CN107796764A - 一种基于三波段植被指数的小麦叶面积指数估算模型的构建方法 - Google Patents
一种基于三波段植被指数的小麦叶面积指数估算模型的构建方法 Download PDFInfo
- Publication number
- CN107796764A CN107796764A CN201610803703.7A CN201610803703A CN107796764A CN 107796764 A CN107796764 A CN 107796764A CN 201610803703 A CN201610803703 A CN 201610803703A CN 107796764 A CN107796764 A CN 107796764A
- Authority
- CN
- China
- Prior art keywords
- mrow
- msub
- leaf area
- index
- wheat
- 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
- 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
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01B—MEASURING LENGTH, THICKNESS OR SIMILAR LINEAR DIMENSIONS; MEASURING ANGLES; MEASURING AREAS; MEASURING IRREGULARITIES OF SURFACES OR CONTOURS
- G01B11/00—Measuring arrangements characterised by the use of optical techniques
- G01B11/28—Measuring arrangements characterised by the use of optical techniques for measuring areas
Landscapes
- Physics & Mathematics (AREA)
- General 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)
- Immunology (AREA)
- Pathology (AREA)
- Investigating Or Analysing Materials By Optical Means (AREA)
Abstract
本发明公开了一种适用于小麦叶面积指数估算的新型三波段植被指数的构建方法,步骤如下:规范采集小麦的冠层反射率和叶面积指数;基于归一化植被指数构建新型的三波段植被指数形式,利用建模数据,采用比较任意组合形式确定三个波段最佳波长和系数k,得到一种适用于小麦叶面积估算的最优三波段植被指数并以此建立小麦叶面积指数估算模型。采用独立实验数据对该新型植被指数及其估算模型进行验证和测试。发现,本发明构建的新型植被指数结构简单,所建立的估算模型对小麦叶面积指数进行估算表现出较高的精度,在作物叶面积指数较高时,有效避免了饱和现象的发生。可以广泛应用于精确农业小麦生产中叶面积指数的实时、无损和准确估算。
Description
技术领域
本发明属于基于反射光谱的作物生长状况快速无损监测领域,特别涉及一种基于三波段植被指数的小麦叶面积指数估算模型的构建方法。
背景技术
叶片是重要的植物器官,不仅参与植物光合作用、蒸腾作用及其他多种重要的生理生化反应,同时也是植物截取光能的主要场所。叶面积指数(Leaf area index,LAI)是指单位土地面积上植物叶片总面积比上土地面积的倍数,即单位土地面积上绿叶片的总面积,在农业上是反映作物群体长势以及产量预测的重要指标。传统的叶面积指数的测量方法主要包括直接测量法和间接测量法两类,直接测定方法是指传统的、具有一定破坏性的方法,具体操作为对植物的实际叶片面积进行测量并通过相应转换获得实际的叶面积指数,如小样法、长宽系数法和LI-3000仪器测量等。间接测量法是指用一些测量参数或用光学仪器得到一种有效叶面积指数参数,如LAI-2000、SUNSCAN和AccuPAR植物冠层分析仪测量等。虽然这两类测量方法在植物叶面积指数测量中已被广泛使用,但却存在测量范围过小的缺陷,不利于生产中大尺度范围内叶面积指数的估测。
遥感即遥远的感知,是指在不直接接触的情况下,对目标或自然现象远距离探测和感知的一门技术。自上世纪60年代兴起以来,已在气象观测、资源考察、地图测绘、军事侦察和农业生产等领域获得广泛应用。农业遥感是遥感技术应用的主要领域之一,它将遥感技术与农学各学科技术相结合,并为农业生产提供相应服务。农作物生长状况监测与分析是农业遥感研究的重要方向。当前,利用遥感技术实时、快速、无损的大面积获取作物长势信息的技术已经变得非常成熟。植被指数是利用不同植被反射率波段组合而成的能够反映植物生长状况的指数。在农业遥感领域己被广泛用来定性和定量的评价作物长势相关指标。归一化植被指数(Normalized Difference Vegetation Index,NDVI)的组成方式为近红外波段的反射值(Rnir)与可见光红光波段的反射值(Rred)之差比上两者之和,即NDVI=(Rnir-Rred)/(Rnir+Rred),是最常见的植被指数之一。因其构造简单,适用范围广而为被广泛应用于科学研究以及农业生产实践当中。前人研究表明,NDVI在作物色素状况、氮素营养状况、叶面积指数和地上部分生物量的估算上都具有较好的效果。
前人研究也发现,归一化植被指数NDVI存在对大气和土壤背景敏感以及自身饱和等方面的不足,影响了其估测精度的提高,限制了其在生产实践中的应用。近年来,研究工作者们围绕归一化植被指数NDVI做了大量研究与探索,并提出了很多改进的方式,如构建土壤调节植被指数(Soil Adjusted Vegetation Index,SAVI)、最优土壤调节植被指数(Optimized Soil Adjusted Vegetation Index,OSAVI)和可见光大气修正植被指数(Visible Atmospherically Resistant Index,VARI)等,这些植被指数的提出,对低植被覆盖度下植被指数的土壤背景敏感性起到了很好改善效果。
与解决土壤背景敏感性问题的研究相比,当前针对归一化植被指数NDVI饱和性问题的研究相对较少,目前解决这一问题的一个重要研究方向是用其他可见光波段代替红光构建新的植被指数VNDVIs,如green NDVI、blue NDVI和green-red NDVI等。然而,在植被长势旺盛,覆盖度高时,由于植被光谱反射率中近红外部分较可见光部分过大,此时,可见光部分波段的变化并不对植被指数整体产生明显影响,植被指数的饱和性问题依然没有很好的解决。因此,在植被生长旺盛时,有必要对NDVI的结构进行相应调整,构建新的植被指数,以减轻植被指数估算时的饱和性。
通过增加波段信息,构建多波段植被指数解决具体问题已经成为了遥感研究中构建新型植被指数的重要方向。通过波段的增加,研究者们根据需要构建出多种多波段植被指数,如增强型植被指数(Enhanced Vegetation Index,EVI)、垂直植被指数(Perpendicular Vegetation Index,PVI)、三角植被指数(Triangular VegetationIndex,TVI)和可见光大气阻抗植被指数(VARI)等,并取得了良好的效果。但是,这些多波段植被指数在的结构复杂、参数过多以及具有高度专一性的特点,使得其在和生产实践中的应用受到很大限制。因此,在构件多波段植被指数时,除考虑精度方面的指标外,还需要考虑其在使用上的简便性。
随着遥感技术的发展,利用高光谱技术获取海量光谱数据已经成为可能。充分利用所获取的光谱数据,挖掘光谱内所包含的信息,已成为遥感研究中的一个重要内容。其中,比较选择现有植被指数形式中两个波段在350-2500nm中的任意组合得出最佳植被指数的方法,已经被应用于科研实践当中,如构建用于作物生长参数估算的DSI(DifferenceSpectra Index)、RSI(Ratio Spectra Index)和NDSI(Normalized DifferenceVegetation Index)等。但是,由于通过数学统计方法获取的植被指数往往在波段波长的选择结果上存在一定的随机性,因此,在获取指数波段的最佳波长时需要通过绘制等势线图的方法人为的确定波段范围,以消除由于计算时随机性所带来误差。但是,这种通过绘制等势线来确定最佳波段范围的方法需要通过绘制2D等势线分布图来实现,因此,当前这种方法的应用也就被限制在了两波段植被指数的范围内,如果将这种方法拓展到三波段或者多于三个波段的植被指数,这种方法就受到很大的限制,在具体操作时就具有一定的难度。
发明内容
本发明的目的在于提出将向植被指数中增加波段和比较任意波段组合寻找最优植被指数的方式相结合,构建新型三波段植被指数,并解决构建过程中存在的技术问题,最终得到一种估算精度高、有效缓解植被指数饱和的适用于小麦叶面积指数估算的三波段植被指数,并基于该三波段植被指数构建小麦叶面积指数估算模型,用于小麦生产中叶面积指数的快速无损监测。
为实现上述目的,本发明提供如下技术方案:
一种基于三波段植被指数的小麦叶面积指数估算模型的构建方法,具体步骤如下:
(1)、数据采集:采集小麦冠层光谱反射率,同步测定小麦叶面积指数(LAI),获得建模数据和检验数据;
(2)、基于归一化植被指数NDVI构建新型的三波段植被指数mNDVIs(ModifiedNormalized Difference Vegetation Indices):
其中,Rλ1为第一波段λ1的反射率,Rλ2为第二波段λ2反射率,Rλ3为第三波段λ3的反射率,第一波段、第二波段、第三波段的波长范围均为350-2500nm;k为第三波段反射率R3的系数,-1≤k≤1;
(3)、确定最优的三波段植被指数:基于确定的三波段植被指数mNDVIs,以350~2500nm为三个波段的波长范围,1nm为波段步长;以0.1为系数k的步长,列出所有波段波长和系数组合(λ1,λ2,λ3,k);对每一种组合与对应的小麦叶面积指数进行线性拟合,计算该线性拟合的线性拟合度R2以及利用建模数据计算的相对敏感系数Sr;以最大线性拟合度R2和最优相对敏感系数Sr确定最优三波段植被指数mNDVI;
(4)、构建小麦叶面积指数估算模型:基于建模数据,线性拟合确定的最优的三波段植被指数mNDVI和与其对应的LAI,确定线性关系系数a和b,建立小麦叶面积指数估算模型;
(5)、检验小麦叶面积指数估算模型:采用独立试验数据作为检验数据,对小麦叶面积指数估算模型进行验证和测试;根据小麦叶面积指数估算模型,通过检验数据的小麦冠层光谱反射率估算得到叶面积指数预测值,然后通过检验数据中的叶面积指数实测值对叶面积指数预测值进行检验,计算相对根均方误差RRMSE(Relative root mean squaredifference)和偏差bias;
其中,n为检验数据样本数,Pi为叶面积指数预测值,Oi为叶面积指数实测值。
步骤(1)中,数据采集自不同年份、不同生态点、不同生育期(拔节期、孕穗期、抽穗期和开花期)、不同施氮水平、不同水分处理和不同种植密度处理的小麦田间试验。采集的样本数据分别作为建模数据和检验数据。
采集小麦冠层光谱反射率的方法为:采用野外高光谱辐射仪测定小麦冠层反射率,波段范围为350~2500nm,其中350~1000nm光谱采样间隔为1.4nm,光谱分辨率为3nm;1000~2500nm光谱采样间隔为2nm,光谱分辨率为10nm;测量环境条件为晴朗、无风;测定时间范围为10:00~14:00,测量时传感器探头垂直向下于冠层顶部,光谱仪视场角为25°,距离冠层顶垂直高度约1m,地面视场范围直径为0.44m;每个样本点采集3次,时间间隔为1s,以3次采集的平均值作为小麦冠层光谱反射率。
测定小麦叶面积指数的方法为:和小麦冠层反射率测定在相同样本点同步进行,采用间接测量法进行测量,使用边长1m的正方形方框选择采样范围,以光谱测定时传感器探头垂直下方为方框中心,保持方框其中两条平行的边框和小麦行向平行,采集采样范围内所有小麦植株,采集后按器官分离,使用叶面积仪扫描小麦叶片面积,获得该采样范围内所有的小麦叶片面积,即为小麦叶面积指数。
所述的叶面积仪可以采用美国LI-COR公司生产的LI-3000c叶面积仪。
本发明中也可采用其他能够获得叶片真实面积方法获得小麦植株的叶片面积。
步骤(3)中,最优的三波段植被指数的确定方法分三步进行:
(1)、将三个波段划分为可见光、红边、近红外和短波红外4个区域,将三波段植被指数中三个波段λ1,λ2,λ3分别置于上述4个区域中,并与系数k在-1≤k≤1范围内组合,构建43共计64个区域组合;
(2)、每个区域组合以1nm为波段步长,以0.1为系数k的步长,计算区域组合中任意3个波段的波长组合的三波段植被指数值,将所得的三波段植被指数值与对应的叶面积指数LAI进行线性拟合,以具有最大线性拟合度R2的波段波长组合作为该区域组合的最优植被指数候选者;
(3)、在确定最优植被指数候选者后,根据建模数据计算各个植被指数候选者的相对敏感系数Sr:首先对每个最优植被指数候选者的数值与LAI之间进行线性、多项式(二项式、三项式)、指数、幂函数和对数关系拟合,得到拟合公式并计算每种拟合关系的拟合度r2,以具有最大拟合度r2的函数关系为植被指数候选者mNDVIs与LAI的最优拟合公式:
mNDVIs=f1(LAI)
同理,得到NDVI与LAI的最优拟合公式:
NDVI=f2(LAI)
最后根据得出的最优拟合公式计算植被指数候选者的相对敏感系数Sr;
其中,f1’(LAI)为f1(LAI)的导数,f2’(LAI)为f2(LAI)的导数;
比较候选者的线性拟合度R2和相对敏感系数Sr,以最大线性拟合度R2和最优相对敏感系数Sr确定最优三波段植被指数mNDVI。
线性拟合度R2最大和相对敏感系数Sr最优的最佳波段波长和系数组合为:λ1=940nm,λ2=730nm,λ3=1150nm,k=0.5;确定最优的三波段植被指数mNDVI为:
步骤(4)中,所述的小麦叶面积指数估算模型为:LAI=12.40×(mNDVI)+4.25。
步骤(5)中,检验小麦叶面积指数估算模型时RRMSE为24.39%,bias为0.48。
通过独立实验对基于最优三波段植被指数构建的小麦叶面积指数估算模型进行检验,发现用本发明方法确定的最优三波段植被指数mNDVI及其定量模型在预测LAI时,RRMSE和bias较现有植被指数较小,相对误差较小。另外,利用检验数据计算Sr,结果发现,在LAI较高的情况下,该植被指数并未出现明显的饱和现象。
一种小麦叶面积指数的估算方法,步骤如下:
(1)、规范采集小麦冠层光谱反射率,获得730nm、940nm和1150nm冠层反射率;
(2)、通过如下公式计算三波段植被指数mNDVI数值;
(3)、得到mNDVI数值后利用小麦叶面积指数估算模型即可估算小麦叶面积指数;
LAI=12.40×(mNDVI)+4.25。
和现有技术相比,本发明的有益效果是:
通过本发明构建的新型三波段植被指数及其叶面积指数估算模型估算结构简单、估算精度高、适用范围广,在小麦叶面积指数的估算上不仅具有较高的精度,同时也能有效地缓解叶面积指数较高时,出现原来归一化植被指数NDVI的高饱和性。可以广泛用于小麦叶面积指数的准确估算。
附图说明
图1为本发明构建基于三波段植被指数mNDVI的小麦叶面积指数估算模型的流程示意图。
图2为本发明中分步确定mNDVI特征波长和系数的流程示意图。
图3为具有最高线性拟合度R2的6个三波段植被指数候者在不同LAI下的相对敏感系数变化示意图。
图4为基于新型三波段植被指数和现有植被指数的小麦叶面积指数预测值与叶面积指数实测值的1:1关系图。
图5为三波段植被指数mNDVI和现有植被指数在不同LAI下的相对敏感系数变化示意图。
具体实施方式
下面通过具体实施方式对本发明的技术方案做进一步说明。
本发明基于不同年份、不同生态点、不同施氮水平、不同水分处理和不同种植密度处理的小麦田间试验进行。具体表述如表1所示:
表1获取对照数据和检验数据的小麦试验田基本信息
从小麦试验田Exp.1、Exp.2和Exp.3中获得实验数据作为建模数据集,建模数据获取系统性强、包含样本数量大、涉及品种多、均值适中且全距较大,充分覆盖了低植被指数到高植被指数的丰富信息,将其作为构建模型的样本进行使用;从小麦试验田Exp.4、Exp.5、Exp.6、Exp.7和Exp.8获得实验数据作为检验数据集,与建模数据相比,检验数据获取分散、处理因素多,处理因素与第一组对照数据相比较具有较大差异,因此,将其作为选择比较的检验样本进行使用,以观察模型在不同环境条件和处理下的准确度和适应性。
如图1所示,一种基于三波段植被指数的小麦叶面积指数估算模型的构建方法,具体步骤如下:
步骤(1)、数据采集
1、采集小麦冠层光谱反射率:
利用背挂式野外高光谱辐射仪分别在小麦拔节期、孕穗期、抽穗期和开花期等关键生育期测定小麦冠层反射率,测量光谱的波段波长范围值为350~2500nm,其中350~1000nm光谱采样间隔为1.4nm,光谱分辨率为3nm;1000~2500nm光谱采样间隔为2nm,光谱分辨率为10nm;测量时,选择天气晴朗、无风或风速很小的时候进行,测定时间范围为10:00~14:00,测量时传感器探头垂直向下,光谱仪视场角为25°,距离冠层顶垂直高度约1m,地面视场范围直径为0.44m。每个样本点采集3次,时间间隔为1s,以3次采集的平均值作为冠层光谱反射率。在测量过程中,每隔20min用反射率为99%的标准白板进行一次校正,测量过程中,若环境光线变化过快,则应缩短白板校正时间间隔。在实际操作中,由于标准白板的反射率被纪录为1,因此测量时所得目标物反射率实际为小麦冠层反射能量与白板反射能量之间的比值,通常被纪录为1或者100%。
2、同步测定小麦叶面积指数(LAI):
和小麦冠层反射率测定在相同样本点同步进行,采用间接测量法进行测量,选取采样点后,使用边长1m的正方形方框选择采样范围,以光谱测定时传感器探头垂直下方为方框中心,保持方框其中两条平行的边框和小麦行向平行,采集采样范围内所有小麦植株,采集后按器官分离,使用美国LI-COR公司生产的LI-3000c叶面积仪扫描小麦叶片面积,获得该采样范围内所有的小麦叶片面积,即为小麦叶面积指数。
步骤(2)、基于归一化植被指数构建新型的三波段植被指数mNDVIs(ModifiedNormalized Difference Vegetation Indices):
以原始NDVI为基础,通过在近红外波段处增加第三波段反射率(R3)及其系数k得到新型的三波段指数形式;将获得的三波段指数形式中的三个波段的光谱范围都扩展到350~2500nm,最终得到三波段植被指数形式mNDVIs,具体公式如下:
其中,Rλ1为第一波段λ1的反射率,由NDVI中近红外波段扩展范围到350~2500nm后得到的波段反射率,Rλ2为第二波段λ2反射率,由NDVI中红光波段扩展范围到350~2500nm后获得的波段反射率,Rλ3为第三波段λ3的反射率,为新增加的第三波段λ3的反射率,其波段范围亦为350~2500nm,k为第三波段反射率Rλ3的系数,-1≤k≤1;
步骤(3)、确定最优的新型三波段植被指数mNDVI(Modified NormalizedDifference Vegetation Index):
如图2所示,分三步进行:首先将三个波段划分为可见光(visible region,简写VIS:350~680nm)、红边(red edge:680~760nm)、近红外(near infrared region,简写NIR:760~1350nm)和短波红外(short infrared wave region,简写SWIR:1350~2500nm)4个区域,将三波段植被指数中三个波段λ1,λ2,λ3分别置于上述4个区域中,并与系数k在-1≤k≤1范围内组合,构建43共计64个区域组合;每个区域组合以1nm为波段步长,以0.1为系数k的步长,计算区域组合中任意3个波段的波长和系数组合(λ1,λ2,λ3,k)的三波段植被指数值,将所得的三波段植被指数值与对应的叶面积指数LAI进行线性拟合,以具有最大线性拟合度R2和相对敏感系数Sr的波段波长组合作为该区域组合的最优植被指数候选者;在确定最优植被指数候选者后,根据建模数据计算各个植被指数候选者的相对敏感系数Sr:首先对每个最优植被指数候选者的数值与LAI之间进行线性、多项式(二项式、三项式)、指数、幂函数和对数关系拟合,得到拟合公式并计算每种拟合关系的拟合度r2,以具有最大拟合度r2的函数关系为植被指数候选者mNDVIs与LAI的最优拟合公式:
mNDVIs=f1(LAI)
同理,得到NDVI与LAI的最优拟合公式:
NDVI=f2(LAI)
最后根据得出的最优拟合公式计算植被指数候选者的相对敏感系数Sr;
其中,f1’(LAI)为f1(LAI)的导数,f2’(LAI)为f2(LAI)的导数;比较所得到的这64个最优三波段植被指数候选者的R2和Sr,通过表2、图3可知,在这些植被指数候选中,在模型建立时,大多表现出较高的拟合精度,R2都达到了0.74以上。进一步通过Sr检验发现,序号4和序号5在LAI较高时,敏感度较高。但序号4所使用的两个波段波长之间距离为10nm。由于光谱中相邻波段具有很高的相关性,因此,序号4相对于序号5,所能利用到的光谱信息较少。由此,确定序号5为植被指数的最终形式,具体信息表述如下:λ1=940nm,λ2=730nm,λ3=1150nm,k=0.5;确定最优的三波段植被指数为:
表2三波段植被指数候选信息
步骤(4)、基于建模数据,线性拟合确定的最优的三波段植被指数mNDVI和与其对应的LAI,确定线性关系系数a和b,建立小麦叶面积指数估算模型,叶面积指数的估算模型为:LAI=12.40×(mNDVI)+4.25。
步骤(5)、检验小麦叶面积指数估算模型:采用独立试验Exp.4、Exp.5、Exp.6、Exp.7和Exp.8的数据作为检验数据,对小麦叶面积指数估算模型进行验证和测试;根据小麦叶面积指数估算模型,通过检验数据的小麦冠层光谱反射率估算得到叶面积指数预测值,然后通过检验数据中的叶面积指数实测值对叶面积指数预测值进行检验,计算相对根均方误差RRMSE(Relative root mean square difference)和偏差bias;
其中,n为检验数据样本数,Pi为叶面积指数预测值,Oi为叶面积指数实测值。
检测结果表3、图4和图5所示:
表3基于已有植被指数的小麦叶面积指数监测模型表现
如表3、图4-5所示,通过独立试验数据进行检验可知,最优的三波段植被指数及基于该植被指数构建的小麦叶面积指数估算模型的相对根均方误差RRMSE为23.48%,偏差为0.27。最优的新型三波段植被指数不仅具有较高的预测精度,且预测斜率更小,对于饱和性的消除效果更加明显,可用于小麦叶面积指数LAI、特别是在小麦生长旺盛情况下叶面积指数的估算。
本发明构建的三波段植被指数模型结构简单、估算精度高、适用范围广,对小麦叶面积指数的估算不仅具有较高的精度,同时在叶面积指数较高时,也没有出现原来归一化植被指数NDVI的高饱和性,可以广泛用作对于小麦叶面积指数的估算。
上面对本专利的较佳实施方式作了详细说明,但是本专利并不限于上述实施方式,在本领域的普通技术人员所具备的知识范围内,还可以在不脱离本专利宗旨的前提下作出各种变化。
Claims (9)
1.一种基于三波段植被指数的小麦叶面积指数估算模型的构建方法,其特征在于具体步骤如下:
(1)、数据采集:采集小麦冠层光谱反射率,同步测定小麦叶面积指数LAI,获得建模数据和检验数据;
(2)、基于归一化植被指数NDVI构建新型的三波段植被指数mNDVIs:
<mrow>
<mi>m</mi>
<mi>N</mi>
<mi>D</mi>
<mi>V</mi>
<mi>I</mi>
<mi>s</mi>
<mo>=</mo>
<mfrac>
<mrow>
<mo>(</mo>
<mo>(</mo>
<mrow>
<msub>
<mi>R</mi>
<mrow>
<mi>&lambda;</mi>
<mn>1</mn>
</mrow>
</msub>
<mo>-</mo>
<mi>k</mi>
<mo>&times;</mo>
<msub>
<mi>R</mi>
<mrow>
<mi>&lambda;</mi>
<mn>3</mn>
</mrow>
</msub>
</mrow>
<mo>)</mo>
<mo>-</mo>
<msub>
<mi>R</mi>
<mrow>
<mi>&lambda;</mi>
<mn>2</mn>
</mrow>
</msub>
<mo>)</mo>
</mrow>
<mrow>
<mo>(</mo>
<mo>(</mo>
<mrow>
<msub>
<mi>R</mi>
<mrow>
<mi>&lambda;</mi>
<mn>1</mn>
</mrow>
</msub>
<mo>-</mo>
<mi>k</mi>
<mo>&times;</mo>
<msub>
<mi>R</mi>
<mrow>
<mi>&lambda;</mi>
<mn>3</mn>
</mrow>
</msub>
</mrow>
<mo>)</mo>
<mo>+</mo>
<msub>
<mi>R</mi>
<mrow>
<mi>&lambda;</mi>
<mn>2</mn>
</mrow>
</msub>
<mo>)</mo>
</mrow>
</mfrac>
</mrow>
其中,Rλ1为第一波段λ1的反射率,Rλ2为第二波段λ2反射率,Rλ3为第三波段λ3的反射率,第一波段、第二波段、第三波段的波长范围均为350~2500nm;k为第三波段反射率R3的系数,-1≤k≤1;
(3)、确定最优的三波段植被指数:基于确定的三波段植被指数mNDVIs,以350~2500nm为三个波段的波长范围,1nm为波段步长;以0.1为系数k的步长,列出所有波段波长和系数组合(λ1,λ2,λ3,k);对每一种组合与对应的小麦叶面积指数进行线性拟合,计算该线性拟合的线性拟合度R2以及利用建模数据计算相对敏感系数Sr;以最大线性拟合度R2和最优相对敏感系数Sr确定最优三波段植被指数mNDVI;
(4)、构建小麦叶面积指数估算模型:基于建模数据,线性拟合确定的最优的三波段植被指数mNDVI和与其对应的LAI,确定线性关系系数a和b,建立小麦叶面积指数估算模型;
(5)、检验小麦叶面积指数估算模型:采用独立试验数据作为检验数据,对小麦叶面积指数估算模型进行验证和测试;根据小麦叶面积指数估算模型,通过检验数据的小麦冠层光谱反射率估算得到叶面积指数预测值,然后通过检验数据中的叶面积指数实测值对叶面积指数预测值进行检验,计算相对根均方误差RRMSE和偏差bias。
<mrow>
<mi>R</mi>
<mi>R</mi>
<mi>M</mi>
<mi>S</mi>
<mi>E</mi>
<mo>=</mo>
<msqrt>
<mrow>
<mfrac>
<mn>1</mn>
<mi>n</mi>
</mfrac>
<mo>&times;</mo>
<msubsup>
<mi>&Sigma;</mi>
<mrow>
<mi>i</mi>
<mo>=</mo>
<mn>1</mn>
</mrow>
<mi>n</mi>
</msubsup>
<msup>
<mrow>
<mo>(</mo>
<msub>
<mi>P</mi>
<mi>i</mi>
</msub>
<mo>-</mo>
<msub>
<mi>O</mi>
<mi>i</mi>
</msub>
<mo>)</mo>
</mrow>
<mn>2</mn>
</msup>
</mrow>
</msqrt>
<mo>&times;</mo>
<mfrac>
<mn>1</mn>
<msub>
<mi>O</mi>
<mi>i</mi>
</msub>
</mfrac>
</mrow>
<mrow>
<mi>b</mi>
<mi>i</mi>
<mi>a</mi>
<mi>s</mi>
<mo>=</mo>
<mfrac>
<mrow>
<msubsup>
<mi>&Sigma;</mi>
<mrow>
<mi>i</mi>
<mo>=</mo>
<mn>1</mn>
</mrow>
<mi>n</mi>
</msubsup>
<mrow>
<mo>(</mo>
<msub>
<mi>O</mi>
<mi>i</mi>
</msub>
<mo>-</mo>
<msub>
<mi>P</mi>
<mi>i</mi>
</msub>
<mo>)</mo>
</mrow>
</mrow>
<mi>n</mi>
</mfrac>
</mrow>
其中,n为检验数据样本数,Pi为叶面积指数预测值,Oi为叶面积指数实测值。
2.根据权利要求1所述的基于三波段植被指数的小麦叶面积指数估算模型的构建方法,其特征在于步骤(1)中,数据采集自不同年份、不同生态点、不同生育期、不同施氮水平、不同水分处理和不同种植密度处理的小麦田间试验。
3.根据权利要求1所述的基于三波段植被指数的小麦叶面积指数估算模型的构建方法,其特征在于步骤(1)中,采集小麦冠层光谱反射率的方法为:采用野外高光谱辐射仪测定小麦冠层反射率,波段范围为350~2500nm,其中350~1000nm光谱采样间隔为1.4nm,光谱分辨率为3nm;1000~2500nm光谱采样间隔为2nm,光谱分辨率为10nm;测量环境条件为晴朗、无风;测定时间范围为10:00~14:00,测量时传感器探头垂直向下于冠层顶部,光谱仪视场角为25°,距离冠层顶垂直高度约1m,地面视场范围直径为0.44m;每个样本点采集3次,时间间隔为1s,以3次采集的平均值作为小麦冠层光谱反射率。
4.根据权利要求1所述的基于三波段植被指数的小麦叶面积指数估算模型的构建方法,其特征在于步骤(1)中,测定小麦叶面积指数的方法为:和小麦冠层反射率测定在相同样本点同步进行,采用间接测量法进行测量,使用边长1m的正方形方框选择采样范围,以光谱测定时传感器探头垂直下方为方框中心,保持方框其中两条平行的边框和小麦行向平行,采集采样范围内所有小麦植株,采集后按器官分离,使用叶面积仪扫描小麦叶片面积,获得该采样范围内所有的小麦叶片面积,即为小麦叶面积指数。
5.根据权利要求1所述的基于三波段植被指数的小麦叶面积指数估算模型的构建方法,其特征在于步骤(3)中,最优的三波段植被指数的确定方法分三步进行:
(1)、将三个波段划分为可见光、红边、近红外和短波红外4个区域,将三波段植被指数中三个波段λ1,λ2,λ3分别置于上述4个区域中,并与系数k在-1≤k≤1范围内组合,构建43共计64个区域组合;
(2)、每个区域组合以1nm为波段步长,以0.1为系数k的步长,计算区域组合中任意3个波段的波长组合的三波段植被指数值,将所得的三波段植被指数值与对应的叶面积指数LAI进行线性拟合,以具有最大线性拟合度R2的波段波长组合作为该区域组合的最优植被指数候选者;
(3)、在确定最优植被指数候选者后,根据建模数据计算各个植被指数候选者的相对敏感系数Sr:首先对每个最优植被指数候选者的数值与LAI之间进行线性、多项式、指数、幂函数和对数关系拟合,得到拟合公式并计算每种拟合关系的拟合度r2,以具有最大拟合度r2的函数关系为植被指数候选者mNDVIs与LAI的最优拟合公式:
mNDVIs=f1(LAI)
同理,得到NDVI与LAI的最优拟合公式:
NDVI=f2(LAI)
最后根据得出的最优拟合公式计算植被指数候选者的相对敏感系数Sr;
<mrow>
<mi>S</mi>
<mi>r</mi>
<mo>=</mo>
<mfrac>
<mrow>
<msubsup>
<mi>f</mi>
<mn>1</mn>
<mo>&prime;</mo>
</msubsup>
<mrow>
<mo>(</mo>
<mrow>
<mi>L</mi>
<mi>A</mi>
<mi>I</mi>
</mrow>
<mo>)</mo>
</mrow>
</mrow>
<mrow>
<msubsup>
<mi>f</mi>
<mn>2</mn>
<mo>&prime;</mo>
</msubsup>
<mrow>
<mo>(</mo>
<mrow>
<mi>L</mi>
<mi>A</mi>
<mi>I</mi>
</mrow>
<mo>)</mo>
</mrow>
</mrow>
</mfrac>
</mrow>
其中,f1’(LAI)为f1(LAI)的导数,f2’(LAI)为f2(LAI)的导数;
比较候选者的线性拟合度R2和相对敏感系数Sr,以最大线性拟合度R2和最优相对敏感系数Sr确定最优三波段植被指数mNDVI。
6.根据权利要求5所述的基于三波段植被指数的小麦叶面积指数估算模型的构建方法,其特征在于步骤(3)中,线性拟合度R2最大和相对敏感系数Sr最优的最佳波段波长和系数组合为:λ1=940nm,λ2=730nm,λ3=1150nm,k=0.5;确定最优的三波段植被指数mNDVI为:
<mrow>
<mi>m</mi>
<mi>N</mi>
<mi>D</mi>
<mi>V</mi>
<mi>I</mi>
<mo>=</mo>
<mfrac>
<mrow>
<mo>(</mo>
<mo>(</mo>
<mrow>
<msub>
<mi>R</mi>
<mn>940</mn>
</msub>
<mo>-</mo>
<mn>0.5</mn>
<mo>&times;</mo>
<msub>
<mi>R</mi>
<mn>1150</mn>
</msub>
</mrow>
<mo>)</mo>
<mo>-</mo>
<msub>
<mi>R</mi>
<mn>730</mn>
</msub>
<mo>)</mo>
</mrow>
<mrow>
<mo>(</mo>
<mo>(</mo>
<mrow>
<msub>
<mi>R</mi>
<mn>940</mn>
</msub>
<mo>-</mo>
<mn>0.5</mn>
<mo>&times;</mo>
<msub>
<mi>R</mi>
<mn>1150</mn>
</msub>
</mrow>
<mo>)</mo>
<mo>+</mo>
<msub>
<mi>R</mi>
<mn>730</mn>
</msub>
<mo>)</mo>
</mrow>
</mfrac>
<mo>.</mo>
</mrow>
7.根据权利要求1所述的基于三波段植被指数的小麦叶面积指数估算模型的构建方法,其特征在于步骤(4)中,所述的小麦叶面积指数估算模型为:LAI=12.40×(mNDVI)+4.25。
8.根据权利要求1所述的基于三波段植被指数的小麦叶面积指数估算模型的构建方法,其特征在于步骤(5)中,检验小麦叶面积指数估算模型时RRMSE为24.39%,bias为0.48。
9.一种小麦叶面积指数的估算方法,其特征在于步骤如下:
(1)、规范采集小麦冠层光谱反射率,获得730nm、940nm和1150nm冠层反射率;
(2)、通过如下公式计算三波段植被指数mNDVI数值;
<mrow>
<mi>m</mi>
<mi>N</mi>
<mi>D</mi>
<mi>V</mi>
<mi>I</mi>
<mo>=</mo>
<mfrac>
<mrow>
<mo>(</mo>
<mo>(</mo>
<mrow>
<msub>
<mi>R</mi>
<mn>940</mn>
</msub>
<mo>-</mo>
<mn>0.5</mn>
<mo>&times;</mo>
<msub>
<mi>R</mi>
<mn>1150</mn>
</msub>
</mrow>
<mo>)</mo>
<mo>-</mo>
<msub>
<mi>R</mi>
<mn>730</mn>
</msub>
<mo>)</mo>
</mrow>
<mrow>
<mo>(</mo>
<mo>(</mo>
<mrow>
<msub>
<mi>R</mi>
<mn>940</mn>
</msub>
<mo>-</mo>
<mn>0.5</mn>
<mo>&times;</mo>
<msub>
<mi>R</mi>
<mn>1150</mn>
</msub>
</mrow>
<mo>)</mo>
<mo>+</mo>
<msub>
<mi>R</mi>
<mn>730</mn>
</msub>
<mo>)</mo>
</mrow>
</mfrac>
<mo>;</mo>
</mrow>
(3)、得到mNDVI数值后利用小麦叶面积指数估算模型估算小麦叶面积指数;
LAI=12.40×(mNDVI)+4.25。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201610803703.7A CN107796764B (zh) | 2016-09-05 | 2016-09-05 | 一种基于三波段植被指数的小麦叶面积指数估算模型的构建方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201610803703.7A CN107796764B (zh) | 2016-09-05 | 2016-09-05 | 一种基于三波段植被指数的小麦叶面积指数估算模型的构建方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN107796764A true CN107796764A (zh) | 2018-03-13 |
CN107796764B CN107796764B (zh) | 2020-01-24 |
Family
ID=61529866
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201610803703.7A Active CN107796764B (zh) | 2016-09-05 | 2016-09-05 | 一种基于三波段植被指数的小麦叶面积指数估算模型的构建方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN107796764B (zh) |
Cited By (15)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108662991A (zh) * | 2018-04-08 | 2018-10-16 | 浙江大学 | 基于遥感卫星数据的地块尺度冬小麦叶面积指数估算方法 |
CN108986040A (zh) * | 2018-06-12 | 2018-12-11 | 南京大学 | 一种基于遥感多光谱影像的ndvi阴影影响去除方法 |
CN109141371A (zh) * | 2018-08-21 | 2019-01-04 | 中国科学院地理科学与资源研究所 | 冬小麦受灾识别方法、装置及设备 |
CN110287869A (zh) * | 2019-06-25 | 2019-09-27 | 吉林大学 | 基于深度学习的高分辨率遥感影像农作物分类方法 |
CN111289441A (zh) * | 2020-02-21 | 2020-06-16 | 中国农业大学 | 多光谱下的大田作物含水量确定方法、系统及设备 |
CN111507197A (zh) * | 2020-03-23 | 2020-08-07 | 中国科学院空天信息创新研究院 | 一种棉花脱叶剂施药处方图生成方法及装置 |
CN111751376A (zh) * | 2020-07-25 | 2020-10-09 | 江西省农业科学院农业工程研究所 | 一种基于冠层图像特征衍生的水稻氮素营养估算方法 |
CN111798327A (zh) * | 2020-06-24 | 2020-10-20 | 安徽大学 | 基于高光谱影像的小麦产量计算模型的构建方法及其应用 |
CN112460439A (zh) * | 2020-11-05 | 2021-03-09 | 内蒙古工业大学 | 一种植被冠层光谱二向反射分布观测支架及方法 |
CN112649392A (zh) * | 2020-12-15 | 2021-04-13 | 中国农业大学 | 一种快速鉴定小麦节水抗旱性的方法 |
CN112986158A (zh) * | 2021-02-23 | 2021-06-18 | 内蒙古农业大学 | 基于无人机多光谱数据的甜菜氮素营养检测方法及系统 |
CN113192117A (zh) * | 2021-02-08 | 2021-07-30 | 南京农业大学 | 一种基于Sentinel-2卫星影像红边波段改进小麦生长早期叶面积指数估算的方法 |
CN113433127A (zh) * | 2021-06-24 | 2021-09-24 | 内蒙古农业大学 | 基于优化光谱指数的马铃薯生长季氮肥用量施用方法 |
CN114169165A (zh) * | 2021-12-06 | 2022-03-11 | 湘潭大学 | 一种三波段植被指数估算镉胁迫下水稻叶绿素的模型方法 |
CN116593419A (zh) * | 2023-04-14 | 2023-08-15 | 南京农业大学 | 一种缓解lcc与秸秆-土壤背景影响的小麦绿色lai估算方法 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2008111725A (ja) * | 2006-10-30 | 2008-05-15 | Tokyo Electric Power Co Inc:The | 葉面積指数算出装置、葉面積指数算出方法及びそのプログラム |
CN102435564A (zh) * | 2011-09-19 | 2012-05-02 | 南京农业大学 | 一种基于三波段光谱指数估测植物氮含量的方法 |
CN103868880A (zh) * | 2014-01-24 | 2014-06-18 | 河南农业大学 | 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 |
US20140376771A1 (en) * | 2013-06-19 | 2014-12-25 | Electronics And Telecommunications Research Institute | System for collecting growth information of crops in greenhouse |
US20150339540A1 (en) * | 2012-12-26 | 2015-11-26 | Nec Corporation | Image measuring method, system, device, and program |
-
2016
- 2016-09-05 CN CN201610803703.7A patent/CN107796764B/zh active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2008111725A (ja) * | 2006-10-30 | 2008-05-15 | Tokyo Electric Power Co Inc:The | 葉面積指数算出装置、葉面積指数算出方法及びそのプログラム |
CN102435564A (zh) * | 2011-09-19 | 2012-05-02 | 南京农业大学 | 一种基于三波段光谱指数估测植物氮含量的方法 |
US20150339540A1 (en) * | 2012-12-26 | 2015-11-26 | Nec Corporation | Image measuring method, system, device, and program |
US20140376771A1 (en) * | 2013-06-19 | 2014-12-25 | Electronics And Telecommunications Research Institute | System for collecting growth information of crops in greenhouse |
CN103868880A (zh) * | 2014-01-24 | 2014-06-18 | 河南农业大学 | 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 |
Non-Patent Citations (3)
Title |
---|
ANATOLY A. GITELSON: "Wide Dynamic Range Vegetation Index for Remote Quantification of Biophysical Characteristics of Vegetation", 《J. PLANT PHYSIOL》 * |
ZHAOMING ZHANG ET AL: "Leaf area index estimation of bamboo forest in Fujian province based on IRS P6 LISS 3 imagery", 《INTERNATIONAL JOURNAL OF REMOTE SENSING》 * |
齐波 等: "利用高光谱技术估测大豆育种材料的叶面积指数", 《作物学报》 * |
Cited By (21)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108662991A (zh) * | 2018-04-08 | 2018-10-16 | 浙江大学 | 基于遥感卫星数据的地块尺度冬小麦叶面积指数估算方法 |
CN108986040B (zh) * | 2018-06-12 | 2022-02-01 | 南京大学 | 一种基于遥感多光谱影像的ndvi阴影影响去除方法 |
CN108986040A (zh) * | 2018-06-12 | 2018-12-11 | 南京大学 | 一种基于遥感多光谱影像的ndvi阴影影响去除方法 |
CN109141371A (zh) * | 2018-08-21 | 2019-01-04 | 中国科学院地理科学与资源研究所 | 冬小麦受灾识别方法、装置及设备 |
CN110287869A (zh) * | 2019-06-25 | 2019-09-27 | 吉林大学 | 基于深度学习的高分辨率遥感影像农作物分类方法 |
CN110287869B (zh) * | 2019-06-25 | 2022-03-18 | 吉林大学 | 基于深度学习的高分辨率遥感影像农作物分类方法 |
CN111289441A (zh) * | 2020-02-21 | 2020-06-16 | 中国农业大学 | 多光谱下的大田作物含水量确定方法、系统及设备 |
CN111507197A (zh) * | 2020-03-23 | 2020-08-07 | 中国科学院空天信息创新研究院 | 一种棉花脱叶剂施药处方图生成方法及装置 |
CN111798327A (zh) * | 2020-06-24 | 2020-10-20 | 安徽大学 | 基于高光谱影像的小麦产量计算模型的构建方法及其应用 |
CN111751376A (zh) * | 2020-07-25 | 2020-10-09 | 江西省农业科学院农业工程研究所 | 一种基于冠层图像特征衍生的水稻氮素营养估算方法 |
CN112460439A (zh) * | 2020-11-05 | 2021-03-09 | 内蒙古工业大学 | 一种植被冠层光谱二向反射分布观测支架及方法 |
CN112649392A (zh) * | 2020-12-15 | 2021-04-13 | 中国农业大学 | 一种快速鉴定小麦节水抗旱性的方法 |
CN113192117A (zh) * | 2021-02-08 | 2021-07-30 | 南京农业大学 | 一种基于Sentinel-2卫星影像红边波段改进小麦生长早期叶面积指数估算的方法 |
WO2022166939A1 (zh) * | 2021-02-08 | 2022-08-11 | 南京农业大学 | 一种基于Sentinel-2卫星影像红边波段改进小麦生长早期叶面积指数估算的方法 |
CN112986158A (zh) * | 2021-02-23 | 2021-06-18 | 内蒙古农业大学 | 基于无人机多光谱数据的甜菜氮素营养检测方法及系统 |
CN113433127B (zh) * | 2021-06-24 | 2024-02-23 | 内蒙古农业大学 | 基于优化光谱指数的马铃薯生长季氮肥用量施用方法 |
CN113433127A (zh) * | 2021-06-24 | 2021-09-24 | 内蒙古农业大学 | 基于优化光谱指数的马铃薯生长季氮肥用量施用方法 |
CN114169165A (zh) * | 2021-12-06 | 2022-03-11 | 湘潭大学 | 一种三波段植被指数估算镉胁迫下水稻叶绿素的模型方法 |
CN114169165B (zh) * | 2021-12-06 | 2024-04-26 | 湘潭大学 | 一种三波段植被指数估算镉胁迫下水稻叶绿素的模型方法 |
CN116593419A (zh) * | 2023-04-14 | 2023-08-15 | 南京农业大学 | 一种缓解lcc与秸秆-土壤背景影响的小麦绿色lai估算方法 |
CN116593419B (zh) * | 2023-04-14 | 2024-02-27 | 南京农业大学 | 一种缓解lcc与秸秆-土壤背景影响的小麦lai估算方法 |
Also Published As
Publication number | Publication date |
---|---|
CN107796764B (zh) | 2020-01-24 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN107796764A (zh) | 一种基于三波段植被指数的小麦叶面积指数估算模型的构建方法 | |
CN110376167A (zh) | 基于无人机高光谱的水稻叶片氮含量监测方法 | |
Haboudane et al. | Remote estimation of crop chlorophyll content using spectral indices derived from hyperspectral data | |
CN102426153B (zh) | 一种基于冠层高光谱指数的小麦植株水分监测方法 | |
CN103868880B (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 | |
CN102435564B (zh) | 一种基于三波段光谱指数估测植物氮含量的方法 | |
CN108229403A (zh) | 一种用于估算植被叶面积指数的混合模型构建方法 | |
CN107505271B (zh) | 基于氮素组分辐射传输模型的植株氮素估算方法和系统 | |
CN107271382A (zh) | 一种不同生育期油菜叶片spad值遥感估算方法 | |
CN109187398A (zh) | 一种小麦植株氮含量的高光谱测定方法 | |
Bi et al. | Estimating vertical chlorophyll concentrations in maize in different health states using hyperspectral LiDAR | |
CN110189793A (zh) | 基于高光谱的小麦氮肥生理利用率估测模型构建及不同氮效率小麦品种分类 | |
CN109060676A (zh) | 基于高光谱的夏玉米冠层spad值估算模型的确定方法 | |
CN113252583B (zh) | 一种基于枯草植被指数计算高寒枯草覆盖度的方法 | |
CN104778349B (zh) | 一种用于水稻表土氮肥施用等级评定方法 | |
Du et al. | Application of spectral indices and reflectance spectrum on leaf nitrogen content analysis derived from hyperspectral LiDAR data | |
CN106990056A (zh) | 一种土壤全氮光谱估算模型校正样本集构建方法 | |
Wang et al. | Rapid detection of chlorophyll content and distribution in citrus orchards based on low-altitude remote sensing and bio-sensors | |
Wen et al. | Estimation of the vertically integrated leaf nitrogen content in maize using canopy hyperspectral red edge parameters | |
Brambilla et al. | Application of a low-cost RGB sensor to detect basil (Ocimum basilicum L.) nutritional status at pilot scale level | |
YAO et al. | A new method to determine central wavelength and optimal bandwidth for predicting plant nitrogen uptake in winter wheat | |
Gao et al. | Mapping crop residue cover using Adjust Normalized Difference Residue Index based on Sentinel-2 MSI data | |
Li et al. | Monitoring of leaf nitrogen content of winter wheat using multi-angle hyperspectral data | |
CN114169165A (zh) | 一种三波段植被指数估算镉胁迫下水稻叶绿素的模型方法 | |
CN114460015A (zh) | 一种用于预测寒地水稻冠层叶绿素含量的方法及模型 |
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 |