CN107607486A - 一种土壤全氮检测方法及装置 - Google Patents
一种土壤全氮检测方法及装置 Download PDFInfo
- Publication number
- CN107607486A CN107607486A CN201710874717.2A CN201710874717A CN107607486A CN 107607486 A CN107607486 A CN 107607486A CN 201710874717 A CN201710874717 A CN 201710874717A CN 107607486 A CN107607486 A CN 107607486A
- Authority
- CN
- China
- Prior art keywords
- soil
- waveband
- different
- total
- measured
- 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
Landscapes
- Investigating Or Analysing Materials By Optical Means (AREA)
Abstract
本发明提供一种土壤全氮检测方法及装置。所述方法包括:基于待测土壤在近红外光源照射下的不同波段的光谱反射率,通过采用灰度关联分析和极限学习机建立的土壤全氮预测模型,得到所述待测土壤的全氮含量。本发明提供的一种土壤全氮检测方法及装置,利用灰度关联分析和极限学习机有效的选取敏感波段并建立相关性分析,建立可靠度高的土壤全氮预测模型,从而提高了待测土壤全氮检测的精度,同时通过远程数据采集有效地避免了外界环境对预测结果的干扰,进一步提高了模型预测的准确性。
Description
技术领域
本发明涉及光谱检测技术领域,更具体地,涉及一种土壤全氮检测方法及装置。
背景技术
土壤是植物生长发育的基础,土壤中营养元素(氮、磷、钾等)的丰缺程度直接影响农作物生长及其产量和品质的形成,其中土壤氮素的作用主要是促进作物根、茎、叶的个体生长,是保证农产品品质的首要营养元素。为了追求高产量,土壤过度的施肥,造成了土壤板结和污染问题的发生,因此先对土壤进行氮元素的检测,在进行变量施肥,可以有效防止化肥的过度使用和土壤污染问题的发生。
光谱分析法可以用来预测土壤中的全氮水平,其基本的过程是:首先选择适宜数量的土壤样本集,用光谱仪器进行土壤光谱扫描,用实验室化学方法测定土壤全氮含量,并建立土壤近红外光谱数据与土壤全氮含量之间的相关回归方程。最后,通过支持向量机(SVM)或BP神经网络建立的土壤全氮预测模型,利用待测样品的近红外光谱特征,对土壤全氮含量进行预测。
上述采用支持向量机(SVM)或BP神经网络建立土壤全氮预测模型的方法,需要人为设置大量的网络参数,容易产生局部最优解的问题,从而导致模型的稳定性较差,降低了模型对于土壤全氮含量预测的准确性。
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方法及装置。
根据本发明的一个方面,提供一种土壤全氮检测方法,包括:
基于待测土壤在近红外光源照射下的不同波段的光谱反射率,通过采用灰度关联分析和极限学习机建立的土壤全氮预测模型,得到所述待测土壤的全氮含量。
优选地,所述采用灰度关联分析和极限学习机进行土壤全氮预测模型的建立包括:
S01,利用一阶微分光谱与建模土壤样本全氮含量的相关性分析,选取相关系数最高的三个谱区;
S02,在所述相关系数最高的三个谱区内,分别与所述建模土壤样本全氮含量进行灰度关联分析,选取所述建模土壤样本的不同波段;
S03,将所述建模土壤样本的不同波段的光谱反射率作为输入,所述建模土壤样本全氮含量作为输出,利用极限学习机建立所述土壤全氮预测模型。
优选地,所述待测土壤在近红外光源照射下的不同波段与所述S02中建模土壤样本的不同波段相同。
优选地,在所述S03之前还包括:对所述建模土壤样本的不同波段的光谱反射率进行S-G卷积平滑滤波处理。
优选地,所述待测土壤在近红外光源照射下的不同波段的光谱反射率为所述待测土壤在不同波段的光谱反射数据与程序中的所述不同波段的标准白板反射数据的比值。
优选地,所述待测土壤在不同波段的光谱反射数据是通过近红外光源照射到所述待测土壤后,经土壤漫反射,再通过不同波段的滤光片滤光,最后分别由不同的光电探测器以及模数转换电路得到。
优选地,所述不同波段为8个波段,所述8个波段为1007nm、1128nm、1360nm、1596nm、1696nm、1836nm、2149nm和2262nm。
优选地,根据每个采样点的土壤全氮含量,利用VC+MapX技术实现田间土壤全氮含量分布图。
根据本发明的另一方面,提供一种土壤全氮检测装置,包括:
现场采集模块,用于发射近红外光源,并将待测土壤反射回来的不同波段的光信号转换为所述待测土壤对应不同波段的光谱反射数据;
无线传输模块,用于将所述待测土壤对应的不同波段的光谱反射数据无线传输至接收端;
数据处理模块,用于通过将所述待测土壤的不同波段的光谱反射数据,得到所述待测土壤的不同波段的光谱反射率,并通过采用灰度关联和极限学习机建立的土壤全氮预测模型,得到所述待测土壤的全氮含量。
优选地,所述现场采集模块包括:光路模块和电路模块,
所述光路模块包括近红外光源、不同波段的滤光片以及与所述不同波段对应的光学探测器;
所述电路模块包括放大电路模块、滤波模块以及模数转换电路,所述放大电路模块与所述光学探测器电连。
本申请提供的一种土壤全氮检测方法及装置,利用灰度关联分析和极限学习机有效的选取敏感波段并建立相关性分析,建立可靠度高的土壤全氮预测模型,从而提高了待测土壤全氮检测的精度,同时通过远程数据采集有效地避免了外界环境对预测结果的干扰,进一步提高了模型预测的准确性。
附图说明
图1为根据本发明的一种土壤全氮检测方法的模型建立的流程图;
图2为根据本发明的一种土壤全氮检测方法的土壤光谱一阶微分与土壤全氮含量的相关分析图;
图3为根据本发明的一种土壤全氮检测方法的土壤全氮含量与近红外光谱区的灰度关联分析图;
图4为根据本发明的一种土壤全氮检测方法的灰度关联和极限学习机模型的关系图;
图5为根据本发明的一种土壤全氮检测装置的连接关系示意图;
图6为根据本发明的一种土壤全氮检测装置的现场采集模块的示意图。
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。
与传统分析技术相比,光谱分析技术在较短时间之内,同时测定样品中多种成份的浓度或性质参数。尤其是近红外光(780nm-2526nm)对物质具有一定的穿透能力,无需对样品作任何预处理,可实现无损测量;无需化学试剂,对样品和环境不会造成污染;能量较低,不会对人体造成危害。因此近红外光光谱分析技术作为一种快速、非破坏性、无污染的分析测试技术,对于土壤参数检测表现出非凡的发展潜力。
灰色关联度分析的基本思想就是通过关联度的计算来理清系统中各因素之间的主次关系,从中找出影响最大的因素。因此,灰色关联度分析对于一个系统发展变化态势提供了量化的度量,非常适合动态历程分析。
极限学习机(Extreme Learning Machine,ELM)是2004年由黄光斌教授提出的一种人工神经网络模型训练新算法,该算法针对单隐含层前馈神经网络)改进了传统训练方法(如BP)训练速度慢、需要人为设置大量的网络训练参数,容易陷入局部极小值以及学习速率选择敏感等缺点。而极限学习机在使用时只需设置网络的隐层节点个数,不需要调整网络的输入权值以及隐元的偏置,并且产生唯一的最优解,因此ELM具有学习速度快、泛化性能好的优点。
本发明实施例利用灰度关联分析与极限学习机相结合的方式,提供一种土壤全氮检测方法,包括:基于待测土壤在近红外光源照射下的不同波段的光谱反射率,通过采用灰度关联分析和极限学习机建立的土壤全氮预测模型,得到所述待测土壤的全氮含量。
具体地,土壤全氮含量检测的基本原理是采用灰度关联分析和极限学习机建立的土壤全氮预测模型,将待测土壤在近红外光源照射下的不同波段的光谱反射率作为输入,由于所述不同波段的光谱反射率与待测土壤的全氮含量在模型中已经建立了对应关系,经过模型的计算,最终输出待测土壤的全氮含量。由于在网络训练过程中不需要调整网络的输入权值以及隐元的偏置,并且产生唯一的最优解,因此土壤全氮预测模型的稳定性较高,土壤的全氮含量的检测精度也相应提高。
上述实施例提供的一种土壤全氮检测方法,利用灰度关联分析和极限学习机建立的不同波段的光谱反射率与待测土壤的全氮含量的对应关系模型,不需要人为设置模型参数,可以直接获取待测土壤样本的全氮含量预测值,模型预测的准确度较高,同时也避免了外界环境对待测土壤样本的干扰。
基于上述各实施例,图1为根据本发明的一种土壤全氮检测方法的模型建立的流程图,如图1所示,所述土壤全氮预测模型的建立包括:S01,利用一阶微分光谱与建模土壤样本全氮含量的相关性分析,选取相关系数最高的三个谱区;S02,在所述相关系数最高的三个谱区内,分别与所述建模土壤样本全氮含量进行灰度关联分析,选取所述建模土壤样本的不同波段;S03,将所述建模土壤样本的不同波段的光谱反射率作为输入,所述建模土壤样本全氮含量作为输出,利用极限学习机建立所述土壤全氮预测模型。
具体地,在实际运用过程中把土壤全氮预测模型看作是一个黑盒模型,基于建模土壤样本光谱反射数据和建模土壤全氮含量,利用极限学习机建立土壤全氮预测模型,根据计算机软件程序自动确定模型参数。在模型建立过程中,一阶微分光谱既可以消除土壤原始光谱的基线漂移和平缓背景干扰的影响,也能够提供比原始光谱更高的分辨率和更清晰的光谱轮廓变换。通过一阶微分光谱先选取相关系数最高的三个谱区,再分别在每个谱区内与全氮含量进行灰度关联分析,根据关联系数,从每个谱区中选择建模土壤样本的不同波段,这些波段为建模土壤光谱数据的敏感波段。将建模土壤样本在不同波段的光谱反射率作为输入,建模土壤样本全氮含量作为输出,利用极限学习机建立所述土壤全氮预测模型,确定模型的变量参数。土壤全氮预测模型确定之后,将待测土壤在近红外光源照射下的不同波段的光谱反射率作为输入,计算得到待测土壤的全氮含量。
上述实施例提供的一种土壤全氮检测方法,利用灰度关联分析和极限学习机有效的选取敏感波段并建立相关性分析,并且在建模过程中不需要人为的大量设置网络参数,避免了人为过多设置参数对土壤全氮检测产生的误差,建立了可靠度较高的土壤全氮预测模型,从而提高待测土壤全氮检测的精度。
基于上述各实施例,所述待测土壤在近红外光源照射下的不同波段与所述S02中建模土壤样本的不同波段相同。在土壤全氮预测模型建立过程中,通过灰度关联分析方法选取建模土壤样本光谱数据的不同波段,所述不同波段对应的光谱反射率作为模型的输入,建模土壤样本的全氮含量为输出,利用极限学习机建立一一对应的模型关系。因此,在实际应用过程中,待测土壤也需要采集同样的波段,这样通过模型才能得到唯一的待测土壤的全氮含量。例如,建模样本选取的波段为1500nm和1800nm,通过1500nm和1800nm的光谱反射率作为输入,对应波段的全氮含量作为输出,土壤全氮预测模型建立完成后,待测土壤也需要采集1500nm和1800nm条件下的光谱反射率,否则模型无法输出待测土壤的全氮含量。
基于上述各实施例,在所述S03之前还包括:对所述建模土壤样本的不同波段的光谱反射率进行S-G(Savitzky-Golay)卷积平滑滤波处理。S-G卷积平滑滤波是光谱分析中常用的预处理方法之一,可以提高光谱的平滑性,并降低噪音的干扰。实际应用过程中,在光谱曲线的前端和末端还是存在较多的噪声,经过去除噪声较大的敏感波段以及S-G卷积平滑滤波处理,得到平滑的光谱曲线。从地里采集的土样没有经过烘干和过筛处理,所以土样的吸光度较高,不仅有水的吸收带而且是有机质的吸收带,经过S-G卷积滤波后,光谱的信息有效去除噪声的同时还较好地保存了光谱曲线的总体特征。同样的,对于待测土壤在近红外光源照射下的不同波段的光谱数据,在输入至土壤全氮预测模型之前,也能够采用S-G卷积滤波进行优化处理,从而提高土壤全氮含量预测的准确性。
基于上述各实施例,所述待测土壤在近红外光源照射下的不同波段的光谱反射率为所述待测土壤在不同波段的光谱反射数据与程序中的所述不同波段的标准白板反射数据的比值。标准白板是用于光谱反射率测量的标准漫反射参考物,光谱反射率测定是指以标准白板的光谱反射数据作为基准,进行的待测土壤光谱反射数据的标定。通俗的讲,光谱反射率就是待测光谱反射数据与标准白板反射数据的比值,首先用标准白板采集不同波段的近红外光源的光谱反射数据,并嵌入到主程序中,采集待测土壤不同波段的土壤光谱反射数据,与已经嵌入到程序中的不同波段的标准白板反射数据的比值,计算得到不同波段的光谱反射率数据,这样能得到绝对参数,便于数据样本的选取。
基于上述各实施例的内容,所述待测土壤在不同波段的光谱反射数据是通过近红外光源照射到所述待测土壤后,经土壤漫反射,再通过不同波段的滤光片滤光,最后分别由不同的光电探测器以及模数转换电路得到。待测土壤在不同波段的光谱反射数据是一个数字电压信号,不同的光电探测器对应不同波段的滤光片,将土壤反射回来的不同波段的光信号分别转换为对应的模拟电压信号,最后通过模数转换电路将模拟电压信号转换为数字电压信号,也就得到了待测土壤在不同波段的光谱反射数据。通过待测土壤在不同波段的光谱反射数据,进一步计算其光谱反射率,作为采用灰度关联分析和极限学习机建立的土壤全氮预测模型的输入,从而获取待测土壤的全氮含量。
基于上述各实施例,所述不同波段为8个波段,所述8个波段为1007nm、1128nm、1360nm、1596nm、1696nm、1836nm、2149nm和2262nm。土壤在近红外光源照射下的不同波段和S02中建模土壤样本的不同波段都为8个。这8个波段的选取是在土壤全氮预测模型建立的过程中利用一阶微分光谱和灰度关联学习相结合选取的出来的,这8个波段为建模土壤样本光谱的敏感波段。
在实施例中,建模土壤样品采集的土壤类型属于褐土土质,具有很强的代表性。在土壤样本采集时,选取了50个建模样本点,每个样本点采集深度为5-20cm处的土壤,每个土壤样本采集1kg,用双层牛皮袋封装样品,防止水分散失,样本采集完成后,立即送往实验室进行土壤光谱的测量,测定采集样本的光谱吸光度,并用实验室化学方法测定采集的土壤样本全氮含量。根据凯氏定氮法测定的土壤全氮含量,凯氏定氮法是测定化合物或混合物中总氮量的一种方法,即在有催化剂的条件下,用浓硫酸消化样品将有机氮都转变成无机铵盐,然后在碱性条件下将铵盐转化为氨,随水蒸气蒸馏出来并为过量的硼酸液吸收,再以标准盐酸滴定,就可计算出样品中的氮量。用SPSS软件进行聚类分析,剔除异常点,采用剩余的45个样本来进行土壤全氮模型的构建。
具体地,图2为根据本发明的一种土壤全氮检测方法的土壤光谱一阶微分与土壤全氮含量的相关分析图,图3为根据本发明的一种土壤全氮检测方法的土壤全氮含量与近红外光谱区的灰度关联分析图,结合图2和图3所示,从整体来看,在850-1350nm范围内,相关系数一直在0附近快速震荡,最高的相关系数只在0.3左右,在1350-1471nm范围内,相关系数波动幅度变大,在0.4左右,很难从上述两个波段区间里提取到有效波段。根据土壤全氮含量与一阶微分的相关性分析,从中选择相关系数最高的850-1450nm,1460-1900nm以及1960-2300nm三个谱区。分别用选出的三个谱区与土壤全氮含量进行灰度关联分析,分辨系数选择为0.5。相关系数越大与氮素的关联度越高,因此根据相关系数本实施例选择1007nm、1128nm、1360nm、1596nm、1696nm、1836nm、2149nm以及2262nm这8个波段作为土壤氮素的敏感波段。
图4为根据本发明的一种土壤全氮检测方法的灰度关联和极限学习机模型的关系图,如图4所示,选用灰度关联分析得到的1007nm、1128nm、1360nm、1596nm、1696nm、1836nm、2149nm以及2262nm,这8个敏波段作为模型输入建立极限学习机模型。其中,建模决定系数样本预测的决定系数表明模型已经具有相当高的预测精度。由于灰色关联计算选择的敏感波段,均匀分散在整个吸收光谱曲线上,所选的敏感波段能有效减小特征波段之间的冗余度,特别在850-1400nm谱区,有效的选择了敏感波段,避免了一阶微分相关系数选择时的信息丢失。
基于上述各实施例,根据每个采样点的土壤全氮含量,利用VC+MapX技术实现田间土壤全氮含量分布图。MapX是美国MapInfo公司在其开发的可视化地图组件DataMap基础上,向用户提供的具有强大地图分析功能的ActiveX控件产品。MapX为开发人员提供了一个快速、易用、功能强大的地图化组件。在VB,Delphi,PowerBuilder,VC等可视化开发环境中,只需在设计阶段将MapX控件放入窗体中,并对其进行编程,设置属性或调用方法或相应事件,即可实现数据可视化,专题分析,地理查询,地理编码等丰富的地图信息系统功能。利用VC+MapX技术,根据田间每个采样点的GPS坐标信息,即可生成田间土壤全氮含量分布图,能够为作物施肥提供参考,有效的减少了化肥的使用,保护土壤和环境。
图5为根据本发明的一种土壤全氮检测装置的连接关系示意图,如图5所示,所述装置包括:现场采集模块501,用于发射近红外光源,并将待测土壤反射回来的不同波段的光信号转换为所述待测土壤对应不同波段的光谱反射数据;无线传输模块502,用于将所述待测土壤对应的不同波段的光谱反射数据无线传输至接收端;数据处理模块503,用于通过将所述待测土壤的不同波段的光谱反射数据,得到所述待测土壤的不同波段的光谱反射率,并通过采用灰度关联和极限学习机建立的土壤全氮预测模型,得到所述待测土壤的全氮含量。首先,通过现场采集模块501采集待测土壤的不同波段的光谱反射数据,然后利用无线传输模块502传输至数据处理模块503,数据处理模块503根据接收到的待测土壤的光谱反射数据,进行光谱反射率计算和土壤全氮预测模型的计算,得到待测土壤全氮含量。所述装置为土壤全氮检测提供硬件技术支持,而且利用光谱反射数据的无线传输,便于实时采集和检测田间土壤的全氮含量。所述装置的具体实施方式与所述方法相同,此处不再详细赘述。
基于上述各实施例,图6为根据本发明的一种土壤全氮检测装置的现场采集模块的示意图,如图6所示,所述现场采集模块501包括:光路模块601和电路模块602,光路模块601包括近红外光源、不同波段的滤光片以及与不同波段对应的光学探测器;电路模块602包括放大电路模块、滤波模块以及模数转换电路,所述放大电路模块与所述光学探测器电连。光路模块601将近红外光源照射到所述待测土壤后,经土壤漫反射,再通过不同波段的滤光片滤光,最后分别由不同的光电探测器转换为模拟电压信号。电路模块602中放大电路模块与光学模块601中的光学探测器电连,首先将模拟电压信号进行信号放大,然后利用滤波模块和模数转换模块对信号进行滤波和模数转换,最后得到稳定的数字电压信号,也就是土壤的光谱反射数据。所述方法实施例的内容是基于所述装置进行实施的,因此关于装置的实施例的内容此处不再详细赘述。
本发明提供的一种土壤全氮检测方法及装置,利用灰度关联分析和极限学习机有效的选取敏感波段并建立相关性分析,建立可靠度高的土壤全氮预测模型,从而提高了待测土壤全氮检测的精度,同时通过远程数据采集有效地避免了外界环境对预测结果的干扰,进一步提高了模型预测的准确性。
最后,本发明中的方法和装置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)
1.一种土壤全氮检测方法,其特征在于,包括:
基于待测土壤在近红外光源照射下的不同波段的光谱反射率,通过采用灰度关联分析和极限学习机建立的土壤全氮预测模型,得到所述待测土壤的全氮含量。
2.根据权利要求1所述的方法,其特征在于,所述采用灰度关联分析和极限学习机进行土壤全氮预测模型的建立包括:
S01,利用一阶微分光谱与建模土壤样本全氮含量的相关性分析,选取相关系数最高的三个谱区;
S02,在所述相关系数最高的三个谱区内,分别与所述建模土壤样本全氮含量进行灰度关联分析,选取所述建模土壤样本的不同波段;
S03,将所述建模土壤样本的不同波段的光谱反射率作为输入,所述建模土壤样本全氮含量作为输出,利用极限学习机建立所述土壤全氮预测模型。
3.根据权利要求2所述的方法,其特征在于,所述待测土壤在近红外光源照射下的不同波段与所述S02中建模土壤样本的不同波段相同。
4.根据权利要求3所述的方法,其特征在于,在所述S03之前还包括:对所述建模土壤样本的不同波段的光谱反射率进行S-G卷积平滑滤波处理。
5.根据权利要求3所述的方法,其特征在于,所述待测土壤在近红外光源照射下的不同波段的光谱反射率为所述待测土壤在不同波段的光谱反射数据与程序中的所述不同波段的标准白板反射数据的比值。
6.根据权利要求5所述的方法,其特征在于,所述待测土壤在不同波段的光谱反射数据是通过近红外光源照射到所述待测土壤后,经土壤漫反射,再通过不同波段的滤光片滤光,最后分别由不同的光电探测器以及模数转换电路得到。
7.根据权利要求1-6中任一项所述的方法,其特征在于,所述不同波段为8个波段,所述8个波段为1007nm、1128nm、1360nm、1596nm、1696nm、1836nm、2149nm和2262nm。
8.根据权利要求1-6中任一项所述的方法,其特征在于,根据每个采样点的土壤全氮含量,利用VC+MapX技术实现田间土壤全氮含量分布图。
9.一种土壤全氮检测装置,其特征在于,包括:
现场采集模块,用于发射近红外光源,并将待测土壤反射回来的不同波段的光信号转换为所述待测土壤对应不同波段的光谱反射数据;
无线传输模块,用于将所述待测土壤对应的不同波段的光谱反射数据无线传输至接收端;
数据处理模块,用于通过将所述待测土壤的不同波段的光谱反射数据,得到所述待测土壤的不同波段的光谱反射率,并通过采用灰度关联和极限学习机建立的土壤全氮预测模型,得到所述待测土壤的全氮含量。
10.根据权利要求9所述的装置,其特征在于,所述现场采集模块包括:光路模块和电路模块,
所述光路模块包括近红外光源、不同波段的滤光片以及与所述不同波段对应的光学探测器;
所述电路模块包括放大电路模块、滤波模块以及模数转换电路,所述放大电路模块与所述光学探测器电连。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710874717.2A CN107607486B (zh) | 2017-09-25 | 2017-09-25 | 一种土壤全氮检测方法及装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710874717.2A CN107607486B (zh) | 2017-09-25 | 2017-09-25 | 一种土壤全氮检测方法及装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN107607486A true CN107607486A (zh) | 2018-01-19 |
CN107607486B CN107607486B (zh) | 2020-09-08 |
Family
ID=61058040
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201710874717.2A Active CN107607486B (zh) | 2017-09-25 | 2017-09-25 | 一种土壤全氮检测方法及装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN107607486B (zh) |
Cited By (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110793922A (zh) * | 2019-10-31 | 2020-02-14 | 北京绿土科技有限公司 | 一种基于手机的土壤光谱数据采集方法 |
CN111781163A (zh) * | 2020-07-22 | 2020-10-16 | 中国农业大学 | 土壤粒度对离散近红外波段检测土壤参数影响的消除方法 |
CN112986531A (zh) * | 2021-01-25 | 2021-06-18 | 南宁师范大学 | 一种基于水热条件预测土壤全氮含量的方法 |
CN113029974A (zh) * | 2021-03-08 | 2021-06-25 | 中国农业大学 | 一种基于漫反射光谱的剖面土壤养分检测方法及装置 |
CN113203689A (zh) * | 2021-04-13 | 2021-08-03 | 中国农业大学 | 土壤全氮含量检测方法、装置、电子设备和存储介质 |
CN114720665A (zh) * | 2022-06-10 | 2022-07-08 | 北京市农林科学院智能装备技术研究中心 | 测土配方施肥土壤全氮异常值检测方法及装置 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JPH11337484A (ja) * | 1998-03-26 | 1999-12-10 | Kubota Corp | 土壌分析方法、分光分析装置及びその分光分析装置を搭載した農業用作業車 |
CN101975764A (zh) * | 2010-09-29 | 2011-02-16 | 中国农业大学 | 基于近红外光谱技术的多波段土壤氮素检测装置和方法 |
CN103134770A (zh) * | 2013-02-01 | 2013-06-05 | 中国农业大学 | 消除水分对近红外光谱检测土壤全氮含量影响的方法 |
CN103884661A (zh) * | 2014-02-21 | 2014-06-25 | 浙江大学 | 基于土壤可见-近红外光谱库的土壤全氮实时检测方法 |
-
2017
- 2017-09-25 CN CN201710874717.2A patent/CN107607486B/zh active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JPH11337484A (ja) * | 1998-03-26 | 1999-12-10 | Kubota Corp | 土壌分析方法、分光分析装置及びその分光分析装置を搭載した農業用作業車 |
CN101975764A (zh) * | 2010-09-29 | 2011-02-16 | 中国农业大学 | 基于近红外光谱技术的多波段土壤氮素检测装置和方法 |
CN103134770A (zh) * | 2013-02-01 | 2013-06-05 | 中国农业大学 | 消除水分对近红外光谱检测土壤全氮含量影响的方法 |
CN103884661A (zh) * | 2014-02-21 | 2014-06-25 | 浙江大学 | 基于土壤可见-近红外光谱库的土壤全氮实时检测方法 |
Non-Patent Citations (1)
Title |
---|
张颖 等: "基于极限学习机回归的海水Chl a浓度预测方法", 《海洋环境科学》 * |
Cited By (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110793922A (zh) * | 2019-10-31 | 2020-02-14 | 北京绿土科技有限公司 | 一种基于手机的土壤光谱数据采集方法 |
CN111781163A (zh) * | 2020-07-22 | 2020-10-16 | 中国农业大学 | 土壤粒度对离散近红外波段检测土壤参数影响的消除方法 |
CN111781163B (zh) * | 2020-07-22 | 2021-05-14 | 中国农业大学 | 土壤粒度对离散近红外波段检测土壤参数影响的消除方法 |
CN112986531A (zh) * | 2021-01-25 | 2021-06-18 | 南宁师范大学 | 一种基于水热条件预测土壤全氮含量的方法 |
CN113029974A (zh) * | 2021-03-08 | 2021-06-25 | 中国农业大学 | 一种基于漫反射光谱的剖面土壤养分检测方法及装置 |
CN113203689A (zh) * | 2021-04-13 | 2021-08-03 | 中国农业大学 | 土壤全氮含量检测方法、装置、电子设备和存储介质 |
CN114720665A (zh) * | 2022-06-10 | 2022-07-08 | 北京市农林科学院智能装备技术研究中心 | 测土配方施肥土壤全氮异常值检测方法及装置 |
CN114720665B (zh) * | 2022-06-10 | 2022-09-16 | 北京市农林科学院智能装备技术研究中心 | 测土配方施肥土壤全氮异常值检测方法及装置 |
Also Published As
Publication number | Publication date |
---|---|
CN107607486B (zh) | 2020-09-08 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN107607486A (zh) | 一种土壤全氮检测方法及装置 | |
Wolanin et al. | Estimating crop primary productivity with Sentinel-2 and Landsat 8 using machine learning methods trained with radiative transfer simulations | |
Wieneke et al. | Airborne based spectroscopy of red and far-red sun-induced chlorophyll fluorescence: Implications for improved estimates of gross primary productivity | |
CN110376167A (zh) | 基于无人机高光谱的水稻叶片氮含量监测方法 | |
CN100510709C (zh) | 便携式多通道作物叶片氮素营养指标无损监测装置 | |
CN102426153B (zh) | 一种基于冠层高光谱指数的小麦植株水分监测方法 | |
CN102879353B (zh) | 近红外检测花生中蛋白质组分含量的方法 | |
Yang et al. | The spatial continuity study of NDVI based on Kriging and BPNN algorithm | |
CN103293111B (zh) | 一种土壤背景干扰下小麦叶层氮含量光谱监测模型及建模方法 | |
CN109212505A (zh) | 一种基于无人机多光谱高重叠度影像的森林林分特征反演方法 | |
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 | |
CN114018833A (zh) | 基于高光谱遥感技术估算土壤重金属含量的方法 | |
CN105784628A (zh) | 一种利用中红外光谱检测土壤有机质化学组成的方法 | |
CN115452822B (zh) | 基于遥感和农田信息获取稻田甲烷排放通量的方法及装置 | |
CN105758819A (zh) | 一种利用近红外光谱检测土壤的有机组分的方法 | |
CN110109118A (zh) | 一种森林冠层生物量的预测方法 | |
CN113049499A (zh) | 水体总氮浓度间接遥感反演方法、存储介质和终端设备 | |
Wang et al. | Development and performance test of a vehicle-mounted total nitrogen content prediction system based on the fusion of near-infrared spectroscopy and image information | |
Fu et al. | Study on the effect of fractional derivative on the hyperspectral data of soil organic matter content in arid region | |
CN103149180A (zh) | 土壤光谱反射率和电导率检测装置及其检测方法 | |
Zhang et al. | Generating high-resolution total canopy SIF emission from TROPOMI data: Algorithm and application | |
CN105784629A (zh) | 利用中红外光谱快速检测土壤的稳定碳同位素比值的方法 | |
CN115266648A (zh) | 一种二类水体固有光学参数优化模拟方法 | |
Du et al. | Development and testing of a portable soil nitrogen detector based on near-infrared spectroscopy | |
CN114813587B (zh) | 一种花椒树冠层氮浓度无损诊断方法 |
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 |