CN106290171A - 基于svm和回归分析的玉米叶片叶绿素含量及表型参数测定方法 - Google Patents
基于svm和回归分析的玉米叶片叶绿素含量及表型参数测定方法 Download PDFInfo
- Publication number
- CN106290171A CN106290171A CN201610611933.3A CN201610611933A CN106290171A CN 106290171 A CN106290171 A CN 106290171A CN 201610611933 A CN201610611933 A CN 201610611933A CN 106290171 A CN106290171 A CN 106290171A
- Authority
- CN
- China
- Prior art keywords
- chlorophyll content
- leaf
- chlorophyll
- maize leaf
- maize
- 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
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
- G01N21/17—Systems in which incident light is modified in accordance with the properties of the material investigated
- G01N21/25—Colour; Spectral properties, i.e. comparison of effect of material on the light at two or more different wavelengths or wavelength bands
Abstract
本发明公开了一种基于SVM和回归分析的玉米叶片叶绿素含量及表型参数测定方法,建立了多光谱信息与玉米叶片叶绿素含量的关系模型,对玉米叶片叶绿素含量进行了预测,计算玉米叶片叶绿素含量的分布图,并进行伪彩色处理,分别分析了叶绿素沿叶片生长长度和宽度方向上的分布规律,证明在苗期玉米叶片叶绿素含量从叶基至叶尖逐渐增大;穗期叶绿素含量在长度方向较平均;在花粒期叶绿素含量在叶片上部有一个明显的峰值,叶尖叶绿素含量较低;宽度方向上,玉米叶片叶绿素含量基本对称;对玉米叶片轮廓进行了曲线回归逼近,结果表明,玉米叶片轮廓符合二次曲线,可用二次方程表达玉米叶型。
Description
技术领域
本发明属于农业生产领域,尤其涉及一种基于SVM和回归分析的玉米叶片叶绿素含量及表型参数测定方法。
背景技术
叶绿素是植物进行光合作用的重要色素,对植物的生长有不可替代的作用。叶绿素的含量与植物生物量、作物产量有很高的相关性,可通过叶绿素含量检测作物生长状态和进行产量预测。叶绿素含量对土壤中的氮素含量相当敏感,监测叶绿素含量变化对指导用肥、避免盲目投入有重要意义。叶绿素的分布与作物的营养状况息息相关,作物缺水、缺素、病虫害都能影响叶绿素分布,可及早发现,积极补救,挽回产量。植物叶片表型性状是遗传特性与环境适应性的综合体现。表型特征与植物营养和其他生理、生物与非生物因子以及植物的繁殖密切相关。相关文献显示,已有学者采用叶片表型性状比较法选择并确定优良品种。丁永军等为提高基于近红外光谱的温室番茄叶绿素含量预测精度,采用小波变换消除光谱中的随机噪声,引入平滑指数(SD)和时移指数(TSD)对去噪效果进行量化以控制变换尺度,获得最佳变换效果。实验表明TSI<0.001且SI>0.1004时,在去噪的同时,也能保留反映叶绿素含量变化的特征波段。周洪亮等提出了一种结合时序方法的自优化RBF神经网络智能预测模型,对判断藻类水华的重要指标叶绿素a浓度进行预测。当样本量为105,SPREAD值为10时,预测效果最好,精度较高,预测值与实测值的相关系数达到0.982。卢志娟等选择合适的小波基和分解尺度对西湖水体叶绿素a进行小波分析,将原序列分解成一个低频概貌分量和多个高频细节分量,再通过BP网络建立西湖叶绿素a浓度短期预测模型。李树强等研究表明,使用BP神经网络和RBF神经网络模型对车载系统动态预测单点位置叶绿素含量具有一定预测效果,平均决定系数约为0.8。姜伟杰等提出了基于多光谱图像技术,利用敏感波长下番茄叶片的灰度值来预测其叶绿素含量的研究方法。利用多元线性回归分析、主成分分析和偏最小二乘回归分析等方法建立了预测模型。取得较好的预测效果。许晓毅等采用遗传算法结合BP神经网络的方法对回水区叶绿素a浓度变化进行动态模拟预测,通过灰色关联法确定了对叶绿素a浓度有显著影响的指标与网络输入变量。模拟结果表明,遗传-BP神经网络预测值和实测值吻合较好,其相对误差约为9.8%。武倩雯等采用线性和非线性法对玉米叶绿素含量与近红外波段光谱反射率及植被指数之间的关系进行分析,建立叶绿素含量预测模型。结果表明:在近红外波段,光谱反射率与玉米叶绿素含量的相关性较大;叶绿素含量与RVI、RSI、NDVI、NDSI、CCI等植被指数均达到显著相关,其中与NDVI的相关系性最大,为0.91.王倩等运用聚类回归分析方法,先通过相关矩阵、主分量的变量聚类分析,将番茄叶片正面和背面各27个颜色特征变量分别组成4个和5个类分量,再通过所得类分量的多元回归分析,构造由番茄叶片正面、反面颜色特征确定其叶绿素浓度的多元线性回归模型。实验真实数据均落在基于模型预测值的95%置信限内。
W.K.Taia和W.M.EI-Ghanem研究了阿拉伯半岛利雅得地区五种野生植物的十四种表型性状,数据显示当物种的生化组分受栖息地和季节变动影响较大时,可以利用叶子的表型性状对植物快速分类。为研究菊苣不同来源、不同类型种植材料的表型变异特征及其原因,通过变异系数、相关性、聚类和主成分分析对80份菊苣属材料表型性状进行多元统计分析。结果表明菊苣表型性状可以有效鉴定不同生态型菊苣并进行分组。张元燕等以28个麻栎地理种源为研究对象,分析了6个表型性状的变异状况,表明麻栎种源间的极端差异程度有明显不同,而表型性状间的极端差异程度不大。刘青海等通过对同一时期不同番茄品种表型性状分析发现,青果期番茄品种HL108在固度、延伸度、偏心距等方面同其他品种存在显著性差异。可为番茄育种提供一定的依据。宗泽等基于最小二乘法和遗传算法相结合,提出了一种用于计算作物表型参数的骨架提取方法。能够有效得到玉米作物的平滑骨架,为提高作物表型参数尤其是株型参数精度提供了参考。杨万能制作全自动数字化考种机样机,系统样机性状参数提取相对误差均值均在5%以内,系统整体运行稳定,测量效率达到720株/天,约为人工测量效率的70倍,有利的突破了国外表型测量技术封锁。方伟等提出一种用于高通量植株株型性状参数获取的快速三维重建方法,使单株重建时间缩减到10秒左右。翟鹏从理论方法和实验研究等方面对葡萄器官的特征测量进行系统化的研究,.针对复杂背景下的葡萄果实表型特征获取问题,提出了基于Zernike矩分水岭算法的图像分割方法,配合数字图像处理形态学算法等,去除虚假边界,使轮廓边界最终收敛于目标真实边界,从而获得葡萄果实轮廓的精确信息。王丰青等对地黄11个主栽品种、3个变异类型和4个野生种源的18个表型性状进行了观测和分析,研究结果显示,地黄种质间存在较大的表型变异,基于表型性状的聚类分析结果可用于鉴别地黄种质间的亲缘关系。刘志斋等以730份地方品种为材料,采用随机区组设计,对研究材料进行包括生育期性状在内的31个农艺性状进行了多年鉴定。研究结果表明,中国的玉米地方品种对本土具有良好的适应性与自身的特点,所划分的9个玉米种族各自具有不同的表型特征与育种利用价值。
发明内容
与现有技术比较,本发明针对玉米作物生长过程的参数变化进行规律研究。本发明实施例的目的在于提供一种玉米叶片叶绿素含量及获得其生长表型参数测定方法及规律,旨在解决实现对玉米叶片叶绿素含量及分布的精确预测和,建立玉米叶片叶形的数学表达式,以对玉米健康生长表型进行评价。
本发明是这样实现的,一种基于SVM和回归分析的玉米叶片叶绿素含量及表型参数测定方法包括:
步骤一、利用多光谱照相机拍摄玉米叶片多光谱图像,在光谱照相机配套的光谱图像处理软件中进行处理,获取玉米叶片光谱信息;用叶绿素计测量样本点叶绿素值;
步骤二、基于支持向量机对玉米的生长时期进行精确分类,建立分时期的光谱与叶绿素含量间关系模型;
步骤三、利用光谱与叶绿素含量关系模型对叶绿素含量进行预测,计算在整片玉米叶片上叶绿素的分布情况;
步骤四、利用光谱与叶绿素含量间关系模型计算玉米叶片叶绿素含量的分布图,并对玉米叶片叶绿素含量的分布图进行伪彩色处理,分析玉米叶片沿叶片生长长度和宽度方向上的叶绿素分布规律;
步骤五、对玉米叶片轮廓进行曲线拟合和叶形的数学表达。
进一步,对苗期、穗期、花粒期采用二次回归方程对叶绿素含量进行预测,苗期的经验回归方程为:
Y=50.2889+0.5119X4-0.5099X8+0.0010X1·X3-0.0049X1·X4+0.0030X7·X8+0.0022X1 2-0.0018X7 2
穗期的经验回归方程为:
Y=29.6786+0.4534X1-0.5209X2+0.4108X3+0.0088X2·X3-0.0112X3·X5+0.0075X3·X6+0.0025X4·X8
花粒期的经验回归方程为:
Y=-8.4855+0.5547X6-0.0048X3·X4+0.0016X4·X8+0.0053X3 2;
式中,叶绿素计采集的叶绿素值为Y,八个光谱频段的光谱信息为X1,X2,X3,……X8。
进一步,苗期玉米叶片叶绿素含量从叶基至叶尖逐渐增大,穗期叶绿素含量在长度方向平均分布,花粒期叶绿素含量在叶片上部有最高值,叶尖叶绿素含量较低;宽度方向上,玉米叶片叶绿素含量对称分布。
进一步,采用一元二次曲线方程作为玉米叶形的数学表达:
y=ax2+bx+c;
x表示玉米叶片长度方向,y表示玉米叶片相应长度处的宽度值。
本发明建立了多光谱信息与玉米叶片叶绿素含量的关系模型,对玉米叶片叶绿素含量进行了预测,预测误差小于3%。利用模型,计算玉米叶片叶绿素含量的分布图,并进行伪彩色处理,可直观的看到玉米叶片叶绿素含量分布情况,分别分析了叶绿素沿叶片生长长度和宽度方向上的分布规律,证明在苗期玉米叶片叶绿素含量从叶基至叶尖逐渐增大;穗期叶绿素含量在长度方向较平均;在花粒期叶绿素含量在叶片上部有一个明显的峰值,叶尖叶绿素含量较低;宽度方向上,玉米叶片叶绿素含量基本对称;对玉米叶片轮廓进行了曲线回归逼近,结果表明,玉米叶片轮廓符合二次曲线,可用二次方程表达玉米叶型。
附图说明
图1是本发明实施例提供的基于SVM和回归分析的玉米叶片叶绿素含量及表型参数测定方法流程图;
图2是本发明实施例提供的苗期叶绿素非线性回归曲线;
图3是本发明实施例提供的穗期叶绿素非线性回归曲线;
图4是本发明实施例提供的花粒期叶绿素非线性回归曲线;
图5是本发明实施例提供的苗期第一组叶绿素数据在叶片长度方向上的变化趋势;
图6是本发明实施例提供的苗期第二组叶绿素数据在叶片长度方向上的变化趋势;
图7是本发明实施例提供的穗期第一组叶绿素数据在叶片长度方向上的变化趋势;
图8是本发明实施例提供的穗期第二组叶绿素数据在叶片长度方向上的变化趋势;
图9是本发明实施例提供的花粒期第一组叶绿素数据在叶片长度方向上的变化趋势;
图10是本发明实施例提供的花粒期第二组叶绿素数据在叶片长度方向上的变化趋势;
图11是本发明实施例提供的玉米叶片轮廓二次回归曲线。
具体实施方式
为了使本发明的目的、技术方案及优点更加清楚明白,以下结合实施例,对本本发明进行进一步详细说明。应当理解,此处所描述的具体实施例仅仅用以解释本本发明,并不用于限定本发明。
本发明实施例的基于SVM和回归分析的玉米叶片叶绿素含量及表型参数测定方法利用多光谱照相机拍摄玉米叶片多光谱图像,获取玉米叶片光谱信息;用叶绿素计测量样本点叶绿素值;基于支持向量机对玉米的生长时期进行分类预测;建立分时期的光谱与叶绿素含量间关系模型,利用光谱与叶绿素含量关系模型对叶绿素含量进行预测,三个时期的预测相关系数分别为0.8224、0.7868、0.8092;计算在整片玉米叶片上叶绿素的分布情况,并寻找玉米叶片沿生长长度和宽度方向上的叶绿素分布规律。
下面结合附图对本发明的应用原理作详细的描述。
请参阅图1至图11:
一种基于SVM和回归分析的玉米叶片叶绿素含量及表型参数测定方法,包括:
S101、利用多光谱照相机拍摄玉米叶片多光谱图像,在配套的软件中进行处理,获取玉米叶片光谱信息;用叶绿素计测量样本点叶绿素值;(用光谱照相机配套的光谱图像处理软件)
S102、基于支持向量机对玉米的生长时期进行精确分类,建立分时期的光谱与叶绿素含量间关系模型;
S103、利用光谱与叶绿素含量关系模型对叶绿素含量进行预测,计算在整片玉米叶片上叶绿素的分布情况;
S104、利用光谱与叶绿素含量间关系模型计算玉米叶片叶绿素含量的分布图,并对玉米叶片叶绿素含量的分布图进行伪彩色处理,分析玉米叶片沿叶片生长长度和宽度方向上的叶绿素分布规律;
S105、对玉米叶片轮廓进行曲线拟合和叶形的数学表达。
下面结合具体实施例对本发明的应用原理作进一步的描述。
实施例一
分别于2014年玉米的苗期(5月10日),穗期(6月22日),花粒期(7月22日)对玉米叶片进行光谱信息采集。在黑暗的环境下,用多光谱照相机自带的光源照明,将采摘的叶片完全展开固定,用光谱照相机对叶片进行成像。采集样本共600个,其中苗期200个,穗期200个,花粒期200个。
本实施例采用多光谱照相机拍摄425nm、475nm、550nm、575nm、615nm、675nm、775nm、850nm八个波长的图像;
将完全展开的玉米叶片,从叶基至叶尖,使用SPAD-502叶绿素计进行相对叶绿素含量(SPAD值)测定,将相对叶绿素含量测量位置与上述光谱数据测量位置对应。每个测量点测量3次取平均值。
分别于6月22日、7月22日、8月23日,采摘呼和浩特市郊区农田玉米叶片共30片。
沿叶片根部剪下,放在保鲜袋中。为防止叶片枯萎,尽快测量。为研究玉米叶片叶绿素分布情况,沿玉米叶片生长长度方向,每6cm将叶片剪开。沿每段叶片生长宽度方向,四次测量叶绿素含量。
沿着叶片叶脉,每两厘米用笔在叶片上作标记。在每个标记处,与叶脉方向垂直,量取叶片的宽度,精确到mm并作记录。
本实施例应用libSVM仿真平台进行玉米生长时期分类的支持向量机建模和参数寻优。
本实施例将每个生长时期数据的前200组共600组数据,作为训练集样本,将每个时期后100组共300组数据作为测试样本集。每个样本属性个数为8,即8个光谱频段值,属性数据没有缺失。类别数目为3,为苗期数据设置分类标签为1,穗期数据分类标签为2,花粒期数据标分类签为3。选择高斯核函数,用网格搜索算法进行参数寻优,得到的最优参数和分类正确率曲线图,输出的最优参数C为0.5,g为0.0019531。在测试集上的分类正确率为87.982%。
对叶绿素含量进行多元线性回归分析及显著性检验和多元非线性回归分析及显著性检验,非线性回归结果比线性回归结果相关系数更高,均方根误差更小,因此采用二次回归方程对叶绿素含量进行预测。
对苗期、穗期、花粒期采用二次回归方程对叶绿素含量进行预测,苗期的经验回归方程为:
Y=50.2889+0.5119X4-0.5099X8+0.0010X1·X3-0.0049X1·X4+0.0030X7·X8+0.0022X1 2-0.0018X7 2
穗期的经验回归方程为:
Y=29.6786+0.4534X1-0.5209X2+0.4108X3+0.0088X2·X3-0.0112X3·X5+0.0075X3·X6+0.0025X4·X8
花粒期的经验回归方程为:
Y=-8.4855+0.5547X6-0.0048X3·X4+0.0016X4·X8+0.0053X3 2;
式中,叶绿素计采集的叶绿素值为Y,八个光谱频段的光谱信息为X1,X2,X3,……X8。
以每个时期后100组共300组数据作为测试集,把测试集数据代入二次回归公式中,得到测试集数据相关系数和均方根误差如表1和表2所示。
表1
表2
图2至图4分别为苗期、穗期、花粒期叶绿素的非线性拟合曲线,图中散点表示叶绿素测量值,实线表示非线性回归得到的拟合曲线。玉米叶片叶绿素含量的测量值与依据模型得到的预测值之间的误差较小,相对误差在5%以内,因此,可利用该模型进行玉米叶片叶绿素含量的预测。
由于在每段玉米叶片沿叶片宽度方向分四次进行叶绿素含量检测,因此每片叶子沿叶片长度方向可绘制出四条曲线,依据这四条曲线的变化可判断出玉米叶片沿生长长度方向叶绿素变化规律。
玉米苗期两组不同叶绿素数据沿长度方向变化趋势如图5、图6所示。图中虽有少数点叶绿素含量相对减小,但曲线呈增大趋势,表明苗期玉米叶片叶绿素含量由叶根部至叶尖呈逐渐增大趋势;
玉米穗期两组不同叶绿素数据沿长度方向变化趋势如图7、图8所示。四条曲线相互交织,方向较为平坦。可知穗期玉米叶片叶绿素含量较平均,从叶根至叶尖差异不大。穗期叶绿素含量较苗期相对更高。
图9和图10为花粒期两组不同叶绿素数据延生长长度方向变化趋势图。由图可知花粒期玉米叶片叶绿素含量沿生长长度方向有一个明显峰值,叶尖和叶片中部叶绿素含量较小。
将玉米叶片每6cm剪成段,每一段沿宽度方向四次测量叶绿素含量。将叶片左侧边缘的叶绿素含量取平均值,与右侧边缘的叶绿素平均值作差,差的绝对值大小可代表出玉米叶片边缘叶绿素含量的左右对称性。同理,将叶片左侧中部的叶绿素含量取平均值,与右侧中部叶绿素含量的平均值作差,可分析出玉米叶片中部叶绿素含量的左右对称性。
在本实施例中,沿长度方向每两厘米测量玉米叶片宽度,边缘点连接可以组成轮廓,采用最小二乘回归法来进行边缘点的二次曲线拟合。在matlab中编写程序,对其中一组数据进行回归分析。得到参数估计表和显著性检验的
方差分析表如表3所示。拟合曲线如图11所示。
表3
方程总体p值和各变量p值均小于0.05,表明整个回归方程和自变量都是显著的。按照此方法,对其他数据进行回归分析,每个时期前五组数据处理结果,如表4所示。
表4
30组数据一元二次回归相关系数均超过0.9,说明玉米叶片叶形是符合一元二次曲线的,可用一元二次方程描述玉米叶片轮廓。
本发明建立了多光谱信息与玉米叶片叶绿素含量的关系模型,对玉米叶片叶绿素含量进行了预测,预测误差小于3%。利用模型,计算玉米叶片叶绿素含量的分布图,并进行伪彩色处理,可直观的看到玉米叶片叶绿素含量分布情况,分别分析了叶绿素沿叶片生长长度和宽度方向上的分布规律,证明在苗期玉米叶片叶绿素含量从叶基至叶尖逐渐增大;穗期叶绿素含量在长度方向较平均;在花粒期叶绿素含量在叶片上部有一个明显的峰值,叶尖叶绿素含量较低;宽度方向上,玉米叶片叶绿素含量基本对称;对玉米叶片轮廓进行了曲线回归逼近,结果表明,玉米叶片轮廓符合二次曲线,可用二次方程表达玉米叶型。
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 (5)
1.一种基于SVM和回归分析的玉米叶片叶绿素含量及表型参数测定方法,其特征在于,所述基于SVM和回归分析的玉米叶片叶绿素含量及表型参数测定方法利用多光谱照相机拍摄玉米叶片多光谱图像,获取玉米叶片光谱信息;用叶绿素计测量样本点叶绿素值;基于支持向量机对玉米的生长时期进行分类预测;建立分时期的光谱与叶绿素含量间关系模型,利用光谱与叶绿素含量关系模型对叶绿素含量进行预测,三个时期的预测相关系数分别为0.8224、0.7868、0.8092;计算在整片玉米叶片上叶绿素的分布情况,并寻找玉米叶片沿生长长度和宽度方向上的叶绿素分布规律。
2.如权利要求1所述的基于SVM和回归分析的玉米叶片叶绿素含量及表型参数测定方法,其特征在于,所述基于SVM和回归分析的玉米叶片叶绿素含量及表型参数测定方法包括:
步骤一、利用多光谱照相机拍摄玉米叶片多光谱图像,获取玉米叶片光谱信息;用叶绿素计测量样本点叶绿素值;
步骤二、基于支持向量机对玉米的生长时期进行精确分类,建立分时期的光谱与叶绿素含量间关系模型;
步骤三、利用光谱与叶绿素含量关系模型对叶绿素含量进行预测,计算在整片玉米叶片上叶绿素的分布情况;
步骤四、利用光谱与叶绿素含量间关系模型计算玉米叶片叶绿素含量的分布图,并对玉米叶片叶绿素含量的分布图进行伪彩色处理,分析玉米叶片沿叶片生长长度和宽度方向上的叶绿素分布规律;
步骤五、对玉米叶片轮廓进行曲线拟合和叶形的数学表达。
3.如权利要求2所述基于SVM和回归分析的玉米叶片叶绿素含量及表型参数测定方法,其特征在于,对苗期、穗期、花粒期采用二次回归方程对叶绿素含量进行预测,苗期的经验回归方程为:
Y=50.2889+0.5119X4-0.5099X8+0.0010X1·X3-0.0049X1·X4+0.0030X7·X8+0.0022X1 2-0.0018X7 2
穗期的经验回归方程为:
Y=29.6786+0.4534X1-0.5209X2+0.4108X3+0.0088X2·X3-0.0112X3·X5+0.0075X3·X6+0.0025X4·X8
花粒期的经验回归方程为:
Y=-8.4855+0.5547X6-0.0048X3·X4+0.0016X4·X8+0.0053X3 2;
式中,叶绿素计采集的叶绿素值为Y,八个光谱频段的光谱信息为X1,X2,X3,……X8。
4.如权利要求2所述基于SVM和回归分析的玉米叶片叶绿素含量及表型参数测定方法,其特征在于,苗期玉米叶片叶绿素含量从叶基至叶尖逐渐增大,穗期叶绿素含量在长度方向平均分布,花粒期叶绿素含量在叶片上部有最高值,叶尖叶绿素含量较低;宽度方向上,玉米叶片叶绿素含量对称分布。
5.如权利要求2所述基于SVM和回归分析的玉米叶片叶绿素含量及表型参数测定方法,其特征在于,采用一元二次曲线方程作为玉米叶形的数学表达:
y=ax2+bx+c;
x表示玉米叶片长度方向,y表示玉米叶片相应长度处的宽度值。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201610611933.3A CN106290171B (zh) | 2016-07-27 | 2016-07-27 | 玉米叶片叶绿素含量及表型参数测定方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201610611933.3A CN106290171B (zh) | 2016-07-27 | 2016-07-27 | 玉米叶片叶绿素含量及表型参数测定方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN106290171A true CN106290171A (zh) | 2017-01-04 |
CN106290171B CN106290171B (zh) | 2019-01-22 |
Family
ID=57663364
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201610611933.3A Active CN106290171B (zh) | 2016-07-27 | 2016-07-27 | 玉米叶片叶绿素含量及表型参数测定方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN106290171B (zh) |
Cited By (7)
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 |
CN106940292A (zh) * | 2017-04-25 | 2017-07-11 | 合肥工业大学 | 基于多光谱成像技术的虫蛀巴旦木原料快速无损鉴别方法 |
CN107316116A (zh) * | 2017-08-23 | 2017-11-03 | 吉林大学 | 一种叶类蔬菜产量预测方法 |
CN108537267A (zh) * | 2018-04-02 | 2018-09-14 | 江南大学 | 一种基于显著性检验的玉米穗自动识别方法 |
CN108680513A (zh) * | 2018-06-12 | 2018-10-19 | 山东省林业科学研究院 | 植物叶绿素测定方法及提取装置 |
CN111044483A (zh) * | 2019-12-27 | 2020-04-21 | 武汉工程大学 | 一种基于近红外光谱的奶油中色素测定方法、系统和介质 |
CN116660206A (zh) * | 2023-05-31 | 2023-08-29 | 浙江省农业科学院 | 一种作物产量预估方法及系统 |
Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20090109432A1 (en) * | 2007-10-26 | 2009-04-30 | Olson Robert J | Systems and methods for submersible imaging flow apparatus |
CN101692037A (zh) * | 2009-09-08 | 2010-04-07 | 江苏大学 | 高光谱图像和独立分量分析植物叶面叶绿素分布的方法 |
CN101718683A (zh) * | 2009-11-10 | 2010-06-02 | 中国农业大学 | 快速检测叶片叶绿素含量的装置、建模方法及检测方法 |
CN101762463A (zh) * | 2009-12-16 | 2010-06-30 | 中国烟草总公司郑州烟草研究院 | 一种基于冠层多光谱的烤烟鲜烟叶叶绿素含量测定方法 |
CN102200576A (zh) * | 2011-03-10 | 2011-09-28 | 王桥 | 叶绿素a浓度反演方法及系统 |
CN103091296A (zh) * | 2013-01-23 | 2013-05-08 | 浙江大学 | 基于光谱成像技术的植物健康状况检测方法及其装置 |
CN104655761A (zh) * | 2015-02-28 | 2015-05-27 | 华南理工大学 | 一种基于多光谱成像在线测定鱼肉新鲜度指标k值的方法 |
CN105548113A (zh) * | 2015-12-31 | 2016-05-04 | 浙江大学 | 一种基于叶绿素荧光和多光谱图像的植物生理监测方法 |
-
2016
- 2016-07-27 CN CN201610611933.3A patent/CN106290171B/zh active Active
Patent Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20090109432A1 (en) * | 2007-10-26 | 2009-04-30 | Olson Robert J | Systems and methods for submersible imaging flow apparatus |
CN101692037A (zh) * | 2009-09-08 | 2010-04-07 | 江苏大学 | 高光谱图像和独立分量分析植物叶面叶绿素分布的方法 |
CN101718683A (zh) * | 2009-11-10 | 2010-06-02 | 中国农业大学 | 快速检测叶片叶绿素含量的装置、建模方法及检测方法 |
CN101762463A (zh) * | 2009-12-16 | 2010-06-30 | 中国烟草总公司郑州烟草研究院 | 一种基于冠层多光谱的烤烟鲜烟叶叶绿素含量测定方法 |
CN102200576A (zh) * | 2011-03-10 | 2011-09-28 | 王桥 | 叶绿素a浓度反演方法及系统 |
CN103091296A (zh) * | 2013-01-23 | 2013-05-08 | 浙江大学 | 基于光谱成像技术的植物健康状况检测方法及其装置 |
CN104655761A (zh) * | 2015-02-28 | 2015-05-27 | 华南理工大学 | 一种基于多光谱成像在线测定鱼肉新鲜度指标k值的方法 |
CN105548113A (zh) * | 2015-12-31 | 2016-05-04 | 浙江大学 | 一种基于叶绿素荧光和多光谱图像的植物生理监测方法 |
Non-Patent Citations (1)
Title |
---|
吕杰等: "基于高光谱遥感的玉米叶绿素含量估测模型", 《中国矿业大学学报》 * |
Cited By (10)
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 |
CN106940292A (zh) * | 2017-04-25 | 2017-07-11 | 合肥工业大学 | 基于多光谱成像技术的虫蛀巴旦木原料快速无损鉴别方法 |
CN107316116A (zh) * | 2017-08-23 | 2017-11-03 | 吉林大学 | 一种叶类蔬菜产量预测方法 |
CN107316116B (zh) * | 2017-08-23 | 2020-11-10 | 吉林大学 | 一种叶类蔬菜产量预测方法 |
CN108537267A (zh) * | 2018-04-02 | 2018-09-14 | 江南大学 | 一种基于显著性检验的玉米穗自动识别方法 |
CN108680513A (zh) * | 2018-06-12 | 2018-10-19 | 山东省林业科学研究院 | 植物叶绿素测定方法及提取装置 |
CN108680513B (zh) * | 2018-06-12 | 2020-08-25 | 山东省林业科学研究院 | 植物叶绿素测定方法及提取装置 |
CN111044483A (zh) * | 2019-12-27 | 2020-04-21 | 武汉工程大学 | 一种基于近红外光谱的奶油中色素测定方法、系统和介质 |
CN116660206A (zh) * | 2023-05-31 | 2023-08-29 | 浙江省农业科学院 | 一种作物产量预估方法及系统 |
Also Published As
Publication number | Publication date |
---|---|
CN106290171B (zh) | 2019-01-22 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN106290171B (zh) | 玉米叶片叶绿素含量及表型参数测定方法 | |
Yang et al. | A near real-time deep learning approach for detecting rice phenology based on UAV images | |
Fan et al. | Effect of shading and light recovery on the growth, leaf structure, and photosynthetic performance of soybean in a maize-soybean relay-strip intercropping system | |
Zheng et al. | Detection of rice phenology through time series analysis of ground-based spectral index data | |
Peña-Barragán et al. | Object-based crop identification using multiple vegetation indices, textural features and crop phenology | |
Wellens et al. | Performance assessment of the FAO AquaCrop model for irrigated cabbage on farmer plots in a semi-arid environment | |
Liu et al. | Estimation of potato above-ground biomass based on unmanned aerial vehicle red-green-blue images with different texture features and crop height | |
Joshi et al. | High-throughput phenotyping to dissect genotypic differences in safflower for drought tolerance | |
Han et al. | Rice yield estimation using a CNN-based image-driven data assimilation framework | |
CN116543316A (zh) | 一种利用多时相高分辨率卫星影像识别稻田内草皮的方法 | |
CN111753834B (zh) | 基于深度神经网络的种植地块结构语义分割方法和装置 | |
Fang et al. | Image-based root phenotyping for field-grown crops: An example under maize/soybean intercropping | |
Bai et al. | Estimation of soybean yield parameters under lodging conditions using RGB information from unmanned aerial vehicles | |
Chen et al. | A novel Greenness and Water Content Composite Index (GWCCI) for soybean mapping from single remotely sensed multispectral images | |
Kaufmane et al. | QuinceSet: Dataset of annotated Japanese quince images for object detection | |
Esse et al. | Effects of land use change on water availability and water efficiency in the temperate basins of south-central Chile | |
Liu et al. | Evaluating how lodging affects maize yield estimation based on UAV observations | |
Tao et al. | Mapping winter rapeseed in South China using Sentinel-2 data based on a novel separability index | |
Quan et al. | Multimodal remote sensing application for weed competition time series analysis in maize farmland ecosystems | |
Beese et al. | Using repeat airborne LiDAR to map the growth of individual oil palms in Malaysian Borneo during the 2015–16 El Niño | |
Duan et al. | Mapping saffron fields and their ages with Sentinel-2 time series in north-east Iran | |
CN116151454A (zh) | 一种多光谱无人机预测矮林芳樟精油产量的方法及系统 | |
Sileshi et al. | Effect of organic fertilizer on the growth and fruit yield of six paprika (Capsicum annum L.) cultivars in Malawi | |
Deng et al. | Extraction of sugarcane planting area based on similarity of NDVI time series | |
Zhou et al. | Hyperspectral sensing of photosynthesis, stomatal conductance, and transpiration for citrus tree under drought condition |
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 |