CN106568730B - 一种基于近地面高光谱影像的水稻阴阳叶穗识别方法 - Google Patents
一种基于近地面高光谱影像的水稻阴阳叶穗识别方法 Download PDFInfo
- Publication number
- CN106568730B CN106568730B CN201611020653.1A CN201611020653A CN106568730B CN 106568730 B CN106568730 B CN 106568730B CN 201611020653 A CN201611020653 A CN 201611020653A CN 106568730 B CN106568730 B CN 106568730B
- Authority
- CN
- China
- Prior art keywords
- fringe
- rice
- leaf
- yin
- tcari
- 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
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
- G01N21/31—Investigating relative effect of material at wavelengths characteristic of specific elements or molecules, e.g. atomic absorption spectrometry
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
本发明提出一种基于近地面高光谱影像的水稻阴阳叶穗识别方法,通过对水稻冠层内部不同器官组分光谱特征进行差异分析,获得阴阳叶穗分类决策树并区分阴叶、阳叶、阴穗、阳穗。该识别方法具有较高的识别精度,操作步骤简单易行,运算速度快,适用于不同水稻品种、不同栽培处理、不同生育时期,可广泛用作水稻冠层内部不同器官组分像元的识别分类。
Description
技术领域
本发明属于作物器官组分识别领域,尤其是一种基于成像高光谱的水稻阴阳叶穗识别方法。
背景技术
水稻在我国粮食生产中具有重要的地位,及时监测水稻的长势状况对保障国家粮食安全和农业可持续发展起基础作用。目前,已有较多学者使用冠层反射率进行水稻生理生化参数的估测研究,如叶片氮素含量、叶片氮素积累量、植株氮素吸收量、叶面积指数及地上干物重等。在水稻的生殖生长阶段,稻穗会逐渐从叶鞘中抽出,与植株的上层叶片并存,而且其反射信号可能更易进入到冠层顶部的传感器中。然而大部分的研究直接使用混合了叶片与稻穗反射信号的冠层反射率,忽视了稻穗在水稻冠层中的存在性。虽然稻穗对冠层光谱信号有着重要的影响,但是稻穗的光谱特征及其在稻田冠层内部的变化规律还未有充分的研究与报道。
由于部分叶片等植株器官存在对太阳直射光的阻挡,作物冠层在自然光照条件下往往包含光照和阴影冠层两个部分。虽然阴影在图像中往往呈现出黑色,但是阴影叶片对冠层反射信号仍然有着较大的贡献。在植被遥感领域,有一些研究仅仅着眼于光照冠层而忽略了阴影冠层。另有一部分学者在使用混合像元分解及几何光学模型、辐射传输模型时,仅将阴影部分的反射率设为0或者是一个固定值。这些研究从侧面表明了阴影冠层的光谱信息还未能得到充分分析与利用。
近期的相关研究阐述了作物光照冠层与阴影冠层在监测日光诱导叶绿素荧光、植物光合作用及光能利用率方面的差异性。阴影冠层与光照冠层相比,前者往往受到较低的光照胁迫但呈现出较高的光能利用率。作物冠层内部光照与阴影组分不同的光适应性可能会造成它们之间结构性与生理性差异,而这种差异性也将会从它们各自的光谱特征中体现出来。这些研究主要探讨了甜菜、大麦、棉花及小麦阴阳叶观测值的差异。然而,例如稻穗等在生殖生长阶段出现的冠层组分却没有得到充分的关注。作物冠层内存在的阴阳穗对基于冠层反射光谱估测作物生化参数带来了一定的不确定性,此外尚不清楚如何处理或分解传统光谱数据中共同存在的阴阳叶穗光谱信号特征。
针对水稻生长状况的监测,多数学者使用传统的非成像光谱仪获取冠层反射光谱。然而这种冠层尺度的光谱数据在精细农业尺度逐渐表现出不恰当性,因为位于冠层顶部的非成像光谱仪只能获取整个冠层的光谱,并不能记录叶片及稻穗各自的光谱信息。虽然这类光谱仪也可以获取单一的植株器官的光谱信号,如紧贴着器官获取。但其代价是采集的效率不高且样本的区域较小,同时可能是在不一致的太阳-观测角度获取数据。然而,在田间使用成像光谱仪却可以高效率的同时获取叶片与稻穗各自的光谱信息。
近年来,近地面成像光谱仪成为一种有前景的传感技术,其获取的高空间分辨率的高光谱数据可以用来调查冠层内部各自不同器官组分在水稻整个生育期间的光谱特征。此外,从其数据中甚至可以进一步的提取水稻不同器官在光照与阴影条件下的纯净像元并分析其光谱特性。但是,目前对于阴阳叶穗光谱特征之间的差异性还缺少研究。更为重要的是,目前还未有一种针对近地面成像高光谱数据进行分类提取水稻阴阳叶穗的方法。
发明内容
本发明所解决的技术问题在于提供一种基于近地面高光谱影像的水稻阴阳叶穗识别方法,通过对水稻冠层内部不同器官组分光谱特征进行差异分析,获得阴阳叶穗分类决策树并区分阴叶、阳叶、阴穗、阳穗,该识别方法具有较高的识别精度,操作步骤简单易行,运算速度快,适用于不同水稻品种、不同栽培处理、不同生育时期,可广泛用作水稻冠层内部不同器官组分像元的识别分类。
实现本发明目的的技术解决方案为:
一种基于近地面高光谱影像的水稻阴阳叶穗识别方法,包括以下步骤:
步骤1:采集水稻全生育期间冠层的近地面高光谱影像数据,获得独立的训练影像数据与独立的验证影像数据;
步骤2:对近地面高光谱影像数据进行预处理,包括提取影像反射率数据、对反射率数据去噪平滑和基于增强型植被指数EVI的背景掩模;
步骤3:从训练影像数据中选取阴叶、阳叶、阴穗、阳穗的感兴趣区,并以选择的感兴趣区的像元光谱作为训练样本数据并建立阴阳叶穗光谱数据库;
步骤4:根据影像反射率数据计算光化学反射指数值PRI和转换叶绿素吸收反射指数值TCARI,并利用PRI和TCARI构建基于植被指数的阴阳叶穗分类决策树;
步骤5:根据阴阳叶穗分类决策树区分阴叶、阳叶、阴穗、阳穗;
步骤6:从验证影像数据中选取与训练影像数据同等数量的阴阳叶穗像元作为验证样本集,根据阴阳叶穗分类决策树对验证影像进行分类,得到分类后的图像,利用验证样本集的实际类别对分类精度进行评估,并计算分类的总体精度、制图精度、用户精度和Kappa系数,其中,总体精度为被正确分类的像元总和除以总像元数,制图精度为分类器将整个影像的像元正确分为A类的像元数与A类真实参考总数的比率,用户精度为正确分到A类的像元总数与分类器将整个影像的像元分为A类的像元总数的比率。
进一步的,本发明的基于近地面高光谱影像的水稻阴阳叶穗识别方法,步骤1中,采集的影像数据包括不同生育期、不同施氮水平、不同种植密度处理和不同水稻品种类型的水稻。
进一步的,本发明的基于近地面高光谱影像的水稻阴阳叶穗识别方法,采集影像数据的生育期包括分蘖初期、分蘖盛期、拔节期、孕穗期、抽穗期和灌浆期。
进一步的,本发明的基于近地面高光谱影像的水稻阴阳叶穗识别方法,步骤2中预处理的具体步骤包括:
步骤2-1:利用反射率为99%的参考反射板的数字量化值和暗电流噪声的数字量化值将影像数据中地物的数字量化值校正为影像反射率数据;
步骤2-2:选择最小噪声分离变换MNF前向变换中的前10个波段对反射率数据进行后向MNF变换,得到去噪后的高光谱图像数据;
步骤2-3:利用影像反射率数据计算增强型植被指数EVI值,提取EVI值大于阈值的影像为水稻植株器官的像元并同步生成背景的掩模。
进一步的,本发明的基于近地面高光谱影像的水稻阴阳叶穗识别方法,步骤2-3中增强型植被指数EVI值的计算公式为:
其中,R490、R670、R800分别为波段为490nm、670nm、800nm的反射率。
进一步的,本发明的基于近地面高光谱影像的水稻阴阳叶穗识别方法,步骤4中构建阴阳叶穗分类决策树具体步骤包括:
步骤4-1:将叶穗阈值设置为叶片PRI均值与稻穗PRI均值的平均数PRI(E),PRI值大于PRI(E)的植被为叶片,PRI值小于等于PRI(E)的植被为稻穗;
步骤4-2:将阴阳叶阈值设置为阳叶TCARI均值与阴叶TCARI均值的平均数TCARI(E1),TCARI值大于TCARI(E1)的植被为阳叶,TCARI值小于等于TCARI(E1)的植被为阴叶;
步骤4-3:将阴阳穗阈值设置为阳穗TCARI均值与阴穗TCARI均值的平均数TCARI(E2),TCARI值大于TCARI(E2)的植被为阳穗,TCARI值小于等于TCARI(E2)的植被为阴穗。
进一步的,本发明的基于近地面高光谱影像的水稻阴阳叶穗识别方法,步骤4中光化学反射指数值PRI的计算公式为:
PRI=(R531-R570)/(R531+R570)
其中,R531,R570分别为波段为531nm,570nm的反射率。
进一步的,本发明的基于近地面高光谱影像的水稻阴阳叶穗识别方法,步骤4中转换叶绿素吸收反射指数值TCARI的计算公式为:
其中,R550,R670,R700分别为波段为550nm,670nm,700nm的反射率。
本发明采用以上技术方案与现有技术相比,具有以下技术效果:
1、本发明的识别方法具有较高的识别精度,操作步骤简单易行,运算速度快;
2、本发明的识别方法适用于不同水稻品种、不同栽培处理、不同生育时期,可广泛用作水稻冠层内部不同器官组分像元的准确识别与纯净像元提取;
3、本发明的识别方法有利于水稻生产中基于光谱学的各器官组分生理生化参数的无损估测。
附图说明
图1是本发明的阴阳叶穗PRI值随生育期进程变化的趋势图;
图2是本发明的阴阳叶穗TCARI值随生育期进程变化的趋势图;
图3是本发明的阴阳叶穗分类决策树示意图;
图4是本发明的籼稻(Y两优1号)阴阳稻穗在抽穗期的灰度影像切图和冠层内部器官组分分类展示图,其中(a)为灰度影像切图,(b)为冠层内部器官组分分类展示图;
图5是本发明的粳稻(武运粳24)阴阳稻穗在抽穗期的灰度影像切图和冠层内部器官组分分类展示图,其中(a)为灰度影像切图,(b)为冠层内部器官组分分类展示图。
具体实施方式
下面详细描述本发明的实施方式,所述实施方式的示例在附图中示出,其中自始至终相同或类似的标号表示相同或类似的元件或具有相同或类似功能的元件。下面通过参考附图描述的实施方式是示例性的,仅用于解释本发明,而不能解释为对本发明的限制。
本实施例基于不同生育期、不同施氮水平、不同种植密度处理的水稻试验田进行阴阳叶穗识别,具体水稻试验田的基本信息和采集时的环境条件如表1及表2所示。
表1获取训练数据和验证数据的水稻试验田基本信息
表2水稻冠层影像数据采集时的环境条件信息
从水稻试验田1、水稻试验田2获得水稻冠层影像数据,一半作为训练样本,一半作为验证样本,数据获取系统性强,涵盖了主要的两类水稻品种,包含主要生育期,且样本数量大、处理因素多,能够有效地验证本发明的识别方法在不同环境条件和处理下的准确度和适应性。
如图3所示,一种基于近地面高光谱影像的水稻阴阳叶穗识别方法,具体包括以下步骤:
步骤1:采集水稻全生育期间冠层的近地面高光谱影像数据,获得独立的训练影像数据与独立的验证影像数据。
采集的影像数据包括不同生育期、不同施氮水平、不同种植密度处理和不同水稻品种类型的水稻,所述生育期包括分蘖初期、分蘖盛期、拔节期、孕穗期、抽穗期和灌浆期。
本实施例采用芬兰SpecIm公司的Imspector V10E-PS成像光谱仪分别在水稻分蘖初期、分蘖盛期、拔节期、孕穗期、抽穗期和灌浆期等关键生育期获取水稻冠层高光谱影像数据,采集的影像光谱波段波长范围值为360~1025nm,光谱分辨率为2.8nm,共计520个波段。测量时,选择天气晴朗、无风或风速很小的时候进行,测定时间范围约为10:00~15:00(每个时期具体测量时间范围见表2)。成像光谱仪在水稻冠层上方1.2m的推扫平台上镜头垂直向下采集影像,光谱仪视场角为42.8°,空间分辨率约为1.3mm,图像的幅宽约为0.9m,而每张图像的空间长度约为5m,推扫的方向为垂直于垄向。成像光谱仪曝光时间是通过手动设置以适应野外大田自然光辐射条件,通常在晴朗无云的天气下曝光时间约为0.2ms。在每一个田块待拍摄的起始位置放置反射率为99%的标准白板用以影像反射率校正。在每个生育时期共采集24景影像,其中12景作为训练影像数据,另外12景作为验证影像数据。
步骤2:对近地面高光谱影像数据进行预处理,包括提取影像反射率数据、对反射率数据去噪平滑和基于增强型植被指数EVI的背景掩模。具体步骤包括:
步骤2-1:利用反射率为99%的参考反射板的数字量化值和暗电流噪声的数字量化值将影像数据中地物的数字量化值校正为影像反射率数据;
步骤2-2:选择最小噪声分离变换MNF前向变换中的前10个波段对反射率数据进行后向MNF变换,得到去噪后的高光谱图像数据;
步骤2-3:利用影像反射率数据计算增强型植被指数EVI值,提取EVI值大于阈值的影像为水稻植株器官的像元并同步生成背景的掩模;其中,EVI值的计算公式为:
其中,R490、R670、R800分别为波段为490nm、670nm、800nm的反射率。
本实施例中提取影像的EVI值大于阈值0.45为水稻植株器官的像元并同步生成背景的掩模。
步骤3:从训练影像数据中选取阴叶、阳叶、阴穗、阳穗的感兴趣区,并以选择的感兴趣区的像元光谱作为训练样本数据并建立阴阳叶穗光谱数据库。
本实施例从训练数据中每张影像上选取每种类别包含80个像元的感兴趣区(ROIs),即从分蘖前期到灌浆期共计选择各为5760个像元的阳叶与阴叶,以及从抽穗期到灌浆期共计选择各为1920个像元的阳穗与阴穗被用来作为训练样本数据并建立光谱数据库。
步骤4:根据影像反射率数据计算光化学反射指数值PRI和转换叶绿素吸收反射指数值TCARI,如图1、图2所示。
PRI的计算公式为:
PRI=(R531-R570)/(R531+R570)
其中,R531,R570分别为波段为531nm,570nm的反射率;
TCARI的计算公式为:
其中,R550,R670,R700分别为波段为550nm,670nm,700nm的反射率;
并利用PRI和TCARI构建基于植被指数的阴阳叶穗分类决策树,如图2所示,具体步骤包括:
步骤4-1:将叶穗阈值设置为叶片PRI均值与稻穗PRI均值的平均数PRI(E),PRI值大于PRI(E)的植被为叶片,PRI值小于等于PRI(E)的植被为稻穗;
步骤4-2:将阴阳叶阈值设置为阳叶TCARI均值与阴叶TCARI均值的平均数TCARI(E1),TCARI值大于TCARI(E1)的植被为阳叶,TCARI值小于等于TCARI(E1)的植被为阴叶;
步骤4-3:将阴阳穗阈值设置为阳穗TCARI均值与阴穗TCARI均值的平均数TCARI(E2),TCARI值大于TCARI(E2)的植被为阳穗,TCARI值小于等于TCARI(E2)的植被为阴穗。
步骤5:根据阴阳叶穗分类决策树区分阴叶、阳叶、阴穗、阳穗。
本实施例中,将叶穗阈值设置为-0.058,则PRI>-0.058的植被为叶片,PRI≤-0.058的植被为稻穗;将阴阳叶阈值设置为0.172,则TCARI>0.172的植被为阳叶,TCARI≤0.172的植被为阴叶;将阴阳穗阈值设置为0.241,则TCARI>0.241的植被为阳穗,TCARI≤0.241的植被为阴穗。
步骤6:从验证影像数据中选取与训练影像数据同等数量的阴阳叶穗像元作为验证样本集,根据阴阳叶穗分类决策树对验证影像进行分类,得到分类后的图像,利用验证样本集的实际类别对分类精度进行评估,并计算分类的总体精度、制图精度、用户精度和Kappa系数,其中,总体精度为被正确分类的像元总和除以总像元数,制图精度为分类器将整个影像的像元正确分为A类的像元数与A类真实参考总数的比率,用户精度为正确分到A类的像元总数与分类器将整个影像的像元分为A类的像元总数的比率。Kappa系数的计算公式如下:
式中,K为Kappa系数,r是误差矩阵的行数,xkk是k行k列(主对角线)上的值,xk∑和x∑k分别是第k行的和与第k列的和,N是样本总数。
本实施例从每景验证影像中手动选取每种类别包含80个像元的感兴趣区(ROIs),即从分蘖前期到灌浆期共计选择各为5760个像元的阳叶与阴叶,以及从抽穗期到灌浆期共计选择各为1920个像元的阳穗与阴穗作为验证样本。
验证分类精度时分类的总体精度为90.66%,Kappa系数为0.87,各类别的制图精度和用户精度如表3所示。
表3基于近地面高光谱影像的水稻阴阳叶穗识别精度
类别 | 制图精度 | 用户精度 |
阳叶 | 86.94% | 96.85% |
阴叶 | 93.85% | 90.95% |
阳穗 | 92.24% | 83.81% |
阴穗 | 90.63% | 81.61% |
如图4(a)和图4(b)分别为籼稻(Y两优1号)阴阳稻穗在抽穗期的灰度影像切图和冠层内部器官组分分类展示图,图5(a)和图5(b)分别为粳稻(武运粳24)阴阳稻穗在抽穗期的灰度影像切图和冠层内部器官组分分类展示图。
通过独立试验影像数据进行验证可知,这种基于近地面高光谱影像阴阳叶穗识别方法不仅具有较高的识别精度,而且其操作步骤比较简单易行,适用于不同水稻品种、不同栽培处理、不同生育时期,可以广泛用作对于水稻冠层内部不同器官组分像元的识别分类。此外,这种方法运算速度比较快,与常用的支持向量机(Support Vector Machine,SVM)分类方法相比,其运行所需时间仅约为SVM分类法的1/5000,且其识别分类精度与SVM分类精度相当,此方法将大幅提高水稻冠层近地面成像高光谱数据分类的运算速率。
以上所述仅是本发明的部分实施方式,应当指出,对于本技术领域的普通技术人员来说,在不脱离本发明原理的前提下,还可以做出若干改进,这些改进应视为本发明的保护范围。
Claims (8)
1.一种基于近地面高光谱影像的水稻阴阳叶穗识别方法,其特征在于,包括以下步骤:
步骤1:采集水稻全生育期间冠层的近地面高光谱影像数据,获得独立的训练影像数据与独立的验证影像数据;
步骤2:对近地面高光谱影像数据进行预处理,包括提取影像反射率数据、对反射率数据去噪平滑和基于增强型植被指数EVI的背景掩模;
步骤3:从训练影像数据中选取阴叶、阳叶、阴穗、阳穗的感兴趣区,并以选择的感兴趣区的像元光谱作为训练样本数据并建立阴阳叶穗光谱数据库;
步骤4:根据影像反射率数据计算光化学反射指数值PRI和转换叶绿素吸收反射指数值TCARI,并利用PRI和TCARI构建基于植被指数的阴阳叶穗分类决策树;
步骤5:根据阴阳叶穗分类决策树区分阴叶、阳叶、阴穗、阳穗;
步骤6:从验证影像数据中选取与训练影像数据同等数量的阴阳叶穗像元作为验证样本集,根据阴阳叶穗分类决策树对验证影像进行分类,得到分类后的图像,利用验证样本集的实际类别对分类精度进行评估,并计算分类的总体精度、制图精度、用户精度和Kappa系数,其中,总体精度为被正确分类的像元总和除以总像元数,制图精度为分类器将整个影像的像元正确分为A类的像元数与A类真实参考总数的比率,用户精度为正确分到A类的像元总数与分类器将整个影像的像元分为A类的像元总数的比率,Kappa系数的计算公式如下:
式中,K为Kappa系数,r是误差矩阵的行数,xkk是k行k列(主对角线)上的值,xk∑和x∑k分别是第k行的和与第k列的和,N是样本总数。
2.根据权利要求1所述的基于近地面高光谱影像的水稻阴阳叶穗识别方法,其特征在于,步骤1中,采集的影像数据包括不同生育期、不同施氮水平、不同种植密度处理和不同水稻品种类型的水稻。
3.根据权利要求1或2所述的基于近地面高光谱影像的水稻阴阳叶穗识别方法,其特征在于,采集影像数据的生育期包括分蘖初期、分蘖盛期、拔节期、孕穗期、抽穗期和灌浆期。
4.根据权利要求1所述的基于近地面高光谱影像的水稻阴阳叶穗识别方法,其特征在于,步骤2中预处理的具体步骤包括:
步骤2-1:利用反射率为99%的参考反射板的数字量化值和暗电流噪声的数字量化值将影像数据中地物的数字量化值校正为影像反射率数据;
步骤2-2:选择最小噪声分离变换MNF前向变换中的前10个波段对反射率数据进行后向MNF变换,得到去噪后的高光谱图像数据;
步骤2-3:利用影像反射率数据计算增强型植被指数EVI值,提取EVI值大于阈值的影像为水稻植株器官的像元并同步生成背景的掩模。
5.根据权利要求4所述的基于近地面高光谱影像的水稻阴阳叶穗识别方法,其特征在于,步骤2-3中增强型植被指数EVI值的计算公式为:
其中,R490、R670、R800分别为波段为490nm、670nm、800nm的反射率。
6.根据权利要求1所述的基于近地面高光谱影像的水稻阴阳叶穗识别方法,其特征在于,步骤4中构建阴阳叶穗分类决策树具体步骤包括:
步骤4-1:将叶穗阈值设置为叶片PRI均值与稻穗PRI均值的平均数PRI(E),PRI值大于PRI(E)的植被为叶片,PRI值小于等于PRI(E)的植被为稻穗;
步骤4-2:将阴阳叶阈值设置为阳叶TCARI均值与阴叶TCARI均值的平均数TCARI(E1),TCARI值大于TCARI(E1)的植被为阳叶,TCARI值小于等于TCARI(E1)的植被为阴叶;
步骤4-3:将阴阳穗阈值设置为阳穗TCARI均值与阴穗TCARI均值的平均数TCARI(E2),TCARI值大于TCARI(E2)的植被为阳穗,TCARI值小于等于TCARI(E2)的植被为阴穗。
7.根据权利要求1所述的基于近地面高光谱影像的水稻阴阳叶穗识别方法,其特征在于,步骤4中光化学反射指数值PRI的计算公式为:
PRI=(R531-R570)/(R531+R570)
其中,R531,R570分别为波段为531nm,570nm的反射率。
8.根据权利要求1所述的基于近地面高光谱影像的水稻阴阳叶穗识别方法,其特征在于,步骤4中转换叶绿素吸收反射指数值TCARI的计算公式为:
其中,R550,R670,R700分别为波段为550nm,670nm,700nm的反射率。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201611020653.1A CN106568730B (zh) | 2016-11-21 | 2016-11-21 | 一种基于近地面高光谱影像的水稻阴阳叶穗识别方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201611020653.1A CN106568730B (zh) | 2016-11-21 | 2016-11-21 | 一种基于近地面高光谱影像的水稻阴阳叶穗识别方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN106568730A CN106568730A (zh) | 2017-04-19 |
CN106568730B true CN106568730B (zh) | 2019-02-05 |
Family
ID=58542382
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201611020653.1A Active CN106568730B (zh) | 2016-11-21 | 2016-11-21 | 一种基于近地面高光谱影像的水稻阴阳叶穗识别方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN106568730B (zh) |
Families Citing this family (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107907075A (zh) * | 2017-12-28 | 2018-04-13 | 山东省农业可持续发展研究所 | 花生叶面积指数遥感监测方法 |
CN108399393B (zh) * | 2018-03-09 | 2018-11-27 | 河北省科学院地理科学研究所 | 一种基于荧光遥感的植被冠层阴阳叶检测方法 |
CN111426645A (zh) * | 2020-05-20 | 2020-07-17 | 中国农业大学 | 一种快速测定植株不同器官氮含量的方法 |
CN112730412B (zh) * | 2020-12-31 | 2021-08-10 | 河北省科学院地理科学研究所 | 一种基于高光谱影像的植被冠层阴阳叶判别方法 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103048276A (zh) * | 2012-12-14 | 2013-04-17 | 北京农业信息技术研究中心 | 一种用于检测作物冠层叶片碳氮比的光谱指数构造方法 |
CN103674852A (zh) * | 2013-08-22 | 2014-03-26 | 南京大学 | 一种多角度观测植被冠层阴阳叶光化学反射指数的方法 |
JP2016035395A (ja) * | 2014-08-01 | 2016-03-17 | 富士通株式会社 | 植物判別装置、植物判別方法および植物判別プログラム |
CN105784604A (zh) * | 2016-03-04 | 2016-07-20 | 北京大学深圳研究生院 | 一种植物衰退等级的检测方法 |
-
2016
- 2016-11-21 CN CN201611020653.1A patent/CN106568730B/zh active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103048276A (zh) * | 2012-12-14 | 2013-04-17 | 北京农业信息技术研究中心 | 一种用于检测作物冠层叶片碳氮比的光谱指数构造方法 |
CN103674852A (zh) * | 2013-08-22 | 2014-03-26 | 南京大学 | 一种多角度观测植被冠层阴阳叶光化学反射指数的方法 |
JP2016035395A (ja) * | 2014-08-01 | 2016-03-17 | 富士通株式会社 | 植物判別装置、植物判別方法および植物判別プログラム |
CN105784604A (zh) * | 2016-03-04 | 2016-07-20 | 北京大学深圳研究生院 | 一种植物衰退等级的检测方法 |
Non-Patent Citations (2)
Title |
---|
Mapping urban forest tree species using IKONOS imagery preliminary results;Ruiliang Pu;《Environ Monit Assess》;20100206;第199-214页 |
高光谱图像植被类型的CART决策树分类;董连英 等;《吉林大学学报(信息科学版)》;20130131;第83-89页 |
Also Published As
Publication number | Publication date |
---|---|
CN106568730A (zh) | 2017-04-19 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109459392B (zh) | 一种基于无人机多光谱影像的水稻地上部生物量估测方法 | |
CN104266982B (zh) | 一种大面积虫害量化监测系统 | |
Ali et al. | Estimating leaf functional traits by inversion of PROSPECT: Assessing leaf dry matter content and specific leaf area in mixed mountainous forest | |
CN106568730B (zh) | 一种基于近地面高光谱影像的水稻阴阳叶穗识别方法 | |
CN110796001B (zh) | 一种卫星影像覆膜农田识别与提取方法及系统 | |
Sun et al. | Monitoring maize lodging grades via unmanned aerial vehicle multispectral image | |
CN105825177A (zh) | 基于时相和光谱信息及生境条件的作物病害遥感识别方法 | |
Adjorlolo et al. | Predicting C3 and C4 grass nutrient variability using in situ canopy reflectance and partial least squares regression | |
CN103278503B (zh) | 一种基于多传感器技术的葡萄水分胁迫诊断方法及系统 | |
CN105758806B (zh) | 基于光谱特征的地膜覆盖农田遥感监测方法 | |
CN108520127A (zh) | 一种树种叶面积指数的高光谱反演方法 | |
CN112085781B (zh) | 一种基于光谱重构技术提取冬小麦种植面积的方法 | |
CN116543316B (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 | |
Lin et al. | Using the 3D model RAPID to invert the shoot dieback ratio of vertically heterogeneous Yunnan pine forests to detect beetle damage | |
CN104199027A (zh) | 基于紧致极化雷达大面积近实时监测水稻物候期的方法 | |
CN110553999A (zh) | 基于高光谱和叶绿素荧光成像融合的柑橘黄龙病检测方法 | |
CN116824384A (zh) | 一种基于标准曲线的大豆识别方法 | |
Liu et al. | Estimating wheat fractional vegetation cover using a density peak k-means algorithm based on hyperspectral image data | |
Zhou et al. | Wheat phenology detection with the methodology of classification based on the time-series UAV images | |
CN115861629A (zh) | 一种高分耕地影像提取方法 | |
CN104573662B (zh) | 一种云判方法和系统 | |
CN113343808A (zh) | 一种基于卫星遥感技术的热带森林资源测量方法 | |
CN112557325A (zh) | 一种果树果品品质近地面遥感监测装置和方法 | |
CN112257531A (zh) | 基于多样性特征联合的林地变化遥感监测方法 | |
CN115424006A (zh) | 应用于作物表型参数反演的多源多层次数据融合方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | 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 |