CN106500841B - 一种遥感监测大面积茶园植株多酚含量的方法及系统 - Google Patents
一种遥感监测大面积茶园植株多酚含量的方法及系统 Download PDFInfo
- Publication number
- CN106500841B CN106500841B CN201610947823.4A CN201610947823A CN106500841B CN 106500841 B CN106500841 B CN 106500841B CN 201610947823 A CN201610947823 A CN 201610947823A CN 106500841 B CN106500841 B CN 106500841B
- Authority
- CN
- China
- Prior art keywords
- polyphenol content
- combination
- wavelet
- noising
- processing
- 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
- 150000008442 polyphenolic compounds Chemical class 0.000 title claims abstract description 57
- 235000013824 polyphenols Nutrition 0.000 title claims abstract description 57
- 238000012544 monitoring process Methods 0.000 title claims abstract description 37
- 238000000034 method Methods 0.000 title claims abstract description 28
- 241000196324 Embryophyta Species 0.000 title claims abstract description 24
- 241001122767 Theaceae Species 0.000 title claims description 37
- 238000001228 spectrum Methods 0.000 claims abstract description 34
- 238000000701 chemical imaging Methods 0.000 claims abstract description 21
- 240000003553 Leptospermum scoparium Species 0.000 claims abstract description 10
- 238000012937 correction Methods 0.000 claims abstract description 7
- 238000005520 cutting process Methods 0.000 claims abstract description 6
- 238000012545 processing Methods 0.000 claims description 52
- 238000009795 derivation Methods 0.000 claims description 33
- 230000003595 spectral effect Effects 0.000 claims description 8
- 238000007781 pre-processing Methods 0.000 claims description 7
- 238000013528 artificial neural network Methods 0.000 claims description 5
- 235000009024 Ceanothus sanguineus Nutrition 0.000 claims description 4
- 235000015459 Lycium barbarum Nutrition 0.000 claims description 4
- 210000002569 neuron Anatomy 0.000 claims description 4
- 238000000605 extraction Methods 0.000 claims description 3
- 238000005259 measurement Methods 0.000 claims description 3
- 238000003062 neural network model Methods 0.000 claims description 3
- 238000010238 partial least squares regression Methods 0.000 claims description 3
- 230000005284 excitation Effects 0.000 claims description 2
- 239000004615 ingredient Substances 0.000 claims description 2
- 238000003860 storage Methods 0.000 abstract description 6
- 230000003287 optical effect Effects 0.000 abstract description 5
- 239000000284 extract Substances 0.000 abstract description 4
- 238000007873 sieving Methods 0.000 abstract description 4
- 239000002689 soil Substances 0.000 abstract description 4
- 244000269722 Thea sinensis Species 0.000 abstract 3
- 241000282693 Cercopithecidae Species 0.000 description 7
- 230000005855 radiation Effects 0.000 description 3
- 238000005516 engineering process Methods 0.000 description 2
- 230000007613 environmental effect Effects 0.000 description 2
- 230000004927 fusion Effects 0.000 description 2
- 239000002075 main ingredient Substances 0.000 description 2
- 239000000843 powder Substances 0.000 description 2
- 238000011160 research Methods 0.000 description 2
- 241001282153 Scopelogadus mizolepis Species 0.000 description 1
- 238000010521 absorption reaction Methods 0.000 description 1
- 239000000443 aerosol Substances 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 230000001174 ascending effect Effects 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 238000013480 data collection Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 230000007812 deficiency Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000003292 diminished effect Effects 0.000 description 1
- 230000008030 elimination Effects 0.000 description 1
- 238000003379 elimination reaction Methods 0.000 description 1
- 238000007667 floating Methods 0.000 description 1
- 238000009434 installation Methods 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 231100000614 poison Toxicity 0.000 description 1
- 239000000941 radioactive substance Substances 0.000 description 1
- 238000002310 reflectometry Methods 0.000 description 1
- 238000012216 screening Methods 0.000 description 1
- 238000007811 spectroscopic assay Methods 0.000 description 1
- 239000003440 toxic substance Substances 0.000 description 1
- 235000013619 trace mineral Nutrition 0.000 description 1
- 239000011573 trace mineral Substances 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01J—MEASUREMENT OF INTENSITY, VELOCITY, SPECTRAL CONTENT, POLARISATION, PHASE OR PULSE CHARACTERISTICS OF INFRARED, VISIBLE OR ULTRAVIOLET LIGHT; COLORIMETRY; RADIATION PYROMETRY
- G01J3/00—Spectrometry; Spectrophotometry; Monochromators; Measuring colours
- G01J3/28—Investigating the spectrum
- G01J3/2823—Imaging spectrometer
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01J—MEASUREMENT OF INTENSITY, VELOCITY, SPECTRAL CONTENT, POLARISATION, PHASE OR PULSE CHARACTERISTICS OF INFRARED, VISIBLE OR ULTRAVIOLET LIGHT; COLORIMETRY; RADIATION PYROMETRY
- G01J3/00—Spectrometry; Spectrophotometry; Monochromators; Measuring colours
- G01J3/28—Investigating the spectrum
- G01J3/2823—Imaging spectrometer
- G01J2003/2826—Multispectral imaging, e.g. filter imaging
Landscapes
- Physics & Mathematics (AREA)
- Spectroscopy & Molecular Physics (AREA)
- General Physics & Mathematics (AREA)
- Investigating Or Analysing Materials By Optical Means (AREA)
Abstract
本发明公开了一种遥感监测大面积茶园植株多酚含量的方法及系统，本发明首先将无人机与高光谱传感器连接在一起，从高空采集高光谱影像，利用车载迷你电脑实现影像的快速存储。然后对影像进行自动化预处理，包括：辐射校正、图像筛选、图像融合、拼接和裁剪。提取影像内茶树植株，最大的减少枯枝、土壤等背景因素干扰。在建立光谱‑茶多酚监测模型前，对光谱进行预处理，消除噪声和冗余信息，完成大面积茶园多酚含量监测。
Description
技术领域
本发明属于遥感技术领域，尤其是涉及一种无人机机载高光谱遥感监测大面积茶园植株多酚含量的方法及系统。
背景技术
茶多酚是茶叶中多酚类物质的总称，是形成茶叶色香味的主要成份之一，也是茶叶中有保健功能的主要成份之一，因其具解毒和抗辐射作用，能有效地阻止放射性物质侵入骨髓。
对茶园植株多酚监测，目前有几种常见方法，但是这些方法各有优缺点：(1)基于干粉尺度；(2)基于鲜叶尺度；(3)基于冠层尺度。研究表明，基于干粉尺度茶多酚监测，最易于获得较为理想的监测结果。但要将茶树叶片摘下，摊青、蒸干并磨粉，最后用高光谱传感器进行光谱测定，工序繁琐，对于大面积茶园来说，耗时巨大，且操作困难。基于鲜叶尺度茶多酚监测，由于鲜叶中含有大量水分，将掩盖叶片中微量元素如多酚的在光谱中的吸收特性，且与方法(1)类似，研究对象是大面积茶园时，工作量巨大。基于冠层尺度的茶多酚监测方法，由于茶树冠层结构复杂，且受土壤背景因素的影响，模型精度不如(1)和(2)，但对大尺度茶园监测，是较为可行的方法。
当前的利用遥感和光谱技术对冠层茶多酚含量进行监测主要集中在点尺度，即利用手持光谱仪，在茶叶冠层进行光谱测量。随着高光谱遥感技术的发展，涌现了一批机载和星载高光谱传感器，如AVIRIS,HyMap,CASI,Hyperion和天宫1号等。利用机载/星载高光谱传感器能节省大量的数据采集工作的时间，提高数据生产效率。
然而机载/星载高光谱传感器的缺陷在于更新频率低、空间分辨率低(空间分辨率>20m)和价格昂贵。茶树一般采用单行条植法，行距0.5-1.5米，若使用机载/星载传感器采集高光谱影像，由于空间分辨率大于茶叶行距，单个像元中可能同时包含土地和茶树两种地物类型，俗称混合像元，茶多酚反演精度将被大大降低。
发明内容
为了解决上述技术问题，本发明提供了一种遥感监测大面积茶园植株多酚含量的方法及系统，实现基于无人机载高光谱成像仪的大面积茶园植株多酚含量监测，提高冠层尺度监测模型的精度和效率。
本发明的方法所采用的技术方案是：一种遥感监测大面积茶园植株多酚含量的方法，包括以下步骤：
步骤1：根据用户设定的拍照参数，获取高光谱影像；
步骤2：对获取的高光谱影像进行图像预处理；
步骤3：对步骤2中预处理后的影像进行光谱预处理；
步骤4：针对步骤3中预处理后的影像，选择回归方法和建模模型，将步骤3中预处理后的影像与样品茶多酚含量结合，建立遥感监测大面积茶园植株多酚含量模型。
本发明的系统所采用的技术方案是：一种遥感监测大面积茶园植株多酚含量的系统，包括高光谱影像采集模块、影像预处理模块、光谱预处理模块和茶多酚含量监测模块；
所述高光谱影像采集模块用于根据用户设定的拍照参数，获取高光谱影像；
所述影像预处理模块用于对获取的高光谱影像进行图像预处理；
所述光谱预处理模块用于对影像预处理模块预处理后的影像进行光谱预处理；
所述茶多酚含量监测模块用于针对光谱预处理模块预处理后的影像，选择回归方法，将光谱预处理模块预处理后的影像与样品茶多酚含量结合，建立遥感监测大面积茶园植株多酚含量模型。
本发明实现了茶多酚数据的快速监测。本发明首先将无人机与高光谱传感器连接在一起，利用车载迷你电脑实现影像的快速存储。然后对影像进行自动化预处理，包括：辐射校正、图像筛选、图像融合、拼接和裁剪。提取影像内茶树植株，最大的减少枯枝、土壤等背景因素干扰。在建立光谱-茶多酚监测模型前，对光谱进行预处理，消除噪声和冗余信息，完成大面积茶园多酚含量监测。
附图说明
图1为本发明实施例的高光谱影像采集流程图；
图2为本发明实施例的影像预处理流程图；
图3为本发明实施例的光谱预处理流程图；
图4为本发明实施例的茶多酚含量监测流程图；
图5为本发明实施例的BP神经网络结构图。
具体实施方式
为了便于本领域普通技术人员理解和实施本发明，下面结合附图及实施例对本发明作进一步的详细描述，应当理解，此处所描述的实施示例仅用于说明和解释本发明，并不用于限定本发明。
无人机载高光谱传感器有着精度高、数据覆盖广、获取便捷等优势，发挥了手持光谱仪和星载/机载光谱仪的优势，克服了他们的不足。由于无人机可以改变飞行高度，控制像元尺寸，使每个像元中尽量只包含一种地物类型，避免混合像元的干扰，提高了数据精度。其次，无人机载高光谱传感器能在一定高度飞行和连续拍摄，能满足大范围目标地物需求。
因此，本发明利用无人机载高光谱传感器采集大面积茶园影像，并建立茶多酚监测和分析方法及系统。
本发明提供的一种遥感监测大面积茶园植株多酚含量的方法，包括以下步骤：
步骤1：根据用户设定的拍照参数，获取高光谱影像；
请见图1，本发明利用机载高光谱传感器，对地面物体进行定时拍照，并储存在机载车载迷你电脑中，采集到的影像将被输入影像预处理模块。
步骤2：对获取的高光谱影像进行图像预处理；
请见图2，对获取的高光谱影像进行图像预处理，包括图像融合处理、辐射校正处理、图像筛选处理、拼接和裁剪处理、掩膜提取茶树植株处理。
步骤3：对步骤2中预处理后的影像进行光谱预处理；
请见图3，对步骤2中预处理后的影像进行光谱预处理，包括标准化处理、小波降噪处理、连续去除处理、一阶求导处理、二阶求导处理及以上标准化处理、小波降噪处理、连续去除处理、一阶求导处理、二阶求导处理的组合。其组合形式有：
标准化和小波降噪处理组合，标准化和连续去除处理组合，标准化和连续去除处理组合，标准化和一阶求导处理组合，标准化和二阶求导处理组合，小波降噪和连续去除处理组合，小波降噪和一阶求导处理组合，小波降噪和二阶求导处理组合，连续去除和一阶求导处理组合，连续去除和二阶求导处理组合；
标准化、小波降噪和连续去除组合，标准化、小波降噪和一阶求导处理组合，标准化、小波降噪和二阶求导处理组合，标准化、小波降噪、连续去除和一阶求导处理组合，小波降噪、连续去除和一阶求导处理组合，小波降噪、连续去除和二阶求导处理组合
标准化、小波降噪、连续去除和一阶求导处理组合，标准化、小波降噪、连续去除和二阶求导处理组合。
步骤4：针对步骤3中预处理后的影像，选择回归方法和建模模型，将步骤3中预处理后的影像与样品茶多酚含量结合，建立遥感监测大面积茶园植株多酚含量模型。
请见图4，用户选择是要偏最小二乘法还是人工神经元网络建模，将经过光谱预处理的高光谱数据与样品茶多酚含量建立监测模型，遥感监测大面积茶园植株多酚含量模型包括基于偏最小二乘法和人工神经元网络建立的光谱与茶多酚含量模型。
偏最小二乘法能消除高光谱大量光谱信息间的冗余性和相关性，提取特征信息。构建偏最小二乘法回归模型原理为：
yk＝λok+λ1kT1+...+λnk(k＝1,2,...,n)
式中，T1,……,Tn分别是光谱各波段的线性组合，λi(i＝1,...,n)为系数，用户指定k值，选取k个波段组合方式确定为k个成分，由最小二乘估计所有成分与茶多酚含量值之间的线性关系。
例如用户指定k为3，则有：
y1＝λ01+λ11T1+...λn1Tn
y2＝λ02+λ12T1+...λn2Tn
y3＝λ03+λ13T1+...λn3Tn
然后用y1、y2、y3和茶多酚含量(p)建立线性模型：
p＝m1y1+m2y2+m3y3+b
其中，m1、m2、m3是一次项系数，b是常数项；
请见图5，人工神经元网络模型是一种非参数的网络结构模型，本实施例人工神经元网络模型的是一个包括输入层、隐含层和输出层的三层正反馈神经网络模型。假设i为输入节点，j为隐含层节点，k为输出节点，通过调节连接权值wij将表示光谱特征向量的一个灰度值传递到下一层的神经元。则对于隐层节点，有：
上式中，oi为第i节点的输入值，对于输出节点，其输入值为：
其中，wkj为连接隐含层节点和输出节点的连接权值，oj为隐含层节点处的输出值，通过激发函数得到oj值。输出层k节点处的输出值(茶多酚含量预测值)为：
本实施例的遥感监测大面积茶园植株多酚含量模型，其精度指标的衡量参数包括相关系数R和均方根误差RMSE。
yi和分别表示实测值和预测值，p为样本数，因此mean(y)为实测值的均值。R的范围在-1到1之间，其绝对值越大，预测模型精度越高。一般认为当R大于0.5时，模型预测是可行的。
由单变量或多变量回归模型估计的参数，其精度均可用均方根差来评价。RMSE值相对越小则模型的预测精度水平越高。
本发明提供的一种遥感监测大面积茶园植株多酚含量的系统，包括高光谱影像采集模块、影像预处理模块、光谱预处理模块和茶多酚含量监测模块；
高光谱影像采集模块包括无人机单元、传感器单元和存储单元。无人机单元包括大疆无人机(型号：Dji S1000+)的组装，传感器云台架设，GPS校准。无人机单元将用于实现高光谱传感器在空中0.5-250m的升降或平稳悬停状态，以满足目标地物需要；传感器单元用于实现高光谱传感器Cubert安装(型号：UHD185)，监视器和遥控器的设定，曝光时间、拍照间隔时间、连拍次数设置；存储单元，包括一台车载迷你电脑，车载迷你电脑与传感器连接在一起，共同搭载在无人机上，用于实时存储所拍影像。
高光谱影像采集模块用于高光谱影像的采集和存储，利用机载高光谱传感器，对地面物体进行定时拍照，并储存在机载车载迷你电脑中，采集到的影像将被输入影像预处理模块。在无人机飞行前，要记录当天的环境参数如表1，制定飞行计划时的工程参数如表2。并进行航线设计，使无人机拍摄影像的旁向重叠度不低于30％，航向重叠度不低于70％，并保证影像完整覆盖整个研究区域。
表1环境数据记录表
| 日期 | // | 时间 | :--: |
| 天气 | 温度 | ||
| 风速 | 压强 | ||
| 太阳辐射 | 气溶胶光学厚度 | ||
| 水汽含量 |
表2工程参数记录表
| 起飞地点 | 经纬度 | ||
| 海拔高度 | 飞行高度 | ||
| 影像尺寸 | 影像张数 | ||
| 影像分辨率 |
制定好飞行计划和航线后，首先需要对无人机的进行GPS校准，并设定传感器拍照参数，并将关键参数记录在如表3中，便可以执行飞行计划了。飞行过程中通过无线遥控实现操作者与无人机的通信。采集的高光谱影像以一个高光谱文件(.cub格式)和一个三波段文件(.jpg格式)存储在车载迷你电脑中。无人机降落后，可将文件从小电脑中导出到个人电脑或工作站以进行下一步操作。
表3拍照参数记录表
| 曝光时间 | 拍照时间间隔 | ||
| 连拍次数 | 拍照时间 |
影像预处理模块，用于接收高光谱影像采集模块传输的高光谱和三波段影像，并进行图像融合、辐射校正、图像筛选、拼接和裁剪、掩膜提取茶树植株。传感器采集的原始高光谱影像具有低空间分辨率，三波段影像具有低光谱分辨率。数据融合功能能将高光谱影像和三波段影像融合成一副兼具有高光谱和空间分辨率的影像。辐射校正功能能将传感器接收的辐亮度值转换为具有实际物理意义的反射率。将经过图像融合和辐射矫正的影像进行人为筛选，去除模糊、重影及无人机在上升下降过程中拍摄的影像。将符合要求的影像进行拼接和裁剪。最后利用OSAVI指数，根据实际情况确定指数值，提取茶树植株。
光谱预处理模块用于高光谱噪声和冗余信息的消除，提高建模效率，以便获得更好的茶多酚监测结果。包括标准化(MC)、连续去除(CR)、小波降噪(WD)、求一阶导数(First)、求二阶导数(Second)和它们的组合。利用模块各光谱预处理功能，可以组合出如下几种光谱预处理方法。
茶多酚含量监测模块运用偏最小二乘法或人工神经元网络建立高光谱与茶多酚含量监测模型。
应当理解的是，本说明书未详细阐述的部分均属于现有技术。
应当理解的是，上述针对较佳实施例的描述较为详细，并不能因此而认为是对本发明专利保护范围的限制，本领域的普通技术人员在本发明的启示下，在不脱离本发明权利要求所保护的范围情况下，还可以做出替换或变形，均落入本发明的保护范围之内，本发明的请求保护范围应以所附权利要求为准。
Claims (4)
1.一种遥感监测大面积茶园植株多酚含量的方法，其特征在于，包括以下步骤：
步骤1：根据用户设定的拍照参数，获取高光谱影像；
步骤2：对获取的高光谱影像进行图像预处理；
步骤3：对步骤2中预处理后的影像进行光谱预处理；
步骤4：针对步骤3中预处理后的影像，选择回归方法并建立模型，将步骤3中预处理后的光谱信息与茶树冠层茶多酚含量结合，建立遥感监测大面积茶园植株多酚含量模型；
所述遥感监测大面积茶园植株多酚含量模型为偏最小二乘法回归模型或人工神经元网络模型与茶多酚含量模型；
所述偏最小二乘法回归模型为：
yk＝λok+λ1kT1+...+λnkTn
式中，k＝1、...、n；T1、……、Tn分别是光谱各波段的线性组合，λi为系数，i＝1、...、n；用户指定k值，选取k个波段组合方式确定为k个成分，由最小二乘估计所有成分与茶多酚含量值之间的线性关系；
所述人工神经元网络模型为包含输入层、隐含层和输出层的三层正反馈神经网络模型；对于隐含层节点，有：
上式中，i为输入层节点，j为隐含层节点，oi为第i节点的输入值；Ij为隐含层节点j的输入值；
对于输出层节点k，通过调节连接权值wij将表示光谱特征向量的一个灰度值传递到下一层的神经元；输出层节点k的输入值为：
其中，wkj为连接隐含层节点和输出层节点的连接权值，oj为隐含层节点处的输出值，通过激发函数得到oj值；
则输出层节点k处的输出值为：
ok为茶多酚含量预测值；
步骤5：检验步骤4中建立的遥感监测大面积茶园植株多酚含量模型精度是否达到要求；
若否，则回转执行步骤3；
若是，则本流程结束。
2.根据权利要求1所述的遥感监测大面积茶园植株多酚含量的方法，其特征在于：步骤2中所述对获取的高光谱影像进行图像预处理，包括图像融合处理、辐射校正处理、图像筛选处理、拼接和裁剪处理、掩膜提取茶树植株处理。
3.根据权利要求1所述的遥感监测大面积茶园植株多酚含量的方法，其特征在于：步骤3中所述对步骤2中预处理后的影像进行光谱预处理，包括标准化处理、小波降噪处理、连续去除处理、一阶求导处理、二阶求导处理及标准化处理、小波降噪处理、连续去除处理、一阶求导处理、二阶求导处理的组合；其组合形式有：
标准化和小波降噪处理组合，标准化和连续去除处理组合，标准化和连续去除处理组合，标准化和一阶求导处理组合，标准化和二阶求导处理组合，小波降噪和连续去除处理组合，小波降噪和一阶求导处理组合，小波降噪和二阶求导处理组合，连续去除和一阶求导处理组合，连续去除和二阶求导处理组合；
标准化、小波降噪和连续去除组合，标准化、小波降噪和一阶求导处理组合，标准化、小波降噪和二阶求导处理组合，标准化、小波降噪、连续去除和一阶求导处理组合，小波降噪、连续去除和一阶求导处理组合，小波降噪、连续去除和二阶求导处理组合；
标准化、小波降噪、连续去除和一阶求导处理组合，标准化、小波降噪、连续去除和二阶求导处理组合。
4.根据权利要求1所述的遥感监测大面积茶园植株多酚含量的方法，其特征在于：所述遥感监测大面积茶园植株多酚含量模型，其精度指标的衡量参数包括相关系数R和均方根误差RMSE；
yi和分别表示实测值和预测值，p为样本数，因此mean(y)为实测值的均值；
RMSE值相对越小则模型的预测精度水平越高。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201610947823.4A CN106500841B (zh) | 2016-10-26 | 2016-10-26 | 一种遥感监测大面积茶园植株多酚含量的方法及系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201610947823.4A CN106500841B (zh) | 2016-10-26 | 2016-10-26 | 一种遥感监测大面积茶园植株多酚含量的方法及系统 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN106500841A CN106500841A (zh) | 2017-03-15 |
| CN106500841B true CN106500841B (zh) | 2018-06-29 |
Family
ID=58322916
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201610947823.4A Expired - Fee Related CN106500841B (zh) | 2016-10-26 | 2016-10-26 | 一种遥感监测大面积茶园植株多酚含量的方法及系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN106500841B (zh) |
Families Citing this family (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN107743226A (zh) * | 2017-11-06 | 2018-02-27 | 潘柏霖 | 一种监测准确的环境监测系统 |
| CN108956485A (zh) * | 2018-07-26 | 2018-12-07 | 昆山小茶智能科技有限公司 | 基于冠层反射光谱的茶树营养状况快速诊断方法 |
| CN111929261B (zh) * | 2020-09-16 | 2021-03-23 | 广州地理研究所 | 基于高光谱植被指数的叶片多酚含量估算方法 |
| CN112634349A (zh) * | 2020-12-22 | 2021-04-09 | 福建省星云大数据应用服务有限公司 | 一种基于遥感影像的茶园面积估计方法及系统 |
| CN113390795B (zh) * | 2021-04-29 | 2023-05-26 | 北京农业信息技术研究中心 | 基于冠层成像光谱的茶叶鲜叶质量无损监测方法及装置 |
Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN101059426A (zh) * | 2007-05-29 | 2007-10-24 | 浙江大学 | 基于近红外光谱技术无损测量茶叶中茶多酚含量的方法 |
| CN202362241U (zh) * | 2011-12-07 | 2012-08-01 | 宁波理工监测科技股份有限公司 | 多流路茶多酚紫外在线检测系统 |
| CN105343335A (zh) * | 2015-11-17 | 2016-02-24 | 南昌大学 | 一种利用响应面法优化沉香叶茶多酚的提取工艺 |
Family Cites Families (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP4233423B2 (ja) * | 2003-09-12 | 2009-03-04 | 日本分光株式会社 | 定量方法及びスペクトル測定装置 |
-
2016
- 2016-10-26 CN CN201610947823.4A patent/CN106500841B/zh not_active Expired - Fee Related
Patent Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN101059426A (zh) * | 2007-05-29 | 2007-10-24 | 浙江大学 | 基于近红外光谱技术无损测量茶叶中茶多酚含量的方法 |
| CN202362241U (zh) * | 2011-12-07 | 2012-08-01 | 宁波理工监测科技股份有限公司 | 多流路茶多酚紫外在线检测系统 |
| CN105343335A (zh) * | 2015-11-17 | 2016-02-24 | 南昌大学 | 一种利用响应面法优化沉香叶茶多酚的提取工艺 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN106500841A (zh) | 2017-03-15 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN106500841B (zh) | 一种遥感监测大面积茶园植株多酚含量的方法及系统 | |
| Yang et al. | Unmanned aerial vehicle remote sensing for field-based crop phenotyping: current status and perspectives | |
| Jafarbiglu et al. | A comprehensive review of remote sensing platforms, sensors, and applications in nut crops | |
| Hunt et al. | Evaluation of digital photography from model aircraft for remote sensing of crop biomass and nitrogen status | |
| Berni et al. | Remote sensing of vegetation from UAV platforms using lightweight multispectral and thermal imaging sensors | |
| Tahir et al. | Real time estimation of chlorophyll content based on vegetation indices derived from multispectral UAV in the kinnow orchard | |
| Latif | An agricultural perspective on flying sensors: State of the art, challenges, and future directions | |
| CN111028096A (zh) | 一种天、空、地一体化数据融合的系统和方法 | |
| CN110544277A (zh) | 一种无人机载高光谱成像仪反演亚热带植被叶面积指数的方法 | |
| CN114913418B (zh) | 一种基于无人机和遥感模型的秸秆综合利用识别方法 | |
| Koch | Remote sensing supporting national forest inventories NFA | |
| CN115015258B (zh) | 一种农作物长势与土壤水分关联确定方法及相关装置 | |
| Gonzalez et al. | Advances in unmanned aerial systems and payload technologies for precision agriculture | |
| CN115453555A (zh) | 一种草地生产力的无人机快速监测方法及系统 | |
| CN113093309B (zh) | 一种气象用无人机及观测系统 | |
| Biney et al. | Bor uvka | |
| CN113064221A (zh) | 一种无人机气象观测系统 | |
| Hama et al. | Improving the UAV-based yield estimation of paddy rice by using the solar radiation of geostationary satellite Himawari-8 | |
| Zhang | Native vegetation classification using remote sensing techniques: A case study of dairy flat regrowth bush by using the AUT unmanned aerial vehicle | |
| CN115797807A (zh) | 基于无人机载光谱仪数据的海洋垃圾监测方法、系统及介质 | |
| Kukkonen et al. | Volumes by tree species can be predicted using photogrammetric UAS data, Sentinel-2 images and prior field measurements | |
| Wijesingha | Geometric quality assessment of multi-rotor unmanned aerial vehicle borne remote sensing products for precision agriculture | |
| Stefanakis et al. | Creation of a remote sensing unmanned aerial system (UAS) for precision agriculture and related mapping applications | |
| Hema et al. | Smart Agriculture Using IoD: Insights, Trends and Road Ahead | |
| Mitchell et al. | Flight Considerations and hyperspectral image classifications for dryland vegetation management from a fixed-wing UAS |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| C06 | Publication | ||
| PB01 | Publication | ||
| SE01 | Entry into force of request for 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: 20180629 Termination date: 20201026 |
|
| CF01 | Termination of patent right due to non-payment of annual fee |