CN105956381A - 一种阔叶植物叶干重预测方法 - Google Patents

一种阔叶植物叶干重预测方法 Download PDF

Info

Publication number
CN105956381A
CN105956381A CN201610264504.3A CN201610264504A CN105956381A CN 105956381 A CN105956381 A CN 105956381A CN 201610264504 A CN201610264504 A CN 201610264504A CN 105956381 A CN105956381 A CN 105956381A
Authority
CN
China
Prior art keywords
leaf
dry weight
sample
forecast model
broad leaved
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
Application number
CN201610264504.3A
Other languages
English (en)
Inventor
刘志理
蔡慧颖
金光泽
李凤日
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.)
Northeast Forestry University
Original Assignee
Northeast Forestry University
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 Northeast Forestry University filed Critical Northeast Forestry University
Priority to CN201610264504.3A priority Critical patent/CN105956381A/zh
Publication of CN105956381A publication Critical patent/CN105956381A/zh
Pending legal-status Critical Current

Links

Classifications

    • G—PHYSICS
    • G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
    • G16Z—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS, NOT OTHERWISE PROVIDED FOR
    • G16Z99/00—Subject matter not provided for in other main groups of this subclass

Landscapes

  • Investigating Or Analysing Biological Materials (AREA)

Abstract

本发明提供了一种阔叶植物叶干重预测方法，该阔叶植物叶干重预测方法包括：获取阔叶植物上的待测叶片的叶长和叶宽；将待测叶片的叶长和叶宽代入预定的叶干重预测模型，计算述待测叶片的叶干重，作为待测叶片的叶干重预测值；其中，叶干重预测模型采用y＝ax或y＝mxn的表达形式，y表示叶干重，x为叶长和叶宽的乘积，a、m和n分别为模型参数。本发明的阔叶植物叶干重预测方法不需要破坏待测叶片也可以测得叶片的叶干重，省时省力，且预测准确度较高。

Description

一种阔叶植物叶干重预测方法
技术领域
本发明涉及森林生态领域，尤其涉及一种阔叶植物叶干重预测方法。
背景技术
叶片是植物与周围环境进行物质和能量交换的主要器官。叶干重是描述叶片结构特征的常用参数，是预测叶片固碳能力的关键变量，同时是研究植物养分、植物竞争、林内微气象、林分动态的重要组分。此外，植物叶片叶干重的生长动态对气候变化具有很强的敏感性。
目前，植物叶片的叶干重通常采用称重法来测定。称重法测量比较准确，但破坏性却较大。此外，称重法费时费力，同时不适于监测叶干重的动态变化。
发明内容
在下文中给出了关于本发明的简要概述，以便提供关于本发明的某些方面的基本理解。应当理解，这个概述并不是关于本发明的穷举性概述。它并不是意图确定本发明的关键或重要部分，也不是意图限定本发明的范围。其目的仅仅是以简化的形式给出某些概念，以此作为稍后论述的更详细描述的前序。
鉴于此，本发明提供了一种阔叶植物叶干重预测方法，以至少解决现有测量叶干重的技术所存在的破坏性大、费时费力的问题。
根据本发明的一个方面，提供了一种阔叶植物叶干重预测方法，该阔叶植物叶干重预测方法包括：获取阔叶植物上的待测叶片的叶长和叶宽；将所述待测叶片的叶长和叶宽代入预定的叶干重预测模型，计算所述待测叶片的叶干重，作为所述待测叶片的叶干重预测值；其中，所述叶干重预测模型采用y＝ax或y＝mxn的表达形式，y表示叶干重，x为叶长和叶宽的乘积，a、m和n分别为模型参数。
进一步地，所述叶干重预测模型可以通过如下方式预先获得：测量样本集中每片样叶的叶长和叶宽，所述样本集由来自所述阔叶植物的预定数目个样叶组成；将所述样本集中所有样叶在预设温度下烘干至恒重，以测量烘干后的每片样叶的重量，作为每片样叶的叶干重实测值；利用所述样本集中全部或部分样叶中各样叶的叶长、叶宽和叶干重实测值，通过选择预定模型类型来完成所述叶干重预测模型的构建，并将决定系数(R2)值最大、均方根误差(PMSE)值最小，且预测精度较高的模型确定为叶干重预测模型。
进一步地，所述阔叶植物可以为白桦树种，所述叶干重预测模型表示可以为y＝0.0022x1.1291。
进一步地，所述阔叶植物可以为水曲柳树种，所述叶干重预测模型表示可以为y＝0.0008x1.2325。
进一步地，所述阔叶植物可以为五角槭树种，所述叶干重预测模型表示可以为y＝0.0015x。
进一步地，所述叶干重预测模型也可以通过如下方式预先获得：测量样本集中每片样叶的叶长和叶宽，所述样本集由来自所述阔叶植物的预定数目个样叶组成；将所述样本集中所有样叶在预设温度下烘干至恒重，以测量烘干后的每片样叶的重量，作为每片样叶的叶干重实测值；将所述样本集中所有样叶分为两组，其中一组作为预测组，另一组作为检验组；利用所述预测组中各样叶的叶长、叶宽和叶干重实测值来构建第一预测模型，并计算R2值和RMSE值，其中，所述第一预测模型表示为y＝ax；利用所述预测组中各样叶的叶长、叶宽和叶干重实测值来构建第二预测模型，并计算R2值和RMSE值，其中，所述第二预测模型表示为y＝mxn；利用所述检验组中各样叶的叶长、叶宽和叶干重实测值，获得所述第一预测模型和所述第二预测模型的预测精度；将所述第一预测模型和所述第二预测模型之中R2值最大、RMSE值最小且预测精度较高的模型确定为所述叶干重预测模型。
进一步地，所述预测组所含样叶数量与所述检验组所含样叶数量之比为4:1。
本发明的阔叶植物叶干重预测方法利用预先构建的叶干重预测模型，通过测量待测叶片的叶长和叶宽，即可预测出待测叶片的叶干重，而不需要破坏待测叶片，同时能够保证较高的预测精度，因此较传统的称重法等具有很大的进步。
此外，相比于称重法等现有技术，本发明的阔叶植物叶干重预测方法的预测过程快，既省时又省力，提高了整个测量过程的效率。
另外，由于传统的称重法等对待测叶片具有破坏性等原因，无法监测叶片叶干重的动态变化，而使用本发明的阔叶植物叶干重预测方法则可有效地解决这个问题，阔叶植物叶干重预测方法不需要破坏待测叶片，可以随时根据待测叶片不同生长阶段的叶片结构参数(即叶长和叶宽)来预测不同时期的叶干重，同时保证了较高的预测精度，具有重大意义。
此外，在利用部分样本数据(叶长、叶宽和叶干重实测值)构建两种用于预测叶片叶干重的预测模型的实现方式中，利用另部分样本数据计算这两种预测模型的预测精度，从而选出其中预测精度较高的一个预测模型来作为最终用于预测待测叶片叶干重的叶干重预测模型，该种实现方式通过利用同批次的样本检验模型的预测精度，所得到的预测精度较为准确、可靠；此外，该实现方式具有较强的灵活性，可为不同阔叶植物选择最合适的预测模型，省时省力，同时保证了预测准确性。
通过以下结合附图对本发明的最佳实施例的详细说明，本发明的这些以及其他优点将更加明显。
附图说明
本发明可以通过参考下文中结合附图所给出的描述而得到更好的理解，其中在所有附图中使用了相同或相似的附图标记来表示相同或者相似的部件。所述附图连同下面的详细说明一起包含在本说明书中并且形成本说明书的一部分，而且用来进一步举例说明本发明的优选实施例和解释本发明的原理和优点。在附图中：
图1是示出本发明的阔叶植物叶干重预测方法的一个示例性处理的流程图；
图2A为白桦树叶片的叶长和叶宽示意图；
图2B为水曲柳树叶片的叶长和叶宽示意图；
图2C为五角槭树叶片的叶长和叶宽示意图；
图3是示出用于获取叶干重预测模型的处理步骤的一个示例的流程图；
图4是示出用于获取叶干重预测模型的处理步骤的另一个示例的流程图。
本领域技术人员应当理解，附图中的元件仅仅是为了简单和清楚起见而示出的，而且不一定是按比例绘制的。例如，附图中某些元件的尺寸可能相对于其他元件放大了，以便有助于提高对本发明实施例的理解。
具体实施方式
在下文中将结合附图对本发明的示范性实施例进行描述。为了清楚和简明起见，在说明书中并未描述实际实施方式的所有特征。然而，应该了解，在开发任何这种实际实施例的过程中必须做出很多特定于实施方式的决定，以便实现开发人员的具体目标，例如，符合与系统及业务相关的那些限制条件，并且这些限制条件可能会随着实施方式的不同而有所改变。此外，还应该了解，虽然开发工作有可能是非常复杂和费时的，但对得益于本公开内容的本领域技术人员来说，这种开发工作仅仅是例行的任务。
在此，还需要说明的一点是，为了避免因不必要的细节而模糊了本发明，在附图中仅仅示出了与根据本发明的方案密切相关的装置结构和/或处理步骤，而省略了与本发明关系不大的其他细节。
本发明的实施例提供了一种阔叶植物叶干重预测方法，该阔叶植物叶干重预测方法包括：获取阔叶植物上的待测叶片的叶长和叶宽；将所述待测叶片的叶长和叶宽代入预定的叶干重预测模型，计算所述待测叶片的叶干重，作为所述待测叶片的叶干重预测值；其中，所述叶干重预测模型采用y＝ax或y＝mxn的表达形式，y表示叶干重，x为叶长和叶宽的乘积，a、m和n分别为模型参数。
阔叶植物是针对针叶植物而言的，而针叶植物是指诸如黑松、黄花松、红松、鱼鳞松、龙柏、真柏、地柏、侧柏等的松柏类植物，针叶植物的叶面都附有一层油脂层。
阔叶植物一般可以分为落叶阔叶植物和常绿阔叶植物。本发明的实施例主要以白桦、水曲柳和五角槭三种树种作为研究对象。
图1示出了本发明的阔叶植物叶干重预测方法的一个示例性处理100的流程图。上述阔叶植物叶干重预测方法的示例性处理100开始于步骤S110。
在步骤S110中，获取阔叶植物上的待测叶片的叶长和叶宽。其中，叶长为叶片的最大长度，而叶宽则为叶片的最大宽度。
本发明所适用的阔叶植物例如可以是白桦、水曲柳或五角槭等，图2A～2C依次为白桦、水曲柳和五角槭叶片的叶长和叶宽示意图。
接着，在步骤S120中，将待测叶片的叶长和叶宽代入预定的叶干重预测模型，计算待测叶片的叶干重，作为待测叶片的叶干重预测值。
其中，叶干重预测模型采用y＝ax或y＝mxn的表达形式，y表示叶干重(单位为克)，x为叶长和叶宽的乘积(单位为cm2)，a、m和n分别为模型参数。
例如，当阔叶植物为白桦树种时，也即，待测叶片为白桦树叶片，叶干重预测模型可以表示为y＝0.0022x1.1291。
又如，当阔叶植物为水曲柳树种时，也即，待测叶片为水曲柳树叶片，叶干重预测模型可以表示为y＝0.0008x1.2325。
再如，当阔叶植物为五角槭树种时，也即，待测叶片为五角槭树叶片，叶干重预测模型可以表示为y＝0.0015x。
此外，根据一种实现方式，叶干重预测模型可以预先通过图3所示的步骤S310～S330来获得。
如图3所示，在步骤S310中，测量样本集中每片样叶的叶长和叶宽，样本集由来自阔叶植物的预定数目(例如60)个样叶组成。
接着，在步骤S320中，将样本集中所有样叶在预设温度(例如65℃)下烘干至恒重，以测量烘干后的每片样叶的重量，作为每片样叶的叶干重实测值。
然后，在步骤S330中，利用样本集中全部或部分样叶中各样叶的叶长、叶宽和叶干重实测值，通过选择预定模型类型来完成对该叶干重预测模型的构建，并将R2值最大、RMSE值最小，且预测精度较高的模型确认为叶干重预测模型。其中，预定模型类型例如为y＝ax、y＝mxn等。
由此，通过步骤S310～S330的处理可以得到用于根据叶片的叶长和叶宽来预测叶片叶干重的模型，即，叶干重预测模型。通过以上处理所得到的叶干重预测模型，经过下文将要描述的实验验证，能够得到较高的预测精度，最高可达99.9％，预测结果的准确度非常高。
通过以上描述可知，本发明的阔叶植物叶干重预测方法利用预先构建的叶干重预测模型，通过测量待测叶片的叶长和叶宽，即可预测出待测叶片的叶干重，而不需要破坏待测叶片，适用于对阔叶植物叶片叶干重的预测，同时能够保证较高的预测精度(最高可达99.9％)，因此较传统的称重法等具有很大的进步。
此外，相比于称重法等现有技术，本发明的阔叶植物叶干重预测方法的预测过程快，既省时又省力，提高了整个测量过程的效率。
另外，由于传统的称重法等对待测叶片具有破坏性等原因，无法监测叶片叶干重的动态变化，而使用本发明的阔叶植物叶干重预测方法则可有效地解决这个问题，阔叶植物叶干重预测方法不需要破坏待测叶片，可以随时根据待测叶片不同生长阶段的叶片结构参数(即叶长和叶宽)来预测不同时期的叶干重，同时保证了较高的预测精度，具有重大意义。
此外，在另一种实现方式中，还可以通过如图4所示的步骤S410～S470来获得叶干重预测模型。
如图4所示，在步骤S410中，测量样本集中每片样叶的叶长和叶宽，样本集由来自阔叶植物的预定数目个样叶组成。
接着，在步骤S420中，将样本集中所有样叶在预设温度下烘干至恒重，以测量烘干后的每片样叶的重量，作为每片样叶的叶干重实测值。
然后，在步骤S430中，将样本集中所有样叶分为两组，其中一组作为预测组，另一组作为检验组。例如，预测组中所含样叶数目与检验组中所含样叶数目之比可为4:1。
然后，在步骤S440中，利用预测组中各样叶的叶长、叶宽和叶干重实测值来构建第一预测模型，并计算R2值和RMSE值，其中，第一预测模型表示为y＝ax。
接着，在步骤S450中，利用预测组中各样叶的叶长、叶宽和叶干重实测值来构建第二预测模型，并计算R2值和RMSE值，其中，第二预测模型表示为y＝mxn。
接着，在步骤S460中，利用检验组中各样叶的叶长、叶宽和叶干重实测值，获得第一预测模型和第二预测模型的预测精度。
其中，预测精度是基于叶干重预测值和叶干重实测值之间的差与叶干重实测值的比值来确定的。例如，对于第一预测模型来说，利用检验组中各个样叶的叶片结构参数(即叶长和叶宽)获得其各自的叶干重预测值，再得到每个样叶的叶干重预测值与其叶干重实测值之差，利用该差除以叶干重实测值得到预测模型的误差值，最后利用1减去该误差值即得到模型的预测精度，公式如下：
类似地，可以计算第二预测模型的预测精度，这里不再赘述。
然后，在步骤S470中，将第一预测模型和第二预测模型之中R2值最大、RMSE值最小且预测精度较高的模型确定为叶干重预测模型。
该实现方式通过利用部分样本数据(叶长、叶宽和叶干重实测值)构建两种用于预测叶片叶干重的预测模型，并利用另部分样本数据计算这两种预测模型的预测精度，选出其中R2值最大、RMSE值最小且预测精度较高的一个预测模型来作为最终用于预测待测叶片叶干重的叶干重预测模型。
该种实现方式通过利用同批次的样本检验模型的预测精度，所得到的预测精度较为准确、可靠；该实现方式具有较强的灵活性，可为不同阔叶植物选择最合适(也即预测精度相对较高)的预测模型，省时省力，同时保证了预测准确性。
优选实施例1
分别以白桦、水曲柳和五角槭3个树种为研究对象，在黑龙江凉水国家级自然保护区内，每个树种分别随机选择3株样树。将每株样树的树冠分为3个高度等级：上层、中层和下层。7月中旬，每层分别随机采集10片阳生叶和10片阴生叶，即每株样树采集60片样叶，每个树种采集180片样叶。其中，选择的每株样树的胸径均大于15cm。
由此，得到白桦、水曲柳和五角槭3个树种各自的样本集。也即，白桦树种的样本集包括180片白桦树样叶，水曲柳树种的样本集包括180片水曲柳树样叶，五角槭树种的样本集包括180片五角槭树样叶。
每片样叶的叶长和叶宽的测量(精确到0.1cm)可以在采集的同时进行。然后，将样叶在65℃下烘干至恒重，并对每片样叶称重(精确到0.0001g)，该测定值为每片样叶的叶干重实测值。然后，在所有样叶中随机选择80％的样叶用于构建叶干重预测模型，模型类型为线性或幂函数形式，即y＝ax，其中y为叶干重，x为叶长和叶宽的乘积，a为系数(作为模型参数)；或y＝mxn，y为叶干重，x为叶长和叶宽的乘积，m、n为系数(作为模型参数)。然后，根据R2值和RMSE值以及预测精度为评估参数，以使R2值最大、RMSE值最小、且预测精度最高的模型为最优，最终确定最优的叶干重预测模型，该叶干重预测模型用于根据叶片结构参数(即叶长和叶宽)来预测叶干重。由此，将待测叶片的叶长和叶宽代入以上叶干重预测模型中，可得出待测叶片的叶干重预测值。
整体来看，水曲柳的叶长最大，五角槭的叶宽最大，而白桦的叶干重最大，参见表1。
表1
此外，可以利用所有样叶中另外20％的样叶对所构建好的叶干重预测模型进行验证，也即，检验该叶干重预测模型的预测精度。
树种不同，预测叶干重的最优经验模型的类型存在差异。
如对于白桦数种来说：当采用y＝ax表达式类型的叶干重预测模型时，根据样叶的实测数据(即叶长、叶宽、叶干重实测值)所得到的模型为y＝0.0036x，精度为93.7％；而当采用y＝mxn表达式类型的叶干重预测模型时，根据样叶的实测数据所得到的模型为y＝0.0022x1.1291，精度为96.5％。
对于水曲柳数种来说：当采用y＝ax表达式类型的叶干重预测模型时，根据样叶的实测数据所得到的模型为y＝0.002x，精度为77.7％；而当采用y＝mxn表达式类型的叶干重预测模型时，根据样叶的实测数据所得到的模型为y＝0.0008x1.2325，精度为89.7％。
对于五角槭数种来说：当采用y＝ax表达式类型的叶干重预测模型时，根据样叶的实测数据所得到的模型为y＝0.0015x，精度为99.9％；而当采用y＝mxn表达式类型的叶干重预测模型时，根据样叶的实测数据所得到的模型为y＝0.0012x1.0589，精度为99.4％。
研究结果表明，只要准确测定叶片的叶长和叶宽，根据以上叶干重预测模型即能够高效、准确地预测白桦、水曲柳和五角槭的叶干重，最高精度达到99.9％。
优选实施例2
在该实施例中，采用与优选实施例1相同的方式获得白桦、水曲柳和五角槭3个树种各自的样本集以及每片样叶的实测数据(即叶长、叶宽、叶干重实测值)，这里不再赘述。
在所有样叶中随机选择80％的样叶作为预测组(用于构建叶干重预测模型)，而剩余20％的样叶作为检验组。
这样，利用预测组中各样本的实测数据(即叶长、叶宽、叶干重实测值)构建第一预测模型y＝ax，并计算R2值和RMSE值。
此外，还利用预测组中各样本的实测数据构建第二预测模型y＝mxn，并计算R2值和RMSE值。
由此，可以利用检验组中各样叶的叶长、叶宽和叶干重实测值来获得第一预测模型的预测精度和第二预测模型的预测精度。针对白桦、水曲柳和五角槭3个树种所得到的各自的第一预测模型和第二预测模型中的模型参数(a，m，n)和评估参数(R2、RMSE和预测精度)可参见表2。
表2
由此可见，对于白桦树种来说，其第一预测模型的R2值0.883低于第二预测模型的R2值0.897，第一预测模型的RMSE值0.020高于第二预测模型的RMSE值0.019，且第一预测模型的预测精度93.7％低于其第二预测模型的预测精度96.5％，因此，将其第二预测模型y＝0.0022x1.1291确定为白桦树种的最终预测模型。类似地，可以得到水曲柳数种的最终预测模型为其第二预测模型y＝0.0008x1.2325，而五角槭数种的最终预测模型为其第一预测模型y＝0.0015x。由此，将待测叶片的叶长和叶宽代入以上叶干重预测模型中，可得出待测叶片的叶干重预测值。
尽管根据有限数量的实施例描述了本发明，但是受益于上面的描述，本技术领域内的技术人员明白，在由此描述的本发明的范围内，可以设想其它实施例。此外，应当注意，本说明书中使用的语言主要是为了可读性和教导的目的而选择的，而不是为了解释或者限定本发明的主题而选择的。因此，在不偏离所附权利要求书的范围和精神的情况下，对于本技术领域的普通技术人员来说许多修改和变更都是显而易见的。对于本发明的范围，对本发明所做的公开是说明性的，而非限制性的，本发明的范围由所附权利要求书限定。

Claims (7)

1.一种阔叶植物叶干重预测方法，其特征在于，该阔叶植物叶干重预测方法包括：
获取阔叶植物上的待测叶片的叶长和叶宽；
将所述待测叶片的叶长和叶宽代入预定的叶干重预测模型，计算所述待测叶片的叶干重，作为所述待测叶片的叶干重预测值；
其中，所述叶干重预测模型采用y＝ax或y＝mxn的表达形式，y表示叶干重，x为叶长和叶宽的乘积，a、m和n分别为模型参数。
2.根据权利要求1所述的阔叶植物叶干重预测方法，其特征在于，所述叶干重预测模型通过如下方式预先获得：
测量样本集中每片样叶的叶长和叶宽，所述样本集由来自所述阔叶植物的预定数目个样叶组成；
将所述样本集中所有样叶在预设温度下烘干至恒重，以测量烘干后的每片样叶的重量，作为每片样叶的叶干重实测值；
利用所述样本集中全部或部分样叶中各样叶的叶长、叶宽和叶干重实测值，通过选择预定模型类型来完成所述叶干重预测模型的构建，并将决定系数(R2)值最大、均方根误差(RMSE)值最小，且预测精度较高的模型确定为叶干重预测模型。
3.根据权利要求1或2所述的阔叶植物叶干重预测方法，其特征在于，所述阔叶植物为白桦树种，所述叶干重预测模型表示为y＝0.0022x1.1291。
4.根据权利要求1-3中任一项所述的阔叶植物叶干重预测方法，其特征在于，所述阔叶植物为水曲柳树种，所述叶干重预测模型表示为y＝0.0008x1.2325。
5.根据权利要求1-4中任一项所述的阔叶植物叶干重预测方法，其特征在于，所述阔叶植物为五角槭树种，所述叶干重预测模型表示为y＝0.0015x。
6.根据权利要求1所述的阔叶植物叶干重预测方法，其特征在于，所述叶干重预测模型通过如下方式预先获得：
测量样本集中每片样叶的叶长和叶宽，所述样本集由来自所述阔叶植物的预定数目个样叶组成；
将所述样本集中所有样叶在预设温度下烘干至恒重，以测量烘干后的每片样叶的重量，作为每片样叶的叶干重实测值；
将所述样本集中所有样叶分为两组，其中一组作为预测组，另一组作为检验组；
利用所述预测组中各样叶的叶长、叶宽和叶干重实测值来构建第一预测模型，并计算R2值和RMSE值，其中，所述第一预测模型表示为y＝ax；
利用所述预测组中各样叶的叶长、叶宽和叶干重实测值来构建第二预测模型，并计算R2值和RMSE值，其中，所述第二预测模型表示为y＝mxn；
利用所述检验组中各样叶的叶长、叶宽和叶干重实测值，获得所述第一预测模型和所述第二预测模型的预测精度；
将所述第一预测模型和所述第二预测模型之中R2值最大、RMSE值最小且预测精度较高的模型确定为所述叶干重预测模型。
7.根据权利要求6所述的阔叶植物叶干重预测方法，其特征在于，
所述预测组所含样叶数量与所述检验组所含样叶数量之比为4:1。
CN201610264504.3A 2016-04-25 2016-04-25 一种阔叶植物叶干重预测方法 Pending CN105956381A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201610264504.3A CN105956381A (zh) 2016-04-25 2016-04-25 一种阔叶植物叶干重预测方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201610264504.3A CN105956381A (zh) 2016-04-25 2016-04-25 一种阔叶植物叶干重预测方法

Publications (1)

Publication Number Publication Date
CN105956381A true CN105956381A (zh) 2016-09-21

Family

ID=56915602

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201610264504.3A Pending CN105956381A (zh) 2016-04-25 2016-04-25 一种阔叶植物叶干重预测方法

Country Status (1)

Country Link
CN (1) CN105956381A (zh)

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111241712A (zh) * 2020-02-27 2020-06-05 东北林业大学 一种针叶树种比叶面积的预测方法
CN111369043A (zh) * 2020-02-27 2020-07-03 东北林业大学 一种红松径向生长量的预测方法

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102495937A (zh) * 2011-10-18 2012-06-13 南京信息工程大学 一种基于时间序列的预测方法
CN104346517A (zh) * 2013-08-02 2015-02-11 杨凤琴 一种基于回声状态网络的预测方法及预测装置
CN104392097A (zh) * 2014-10-24 2015-03-04 封国林 一种基于季节预报模式的季节降水相似预报方法
CN105184094A (zh) * 2015-09-23 2015-12-23 华南理工大学建筑设计研究院 一种建筑物周边气温预测方法

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102495937A (zh) * 2011-10-18 2012-06-13 南京信息工程大学 一种基于时间序列的预测方法
CN104346517A (zh) * 2013-08-02 2015-02-11 杨凤琴 一种基于回声状态网络的预测方法及预测装置
CN104392097A (zh) * 2014-10-24 2015-03-04 封国林 一种基于季节预报模式的季节降水相似预报方法
CN105184094A (zh) * 2015-09-23 2015-12-23 华南理工大学建筑设计研究院 一种建筑物周边气温预测方法

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
YOUNG YEOL CHO等: "Estimation of individual leaf area, fresh weight, and dry weight of hydroponically grown cucumbers （Cucumis sativus L.） using leaf length, width, and SPAD value", 《SCIENCE DIRECT》 *
范晶等: "比叶重及其与光合能力关系", 《东北林业大学学报》 *

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111241712A (zh) * 2020-02-27 2020-06-05 东北林业大学 一种针叶树种比叶面积的预测方法
CN111369043A (zh) * 2020-02-27 2020-07-03 东北林业大学 一种红松径向生长量的预测方法
CN111369043B (zh) * 2020-02-27 2023-08-11 东北林业大学 一种红松径向生长量的预测方法

Similar Documents

Publication Publication Date Title
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
CN102183621A (zh) 水产养殖溶解氧浓度在线预测方法及系统
US20160203245A1 (en) Method for simulating wind field of extreme arid region based on wrf
CN104483271B (zh) 光学反射模型与微波散射模型协同的森林生物量反演方法
CN106059496B (zh) 一种光伏组件阵列性能监测和故障识别的方法及系统
CN103116711B (zh) 基于辐照度特征参数的天气类型辨识方法
CN109376801A (zh) 基于集成深度神经网络的风力发电机叶片结冰诊断方法
CN104167076B (zh) 一种覆冰输电线路薄弱环节预警方法
CN105675539A (zh) 一种农产品品质综合评价方法
CN104807777A (zh) 一种基于近红外光谱分析技术的槟榔水分含量快速检测方法
CN103185695A (zh) 一种基于光谱的烤烟成熟度田间快速判断方法
DK2981711T3 (en) PROCEDURE FOR EFFICIENCY MONITORING OF A WINDOW ENERGY PARK
CN107437267A (zh) 植被区高光谱图像模拟方法
CN102841031A (zh) 一种活立木边材含水率估测方法
CN105956381A (zh) 一种阔叶植物叶干重预测方法
CN105808963A (zh) 一种模型法测定林木年龄的方法
CN109752487A (zh) 冬小麦叶片氮素含量预估方法及装置
CN111855592A (zh) 水稻单位面积内地上部干物重遥感反演模型和方法
CN105095989A (zh) 一种基于傅里叶级数的同时刻下风功率概率分布的拟合方法
CN103279636A (zh) 一种树木年龄的测算技术
CN112270131A (zh) 基于ard回归算法的水稻叶面积指数遥感反演模型和方法
CN112362812A (zh) 基于Lars算法的水稻叶片叶绿素类胡萝卜素含量比值遥感反演模型和方法
Chen et al. Hyperspectral detection of sugar content for sugar-sweetened apples based on sample grouping and SPA feature selecting methods
CN105354763A (zh) 风电机组来流风速测量方法及装置
CN106323808A (zh) 一种基于微波水分仪的密度适时检测系统及检测方法

Legal Events

Date Code Title Description
C06 Publication
PB01 Publication
C10 Entry into substantive examination
SE01 Entry into force of request for substantive examination
RJ01 Rejection of invention patent application after publication

Application publication date: 20160921

RJ01 Rejection of invention patent application after publication