一拟合方程的预测产量；基于第二拟合方程的距离误差比率＝(基于第二拟合方程的预测产量-实测产量)/基于第二拟合方程的预测产量。对基于第一拟合方程的距离误差比率进行平均后得到基于第一拟合方程的预测产量与实际产量之间的平均相对误差为-0.024，对基于第二拟合方程的距离误差比率进行平均后得到基于第二拟合方程的预测产量与实际产量之间的平均相对误差为-0.028。进一步得到的估算精度为0.4592(基于第一拟合方程)和0.7074(基于第二拟合方程)，估计的RMSE分别为0.5489(基于第一拟合方程)和0.4010(基于第二拟合方程)。如图4，图5所示。因此，通过大田验证可以得知，用灌浆末期的NRI和NBI与产量的拟合方程对不同田块的水稻产量进行预测得到的预测产量与实测产量之间符合度较高，说明灌浆末期的NRI和NBI均能够较好的预测籽粒产量。此外，由于本发明在操作时只需要用数码相机等进行数字图像的采集，因此具有成本低的优势，而实际操作步骤相对现有技术也大大降低。
表二：对拟合方程进行大田验证得到的数据
实施例2：一种评估水稻产量的方法，包括如下步骤：
步骤(1)：在田间试验中，操作如下：采集处于灌浆末期的水稻冠层数字图像；从所述数字图像中分别获取红光值R、绿光值G和蓝光值B，以及红光标准化值NRI、绿光标准化值NGI和蓝光标准化值NBI，其中NRI＝R/(R+G+B)，NGI＝G/(R+G+B)，NBI＝B/(R+G+B)；获得田间试验水稻实测产量；得到第一拟合方程和第二拟合方程，所述的第一拟合方程为所述红光标准化值NRI与田间试验水稻实测产量的拟合方程，所述的第二拟合方程为所述蓝光标准化值NBI与田间试验水稻实测产量的拟合方程；
步骤(2)：在大田验证中，操作如下：采集灌浆末期的水稻冠层数字图像；从所述数字图像中分别获取红光值R、绿光值G和蓝光值B，计算红光标准化值NRI、绿光标准化值NGI和蓝光标准化值NBI：其中NRI＝R/(R+G+B)，NGI＝G/(R+G+B)，NBI＝B/(R+G+B)；将红光标准化值NRI输入步骤(1)中的第一拟合方程，将蓝光标准化值NBI输入步骤(1)中的第二拟合方程，得到大田水稻预测产量。
实施例3：一种评估水稻产量的方法，包括如下步骤：
步骤(1)：在田间试验中，操作如下：采集处于灌浆末期的水稻冠层数字图像；从所述数字图像中分别获取红光值R、绿光值G和蓝光值B，以及红光标准化值NRI、绿光标准化值NGI和蓝光标准化值NBI，其中NRI＝R/(R+G+B)，NGI＝G/(R+G+B)，NBI＝B/(R+G+B)；获得田间试验水稻实测产量；采用二次曲线分别构建第一拟合方程和第二拟合方程，所述的第一拟合方程为所述红光标准化值NRI与田间试验水稻实测产量的拟合方程，所述的第二拟合方程为所述蓝光标准化值NBI与田间试验水稻实测产量的拟合方程；在田间试验中，设置不同氮肥水平和密度水平，采集处于各种氮肥水平和密度水平的水稻冠层数字图像。
第一拟合方程为：y＝-3437.4x2+2465.5x-434.79，方程中x为红光标准化值NRI，y为通过第一拟合方程得到的水稻预测产量。第二拟合方程为：y＝-1198.9x2+436.5x-32.612，方程中x为蓝光标准化值NBI，y为通过第二拟合方程得到的水稻评估产量。
步骤(2)：在大田验证中，操作如下：采集灌浆末期的水稻冠层数字图像；从所述数字图像中分别获取红光值R、绿光值G和蓝光值B，计算红光标准化值NRI、绿光标准化值NGI和蓝光标准化值NBI：其中NRI＝R/(R+G+B)，NGI＝G/(R+G+B)，NBI＝B/(R+G+B)；将红光标准化值NRI输入步骤(1)中的第一拟合方程，将蓝光标准化值NBI输入步骤(1)中的第二拟合方程，得到大田水稻预测产量。
数字图像的采集工具为数码相机，使用数码相机进行数字图像的采集时，拍摄时镜头离水稻冠层为50cm。数字图像采集时间为10.30到14:30之间。
实施例4：一种评估水稻产量的方法，包括如下步骤：
步骤(1)：在田间试验中，操作如下：采集处于灌浆末期的水稻冠层数字图像；从所述数字图像中分别获取红光值R、绿光值G和蓝光值B，以及红光标准化值NRI、绿光标准化值NGI和蓝光标准化值NBI，其中NRI＝R/(R+G+B)，NGI＝G/(R+G+B)，NBI＝B/(R+G+B)；获得田间试验水稻实测产量；采用二次曲线分别构建第一拟合方程和第二拟合方程。得到第一拟合方程和第二拟合方程，所述的第一拟合方程为所述红光标准化值NRI与田间试验水稻实测产量的拟合方程，所述的第二拟合方程为所述蓝光标准化值NBI与田间试验水稻实测产量的拟合方程；
步骤(2)：在大田验证中，操作如下：采集灌浆末期的水稻冠层数字图像；从所述数字图像中分别获取红光值R、绿光值G和蓝光值B，计算红光标准化值NRI、绿光标准化值NGI和蓝光标准化值NBI：其中NRI＝R/(R+G+B)，NGI＝G/(R+G+B)，NBI＝B/(R+G+B)；将红光标准化值NRI输入步骤(1)中的第一拟合方程，将蓝光标准化值NBI输入步骤(1)中的第二拟合方程，得到大田水稻预测产量。
步骤(1)第一拟合方程为：y＝-3437.4x2+2465.5x-434.79，方程中x为红光标准化值NRI，y为通过第一拟合方程得到的水稻预测产量。
第二拟合方程为：y＝-1198.9x2+436.5x-32.612，方程中x为蓝光标准化值NBI，y为通过第二拟合方程得到的水稻评估产量。
数字图像的采集工具为数码相机或智能手机的摄像头，拍摄时镜头离水稻冠层为40—60cm，数字图像采集时间在9:00至15:30之间。
实施例5：一种评估水稻产量的方法，包括如下步骤：
步骤(1)：在田间试验中，操作如下：采集处于灌浆末期的水稻冠层数字图像；设置不同氮肥水平和密度水平，采集处于各种氮肥水平和密度水平的水稻冠层数字图像。从所述数字图像中分别获取红光值R、绿光值G和蓝光值B，以及红光标准化值NRI、绿光标准化值NGI和蓝光标准化值NBI，其中NRI＝R/(R+G+B)，NGI＝G/(R+G+B)，NBI＝B/(R+G+B)；获得田间试验水稻实测产量；采用二次曲线分别构建第一拟合方程和第二拟合方程。得到第一拟合方程和第二拟合方程，所述的第一拟合方程为所述红光标准化值NRI与田间试验水稻实测产量的拟合方程，所述的第二拟合方程为所述蓝光标准化值NBI与田间试验水稻实测产量的拟合方程；
步骤(2)：在大田验证中，操作如下：采集灌浆末期的水稻冠层数字图像；从所述数字图像中分别获取红光值R、绿光值G和蓝光值B，计算红光标准化值NRI、绿光标准化值NGI和蓝光标准化值NBI：其中NRI＝R/(R+G+B)，NGI＝G/(R+G+B)，NBI＝B/(R+G+B)；将红光标准化值NRI输入步骤(1)中的第一拟合方程，将蓝光标准化值NBI输入步骤(1)中的第二拟合方程，得到大田水稻预测产量。
以上实施例说明了本发明的详细步骤和优点。本行业的技术人员应该了解，上述实施例不以任何形式限制本发明，凡采用等同替换或等效变换的方式所获得的技术方案，均落在本发明的保护范围内。

Claims (9)

1.一种评估水稻产量的方法，其特征在于，包括如下步骤：
步骤(1)：在田间试验中，操作如下：采集处于灌浆末期的水稻冠层数字图像；从所述数字图像中分别获取红光值R、绿光值G和蓝光值B，以及红光标准化值NRI、绿光标准化值NGI和蓝光标准化值NBI，其中NRI＝R/(R+G+B)，NGI＝G/(R+G+B)，NBI＝B/(R+G+B)；获得田间试验水稻实测产量；得到第一拟合方程和第二拟合方程，所述的第一拟合方程为所述红光标准化值NRI与田间试验水稻实测产量的拟合方程，所述的第二拟合方程为所述蓝光标准化值NBI与田间试验水稻实测产量的拟合方程；
步骤(2)：在大田验证中，操作如下：采集灌浆末期的水稻冠层数字图像；从所述数字图像中分别获取红光值R、绿光值G和蓝光值B，计算红光标准化值NRI、绿光标准化值NGI和蓝光标准化值NBI：其中NRI＝R/(R+G+B)，NGI＝G/(R+G+B)，NBI＝B/(R+G+B)；将红光标准化值NRI输入步骤(1)中的第一拟合方程，将蓝光标准化值NBI输入步骤(1)中的第二拟合方程，得到大田水稻预测产量；
步骤(1)采用二次曲线分别构建第一拟合方程和第二拟合方程。
2.根据权利要求1所述的一种评估水稻产量的方法，其特征在于，步骤(1)在田间试验中，设置不同氮肥水平和密度水平，采集处于各种氮肥水平和密度水平的水稻冠层数字图像。
3.根据权利要求1至2任一所述的一种评估水稻产量的方法，其特征在于，步骤(1)第一拟合方程为：y＝-3437.4x2+2465.5x-434.79，方程中x为红光标准化值NRI，y为通过第一拟合方程得到的水稻预测产量。
4.根据权利要求3所述的一种评估水稻产量的方法，其特征在于，步骤(1)第二拟合方程为：y＝-1198.9x2+436.5x-32.612，方程中x为蓝光标准化值NBI，y为通过第二拟合方程得到的水稻评估产量。
5.根据权利要求1至2任一项所述的一种评估水稻产量的方法，其特征在于，所述数字图像的采集工具包括但不限于数码相机。
6.根据权利要求5所述的一种评估水稻产量的方法，其特征在于，使用数码相机进行数字图像的采集时，拍摄时镜头离水稻冠层为40—60cm。
7.根据权利要求6所述的一种评估水稻产量的方法，其特征在于，拍摄时镜头离水稻冠层为50cm。
8.根据权利要求5所述的一种评估水稻产量的方法，其特征在于，数字图像采集时间在9:00至15:30之间。
9.根据权利要求8所述的一种评估水稻产量的方法，其特征在于，数字图像采集时间在10:30至14:30之间。
CN201610236111.1A 2016-04-15 2016-04-15 一种评估水稻产量的方法 Active CN105842245B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201610236111.1A CN105842245B (zh) 2016-04-15 2016-04-15 一种评估水稻产量的方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201610236111.1A CN105842245B (zh) 2016-04-15 2016-04-15 一种评估水稻产量的方法

Publications (2)

Publication Number Publication Date
CN105842245A CN105842245A (zh) 2016-08-10
CN105842245B true CN105842245B (zh) 2019-02-15

Family

ID=56588545

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201610236111.1A Active CN105842245B (zh) 2016-04-15 2016-04-15 一种评估水稻产量的方法

Country Status (1)

Country Link
CN (1) CN105842245B (zh)

Families Citing this family (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN107229999B (zh) * 2017-05-31 2020-12-25 深圳春沐源控股有限公司 作物产量的预测方法、系统、计算机设备及可读存储介质
CN110946020B (zh) * 2019-11-08 2022-06-10 山东省水稻研究所 用于不同品种水稻种植的氮肥用量监控系统及监控方法
CN111536930A (zh) * 2020-05-07 2020-08-14 安徽农业大学 一种双季稻机插早稻品种产量评估方法
CN112083128A (zh) * 2020-09-15 2020-12-15 华南农业大学 一种水稻高产抗虫害性表型鉴定方法
CN113295572B (zh) * 2021-05-20 2022-07-29 内蒙古农业大学 一种农田残膜采集方法、装置及设备

Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103868880A (zh) * 2014-01-24 2014-06-18 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
CN104502283A (zh) * 2014-12-15 2015-04-08 南京农业大学 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

Patent Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103868880A (zh) * 2014-01-24 2014-06-18 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
CN104502283A (zh) * 2014-12-15 2015-04-08 南京农业大学 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

Non-Patent Citations (6)

* Cited by examiner, † Cited by third party
Title
"Light reflectance compared with other nitroge stress measurements in corn leaves";Blackmer T M.et al.;《Jorunal of Production Agriculture》;19941231(第1期);第934-938页 *
"Estimation of rice growth and nitrogen nutrition status using color digital camera image analysis";Kyu J L。 et al.;《European Jorunal of Agronomy》;20131231(第6期);第57-65页 *
"利用数码相机获取水稻氮营养及其长势长相参数的初步研究";鲁明星;《华中农业大学学报》;20060430;第25卷(第2期);第149-152页 *
"基于冠层反射光谱的水稻产量预测模型";薛丽红 等;《遥感学报》;20050131;第9卷(第1期);第100-105页 *
"应用数字图像技术进行水稻氮素营养诊断";李岚涛 等;《植物营养与肥料学报》;20150129;第21卷(第1期);第259-268页 *
"应用数码相机进行绿肥翻压后春玉米氮素营养诊断和产量预测";白金顺 等;《光谱学与光谱分析》;20131231;第33卷(第12期);第3334-3338页 *

Also Published As

Publication number Publication date
CN105842245A (zh) 2016-08-10

Similar Documents

Publication Publication Date Title
CN105842245B (zh) 一种评估水稻产量的方法
CN104132897B (zh) 一种基于手持设备的植物叶片含氮量测量方法和装置
Macfarlane et al. Estimating forest leaf area using cover and fullframe fisheye photography: thinking inside the circle
CN107421895A (zh) 一种多波段优化组合的水质参数浓度反演方法和装置
CN104168475B (zh) 一种数码相机参数可变的成像式获取颜色三刺激值的方法
CN105675821B (zh) 一种作物氮素营养无损诊断的图像评价指标的建立方法
CN109757175B (zh) 一种基于无人机监测的玉米水肥一体化变量施肥方法
CN106841051B (zh) 一种基于可见光图像融合值的作物氮素营养检测方法
CN108876917A (zh) 一种森林地上生物量遥感估测通用模型构建方法
CN109557030A (zh) 一种基于无人机遥感的水质要素反演方法
CN101915738A (zh) 基于高光谱成像技术的茶树营养信息快速探测方法及装置
CN110222903A (zh) 一种基于无人机遥感的水稻产量预测方法及系统
CN110222698A (zh) 一种基于色彩信息处理进行水质分析的方法及系统
CN109507119A (zh) 一种基于无人机光谱的水质要素浓度检测方法
CN114091613A (zh) 一种基于高分联合组网数据的森林生物量估算方法
CN104849220A (zh) 一种平面式文物光谱图像获取方法
Roth et al. Repeated multiview imaging for estimating seedling tiller counts of wheat genotypes using drones
CN112147078B (zh) 一种农作物表型信息多源遥感监测方法
CN109253862A (zh) 一种基于神经网络的色度测量方法
CN105865624A (zh) 高光谱采集系统的光谱提取方法及装置
Blakeslee Surface brightness fluctuations as primary and secondary distance indicators
CN103942555A (zh) 一种植物氮素含量丰缺图像检测方法
CN108981617A (zh) 一种冬小麦叶面积指数反演方法及系统
CN109887044A (zh) 一种生殖数据测评方法及系统
CN107256421A (zh) 一种稻麦籽粒快速计数方法

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