CN107014764A - 叶片氮含量估算方法及装置 - Google Patents

叶片氮含量估算方法及装置 Download PDF

Info

Publication number
CN107014764A
CN107014764A CN201710253024.1A CN201710253024A CN107014764A CN 107014764 A CN107014764 A CN 107014764A CN 201710253024 A CN201710253024 A CN 201710253024A CN 107014764 A CN107014764 A CN 107014764A
Authority
CN
China
Prior art keywords
blade
spectral
nitrogen content
estimated value
index
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
CN201710253024.1A
Other languages
English (en)
Inventor
黎小清
陈桂良
许木果
刘忠妹
丁华平
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.)
Yunnan Institute of Tropical Crops
Original Assignee
Yunnan Institute of Tropical Crops
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 Yunnan Institute of Tropical Crops filed Critical Yunnan Institute of Tropical Crops
Priority to CN201710253024.1A priority Critical patent/CN107014764A/zh
Publication of CN107014764A publication Critical patent/CN107014764A/zh
Pending legal-status Critical Current

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
    • G01N21/314—Investigating relative effect of material at wavelengths characteristic of specific elements or molecules, e.g. atomic absorption spectrometry with comparison of measurements at specific and non-specific wavelengths
    • 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
    • G01N21/314—Investigating relative effect of material at wavelengths characteristic of specific elements or molecules, e.g. atomic absorption spectrometry with comparison of measurements at specific and non-specific wavelengths
    • G01N2021/3155—Measuring in two spectral ranges, e.g. UV and visible

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

本发明实施例提供的一种叶片氮含量估算方法及装置，涉及农业技术领域。所述方法包括获取叶片在两种波长的光谱反射率；基于所述两种波长的光谱反射率以及预设的指数计算规则，获得光谱指数；基于所述光谱指数以及预先建立的氮含量估算模型，获得所述叶片的氮含量估算值。以此快速地估算出叶片的氮含量。

Description

叶片氮含量估算方法及装置
技术领域
本发明涉及农业技术领域，具体而言，涉及一种叶片氮含量估算方法及装置。
背景技术
氮是合成蛋白质、叶绿素和酶的重要组成部分，它直接或间接影响橡胶树的代谢活动和生长发育，是橡胶树生长、产胶所必须的重要养分。准确、快速地对橡胶树进行氮素营养诊断，并结合它的生长发育规律合理施用氮肥既能降低生产成本又能减少环境污染。已有大量研究结果表明，养分供应的变化在叶片上的反映比较明显，叶片分析是营养诊断中常用的方法。
传统的橡胶树氮素营养诊断方法主要是基于叶片组织的室内实验室分析。这些分析普遍要求破坏橡胶树叶片样本，而且从采集样本、烘干、研磨、称重直至分析测试都需消耗大量的时间、人力和物力，还要使用有危害性的药品。由于花费时间过长，以至于测试结果不具有适时性，同时实验室分析需要具有经验的专业分析人员和大量的分析试剂与仪器设备，传统的分析方法无法满足对大量橡胶树营养状况适时检测的要求，一定程度上阻碍了橡胶树精准施肥技术的推广。
发明内容
有鉴于此，本发明实施例的目的在于提供一种叶片氮含量估算方法及装置。为了实现上述目的，本发明采取的技术方案如下：
第一方面，本发明实施例提供了一种叶片氮含量估算方法，所述方法包括获取叶片在两种波长的光谱反射率；基于所述两种波长的光谱反射率以及预设的指数计算规则，获得光谱指数；基于所述光谱指数以及预先建立的氮含量估算模型，获得所述叶片的氮含量估算值。
第二方面，本发明实施例提供了一种叶片氮含量估算装置，所述装置包括光谱反射率获取单元，用于获取叶片在两种波长的光谱反射率；光谱指数获得单元，用于基于所述两种波长的光谱反射率以及预设的指数计算规则，获得光谱指数；氮含量估算值获得单元，用于基于所述光谱指数以及预先建立的氮含量估算模型，获得所述叶片的氮含量估算值。
本发明实施例提供的一种叶片氮含量估算方法及装置，通过获取叶片在两种波长的光谱反射率；基于所述两种波长的光谱反射率以及预设的指数计算规则，获得光谱指数；基于所述光谱指数以及预先建立的氮含量估算模型，获得所述叶片的氮含量估算值，以此快速地估算出叶片的氮含量。
本发明的其他特征和优点将在随后的说明书阐述，并且，部分地从说明书中变得显而易见，或者通过实施本发明实施例了解。本发明的目的和其他优点可通过在所写的说明书、权利要求书、以及附图中所特别指出的结构来实现和获得。
附图说明
为了更清楚地说明本发明实施例的技术方案，下面将对实施例中所需要使用的附图作简单地介绍，应当理解，以下附图仅示出了本发明的某些实施例，因此不应被看作是对范围的限定，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他相关的附图。
图1为一种可应用于本申请实施例中的电子设备的结构框图；
图2为本发明第一实施例提供的叶片氮含量估算方法的流程图；
图3为本发明第一实施例提供的综合品种全割龄模型的拟合效果示意图；
图4为本发明第一实施例提供的综合品种全割龄模型的预测效果示意图；
图5为本发明第二实施例提供的叶片氮含量估算装置的结构框图。
具体实施方式
下面将结合本发明实施例中附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。通常在此处附图中描述和示出的本发明实施例的组件可以以各种不同的配置来布置和设计。因此，以下对在附图中提供的本发明的实施例的详细描述并非旨在限制要求保护的本发明的范围，而是仅仅表示本发明的选定实施例。基于本发明的实施例，本领域技术人员在没有做出创造性劳动的前提下所获得的所有其他实施例，都属于本发明保护的范围。
应注意到：相似的标号和字母在下面的附图中表示类似项，因此，一旦某一项在一个附图中被定义，则在随后的附图中不需要对其进行进一步定义和解释。同时，在本发明的描述中，术语“第一”、“第二”等仅用于区分描述，而不能理解为指示或暗示相对重要性。
请参阅图1，图1示出了一种可应用于本申请实施例中的电子设备100的结构框图。该电子设备100可以作为用户终端，也可以是计算机或服务器，所述用户终端可以为手机或平板电脑。如图1所示，电子设备100可以包括存储器110、存储控制器111、处理器112和叶片氮含量估算装置。
存储器110、存储控制器111、处理器112各元件之间直接或间接地电连接，以实现数据的传输或交互。例如，这些元件之间可以通过一条或多条通讯总线或信号总线实现电连接。叶片氮含量估算方法分别包括至少一个可以以软件或固件(firmware)的形式存储于存储器110中的软件功能模块，例如所述叶片氮含量估算装置包括的软件功能模块或计算机程序。
存储器110可以存储各种软件程序以及模块，如本申请实施例提供的叶片氮含量估算方法及装置对应的程序指令/模块。处理器112通过运行存储在存储器110中的软件程序以及模块，从而执行各种功能应用以及数据处理，即实现本申请实施例中的叶片氮含量估算方法。存储器110可以包括但不限于随机存取存储器(Random Access Memory，RAM)，只读存储器(Read Only Memory，ROM)，可编程只读存储器(Programmable Read-OnlyMemory，PROM)，可擦除只读存储器(Erasable Programmable Read-Only Memory，EPROM)，电可擦除只读存储器(Electric Erasable Programmable Read-Only Memory，EEPROM)等。
处理器112可以是一种集成电路芯片，具有信号处理能力。上述处理器可以是通用处理器，包括中央处理器(Central Processing Unit，简称CPU)、网络处理器(NetworkProcessor，简称NP)等；还可以是数字信号处理器(DSP)、专用集成电路(ASIC)、现成可编程门阵列(FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件。其可以实现或者执行本申请实施例中的公开的各方法、步骤及逻辑框图。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等。
第一实施例
请参阅图2，本发明实施例提供了一种叶片氮含量估算方法，所述方法包括：
步骤S200：获取叶片在两种波长的光谱反射率；
基于步骤S200，获取叶片在500nm-750nm波段内的两种波长的光谱反射率。
具体地，将叶片样品采集后，将叶片样本表面擦拭干净，用光谱仪进行叶片反射率的测量，光谱范围为500nm-750nm。在本实施例中，叶片为橡胶树叶片。为了控制外界环境条件，消除大田环境不确定性的影响，可以优选2个橡胶树品种(RRIM600和云研77-4)、2个割龄段(1～10割龄和10割龄以上)的橡胶树叶片样品进行了光谱信息的提取。可以理解，除了上述两个品种的橡胶树叶外，本实施例提供的叶片氮含量估算方法还可以运用到其他种类的树叶中。
橡胶树叶片的采样时间为每年的7-9月，选择天气晴朗的上午8时～11时，采集橡胶树树冠下层主侧枝上的顶蓬叶，在叶蓬基部选取无病虫害、长势良好的1片成熟复叶，并去掉两旁的小叶，保留中间1片小叶作为一个样品。每个叶片样品反射率测量前均进行白板校正，以外接叶片夹持器固定叶片样品或者将叶片样品平置于反射率近似为零的黑色橡胶上，保证探头紧压在叶片上，测定叶片正面光谱反射率，测量时将叶片以叶脉为界，分别选取上中下共6个区域，每个区域扫描3次，平均18条光谱曲线作为该叶片样品的反射率。从橡胶树叶片反射率的测量数据中，获取叶片在500nm-750nm波段内的两种波长的光谱反射率。优选地，两种波长可以为502nm和617nm或者502nm和701nm。可以分别得到502nm、617nm和701nm的光谱反射率。
步骤S210：基于所述两种波长的光谱反射率以及预设的指数计算规则，获得光谱指数；
基于步骤S210，基于获得光谱指数，其中，RSI为所述光谱指数，λ1为所述第一波长，λ2为所述第二波长，为所述第一波长的光谱反射率，为所述第二波长的光谱反射率。
作为一种实施方式，所述第一波长可以为617nm，第二波长可以为502nm。计算617nm的光谱反射率与502nm的光谱反射率的比，其比值RSI(617,502)为光谱指数。
作为另一种实施方式，所述第一波长可以为701nm，第二波长可以为502nm。计算701nm的光谱反射率与502nm的光谱反射率的比，其比值RSI(701,502)为光谱指数。
步骤S220：基于所述光谱指数以及预先建立的氮含量估算模型，获得所述叶片的氮含量估算值。
根据橡胶树叶片的品种和割龄，得到多个预先建立的氮含量估算模型。预先建立的氮含量估算模型包括第一氮含量估算模型、第二氮含量估算模型、第三氮含量估算模型。
作为一种实施方式，基于：
获得所述叶片的氮含量估算值，其中，yLNC1为所述叶片的氮含量估算值，RSI为所述光谱指数，b0为第一预设常数，b1为第二预设常数。公式(1)为所述第一氮含量估算模型。
具体地，针对RRIM600品种1～10割龄，则公式(1)中，b0为74.961，b1为-0.36，即模型(I)针对RRIM600品种10割龄以上，则公式(1)中，b0为130.75，b1为-1.331，即模型(II)针对RRIM600品种全割龄，则公式(1)中，b0为151.59，b1为-1.469，即模型(III)针对云研77-4品种10割龄以上，则公式(1)中，b0为785.08，b1为-3.052，即模型(V)针对综合品种10割龄以上，则公式(1)中，b0为203.46，b1为-1.739，即模型(VIII)针对综合品种全割龄，则公式(1)中，b0为184.47，b1为-1.652，即模型(IX)
作为一种实施方式，基于：
获得所述叶片的氮含量估算值，其中，yLNC2为所述叶片的氮含量估算值，RSI为所述光谱指数，b2为第三预设常数，b3为第四预设常数。公式(2)为所述第二氮含量估算模型。
具体地，针对云研77-4品种1～10割龄，则公式(2)中b2为43.105，b3为-0.401，即模型(IV)yLNC2＝43.105RSI(701,502) -0.401；针对云研77-4品种全割龄，则公式(2)中b2为36.184，b3为-2.332，即模型(VI)yLNC2＝36.184RSI(617,502) -2.332。
作为一种实施方式，基于：
yLNC3＝b4RSI 2+b5RSI+b6 (3)
获得所述叶片的氮含量估算值，其中，yLNC3为所述叶片的氮含量估算值，RSI为所述光谱指数，b4为第五预设常数，b5为第六预设常数，b6为第七预设常数。公式(3)为所述第三氮含量估算模型。
具体地，针对综合品种1～10割龄，则公式(3)中b4为-2.754，b5为7.7606，b6为28.76，即模型(VII)yLNC3＝-2.754RSI(701,502) 2+7.7606RSI(701,502)+28.76。
将RSI(617,502)或RSI(701,502)分别带入对应的公式(1)、(2)以及(3)，就可以得到该叶片氮含量估算值。
通过凯氏定氮法可以测量得到叶片氮含量的真实值。基于多组叶片样品的光谱指数和氮含量的数据集合，通过最小二乘法求解，得到拟合曲线，可以对应得到公式(1)、(2)以及(3)中的预设常数值，如模型(I)～模型(IX)。(Leaf Nitrogen Concentration,LNC)为叶片氮含量。R2为拟合优度判定系数。模型(I)～模型(IX)分别采用了57(R2＝0.840)、64(R2＝0.660)、121(R2＝0.735)、59(R2＝0.748)、54(R2＝0.709)、113(R2＝0.672)、116(R2＝0.696)、118(R2＝0.633)、234(R2＝0.696)个叶片样本数目。
其中，如图3所示的模型(IX)，拟合效果较好；如图4所示，LNC实测值表示叶片氮含量真实值，LNC预测值表示叶片氮含量估算值，估算值很好地跟随真实值，效果较好。
进一步地，通过凯氏定氮法和本发明实施例提供的叶片氮含量估算方法，用RRIM600品种1～10割龄、RRIM600品种10割龄以上、云研77-4品种1～10割龄和云研77-4品种10割龄以上4个品种与割龄组合的真实值数据集合和估算值数据集合分别对上述模型进行验证，验证结果得出的真实值与估算值的相对误差如下所示：
模型(I)～模型(IX)对RRIM600品种1～10割龄橡胶树的叶片氮含量预测的平均相对误差(ARE)分别为：3.923％、4.642％、4.442％、7.428％、8.631％、5.924％、4.538％、4.868％、4.694％。
模型(I)～模型(IX)对RRIM600品种10割龄以上橡胶树叶片氮含量预测的平均相对误差(ARE)分别为：8.624％、4.548％、4.683％、7.902％、8.471％、6.120％、7.411％、5.438％、4.962％。
模型(I)～模型(IX)对云研77-4品种1～10割龄橡胶树叶片氮含量预测的平均相对误差(ARE)分别为：10.836％、3.917％、4.027％、3.687％、6.085％、4.663％、4.309％、4.512％、4.244％。
模型(I)～模型(IX)对云研77-4品种10割龄以上橡胶树叶片氮含量预测的平均相对误差(ARE)分别为：10.933％、7.599％、7.048％、8.220％、4.467％、5.471％、8.383％、5.957％、6.374％。
验证结果表明，通过对橡胶树品种和割龄的划分，能够大大提高的橡胶树叶片氮含量估算模型的精度，对于RRIM600和云研77-4橡胶树而言，选择相应品种和割龄组合的模型能够取得较好的预测效果；基于综合品种构建的综合模型具有更好的普适性，且精度和稳定性都较好，对其它品种的1-10割龄橡胶树进行叶片氮含量估算时，推荐选用模型VII或IX，对其它品种的10割龄以上橡胶树进行叶片氮含量估算时，推荐选择模型VIII或IX。基于本发明实施例提供的叶片氮含量估算方法中得出的氮含量估算值可以对橡胶树氮素营养进行快速诊断。
本发明实施例提供的叶片氮含量估算方法技术的实现，将大大减少橡胶树叶片的采样、分析工作，并节约大量实验室资源，可弥补传统氮素营养诊断的不足，为大面积橡胶树营养估测提供了快速、高效的检测方法，同时技术的实现将满足数字橡胶对海量数据的需求，为橡胶树精准施肥的实施提供强有力的保证。解决了目前利用高光谱数据对橡胶树氮素含量的估算研究不多，已建立的橡胶树叶片氮素含量高光谱估算模型中，多是针对单一品种、单一割龄的橡胶树，普适性不高，难以实际应用的问题。
本发明实施例提供的叶片氮含量估算方法，通过获取叶片在两种波长的光谱反射率；基于所述两种波长的光谱反射率以及预设的指数计算规则，获得光谱指数；基于所述光谱指数以及预先建立的氮含量估算模型，获得所述叶片的氮含量估算值。以此快速地估算出叶片的氮含量。
第二实施例
请参阅图5，本发明实施例提供了一种叶片氮含量估算装置300，所述装置300包括：
光谱反射率获取单元310，用于获取叶片在两种波长的光谱反射率。
作为一种实施方式，所述光谱反射率获取单元310包括光谱反射率获取子单元311。
光谱反射率获取子单元311，用于获取叶片在500nm-750nm波段内的两种波长的光谱反射率。
光谱指数获得单元320，用于基于所述两种波长的光谱反射率以及预设的指数计算规则，获得光谱指数。
作为一种实施方式，所述光谱指数获得单元320包括光谱指数获得子单元321。
光谱指数获得子单元321，用于基于获得光谱指数，其中，RSI为所述光谱指数，λ1为所述第一波长，λ2为所述第二波长，为所述第一波长的光谱反射率，为所述第二波长的光谱反射率。
氮含量估算值获得单元330，用于基于所述光谱指数以及预先建立的氮含量估算模型，获得所述叶片的氮含量估算值。
作为一种实施方式，所述氮含量估算值获得单元330包括第一估算值获得子单元331。
第一估算值获得子单元331，用于基于获得所述叶片的氮含量估算值，其中，yLNC1为所述叶片的氮含量估算值，RSI为所述光谱指数，b0为第一预设常数，b1为第二预设常数。第一估算值获得子单元331，还用于基于获得所述叶片的氮含量估算值，其中，yLNC2为所述叶片的氮含量估算值，RSI为所述光谱指数，b2为第三预设常数，b3为第四预设常数；第一估算值获得子单元331，还用于基于yLNC3＝b4RSI 2+b5RSI+b6，获得所述叶片的氮含量估算值，其中，yLNC3为所述叶片的氮含量估算值，RSI为所述光谱指数，b4为第五预设常数，b5为第六预设常数，b6为第七预设常数。
以上各单元可以是由软件代码实现，此时，上述的各单元可存储于存储器110内。以上各单元同样可以由硬件例如集成电路芯片实现。
本发明实施例提供的叶片氮含量估算装置300，其实现原理及产生的技术效果和前述方法实施例相同，为简要描述，装置实施例部分未提及之处，可参考前述方法实施例中相应内容。
在本申请所提供的几个实施例中，应该理解到，所揭露的装置和方法，也可以通过其它的方式实现。以上所描述的装置实施例仅仅是示意性的，例如，附图中的流程图和框图显示了根据本发明的多个实施例的装置、方法和计算机程序产品的可能实现的体系架构、功能和操作。在这点上，流程图或框图中的每个方框可以代表一个模块、程序段或代码的一部分，所述模块、程序段或代码的一部分包含一个或多个用于实现规定的逻辑功能的可执行指令。也应当注意，在有些作为替换的实现方式中，方框中所标注的功能也可以以不同于附图中所标注的顺序发生。例如，两种连续的方框实际上可以基本并行地执行，它们有时也可以按相反的顺序执行，这依所涉及的功能而定。也要注意的是，框图和/或流程图中的每个方框、以及框图和/或流程图中的方框的组合，可以用执行规定的功能或动作的专用的基于硬件的系统来实现，或者可以用专用硬件与计算机指令的组合来实现。
另外，在本发明各个实施例中的各功能模块可以集成在一起形成一个独立的部分，也可以是各个模块单独存在，也可以两种或两种以上模块集成形成一个独立的部分。
所述功能如果以软件功能模块的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。基于这样的理解，本发明的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质中，包括若干指令用以使得一台计算机设备(可以是个人计算机，服务器，或者网络设备等)执行本发明各个实施例所述方法的全部或部分步骤。而前述的存储介质包括：U盘、移动硬盘、只读存储器(ROM，Read-Only Memory)、随机存取存储器(RAM，Random Access Memory)、磁碟或者光盘等各种可以存储程序代码的介质。需要说明的是，在本文中，诸如第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来，而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、物品或者设备不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、物品或者设备所固有的要素。在没有更多限制的情况下，由语句“包括一个……”限定的要素，并不排除在包括所述要素的过程、方法、物品或者设备中还存在另外的相同要素。
以上所述仅为本发明的优选实施例而已，并不用于限制本发明，对于本领域的技术人员来说，本发明可以有各种更改和变化。凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。应注意到：相似的标号和字母在下面的附图中表示类似项，因此，一旦某一项在一个附图中被定义，则在随后的附图中不需要对其进行进一步定义和解释。
以上所述，仅为本发明的具体实施方式，但本发明的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本发明揭露的技术范围内，可轻易想到变化或替换，都应涵盖在本发明的保护范围之内。因此，本发明的保护范围应所述以权利要求的保护范围为准。
需要说明的是，在本文中，诸如第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来，而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、物品或者设备不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、物品或者设备所固有的要素。在没有更多限制的情况下，由语句“包括一个……”限定的要素，并不排除在包括所述要素的过程、方法、物品或者设备中还存在另外的相同要素。

Claims (10)

1.一种叶片氮含量估算方法，其特征在于，所述方法包括：
获取叶片在两种波长的光谱反射率；
基于所述两种波长的光谱反射率以及预设的指数计算规则，获得光谱指数；
基于所述光谱指数以及预先建立的氮含量估算模型，获得所述叶片的氮含量估算值。
2.根据权利要求1所述的方法，其特征在于，所述两种波长包括第一波长和第二波长，所述基于所述两种波长的光谱反射率以及预设的指数计算规则，获得光谱指数，包括：
基于获得光谱指数，其中，RSI为所述光谱指数，λ1为所述第一波长，λ2为所述第二波长，为所述第一波长的光谱反射率，为所述第二波长的光谱反射率。
3.根据权利要求1所述的方法，其特征在于，所述基于所述光谱指数以及预先建立的氮含量估算模型，获得所述叶片的氮含量估算值，包括：
基于获得所述叶片的氮含量估算值，其中，yLNC1为所述叶片的氮含量估算值，RSI为所述光谱指数，b0为第一预设常数，b1为第二预设常数。
4.根据权利要求1所述的方法，其特征在于，所述基于所述光谱指数以及预先建立的氮含量估算模型，获得所述叶片的氮含量估算值，还包括：
基于获得所述叶片的氮含量估算值，其中，yLNC2为所述叶片的氮含量估算值，RSI为所述光谱指数，b2为第三预设常数，b3为第四预设常数。
5.根据权利要求1所述的方法，其特征在于，所述基于所述光谱指数以及预先建立的氮含量估算模型，获得所述叶片的氮含量估算值，还包括：
基于yLNC3＝b4RSI 2+b5RSI+b6，获得所述叶片的氮含量估算值，其中，yLNC3为所述叶片的氮含量估算值，RSI为所述光谱指数，b4为第五预设常数，b5为第六预设常数，b6为第七预设常数。
6.根据权利要求1所述的方法，其特征在于，所述获取叶片在两种波长的光谱反射率，包括：
获取叶片在500nm-750nm波段内的两种波长的光谱反射率。
7.一种叶片氮含量估算装置，其特征在于，所述装置包括：
光谱反射率获取单元，用于获取叶片在两种波长的光谱反射率；
光谱指数获得单元，用于基于所述两种波长的光谱反射率以及预设的指数计算规则，获得光谱指数；
氮含量估算值获得单元，用于基于所述光谱指数以及预先建立的氮含量估算模型，获得所述叶片的氮含量估算值。
8.根据权利要求7所述的装置，其特征在于，所述两种波长包括第一波长和第二波长，所述光谱指数获得单元包括：
光谱指数获得子单元，用于基于获得光谱指数，其中，RSI为所述光谱指数，λ1为所述第一波长，λ2为所述第二波长，为所述第一波长的光谱反射率，为所述第二波长的光谱反射率。
9.根据权利要求7所述的装置，其特征在于，光谱反射率获取单元包括：
光谱反射率获取子单元，用于获取叶片在500nm-750nm波段内的两种波长的光谱反射率。
10.根据权利要求7所述的装置，其特征在于，所述氮含量估算值获得单元包括：
第一估算值获得子单元，用于基于获得所述叶片的氮含量估算值，其中，yLNC1为所述叶片的氮含量估算值，RSI为所述光谱指数，b0为第一预设常数，b1为第二预设常数；第一估算值获得子单元，还用于基于获得所述叶片的氮含量估算值，其中，yLNC2为所述叶片的氮含量估算值，RSI为所述光谱指数，b2为第三预设常数，b3为第四预设常数；第一估算值获得子单元，还用于基于yLNC3＝b4RSI 2+b5RSI+b6，获得所述叶片的氮含量估算值，其中，yLNC3为所述叶片的氮含量估算值，RSI为所述光谱指数，b4为第五预设常数，b5为第六预设常数，b6为第七预设常数。
CN201710253024.1A 2017-04-18 2017-04-18 叶片氮含量估算方法及装置 Pending CN107014764A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201710253024.1A CN107014764A (zh) 2017-04-18 2017-04-18 叶片氮含量估算方法及装置

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201710253024.1A CN107014764A (zh) 2017-04-18 2017-04-18 叶片氮含量估算方法及装置

Publications (1)

Publication Number Publication Date
CN107014764A true CN107014764A (zh) 2017-08-04

Family

ID=59448145

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201710253024.1A Pending CN107014764A (zh) 2017-04-18 2017-04-18 叶片氮含量估算方法及装置

Country Status (1)

Country Link
CN (1) CN107014764A (zh)

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN108169141A (zh) * 2017-11-28 2018-06-15 华南农业大学 一种基于高光谱图像的茶树lai及氮含量估算方法
CN108982386A (zh) * 2018-07-31 2018-12-11 中国林业科学研究院资源信息研究所 一种檀香叶片全铁含量的多光谱图像确定方法及系统
CN113552096A (zh) * 2021-07-20 2021-10-26 中国热带农业科学院湛江实验站 一种基于光谱的菠萝叶片氮含量估算方法

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
黎小清 等: ""基于高光谱数据的橡胶树叶片氮素含量估算模型研究"", 《西南农业学报》 *

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN108169141A (zh) * 2017-11-28 2018-06-15 华南农业大学 一种基于高光谱图像的茶树lai及氮含量估算方法
CN108982386A (zh) * 2018-07-31 2018-12-11 中国林业科学研究院资源信息研究所 一种檀香叶片全铁含量的多光谱图像确定方法及系统
CN113552096A (zh) * 2021-07-20 2021-10-26 中国热带农业科学院湛江实验站 一种基于光谱的菠萝叶片氮含量估算方法

Similar Documents

Publication Publication Date Title
Lawesson et al. Niche characteristics of Danish woody species as derived from coenoclines
CN107014764A (zh) 叶片氮含量估算方法及装置
CN109710598B (zh) 一种基于农作物的气象指数保险系统及其实现方法
CN101413885A (zh) 一种快速定量蜂蜜品质的近红外光谱方法
CN107271382A (zh) 一种不同生育期油菜叶片spad值遥感估算方法
CN106970189A (zh) 一种水果新鲜度的检测分析系统及方法
CN106644978A (zh) 可判定精度的基于光谱特征波长分析土壤养分含量检测法
CN110609002A (zh) 一种干扰检测方法及样本分析仪
CN106018335A (zh) 基于近红外光谱的整粒棉籽中植酸含量的无损测定方法
CN110567892A (zh) 一种基于临界氮浓度的夏玉米氮素高光谱预测方法
CN109738380A (zh) 一种土壤盐渍化程度的高光谱遥感判断方法
Liu et al. Detection of chlorophyll content in growth potato based on spectral variable analysis
CN112766763A (zh) 一种寡照胁迫对温室番茄品质影响的评估方法及系统
Van Vuuren et al. Potential use of near infrared reflectance monitoring in precision agriculture
Hartz et al. On-farm nitrogen tests improve fertilizer efficiency, protect groundwater
CN101441180B (zh) 树木年轮组成成分快速分析方法
Víg et al. Systematic measurement methods for the determination of the SPAD values of maize (Zea mays L.) canopy and potato (Solanum tuberosum L.)
Bochaton et al. Reconstructing the body sizes of Quaternary lizards using Pholidoscelis Fitzinger, 1843, and Anolis Daudin, 1802, as case studies
CN112180056A (zh) 一种基于稀土元素检测的酱香型白酒溯源方法及系统
Jiang et al. Achieving robustness to temperature change of a NIR model for apple soluble solids content
Cheng et al. A Weibull model of the impact of thinning and a typhoon event on the stand structure of Cryptomeria japonica in Central Taiwan over 100 years
Splechtna et al. Quantitative characterization of nutrient regimes of high-elevation forest soils in the southern coastal region of British Columbia, Canada
CN106092960A (zh) 一种快速校正近红外设备并检测农产品中化学成分的方法
CN111027523A (zh) 一种棉花冠层类胡萝卜素含量的卫星遥感监测方法
CN105181639A (zh) 基于近红外光谱技术快速测定阔叶材聚戊糖含量

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
RJ01 Rejection of invention patent application after publication

Application publication date: 20170804

RJ01 Rejection of invention patent application after publication