CN106323880A - 基于soc高光谱指数的植物叶片花青素含量估算方法及装置 - Google Patents
基于soc高光谱指数的植物叶片花青素含量估算方法及装置 Download PDFInfo
- Publication number
- CN106323880A CN106323880A CN201610625287.6A CN201610625287A CN106323880A CN 106323880 A CN106323880 A CN 106323880A CN 201610625287 A CN201610625287 A CN 201610625287A CN 106323880 A CN106323880 A CN 106323880A
- Authority
- CN
- China
- Prior art keywords
- index
- hyperspectral
- plant leaf
- anthocyanidin content
- leaf blade
- 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
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
Landscapes
- Physics & Mathematics (AREA)
- Spectroscopy & Molecular Physics (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)
- Investigating Or Analysing Materials By Optical Means (AREA)
Abstract
本发明涉及一种基于SOC高光谱指数的植物叶片花青素含量估算方法及装置,本发明首先获取处于胁迫状态的植物叶片高光谱遥感图像及花青素相对含量;然后计算任意两波段组合而成的高光谱指数与花青素含量的相关性,并选取相关性最大的高光谱指数,根据所选取的高光谱指数建立花青素含量估算模型;测定待测植物叶片的高光谱图像并提取其高光谱指数,并将得到的高光谱指数带到所建立的估算模型进行计算,所得结果即为待测植物叶片花青素含量的估算值。本发明将叶片光谱反射率数据与花青素含量数据相融合,通过相关性分析选取高光谱指数,基于高光谱指数法提取色素含量,操作简便、快速,精度较高,有效避免了实验室化学方法提取过程中产生的误差。
Description
技术领域
本发明涉及一种基于SOC高光谱指数的植物叶片花青素含量估算方法及装置,属于精准农业中作物生长信息无损测定技术领域。
背景技术
花青素是植物叶片色素中第3类主要色素,能够提供植物生理状况及对胁迫响应有价值的信息。通常,花青素在植物幼小和衰老叶片中含量丰富。许多的环境胁迫,包括强光、中波紫外线照射、低温、干旱、损伤、细菌及真菌感染、氮和磷的缺乏、某些除草剂及污染物等都会引起花青素含量的有效积累,从而对环境胁迫产生抵抗。花青素具有光保护的功能,能提高植物抗冰冻与抗干旱胁迫的能力,具有抗氧化特性,有助于叶片损伤后的修复等。
传统花青素含量的测定主要是通过湿化学方法,然而实验室测量劳动强度大,费时、费力并损坏叶片,不能进行原位重复测量及大区域监测,因此需要一种精确、高效、实用的方法来估计花青素含量。不同的物种具有不同的色素含量及冠层和叶片结构,生长的环境也大不相同,因此针对特定的植被有必要构建对应的光谱指数用于花青素含量估算,以便提高模型的预测精度。处于特殊情况下,比如:缺磷、缺氮、低温、病菌感染等,玉米叶片或植株可能会在苗期或者生长过程中变红,因此,对玉米叶片或植株进行花青素含量预测,是了解玉米缺肥或病菌感染,实施科学田间管理的重要环节。
发明内容
本发明的目的是提供一种基于SOC高光谱指数的植物叶片花青素含量估算方法及装置,以解决目前花青素含量估算准确度低的问题。
本发明为解决上述技术问题而提供一种基于SOC高光谱指数的植物叶片花青素含量估算方法,该估算方法包括以下步骤:
1)在自然光照条件下获取处于胁迫状态的植物叶片样本的高光谱遥感图像及花青素相对含量;
2)在设定波段范围内计算任意两波段组合而成的高光谱指数与花青素含量的相关性,并选取相关性最大的高光谱指数;
3)根据所选取的高光谱指数建立花青素含量估算模型;
4)测定待测植物叶片的高光谱图像,并根据所选取的高光谱指数对应的波段计算待测植物叶片高光谱指数,并将得到的高光谱指数带到步骤3)所建立的估算模型进行计算,所得结果即为待测植物叶片花青素含量的估算值。
所述步骤2)中高光谱指数包括差值指数DI、比值指数RI、归一化指数NI及倒数差指数RI中的至少一个,
RI=Ri/Rj
DI=Ri-Rj
NI=(Ri-Rj)/(Ri+Rj)
RDI=(1/Ri-1/Rj)
其中Ri和Rj分别表示植物叶片在波长i和波长j处的光谱反射率,i和j分别代表参与光谱指数计算的两个波段。
对于玉米叶片,步骤2)中根据相关系数的大小选择的高光谱指数为RI(515,628)、DI(550,706)、NI(515,696)、RDI(628,520),其相关系数(R2)分别为0.820、0.809、0.824、0.788。
所述步骤3)中的估算模型采用一元线性回归方法建立。
对于玉米叶片,步骤3)建立的花青素含量一元线性回归模型如下:
C(ANTH)=-1.044RI(515,628)+1.306(n=52R2=0.845**)
C(ANTH)=-3.781DI(550,706)+0.012(n=52R2=0.817**)
C(ANTH)=-1.329NI(515,696)+0.010(n=52R2=0.824**)
C(ANTH)=-0.061RDI(628,520)+0.280(n=52R2=0.810**)
其中C(ANTH)为花青素相对含量,n为样本量,R2为决定系数。
步骤3)所建立的花青素含量估算模型还需经PRD评价标准的检验,选取RPD大于设定值的模型作为最终的花青素含量估算模型。
在对所建立的花青素含量估算模型进行检验时,选取独立于模型建立时所采用的样本数据。
本发明还提供了一种基于SOC高光谱指数的植物叶片花青素含量估算装置,该估算装置包括信息采集模块、高光谱指数选取模块、估算模型建立模块和花青素含量估算模块,
所述信息采集模块用于在自然光照条件下获取处于胁迫状态的植物叶片样本高光谱遥感图像及花青素相对含量;
所述高光谱指数选取模块用于在设定波段范围内计算任意两波段组合而成的高光谱指数与花青素含量的相关性,并选取相关性最大的高光谱指数;
所述估算模型建立模块根据所选取的高光谱指数建立花青素含量估算模型;
所述花青素含量估算模块用于测定待测植物叶片的高光谱图像,并根据所选取的高光谱指数对应的波段计算待测植物叶片高光谱指数,并将得到的高光谱指数带到估算模型建立模块所建立的估算模型进行计算,所得结果即为待测植物叶片花青素含量的估算值。
高光谱指数选取模块所采用的高光谱指数包括差值指数DI、比值指数RI、归一化指数NI及倒数差指数RI中的至少一个,
RI=Ri/Rj
DI=Ri-Rj
NI=(Ri-Rj)/(Ri+Rj)
RDI=(1/Ri-1/Rj)
其中Ri和Rj分别表示植物叶片在波长i和波长j处的光谱反射率,i和j分别代表参与光谱指数计算的两个波段。
估算模型建立模块采用一元线性回归方法建立估算模型,且该估算模型建立模块所建立的花青素含量估算模型还需经PRD评价标准的检验,选取RPD大于设定值的模型作为最终的花青素含量估算模型。
本发明的有益效果是:本发明首先在自然光照条件下获取处于胁迫状态的植物叶片高光谱遥感图像及花青素相对含量;然后在设定波段范围内计算任意两波段组合而成的高光谱指数与花青素含量的相关性,并选取相关性最大的高光谱指数根据所选取的高光谱指数建立花青素含量估算模型;测定待测植物叶片的高光谱图像并计算其高光谱指数,并将得到的高光谱指数带到所建立的估算模型进行计算,所得结果即为待测植物叶片花青素含量的估算值。本发明将叶片光谱反射率数据与花青素含量数据相融合,通过相关性分析选取高光谱指数,基于高光谱指数法提取色素含量,操作简便、快速,有效避免实验室化学方法提取过程中产生的误差,为利用高光谱图像数据快速无损估算玉米叶片花青素含量提供了新的波段组合和理论依据,为花青素含量大面积监测研究提供了参考。
并且给出玉米叶片的估算模型,所选择的高光谱指数有3个,每个高光谱指数仅需两个波段光谱反射率,即可实现花青素含量的原位、无损预测。
附图说明
图1是玉米叶片花青素含量与SOC光谱两波段组合的4类指数的相关等势图;
图2是预测值与测量值的关系图。
具体实施方式
下面结合附图对本发明的具体实施方式做进一步的说明。
本发明植物叶片花青素含量估算方法的实施例
本发明的植物叶片花青素含量估算方法获取叶片的高光谱遥感图像及花青素相对含量,分析400-1000nm波段范围内的任意两波段组合而成的窄波段高光谱指数与花青素含量的相关性,选择各类相关性最大的高光谱指数,结合一元线性回归方法建立玉米叶片花青素含量估算模型,利用独立样本进行验证。
玉米种植时需进行缺肥处理,当玉米处于灌浆期和乳熟期时,部分叶片或茎杆出现叶绿素含量减少,花青素含量增加,叶片和茎杆变红。下面以玉米花青素含量的估算过程为例对本发明的具体实施过程进行详细说明。
1.获取玉米叶片的高光谱图像
选择晴朗、无云、无风的天气,分两次基于可视化特征采集不同颜色(紫红、微红、绿色)的玉米叶片78个;将叶片平展摆放在平铺于地面的黑布上,标准灰板同时平放在黑布上,10个叶片为一组,然后自然光照条件下进行叶片成像高光谱遥感数据获取(简称SOC高光谱图像)。本实施例采用美国SOC公司生产的710便携式可见/近红外高光谱成像式地物光谱仪测定叶片高光谱遥感图像,数据获取时将高光谱成像式地物光谱仪(技术参数见表1)固定在垂直高度约3m的三脚架上,传感器探头垂直向下观测,镜头焦距12mm。
表1 SOC仪器参数
2.测定玉米叶片的花青素含量测定
与步骤1同步,采用植物多酚-叶绿素测量计(DUALEX SCIENTIFC+TM)测量玉米叶片的花青素含量,本实施例在玉米叶片中部、颜色较均匀的部分测量6-8个点,以其算术平均值作为样本值。
3.根据在400-1000nm波段范围内的任意两波段组合而成的窄波段高光谱指数与花青素含量的相关性选择高光谱指数。
1)对玉米叶片SOC高光谱图像进行预处理,提取玉米叶片的高光谱反射率。
本实施例采用SOC光谱仪自带的分析软件SRAnal710,对玉米叶片的SOC高光谱图像进行一系列预处理:波长定标、辐射定标、反射率转换,然后在ENVI软件中获取每个玉米叶片中间部位多个感兴趣区域的光谱反射率,取平均值作为样本的光谱反射率。
2)计算两两波段组合的4类窄波段指数
计算两两波段组合的差值指数(DI)、比值指数(RI)、归一化指数(NI)及倒数差值指数(RDI),计算公式如下:
RI=Ri/Rj (1)
DI=Ri-Rj (2)
NI=(Ri-Rj)/(Ri+Rj) (3)
RDI=(1/Ri-1/Rj) (4)
式中:Ri、Rj表示玉米叶片在波长i或j处的光谱反射率;i或j分别代表参与光谱指数计算的两个波段。
3)对窄波段指数与花青素含量进行相关分析,选取相关性最大的指数作为高光谱指数。
采用R语言编程计算窄波段指数、对窄波段指数与花青素含量进行相关分析并制作相关等势图,如图1所示,本实施例针对玉米叶片样本选取的相关性最大的高光谱指数为RI(515,628)、DI(550,706)、NI(515,696)、RDI(628,520),其相关系数(R2)分别为0.820、0.809、0.824、0.788。
4.建立花青素含量估算模型
本实施例采用基于高光谱指数结合一元线性回归建立玉米叶片花青素含量估算模型,所建立的模型如下:
C(ANTH)=-1.044RI(515,628)+1.306(n=52R2=0.845**)(5)
C(ANTH)=-3.781DI(550,706)+0.012(n=52R2=0.817**)(6)
C(ANTH)=-1.329NI(515,696)+0.010(n=52R2=0.824**)(7)
C(ANTH)=-0.061RDI(628,520)+0.280(n=52R2=0.810**)(8)
式中:C(ANTH)为花青素相对含量,n为样本量,R2为决定系数。
5.测定待测植物叶片的高光谱图像,在其设定波段范围内计算其高光谱指数,并将得到的高光谱指数带到步骤4所建立的估算模型进行计算,所得结果即为待测植物叶片花青素含量的估算值。
本实施例采用美国SOC公司生产的710便携式可见/近红外高光谱成像式地物光谱仪测定玉米叶片高光谱遥感图像,提取高光谱指数,直接代入上述3个估算模型中的任一个,计算可得玉米叶片的花青素含量,见下表2。
表2玉米叶片光谱数据及预测、实测的花青素含量(部分)
本实施例中玉米叶片花青素含量高光谱监测模型的稳定性、适应性良好,准确性高,适用于玉米叶片及其它中、低花青素含量植物叶片原位重复测量及大区域监测。
为了进一步提高花青素含量估算的准确性,本发明在上述实施例的基础上还采用独立样本对所建立的估算模型进行分析评价,确定预测能力好的估算模型作为本发明花青素含量的估算模型。
模型的分析评价采用决定系数(Coefficient of determination,R2)、均方根误差(Root Mean Square Error,RMSE)和相对预测偏差(Residual prediction deviation,RPD)来衡量。通过计算RPD值来衡量每一个模型的预测能力,RPD的评价标准采用Chang等(2002)提出的阈值划分方法,当RPD>2.0表明模型是稳定的、准确的,可以对参量进行准确预测;当1.4<RPD<2.0时是可以接受的模型,能对参量进行粗略预测,有待改进;但当RPD<1.4时表明模型的预测能力很差。总之,一个好的预测模型应该有大的R2和RPD值,小的RMSE。
其中:是预测值;是观测值的均值;y是观测值;n是预测或观测值的数量,用i=1,2,…,n表示;SDv是验证集的标准偏差;RMSEv是验证集的均方根误差。
本实施例在数据集中按照花青素含量排序,每隔2个选1个组成验证集,因此共选取2/3的数据作为校正集,1/3的数据作为验证集,在SPSS软件中采用一元线性回归方法建立基于RI(515,628)、DI(550,706)、NI(515,696)、RDI(628,520)的玉米叶片花青素含量估算模型,模型的R2分别为0.845、0.817、0.824、0.810,均大于0.81。采用没有参与建模的26组样本,提取高光谱指数,代入估算模型,输出花青素含量值。经计算,模型的预测值与实测值的拟合模型及评价参数如下:
y=1.029x+0.008(n=26R2=0.773**RMSE=0.108RPD=2.063)(12)
y=1.108x-0.018(n=26R2=0.798**RMSE=0.105RPD=2.118)(13)
y=1.181x+0.079(n=26R2=0.836**RMSE=0.098RPD=2.275)(14)
y=1.105x-0.012(n=26R2=0.756**RMSE=0.115RPD=1.928)(15)
式中:x、y分别表示花青素含量的实测值与预测值,RMSE表示均方根误差,RPD值表示预测残差偏差。可见各模型的R2均大于0.75,RMSE均小于0.12,但是基于RDI(628,520)建立的模型的验证RPD值为1.928,介于1.4-2.0之间,而基于RI(515,628)、DI(550,706)、NI(515,696)建立的线性模型的验证RPD值均大于2.0,因此,选取RI(515,628)、DI(550,706)、NI(515,696)建立的一元线性模型作为玉米叶片花青素含量的估算模型。以预测花青素含量为横坐标、实测花青素含量为纵坐标建立回归方程,花青素含量预测值与测量值的散点图及拟合曲线见图2所述。可见,所选取的这三种模型得到的预测值与实际测量值的误差不大,实际测量值均在预测曲线的附近,本发明所建立的三种估算模型均能准确的预测出叶片的花青素含量。
本发明植物叶片花青素含量估算装置的实施例
本发明的植物叶片花青素含量估算装置包括信息采集模块、高光谱指数选取模块、估算模型建立模块和花青素含量估算模块,信息采集模块用于在自然光照条件下获取处于胁迫状态的植物叶片高光谱遥感图像及花青素相对含量;高光谱指数选取模块用于在设定波段范围内计算任意两波段组合而成的高光谱指数与花青素含量的相关性,并选取相关性最大的高光谱指数;估算模型建立模块根据所选取的高光谱指数建立花青素含量估算模型;花青素含量估算模块用于测定待测植物叶片的高光谱图像,并根据所选取的高光谱指数对应的波段计算待测植物叶片高光谱指数,并将得到的高光谱指数带到估算模型建立模块所建立的估算模型进行计算,所得结果即为待测植物叶片花青素含量的估算值。该装置中各模块的具体实现手段已在方法的实施例中进行了详细说明,这里不再赘述。
本发明仅需两个波段的信息,即可实现对玉米叶片花青素含量的快速、准确估算,为花青素含量便携式测定仪的开发提供波段参考;野外自然光照条件下获取高光谱图像,提取高光谱指数进行建模,有利于与低空或高空遥感图像结合,实现不同尺度、大区域色素含量监测。
Claims (10)
1.基于SOC高光谱指数的植物叶片花青素含量估算方法,其特征在于,该估算方法包括以下步骤:
1)在自然光照条件下获取处于胁迫状态的植物叶片样本的高光谱遥感图像及花青素相对含量;
2)在设定波段范围内计算任意两波段组合而成的高光谱指数与花青素含量的相关性,并选取相关性最大的高光谱指数;
3)根据所选取的高光谱指数建立花青素含量估算模型;
4)测定待测植物叶片的高光谱图像,并根据所选取的高光谱指数对应的波段计算待测植物叶片高光谱指数,并将得到的高光谱指数带到步骤3)所建立的估算模型进行计算,所得结果即为待测植物叶片花青素含量的估算值。
2.根据权利要求1所述的基于SOC高光谱指数的植物叶片花青素含量估算方法,其特征在于,所述步骤2)中高光谱指数包括差值指数DI、比值指数RI、归一化指数NI及倒数差指数RI中的至少一个,
RI=Ri/Rj
DI=Ri-Rj
NI=(Ri-Rj)/(Ri+Rj)
RDI=(1/Ri-1/Rj)
其中Ri和Rj分别表示植物叶片在波长i和波长j处的光谱反射率,i和j分别代表参与光谱指数计算的两个波段。
3.根据权利要求2所述的基于SOC高光谱指数的植物叶片花青素含量估算方法,对于玉米叶片,步骤2)中根据相关系数的大小选择的高光谱指数为RI(515,628)、DI(550,706)、NI(515,696)、RDI(628,520),其相关系数(R2)分别为0.820、0.809、0.824、0.788。
4.根据权利要求1所述的基于SOC高光谱指数的植物叶片花青素含量估算方法,其特征在于,所述步骤3)中的估算模型采用一元线性回归方法建立。
5.根据权利要求3所述的基于SOC高光谱指数的植物叶片花青素含量估算方法,其特征在于,对于玉米叶片,步骤3)建立的花青素含量一元线性回归模型如下:
C(ANTH)=-1.044RI(515,628)+1.306(n=52R2=0.845**)
C(ANTH)=-3.781DI(550,706)+0.012(n=52R2=0.817**)
C(ANTH)=-1.329NI(515,696)+0.010(n=52R2=0.824**)
C(ANTH)=-0.061RDI(628,520)+0.280(n=52R2=0.810**)
其中C(ANTH)为花青素相对含量,n为样本量,R2为决定系数。
6.根据权利要求1所述的基于SOC高光谱指数的植物叶片花青素含量估算方法,其特征在于,步骤3)所建立的花青素含量估算模型还需经PRD评价标准的检验,选取RPD大于设定值的模型作为最终的花青素含量估算模型。
7.根据权利要求6所述的基于SOC高光谱指数的植物叶片花青素含量估算方法,其特征在于,在对所建立的花青素含量估算模型进行检验时,选取独立于模型建立时所采用的样本数据。
8.基于SOC高光谱指数的植物叶片花青素含量估算装置,其特征在于,该估算装置包括信息采集模块、高光谱指数选取模块、估算模型建立模块和花青素含量估算模块,
所述信息采集模块用于在自然光照条件下获取处于胁迫状态的植物叶片样本高光谱遥感图像及花青素相对含量;
所述高光谱指数选取模块用于在设定波段范围内计算任意两波段组合而成的高光谱指数与花青素含量的相关性,并选取相关性最大的高光谱指数;
所述估算模型建立模块根据所选取的高光谱指数建立花青素含量估算模型;
所述花青素含量估算模块用于测定待测植物叶片的高光谱图像,并根据所选取的高光谱指数对应的波段计算待测植物叶片高光谱指数,并将得到的高光谱指数带到估算模型建立模块所建立的估算模型进行计算,所得结果即为待测植物叶片花青素含量的估算值。
9.根据权利要求8所述的基于SOC高光谱指数的植物叶片花青素含量估算装置,其特征在于,高光谱指数选取模块所采用的高光谱指数包括差值指数DI、比值指数RI、归一化指数NI及倒数差指数RI中的至少一个,
RI=Ri/Rj
DI=Ri-Rj
NI=(Ri-Rj)/(Ri+Rj)
RDI=(1/Ri-1/Rj)
其中Ri和Rj分别表示植物叶片在波长i和波长j处的光谱反射率,i和j分别代表参与光谱指数计算的两个波段。
10.根据权利要求8或9所述的基于SOC高光谱指数的植物叶片花青素含量估算装置,其特征在于,估算模型建立模块采用一元线性回归方法建立估算模型,且该估算模型建立模块所建立的花青素含量估算模型还需经PRD评价标准的检验,选取RPD大于设定值的模型作为最终的花青素含量估算模型。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201610625287.6A CN106323880A (zh) | 2016-07-29 | 2016-07-29 | 基于soc高光谱指数的植物叶片花青素含量估算方法及装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201610625287.6A CN106323880A (zh) | 2016-07-29 | 2016-07-29 | 基于soc高光谱指数的植物叶片花青素含量估算方法及装置 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN106323880A true CN106323880A (zh) | 2017-01-11 |
Family
ID=57739916
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201610625287.6A Pending CN106323880A (zh) | 2016-07-29 | 2016-07-29 | 基于soc高光谱指数的植物叶片花青素含量估算方法及装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN106323880A (zh) |
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110267525A (zh) * | 2017-02-15 | 2019-09-20 | 索尼公司 | 信息产生方法、信息产生装置和程序 |
CN111103245A (zh) * | 2020-02-13 | 2020-05-05 | 北华航天工业学院 | 一种基于光谱技术玉米霉变的快速检测方法 |
CN111795932A (zh) * | 2020-06-15 | 2020-10-20 | 杭州电子科技大学 | 一种基于高光谱的杨梅果实糖酸度无损检测方法 |
CN112697725A (zh) * | 2020-12-09 | 2021-04-23 | 云南省烟草农业科学研究院 | 一种基于无人机高光谱田间烟叶总糖含量预测方法及系统 |
CN117808900A (zh) * | 2024-02-29 | 2024-04-02 | 云南省农业科学院质量标准与检测技术研究所 | 一种玉米花丝花青甙显色强度分级方法及装置 |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2001069191A1 (en) * | 2000-03-13 | 2001-09-20 | Autoline, Inc. | Apparatus and method for measuring and correlating characteristics of fruit with visible/near infra-red spectrum |
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 |
CN102426153A (zh) * | 2011-11-21 | 2012-04-25 | 南京农业大学 | 一种基于冠层高光谱指数的小麦植株水分监测方法 |
CN103149174A (zh) * | 2013-03-19 | 2013-06-12 | 周口市农业科学院 | 一种快速检测小麦籽粒中黄色素含量的方法 |
CN105136686A (zh) * | 2015-08-28 | 2015-12-09 | 河南科技大学 | 紫叶李叶片花青素含量的测定方法 |
CN105241822A (zh) * | 2015-08-28 | 2016-01-13 | 河南科技大学 | 基于高光谱的牡丹叶片花青素含量测定方法 |
CN105277491A (zh) * | 2015-09-24 | 2016-01-27 | 中国农业科学院农业资源与农业区划研究所 | 叶绿素含量测量方法及装置 |
-
2016
- 2016-07-29 CN CN201610625287.6A patent/CN106323880A/zh active Pending
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2001069191A1 (en) * | 2000-03-13 | 2001-09-20 | Autoline, Inc. | Apparatus and method for measuring and correlating characteristics of fruit with visible/near infra-red spectrum |
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 |
CN102426153A (zh) * | 2011-11-21 | 2012-04-25 | 南京农业大学 | 一种基于冠层高光谱指数的小麦植株水分监测方法 |
CN103149174A (zh) * | 2013-03-19 | 2013-06-12 | 周口市农业科学院 | 一种快速检测小麦籽粒中黄色素含量的方法 |
CN105136686A (zh) * | 2015-08-28 | 2015-12-09 | 河南科技大学 | 紫叶李叶片花青素含量的测定方法 |
CN105241822A (zh) * | 2015-08-28 | 2016-01-13 | 河南科技大学 | 基于高光谱的牡丹叶片花青素含量测定方法 |
CN105277491A (zh) * | 2015-09-24 | 2016-01-27 | 中国农业科学院农业资源与农业区划研究所 | 叶绿素含量测量方法及装置 |
Non-Patent Citations (6)
Title |
---|
刘秀英 等: "基于可见/近红外光谱的牡丹叶片花青素含量预测", 《农业机械学报》 * |
姜海玲 等: "利用光谱指数反演植被叶绿素含量的精度及稳定性研究", 《光谱学与光谱分析》 * |
房贤一 等: "基于高光谱的苹果盛果期冠层叶绿素含量监测研究", 《中国农业科学》 * |
王家强 等: "基于高光谱指数的天然胡杨叶绿素遥感建模研究", 《干旱区资源与环境》 * |
魏晨 等: "植物色素及氮素含量高光谱遥感估算模型的元分析", 《中国优秀硕士学位论文全文数据库 农业科技辑》 * |
黄朝晖 等: "近红外光谱法测定高梁原花青素含量", 《食品科技》 * |
Cited By (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110267525A (zh) * | 2017-02-15 | 2019-09-20 | 索尼公司 | 信息产生方法、信息产生装置和程序 |
CN110267525B (zh) * | 2017-02-15 | 2023-03-07 | 索尼公司 | 信息产生方法、信息产生装置和程序 |
US11763457B2 (en) | 2017-02-15 | 2023-09-19 | Sony Group Corporation | Information generation method, information generation apparatus, and program |
CN111103245A (zh) * | 2020-02-13 | 2020-05-05 | 北华航天工业学院 | 一种基于光谱技术玉米霉变的快速检测方法 |
CN111103245B (zh) * | 2020-02-13 | 2023-09-19 | 北华航天工业学院 | 一种基于光谱技术玉米霉变的快速检测方法 |
CN111795932A (zh) * | 2020-06-15 | 2020-10-20 | 杭州电子科技大学 | 一种基于高光谱的杨梅果实糖酸度无损检测方法 |
CN111795932B (zh) * | 2020-06-15 | 2022-11-15 | 杭州电子科技大学 | 一种基于高光谱的杨梅果实糖酸度无损检测方法 |
CN112697725A (zh) * | 2020-12-09 | 2021-04-23 | 云南省烟草农业科学研究院 | 一种基于无人机高光谱田间烟叶总糖含量预测方法及系统 |
CN117808900A (zh) * | 2024-02-29 | 2024-04-02 | 云南省农业科学院质量标准与检测技术研究所 | 一种玉米花丝花青甙显色强度分级方法及装置 |
CN117808900B (zh) * | 2024-02-29 | 2024-05-14 | 云南省农业科学院质量标准与检测技术研究所 | 一种玉米花丝花青甙显色强度分级方法及装置 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Xie et al. | Retrieval of crop biophysical parameters from Sentinel-2 remote sensing imagery | |
Liang et al. | Multi-factor modeling of above-ground biomass in alpine grassland: A case study in the Three-River Headwaters Region, China | |
Li et al. | WREP: A wavelet-based technique for extracting the red edge position from reflectance spectra for estimating leaf and canopy chlorophyll contents of cereal crops | |
Wang et al. | Estimating leaf nitrogen concentration with three-band vegetation indices in rice and wheat | |
Yao et al. | Exploring hyperspectral bands and estimation indices for leaf nitrogen accumulation in wheat | |
CN106323880A (zh) | 基于soc高光谱指数的植物叶片花青素含量估算方法及装置 | |
CN112634212B (zh) | 基于高光谱无人机的病害潜伏树检测方法及系统 | |
CN107796764B (zh) | 一种基于三波段植被指数的小麦叶面积指数估算模型的构建方法 | |
AU2020101095A4 (en) | A Satellite Remote Sensing Monitoring Method for the Content of Chlorophyll A in the Canopy of Jujube Trees | |
CN106290197A (zh) | 水稻叶片全氮含量高光谱估测及估测模型构建方法 | |
CN110376167A (zh) | 基于无人机高光谱的水稻叶片氮含量监测方法 | |
CN110927082A (zh) | 一种基于无人机成像高光谱遥感的冬小麦产量预测方法 | |
CN107505271B (zh) | 基于氮素组分辐射传输模型的植株氮素估算方法和系统 | |
CN109187398A (zh) | 一种小麦植株氮含量的高光谱测定方法 | |
Song et al. | Using multi-angle hyperspectral data to monitor canopy leaf nitrogen content of wheat | |
CN108520127A (zh) | 一种树种叶面积指数的高光谱反演方法 | |
CN106033052B (zh) | 一种基于高光谱数据敏感波段的植被信息提取方法 | |
CN103868880A (zh) | 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 | |
CN104614321A (zh) | 一种基于光谱图像的作物长势实时监测方法 | |
CN103196838A (zh) | 一种海岸河口富营养化高光谱遥感监测方法 | |
CN111751376B (zh) | 一种基于冠层图像特征衍生的水稻氮素营养估算方法 | |
CN113252583B (zh) | 一种基于枯草植被指数计算高寒枯草覆盖度的方法 | |
CN104567754A (zh) | 一种耦合星-地遥感的小麦叶面积指数估算方法 | |
Yan et al. | Spectroscopy outperforms leaf trait relationships for predicting photosynthetic capacity across different forest types | |
CN106469240A (zh) | 基于光谱指数的油菜叶片spad估测及估测模型构建方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | 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 | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20170111 |