CN107506779A - 一种植物茎干含水量的估算方法及系统 - Google Patents
一种植物茎干含水量的估算方法及系统 Download PDFInfo
- Publication number
- CN107506779A CN107506779A CN201710538706.7A CN201710538706A CN107506779A CN 107506779 A CN107506779 A CN 107506779A CN 201710538706 A CN201710538706 A CN 201710538706A CN 107506779 A CN107506779 A CN 107506779A
- Authority
- CN
- China
- Prior art keywords
- data
- water content
- microenvironment
- mrow
- stem water
- 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
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/213—Feature extraction, e.g. by transforming the feature space; Summarisation; Mappings, e.g. subspace methods
- G06F18/2134—Feature extraction, e.g. by transforming the feature space; Summarisation; Mappings, e.g. subspace methods based on separation criteria, e.g. independent component analysis
Landscapes
- Engineering & Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Data Mining & Analysis (AREA)
- Theoretical Computer Science (AREA)
- Bioinformatics & Computational Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明提供一种植物茎干含水量的估算方法及系统,所述方法包括:S1、获取植物的微环境参数数据和茎干含水量样本数据;S2、基于主成分分析法,提取所述微环境参数数据中的主成分数据;S3、基于最小二乘法,对所述样本数据和所述主成分数据进行数据拟合,确定斜椭圆参数模型中的变量参数值;S4、基于所述斜椭圆参数模型,估算植物茎干含水量。本发明提出的植物茎干含水量的估算方法及系统,通过选取微环境参数集的主成分作为特征变量,并利用该特征变量在预设的斜椭圆参数模型中实现了对植物茎干含水量的有效估计,能够大规模应用在实际生产中。
Description
技术领域
本发明涉及信号处理领域,更具体地,涉及一种植物茎干含水量的估算方法及系统。
背景技术
目前,在植物生理水分的调解过程中,茎流速率、蒸腾速率和茎干水分是衡量植物生理水分状况的重要参数,测量这些生理参数对研究植物生理水分的变化规律及特征具有重大意义。
目前市场上已有茎流速率传感器和蒸腾速率传感器,所述蒸腾速率传感器可以准确测量当水分通过植物体内时,水分以气体的方式散发到大气的速度;所述茎流速率传感器可以准确测量植物茎干中的液流速率,基于所述蒸腾传感器和茎流传感器测得的数据,可基本估算植物茎干含水量的动态变化,但是,难以检测植物茎干的绝对含水量。
并且,现有技术使用的茎流速率传感器和蒸腾速率传感器的生产成本较高,难以大规模应用于实际生产。
发明内容
本发明提供一种克服上述问题或者至少部分地解决上述问题的一种植物茎干含水量的估算方法及系统。
根据本发明的一个方面,提供一种植物茎干含水量的估算方法,包括:
S1、获取植物的微环境参数数据和茎干含水量样本数据;
S2、基于主成分分析法,提取所述微环境参数数据中的主成分数据;
S3、基于最小二乘法,对所述样本数据和所述主成分数据进行数据拟合,确定斜椭圆参数模型中的变量参数值;
S4、基于所述斜椭圆参数模型,估算植物茎干含水量。
其中,步骤S1之前还包括:
构建所述斜椭圆参数模型,其中,所述斜椭圆参数模型具体为:
其中,A、B、S、T、θ为所述变量参数,A为斜椭圆的长半轴、B为斜椭圆的短半轴,S为斜椭圆中心点的横坐标,T为斜椭圆中心点的纵坐标,θ为斜椭圆长轴按顺时针旋转与X轴正方向的夹角,X为所述主成分数据,Y为所述植物茎干含水量。
其中,步骤S2之前还包括:
对所述微环境参数数据和植物茎干含水量样本数据进行滤波。
其中,所述对所述微环境参数数据和植物茎干含水量样本数据进行滤波,包括:
在所述微环境参数数据和植物茎干含水量样本数据中,选取若干个数据点作为滤波点;
以所述各个滤波点作为中心点建立长度为M的滤波段,所述M大于1且为奇数;
删除所述滤波段内的数据最大值和最小值,将所述滤波段内剩余数据的算术平均值作为滤波后的输出值。
其中,步骤S2包括:
将所述微环境参数数据排列成第一矩阵;
对于第一矩阵的每一列中的各个数据,计算所述各个数据与每一列数据的均值的差,得到第二矩阵;
获取所述第二矩阵的协方差矩阵,并计算所述协方差矩阵最大特征值对应的特征向量,将所述特征向量对应的特征变量作为所述主成分数据。
其中,步骤S3包括:
将所述斜椭圆参数模型的标准方程转化为一般方程;
基于最小二乘法,估算所述斜椭圆一般方程拟合最优时,各个变量参数的值。
其中,所述微环境参数数据包括:
土壤温度数据、土壤湿度数据、空气温度数据、空气湿度数据、光合有效辐射以及饱和水汽压差。
根据本发明提供的第二方面,提供了一种植物茎干含水量的估算系统,包括:
获取模块,用于获取植物的微环境参数数据和茎干含水量样本数据;
主成分分析模块,用于基于主成分分析法,提取所述微环境参数数据中的主成分数据;
数据拟合模块,用于基于最小二乘法,对所述样本数据和所述主成分数据进行数据拟合,获取斜椭圆参数模型中的变量参数;
估算模块,用于基于所述斜椭圆参数模型,估算植物茎干含水量。
根据本发明的第三方面,提供一种计算机程序产品,包括程序代码,所述程序代码用于执行上述所述的植物茎干含水量的估算方法。
根据本发明的第四方面,提供一种非暂态计算机可读存储介质,用于存储如前所述的计算机程序。
本发明提出的植物茎干含水量的估算方法及系统,通过选取微环境参数集的主成分作为特征变量,并利用该特征变量在预设的斜椭圆参数模型中实现了对植物茎干含水量的有效估计,能够大规模应用在实际生产中。
附图说明
图1是本发明实施例提供的一种植物茎干含水量的估算方法流程图;
图2是本发明实施例提供的一种植物茎干含水量的估算系统的结构图。
具体实施方式
下面结合附图和实施例,对本发明的具体实施方式作进一步详细描述。以下实施例用于说明本发明,但不用来限制本发明的范围。
图1是本发明实施例提供的一种植物茎干含水量的估算方法流程图,如图1所示,包括:
S1、获取植物的微环境参数数据和茎干含水量样本数据;
S2、基于主成分分析法,提取所述微环境参数数据中的主成分数据;
S3、基于最小二乘法,对所述样本数据和所述主成分数据进行数据拟合,确定斜椭圆参数模型中的变量参数值;
S4、基于所述斜椭圆参数模型,估算植物茎干含水量。
S1中,所述植物种植的微环境参数数据为植物种植区布置的微环境监测站测得的数据,所述微环境监测站为现有技术常用的环境检测管理系统,用于测量植物种植过程中的一系列环境数据,例如:土壤数据、空气数据、光照数据等外部环境数据。
S2中,所述主成分分析法也称主分量分析,旨在利用降维的思想,把多指标转化为少数几个综合指标。在实际问题研究中,为了全面、系统地分析问题,我们必须考虑众多影响因素。这些涉及的因素一般称为指标,在多元统计分析中也称为变量。因为每个变量都在不同程度上反映了所研究问题的某些信息,并且指标之间彼此有一定的相关性,因而所得的统计数据反映的信息在一定程度上有重叠,故需要在进行定量分析的过程中,涉及的变量较少,得到的信息量较多。
S2中,所述主成分数据即为本发明实施例提供的植物茎干含水量的估算方法中所需的特征变量,根据该特征变量以及建立的斜椭圆参数模型,可以对植物茎干的含水量进行有效估计。
S3中,所述最小二乘法在本发明实施例中具体指代为基于数值稳定的最小二乘法,是一种数学优化技术。它通过最小化误差的平方和寻找数据的最佳函数匹配。利用最小二乘法可以简便地求得未知的数据,并使得这些求得的数据与实际数据之间误差的平方和为最小。根据该方法可以对模型中存在的变量参数进行有效估计。
S4中,所述斜椭圆参数模型为根据标准的椭圆数学模型,建立的关于主成分数据和植物茎干含水量关系的动态估算模型,将主成分数据作为输入代入所述斜椭圆参数模型中,即可估算所述植物茎干含水量。
本发明实施例通过选取微环境参数集的主成分作为特征变量,并利用该特征变量在预设的斜椭圆参数模型中实现了对植物茎干含水量的有效估计,能够大规模应用在实际生产中。
在上述实施例的基础上,步骤S1之前还包括:
构建所述斜椭圆参数模型,其中,所述斜椭圆参数模型具体为:
其中,A、B、S、T、θ为所述变量参数,A为斜椭圆的长半轴、B为斜椭圆的短半轴,S为斜椭圆中心点的横坐标,T为斜椭圆中心点的纵坐标,θ为斜椭圆长轴按顺时针旋转与X轴正方向的夹角,X为所述主成分数据,Y为所述植物茎干含水量。
可以理解的是,标准的椭圆模型为:
那么本发明实施例提供的斜椭圆参数模型能够通过计算,所述最大主成分数据和所述茎干含水量样本数据与斜椭圆模型中焦点的距离来预估植物茎干含水量。
在上述实施例的基础上,步骤S2之前还包括:
对所述微环境参数数据和植物茎干含水量样本数据进行滤波。
可以理解的是,采集的微环境参数数据和植物茎干含水量样本数据为离散信号数据,但离散信号数据存在噪声干扰,为了获得更好的数据样本,需要对数据进行滤波操作。
在上述实施例的基础上,所述对所述微环境参数数据和植物茎干含水量样本数据进行滤波,包括:
在所述微环境参数数据和植物茎干含水量样本数据中,选取若干个数据点作为滤波点;
以所述各个滤波点作为中心点建立长度为M的滤波段,所述M大于1且为奇数;
删除所述滤波段内的数据最大值和最小值,将所述滤波段内剩余数据的算术平均值作为滤波后的输出值。
需要说明的是,关于离散信号滤波有以下几种方法:
均值滤波法,该方法是线性滤波方法。在一个采样周期中,对信号做m次采样,并对其取算数平均值,作为本采样周期内的滤波器输出。均值滤波对周期性干扰信号有良好的抑制作用,但会产生一定的延迟,该延迟与滤波需要采样的次数m成正比。m值取决于对平滑度和灵敏度的要求。m增大,平滑度增大,灵敏度减低。
中值滤波是典型的非线性滤波方法,为滤除偶然的脉冲干扰,常采用中值滤波。中值滤波将信号的连续m次采样值进行排序,取其中间值作为本采样周期内的滤波输出。m越大滤波效果越好,但延迟增大。中值滤波对缓变过程的脉冲干扰有良好的滤波效果。
维纳滤波是一种自适应的滤波器,其基本思想是以在一定约束条件下,信号输出与期望输出的差的平方最小为最优准则。维纳滤波适应面较广,无论平稳随机过程是连续的还是离散的,是标量的还是向量的,都可应用。但是不能用于噪声为非平稳的随机过程的情况,对于向量情况应用也不方便。因此,维纳滤波在实际问题中应用不多。
小波滤波在时域和频域同时具有良好的局部化特性,信号的小波系数随尺度的增大而增大,噪声的小波系数随尺度的增大而减小。因此,可以设定一阈值,利用该阈值按照一定的规则对小波系数进行阈值调整。对阈值调整后的各级小波系数进行重构,得到消噪后的信号。由于噪声信号强度的随机性,以及小波分解过程中信号与噪声的传播特性不同,每一层小波分解系数所采用的阈值应该是随小波系数的变化而变化的。因此,阈值的选取是滤波效果好坏的关键。
可以理解的是,上述几种现有的采样滤波方法都存在速度慢、受阈值选取影响较大等缺点,针对上述现有技术存在的缺点,本发明实施例提供的该滤波方法为中位值平均滤波法,对于每一个预滤波点,以该点为中心建立长度为M的滤波窗口,所述滤波窗口即为滤波段,所述M大于1且为奇数;去掉窗口内的最大值和最小值,求剩余M-2点的算术平均值作为滤波后输出值;判断预滤波点是否是茎干含水量样本数据或微环境参数数据最后一点,若不是最后一点,则移动到下一预滤波点,重新进行上述循环,或者若是最后一点,则结束滤波,输出滤波后茎干含水量样本数据或微环境参数数据。
本发明实施例通过使用中位值平均滤波法,滤波速度得到了明显提高,并且所取阈值简便,易于操作。
在上述实施例的基础上,步骤S2包括:
将所述微环境参数数据排列成第一矩阵;
对于第一矩阵的每一列中的各个数据,计算所述各个数据与每一列数据的均值的差,得到第二矩阵;
获取所述第二矩阵的协方差矩阵,并计算所述协方差矩阵最大特征值对应的特征向量,将所述特征向量对应的特征变量作为所述主成分数据。
具体的,微环境参数数据,并存入矩阵A(m*n),所述矩阵A即为所述第一矩阵,其中m为微环境参数数据存在的总维数,n为本发明实施例所需要的参数变量数,在本发明实施例中n=6,但本发明不对n的具体取值做限定;将矩阵A进行特征中心化,得到矩阵B(m*n),即B=A-repmat(mean(A),m,1),所述B矩阵即为第二矩阵;计算矩阵B的协方差矩阵C(n*n),即C=cov(B);计算矩阵C的特征值和特征向量,C=V*S*V-1,其中S(m*n)为特征值的对角阵,V(n*n)为特征向量矩阵;选取最大特征值对应的特征向量V1(n*1),并计算特征变量X(m*1),即X=A*V1,所述特征变量即为所述最大主成分数据。
在上述实施例的基础上,步骤S3包括:
将所述斜椭圆参数模型的标准方程转化为一般方程;
基于最小二乘法,估算所述斜椭圆一般方程拟合最优时,各个变量参数的值。
可以理解的是,本发明实施例采用的是基于数值稳定的最小二乘法,根据预设的变量参数个数,将所述样本数据和对应的主成分数据作为训练样本,对预设的变量参数进行预估。
具体的,将斜椭圆的标准方程转化为一般方程:
ax2+bxy+cy2+dx+ey+f=0
4ac-b2=1,
进而将斜椭圆的拟合问题可以进一步转化为以下最优问题:
其中,a=[a,b,c,d,e,f]T,
在上述基础上,引出拉格朗日乘子λ,则a的最优解满足:
Sa=λCa
aTCa=1,
其中,S=DTD。
对a、D、C、S进行分块运算,
等价为
其中,a1=[a,b,c]T,a2=[d,e,f]T,
进而通过上式求解矩阵M最小特征值λ对应的特征向量a1,进一步的求出a,即可得到斜椭圆的一般方程,再将一般方程转换为标准方程,即可得A、B、S、T、θ5个参数。
在上述实施例的基础上,所述微环境参数数据包括:
土壤温度数据、土壤湿度数据、空气温度数据、空气湿度数据、光合有效辐射以及饱和水汽压差;
其中,所述饱和水汽压差由所述空气温度和空气湿度估算可得。
图2是本发明实施例提供的一种植物茎干含水量的估算系统的结构图,如图2所示,包括:获取模块1、主成分分析模块2、数据拟合模块3以及估算模块4,其中,
获取模块1用于获取植物的微环境参数数据和茎干含水量样本数据;
主成分分析模块2用于基于主成分分析法,提取所述微环境参数数据中的主成分数据;
数据拟合模块3用于基于最小二乘法,对所述样本数据和所述主成分数据进行数据拟合,获取斜椭圆参数模型中的变量参数;
估算模块4用于基于所述斜椭圆参数模型,估算植物茎干含水量。
具体的植物茎干含水量的估算方法可参见上述实施例,本发明实施例在此不再赘述。
本发明提出的植物茎干含水量的估算系统,获取模块和主成分分析模块通过选取微环境参数数据的最大主成分作为特征变量,数据拟合模块和估算模块利用该特征变量,在预设的斜椭圆参数模型中实现了对植物茎干含水量的有效估计,能够大规模应用在实际生产中。
本实施例提供一种植物茎干含水量的估算系统,包括:至少一个处理器;以及与所述处理器通信连接的至少一个存储器,其中:
所述存储器存储有可被所述处理器执行的程序指令,所述处理器调用所述程序指令以执行上述各方法实施例所提供的方法,例如包括:S1、获取植物的微环境参数数据和茎干含水量样本数据;S2、基于主成分分析法,提取所述微环境参数数据中的主成分数据;S3、基于最小二乘法,对所述样本数据和所述主成分数据进行数据拟合,确定斜椭圆参数模型中的变量参数值;S4、基于所述斜椭圆参数模型,估算植物茎干含水量。
本实施例公开一种计算机程序产品,所述计算机程序产品包括存储在非暂态计算机可读存储介质上的计算机程序,所述计算机程序包括程序指令,当所述程序指令被计算机执行时,计算机能够执行上述各方法实施例所提供的方法,例如包括:S1、获取植物的微环境参数数据和茎干含水量样本数据;S2、基于主成分分析法,提取所述微环境参数数据中的主成分数据;S3、基于最小二乘法,对所述样本数据和所述主成分数据进行数据拟合,确定斜椭圆参数模型中的变量参数值;S4、基于所述斜椭圆参数模型,估算植物茎干含水量。
本实施例提供一种非暂态计算机可读存储介质,所述非暂态计算机可读存储介质存储计算机指令,所述计算机指令使所述计算机执行上述各方法实施例所提供的方法,例如包括:S1、获取植物的微环境参数数据和茎干含水量样本数据;S2、基于主成分分析法,提取所述微环境参数数据中的主成分数据;S3、基于最小二乘法,对所述样本数据和所述主成分数据进行数据拟合,确定斜椭圆参数模型中的变量参数值;S4、基于所述斜椭圆参数模型,估算植物茎干含水量。
本领域普通技术人员可以理解:实现上述方法实施例的全部或部分步骤可以通过程序指令相关的硬件来完成,前述的程序可以存储于一计算机可读取存储介质中,该程序在执行时,执行包括上述方法实施例的步骤;而前述的存储介质包括:ROM、RAM、磁碟或者光盘等各种可以存储程序代码的介质。
通过以上的实施方式的描述,本领域的技术人员可以清楚地了解到各实施方式可借助软件加必需的通用硬件平台的方式来实现,当然也可以通过硬件。基于这样的理解,上述技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来,该计算机软件产品可以存储在计算机可读存储介质中,如ROM/RAM、磁碟、光盘等,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)执行各个实施例或者实施例的某些部分所述的方法。
最后,本申请的方法仅为较佳的实施方案,并非用于限定本发明的保护范围。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。
Claims (10)
1.一种植物茎干含水量的估算方法,其特征在于,包括:
S1、获取植物的微环境参数数据和茎干含水量样本数据;
S2、基于主成分分析法,提取所述微环境参数数据中的主成分数据;
S3、基于最小二乘法,对所述样本数据和所述主成分数据进行数据拟合,确定斜椭圆参数模型中的变量参数值;
S4、基于所述斜椭圆参数模型,估算植物茎干含水量。
2.根据权利要求1所述的方法,其特征在于,步骤S1之前还包括:
构建所述斜椭圆参数模型,其中,所述斜椭圆参数模型具体为:
<mrow>
<mfrac>
<msup>
<mrow>
<mo>&lsqb;</mo>
<mrow>
<mo>(</mo>
<mi>X</mi>
<mo>-</mo>
<mi>S</mi>
<mo>)</mo>
</mrow>
<mi>c</mi>
<mi>o</mi>
<mi>s</mi>
<mi>&theta;</mi>
<mo>+</mo>
<mrow>
<mo>(</mo>
<mi>Y</mi>
<mo>-</mo>
<mi>T</mi>
<mo>)</mo>
</mrow>
<mi>s</mi>
<mi>i</mi>
<mi>n</mi>
<mi>&theta;</mi>
<mo>&rsqb;</mo>
</mrow>
<mn>2</mn>
</msup>
<msup>
<mi>A</mi>
<mn>2</mn>
</msup>
</mfrac>
<mo>+</mo>
<mfrac>
<msup>
<mrow>
<mo>&lsqb;</mo>
<mrow>
<mo>(</mo>
<mi>X</mi>
<mo>-</mo>
<mi>S</mi>
<mo>)</mo>
</mrow>
<mi>s</mi>
<mi>i</mi>
<mi>n</mi>
<mi>&theta;</mi>
<mo>-</mo>
<mrow>
<mo>(</mo>
<mi>Y</mi>
<mo>-</mo>
<mi>T</mi>
<mo>)</mo>
</mrow>
<mi>c</mi>
<mi>o</mi>
<mi>s</mi>
<mi>&theta;</mi>
<mo>&rsqb;</mo>
</mrow>
<mn>2</mn>
</msup>
<msup>
<mi>B</mi>
<mn>2</mn>
</msup>
</mfrac>
<mo>=</mo>
<mn>1</mn>
<mo>,</mo>
</mrow>
其中,A、B、S、T、θ为所述变量参数,A为斜椭圆的长半轴、B为斜椭圆的短半轴,S为斜椭圆中心点的横坐标,T为斜椭圆中心点的纵坐标,θ为斜椭圆长轴按顺时针旋转与X轴正方向的夹角,X为所述主成分数据,Y为所述植物茎干含水量。
3.根据权利要求1所述的方法,其特征在于,步骤S2之前还包括:
对所述微环境参数数据和植物茎干含水量样本数据进行滤波。
4.根据权利要求3所述的方法,其特征在于,所述对所述微环境参数数据和植物茎干含水量样本数据进行滤波,包括:
在所述微环境参数数据和植物茎干含水量样本数据中,选取若干个数据点作为滤波点;
以所述各个滤波点作为中心点建立长度为M的滤波段,所述M大于1且为奇数;
删除所述滤波段内的数据最大值和最小值,将所述滤波段内剩余数据的算术平均值作为滤波后的输出值。
5.根据权利要求1所述的方法,其特征在于,步骤S2包括:
将所述微环境参数数据排列成第一矩阵;
对于第一矩阵的每一列中的各个数据,计算所述各个数据与每一列数据的均值的差,得到第二矩阵;
获取所述第二矩阵的协方差矩阵,并计算所述协方差矩阵最大特征值对应的特征向量,将所述特征向量对应的特征变量作为所述主成分数据。
6.根据权利要求1所述的方法,其特征在于,步骤S3包括:
将所述斜椭圆参数模型的标准方程转化为一般方程;
基于最小二乘法,估算所述斜椭圆一般方程拟合最优时,各个变量参数的值。
7.根据权利要求1所述的方法,其特征在于,所述微环境参数数据包括:
土壤温度数据、土壤湿度数据、空气温度数据、空气湿度数据、光合有效辐射以及饱和水汽压差。
8.一种植物茎干含水量的估算系统,其特征在于,包括:
获取模块,用于获取植物的微环境参数数据和茎干含水量样本数据;
主成分分析模块,用于基于主成分分析法,提取所述微环境参数数据中的主成分数据;
数据拟合模块,用于基于最小二乘法,对所述样本数据和所述主成分数据进行数据拟合,获取斜椭圆参数模型中的变量参数;
估算模块,用于基于所述斜椭圆参数模型,估算植物茎干含水量。
9.一种计算机程序产品,其特征在于,所述计算机程序产品包括存储在非暂态计算机可读存储介质上的计算机程序,所述计算机程序包括程序指令,当所述程序指令被计算机执行时,使所述计算机执行如权利要求1至7任一所述的方法。
10.一种非暂态计算机可读存储介质,其特征在于,所述非暂态计算机可读存储介质存储计算机指令,所述计算机指令使所述计算机执行如权利要求1至7任一所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710538706.7A CN107506779B (zh) | 2017-07-04 | 2017-07-04 | 一种植物茎干含水量的估算方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710538706.7A CN107506779B (zh) | 2017-07-04 | 2017-07-04 | 一种植物茎干含水量的估算方法及系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN107506779A true CN107506779A (zh) | 2017-12-22 |
CN107506779B CN107506779B (zh) | 2020-06-30 |
Family
ID=60679501
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201710538706.7A Expired - Fee Related CN107506779B (zh) | 2017-07-04 | 2017-07-04 | 一种植物茎干含水量的估算方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN107506779B (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112167027A (zh) * | 2020-10-30 | 2021-01-05 | 江苏万木源建设集团有限公司 | 一种园林绿化用灌溉系统 |
Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US6870376B1 (en) * | 2003-09-20 | 2005-03-22 | William G. Gensler | Method and apparatus for determining plant water content |
CN101975759A (zh) * | 2010-09-07 | 2011-02-16 | 中国农业大学 | 透射式无损检测植物叶片含水量的装置和方法 |
CN102682481A (zh) * | 2012-05-28 | 2012-09-19 | 国家卫星气象中心 | 区域观测模式下地球几何特征信息确定方法 |
CN102879051A (zh) * | 2012-08-02 | 2013-01-16 | 长春启利电子科技有限公司 | 汽车仪表燃油报警波动处理方法 |
KR20140082376A (ko) * | 2012-12-24 | 2014-07-02 | 김송흡 | 곡물의 함수율 측정을 위한 마이크로파 송수신 장치 |
CN104697943A (zh) * | 2014-11-10 | 2015-06-10 | 江苏大学 | 一种油菜水分胁迫的无损检测方法 |
CN106291504A (zh) * | 2015-06-05 | 2017-01-04 | 中国科学院大学 | 一种利用静止气象卫星多时相观测数据反演表层土壤体积含水量的方法 |
CN106406178A (zh) * | 2016-10-21 | 2017-02-15 | 中国科学院南京土壤研究所 | 一种温室作物生长信息实时对等监测装置及监测方法 |
-
2017
- 2017-07-04 CN CN201710538706.7A patent/CN107506779B/zh not_active Expired - Fee Related
Patent Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US6870376B1 (en) * | 2003-09-20 | 2005-03-22 | William G. Gensler | Method and apparatus for determining plant water content |
CN101975759A (zh) * | 2010-09-07 | 2011-02-16 | 中国农业大学 | 透射式无损检测植物叶片含水量的装置和方法 |
CN102682481A (zh) * | 2012-05-28 | 2012-09-19 | 国家卫星气象中心 | 区域观测模式下地球几何特征信息确定方法 |
CN102879051A (zh) * | 2012-08-02 | 2013-01-16 | 长春启利电子科技有限公司 | 汽车仪表燃油报警波动处理方法 |
KR20140082376A (ko) * | 2012-12-24 | 2014-07-02 | 김송흡 | 곡물의 함수율 측정을 위한 마이크로파 송수신 장치 |
CN104697943A (zh) * | 2014-11-10 | 2015-06-10 | 江苏大学 | 一种油菜水分胁迫的无损检测方法 |
CN106291504A (zh) * | 2015-06-05 | 2017-01-04 | 中国科学院大学 | 一种利用静止气象卫星多时相观测数据反演表层土壤体积含水量的方法 |
CN106406178A (zh) * | 2016-10-21 | 2017-02-15 | 中国科学院南京土壤研究所 | 一种温室作物生长信息实时对等监测装置及监测方法 |
Non-Patent Citations (1)
Title |
---|
HAIYANG ZHOU等: "An improved sensor for precision detection of in situ stem water", 《NEW PHYTOLOGIST》 * |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112167027A (zh) * | 2020-10-30 | 2021-01-05 | 江苏万木源建设集团有限公司 | 一种园林绿化用灌溉系统 |
Also Published As
Publication number | Publication date |
---|---|
CN107506779B (zh) | 2020-06-30 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN102111312A (zh) | 基于多尺度主成分分析的网络异常检测方法 | |
CN108399434B (zh) | 基于特征提取的高维时间序列数据的分析预测方法 | |
CN104063710A (zh) | 基于支持向量机模型的实测光谱曲线中异常光谱剔除方法 | |
CN111931983A (zh) | 一种降水量预测方法及系统 | |
CN115631869B (zh) | 一种传染病预测模型的构建方法 | |
CN110779875B (zh) | 一种基于高光谱技术检测冬小麦麦穗水分含量的方法 | |
CN117633696B (zh) | 一种基于bim模型的水利工程施工监测方法及系统 | |
Cao et al. | Applying spectral fractal dimension index to predict the SPAD value of rice leaves under bacterial blight disease stress | |
CN108281961A (zh) | 一种自适应鲁棒扩展卡尔曼的参数辨识方法 | |
CN114818809A (zh) | 基于交叉小波的sca-svm电机滚动轴承的故障诊断方法 | |
CN107506779A (zh) | 一种植物茎干含水量的估算方法及系统 | |
Zhao et al. | Robust enhanced trend filtering with unknown noise | |
CN112183407B (zh) | 一种基于时频域谱减法的隧道地震波数据去噪方法及系统 | |
CN108009859A (zh) | 农产品价格波动预警方法及设备 | |
Petković et al. | Gross domestic product growth rate analyzing based on price indexes, import and export factors | |
CN115830865A (zh) | 基于自适应超图卷积神经网络的车流量预测方法及装置 | |
CN110457863B (zh) | 基于椭球收缩滤波的风力发电机桨距子系统参数估计方法 | |
Lu et al. | Controlling tradeoff between approximation accuracy and complexity of a smooth function in a reproducing kernel Hilbert space for noise reduction | |
CN103197668B (zh) | 一种数据驱动型的控制性能检测装置及方法 | |
CN117309079B (zh) | 基于时差法的超声飞渡时间测量方法、装置、设备及介质 | |
CN115859201B (zh) | 一种化工过程故障诊断方法及系统 | |
CN114741969A (zh) | 基于fir-nma模型的硫回收软测量建模方法 | |
Sree et al. | A battle royale optimization with feature fusion-based automated fruit disease grading and classification | |
CN115327504B (zh) | 一种基于测量条件参数的海杂波幅度分布无类型化预测方法 | |
CN117272055B (zh) | 一种基于滤波增强自编码器的电能表异常检测方法及装置 |
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 | ||
CF01 | Termination of patent right due to non-payment of annual fee | ||
CF01 | Termination of patent right due to non-payment of annual fee |
Granted publication date: 20200630 Termination date: 20210704 |