CN108240806A - 一种高光谱水深反演波段选择的方法 - Google Patents
一种高光谱水深反演波段选择的方法 Download PDFInfo
- Publication number
- CN108240806A CN108240806A CN201810035333.6A CN201810035333A CN108240806A CN 108240806 A CN108240806 A CN 108240806A CN 201810035333 A CN201810035333 A CN 201810035333A CN 108240806 A CN108240806 A CN 108240806A
- Authority
- CN
- China
- Prior art keywords
- wave band
- band
- depth
- correlation
- depth extraction
- 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
- 238000000605 extraction Methods 0.000 title claims abstract description 60
- 238000000034 method Methods 0.000 title claims abstract description 37
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 claims abstract description 53
- 238000010219 correlation analysis Methods 0.000 claims abstract description 12
- 230000003595 spectral effect Effects 0.000 claims abstract description 9
- 238000004458 analytical method Methods 0.000 claims abstract description 8
- 238000001228 spectrum Methods 0.000 claims description 15
- 238000012549 training Methods 0.000 claims description 6
- 238000004364 calculation method Methods 0.000 claims description 3
- 230000014759 maintenance of location Effects 0.000 claims description 3
- 239000011159 matrix material Substances 0.000 claims description 3
- 238000005516 engineering process Methods 0.000 description 3
- 238000005259 measurement Methods 0.000 description 3
- RAFZYSUICBQABU-HMMYKYKNSA-N Phytal Chemical compound CC(C)CCCC(C)CCCC(C)CCC\C(C)=C\C=O RAFZYSUICBQABU-HMMYKYKNSA-N 0.000 description 2
- RAFZYSUICBQABU-QYLFUYDXSA-N Phytal Natural products CC(C)CCC[C@@H](C)CCC[C@@H](C)CCC\C(C)=C/C=O RAFZYSUICBQABU-QYLFUYDXSA-N 0.000 description 2
- 238000000701 chemical imaging Methods 0.000 description 2
- 239000000463 material Substances 0.000 description 2
- RAFZYSUICBQABU-UHFFFAOYSA-N phytenal Natural products CC(C)CCCC(C)CCCC(C)CCCC(C)=CC=O RAFZYSUICBQABU-UHFFFAOYSA-N 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000010224 classification analysis Methods 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 239000000446 fuel Substances 0.000 description 1
- 238000003672 processing method Methods 0.000 description 1
- 238000004445 quantitative analysis Methods 0.000 description 1
- 239000000126 substance Substances 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01C—MEASURING DISTANCES, LEVELS OR BEARINGS; SURVEYING; NAVIGATION; GYROSCOPIC INSTRUMENTS; PHOTOGRAMMETRY OR VIDEOGRAMMETRY
- G01C13/00—Surveying specially adapted to open water, e.g. sea, lake, river or canal
- G01C13/008—Surveying specially adapted to open water, e.g. sea, lake, river or canal measuring depth of open water
Landscapes
- Life Sciences & Earth Sciences (AREA)
- Hydrology & Water Resources (AREA)
- Physics & Mathematics (AREA)
- Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Radar, Positioning & Navigation (AREA)
- Remote Sensing (AREA)
- Investigating Or Analysing Materials By Optical Means (AREA)
Abstract
本发明提供一种高光谱水深反演波段选择的方法，是一种利用光谱波段的相关性和信噪比信息，选择高光谱水深反演波段方法，具体包括如下步骤：(1)波段相关性分析；(2)根据波段相关性强弱进行波段分组；(3)对步骤(2)中选取的每个波段组进行信噪比分析，选出每个波段组中信噪比最高的波段；(4)对步骤(3)中选出的每个波段组中剩余的高信噪比波段进行波段水深相关性分析，选择满足水深反演模型的波段；(5)根据水深反演模型所需的波段数量，输出相应数量的波段。本发明提供的方法可以实现全自动的水深反演波段选择，具有良好的应用前景，且该方法无需人工干预，计算简单，可自动化批量进行。
Description
技术领域
本发明涉及一种高光谱水深反演波段选择的方法，属于高光谱遥感图像定量分析的应用领域。
背景技术
早期，水深是通过绳索系重物测量，这种方式不仅耗时费力，而且只能测得单个点的水深。声纳的研制成功使得测量水深更为可行，虽然也只能测量一个点的水深，但是测量速度相对快一些，且可以通过多通道及扫描方式获得区域的水深。声纳测水深有3个明显的问题：(1)测量过程中必须使用船只，而船只的航行速度比较慢，如果测量一片区域，需要花费非常多的时间；(2)测量一次需要大量海员以及物质油料消耗；(3)在禁止航行区域，无法展开声纳法测量水深。
遥感测量水深的方法可以解决以上问题，不同的传感器以及不同的处理方法可以发展特定需求的测量水深方法。目前来说，主要采用两种遥感测量水深法，高光谱和多光谱遥感测量水深法。传统的高光谱水深反演方法直接采用多光谱水深反演的蓝、绿波段参与计算，忽略了高光谱波段数量多且不同波段水深反演能力不同的特点。
高光谱图像的光谱分辨率高，一般从可见光到近红外有几十到几百的连续波段，可以分析获取与水深最相关的波段，可以为后续水深反演提供直接支撑。
对比文件1：CN105241428A公开一种利用高光谱进行水深反演的方法，该方法选择2个信噪比高、与水深相关性强且适用多个水底材质的水深反演模型，包括如下步骤：(1)光谱波段图像噪声分析，获取各波段信噪比；(2)水底材质分类分析；(3)对波段水深相关性分析，考虑到水深反演模型基本都是波段比值，因此采用波段比值与水深进行相关性分析；(4)选择信噪比高，且相关性强的波段；(5)利用选择的波段子集训练水深反演模型；(6)进行水深反演获取水深值。
对比文件2：CN104181515B公开一种基于蓝-黄波段高光谱数据的浅海水深反演方法，包括以下步骤：S1：对高光谱数据进行数据预处理得到水体区域的遥感反射率数据；S2：现场水深实测数据采集与定位；S3：利用现场实测数据获取0.2米以内且最接近0米的水深点450nm～610nm高光谱影像遥感反射率光谱作为参考光谱，计算其他水体像元对应光谱与参考光谱之间的光谱角；S4：利用部分实测数据与计算得到的光谱角对水深反演指数函数进行系数订正，得到针对该高光谱传感器特征的水深反演算法；S5：利用前述得到的水深反演算法进行高光谱数据水深反演，并利用现场实测数据进行精度验证。
上述对比文件1和对比文件2均提供的是采用高光谱数据进行水深反演的方法，对比文件1公开的方法中给出了选择信噪比高且与水深相关性强的高光谱波段数据的思路，但并未公开如何选择的具体方法，而对比文件2公开的是基于蓝-黄波段，0.2米以内且最接近0米的水深点450nm～610nm高光谱影像遥感反射率光谱作为参考光谱。
发明内容
本发明要解决的技术问题是提供一种高光谱水深反演波段选择的方法。
为了解决上述技术问题，本发明采用以下技术方案：
提供一种高光谱水深反演波段选择的方法，是一种利用光谱波段的相关性和信噪比信息，选择高光谱水深反演波段方法，具体包括如下步骤：
(1)对高光谱数据进行波段相关性分析
(2)根据波段相关性强弱进行波段分组，选取相关性强的相邻波段组成波段组，将原始波段分成多个波段组；
(3)对步骤(2)中选取的每个波段组进行信噪比分析，选出每个波段组中信噪比最高的波段；
(4)对步骤(3)中选出的每个波段组中剩余的高信噪比波段进行波段水深相关性分析，选择满足水深反演模型的波段；
(5)根据水深反演模型所需的波段数量，输出相应数量的波段。
进一步地，
所述步骤(1)具体是：
利用光谱图像数据生成一个波段协方差矩阵，维数为波段数，将相关性最强的值1赋值为255，即白色，相关性最弱的值0赋值为0，即黑色，得到波段相关图。
由于相邻波段相关性比较强，波长间隔较远的波段间相关性较弱，波段相关图呈分块状分布，即相关性强的相邻波段组成一个波段组，因此波段相关图的整个光谱维上会呈现多个类似的波段组。
进一步地，
所述步骤(2)是通过设置相关性阈值，将相关性低于设定的阈值的波段组分开，具体是：
将波段相关图中的原始波段根据相关性阈值分割成多个波段组，离得远的波段会有明显较弱的相关性，当波段相关性低于阈值时，就从该波段处进行切分，切分出的部分则组成一个波段组，剩余的波段根据相关性阈值继续进行切分，直至无法分割出新的波段组。
进一步地，
步骤(2)中，所述阀值根据具体的光谱图像特点来设定，所述阀值设为0.2-0.4。
进一步地，
所述步骤(3)具体是：
对步骤(2)选取的波段组内的每个波段图像，分别计算波段图像的灰度均值μ和灰度均方差δ，信噪比SNR＝μ/δ；
统计波段组内所有波段的平均信噪比，将低于平均信噪比的波段去除，保留高于平均信噪比的波段。
进一步地，
假设步骤(4)中选用的水深反演模型为：
Z＝a0+a1.x1+a2.x2+...+aj.xj
xi＝ln[Bi-Bi∞]
上述水深反演模型中：0<i≦j；
Z代表水深；j代表波段数量；a0～aj代表水深反演模型参数；
Bi代表待计算水深处第i波段处的图像数值；Bi∞代表深水区域的第i波段处的图像数值，所述深水区域指水深在30米以上的深度区域。
上述水深反演模型的使用条件：图像需要有450-900nm范围内的波段，需要的波段数目j可变；图像中需要有光学深水区域，以便提取参数Bi∞；适用于计算清澈的光学浅水区域的水深；需要浅水区域j+1个训练样本点数据，以便得到j+1个参数；训练样本点位置的水底反射特性一致。
一般来说该水深反演模型j选2，而切分出的波段组数量远大于2，所以可以按波长从短刀长选择，一个波段组只选一个波段。
上述模型中的相关性计算以每个波段组剩余高信噪比波段的ln(Bi-Bi∞)值与水深Z进行相关性分析，保留相关性最强的波段即可。
由于每个水深反演模型参与反演的波段数量不一样、模型不一样，所以这里波段水深相关性分析的时候需要根据模型进行分析。
进一步地，
步骤(5)中，考虑到波长越短，能探测的水体越深，按波段组的波长从短到长，依次选择波段。
本发明的有益效果：
1、本发明所提供的方法可以实现全自动的水深反演波段选择，具有良好的应用前景。
2、本发明所提供的方法无需人工干预，计算简单，可自动化批量进行。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，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的附图。
图1是本发明的水深反演波段选择流程图。
具体实施方式
下面结合实施例及附图对发明进一步说明，但不用来限制本发明的范围。
如图1所示，本实施例提供一种高光谱水深反演波段选择的方法，是一种利用光谱波段的相关性和信噪比信息，选择高光谱水深反演波段方法，具体包括如下步骤：
(1)对高光谱数据进行波段相关性分析
利用光谱图像数据生成一个波段协方差矩阵，维数为波段数，将相关性最强的值1赋值为255，即白色，相关最弱的值0赋值为0，即黑色，得到波段相关图。由于相邻波段相关性比较强，波长间隔较远的波段间相关性较弱，可以看出波段相关图呈分块状，也就是相关性强的相邻波段组成一个波段组，所述波段相关图的整个光谱维上会呈现多个类似的波段组。
(2)根据波段相关性强弱进行波段分组，选取相关性强的相邻波段组成波段组，将原始波段分成多个波段组；
通过设置相关性阈值，将相关性低于设定的阈值的波段组分开，具体是：
将波段相关图中的原始波段根据相关性阈值分割成n个波段组，离得远的波段会有明显较弱的相关性，当波段相关性低于阈值时，就从该波段处进行切分，切分出的部分则组成一个波段组，剩余的波段根据相关性阈值继续进行切分，直至无法分割出新的波段组。
相关性阀值根据具体的光谱图像特点来设定，一般设为0.2-0.4，优选0.3。
(3)对步骤(2)中选取的n个波段组中的每个波段组进行信噪比分析，选出每个波段组中信噪比最高的波段，具体是：
对步骤(2)选取的波段组内的每个波段图像，分别计算波段图像的灰度均值μ和灰度均方差δ，信噪比SNR＝μ/δ；
统计波段组内所有波段的平均信噪比，将低于平均信噪比的波段去除，保留高于平均信噪比的波段。
(4)对步骤(3)中选出的每个波段组中剩余的高信噪比波段进行波段水深相关性分析，选择满足水深反演模型的波段；
由于每个水深反演模型参与反演的波段数量不一样、模型不一样，所以这里波段水深相关性分析的时候需要根据模型进行分析。加入选取的水深反演模型为:
Z＝a0+a1.x1+a2.x2+...+aj.xj
xi＝ln[Bi-Bi∞]
上述水深反演模型中：0<i≦j；
Z代表水深；j代表波段数量；a0～aj代表水深反演模型参数；
Bi代表待计算水深处第i波段处的图像数值；Bi∞代表深水区域的第i波段处的图像数值，所述深水区域指水深在30米以上的深度区域。
上述水深反演模型的使用条件：图像需要有450-900nm范围内的波段，需要的波段数目j可变；图像中需要有光学深水区域，以便提取参数Bi∞；适用于计算清澈的光学浅水区域的水深；需要浅水区域j+1个训练样本点数据，以便得到j+1个参数；训练样本点位置的水底反射特性一致。
一般来说该水深反演模型j选2，而切分出的波段组数量远大于2，所以可以按波长从短刀长选择，一个波段组只选一个波段。
上述模型中的相关性计算以每个波段组剩余高信噪比波段的ln(Bi-Bi∞)值与水深Z进行相关性分析，保留相关性最强的波段即可。
(5)根据水深反演模型所需的波段数量，输出相应数量的波段。考虑到波长越短，探测的水体越深，因此按波段组的波长从短到长，依次选择波段。
本实施例所提供的方法可以实现全自动的水深反演波段选择，具有良好的应用前景；本实施例无需人工干预，计算简单，可自动化批量进行。
以上显示和描述了本发明的基本原理、主要特征和本发明的优点。本行业的技术人员应该了解，本发明不受上述实施例的限制，上述实施例和说明书中描述的只是说明本发明的原理，在不脱离本发明精神和范围的前提下本发明还会有各种变化和改进，这些变化和改进都落入要求保护的本发明范围内。本发明要求保护范围由所附的权利要求书及其等同物界定。
Claims (8)
1.一种高光谱水深反演波段选择的方法，其特征在于，
是一种利用光谱波段的相关性和信噪比信息，选择高光谱水深反演波段方法，具体包括如下步骤：
(1)对高光谱数据进行波段相关性分析
(2)根据波段相关性强弱进行波段分组，选取相关性强的相邻波段组成波段组，将原始波段分成多个波段组；
(3)对步骤(2)中选取的每个波段组进行信噪比分析，选出每个波段组中信噪比最高的波段；
(4)对步骤(3)中选出的每个波段组中剩余的高信噪比波段进行波段水深相关性分析，选择满足水深反演模型的波段；
(5)根据水深反演模型所需的波段数量，输出相应数量的波段。
2.根据权利要求1所述的一种高光谱水深反演波段选择的方法，其特征在于，
所述步骤(1)具体是：
利用光谱图像数据生成一个波段协方差矩阵，维数为波段数，将相关性最强的值1赋值为255，即白色，相关性最弱的值0赋值为0，即黑色，得到波段相关图；
波段相关图呈分块状分布，相关性强的相邻波段组成一个波段组，所述波段相关图的整个光谱维上包括多个类似的波段组。
3.根据权利要求1或2所述的一种高光谱水深反演波段选择的方法，其特征在于，
所述步骤(2)是通过设置相关性阈值，将相关性低于设定的阈值的波段组分开，具体是：
将波段相关图中的原始波段根据相关性阈值分割成多个波段组，离得远的波段会有明显较弱的相关性，当波段相关性低于阈值时，就从该波段处进行切分，切分出的部分则组成一个波段组，剩余的波段根据相关性阈值继续进行切分，直至无法分割出新的波段组。
4.根据权利要求3所述的一种高光谱水深反演波段选择的方法，其特征在于，
步骤(2)中，所述阀值根据具体的光谱图像特点来设定，所述阀值设为0.2-0.4。
5.根据权利要求1或2所述的一种高光谱水深反演波段选择的方法，其特征在于，
所述步骤(3)具体是：
对步骤(2)选取的波段组内的每个波段图像，分别计算波段图像的灰度均值μ和灰度均方差δ，信噪比SNR＝μ/δ；
统计波段组内所有波段的平均信噪比，将低于平均信噪比的波段去除，保留高于平均信噪比的波段。
6.根据权利要求1或2所述的一种高光谱水深反演波段选择的方法，其特征在于，
假设步骤(4)中选用的水深反演模型为：
Z＝a0+a1.x1+a2.x2+...+aj.xj
xi＝ln[Bi-Bi∞]
上述水深反演模型中：0<i≦j；
Z代表水深；j代表波段数量；a0～aj代表水深反演模型参数；
Bi代表待计算水深处第i波段处的图像数值；Bi∞代表深水区域的第i波段处的图像数值，所述深水区域指水深在30米以上的深度区域；
上述水深反演模型的使用条件：图像有450-900nm范围内的波段，波段数目j可变；图像中有光学深水区域，以便提取参数Bi∞；适用于计算清澈的光学浅水区域的水深；浅水区域有j+1个训练样本点数据，以便得到j+1个参数；训练样本点位置的水底反射特性一致；
上述模型中的相关性计算以每个波段组剩余高信噪比波段的ln(Bi-Bi∞)值与水深Z进行相关性分析，保留相关性最强的波段即可。
7.根据权利要求6所述的一种高光谱水深反演波段选择的方法，其特征在于，
所述水深反演模型中：j＝2。
8.根据权利要求1或2所述的一种高光谱水深反演波段选择的方法，其特征在于，
步骤(5)中，按波段的波长从短到长，依次选择波段。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201810035333.6A CN108240806B (zh) | 2018-01-15 | 2018-01-15 | 一种高光谱水深反演波段选择的方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201810035333.6A CN108240806B (zh) | 2018-01-15 | 2018-01-15 | 一种高光谱水深反演波段选择的方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN108240806A true CN108240806A (zh) | 2018-07-03 |
| CN108240806B CN108240806B (zh) | 2020-10-30 |
Family
ID=62699554
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201810035333.6A Expired - Fee Related CN108240806B (zh) | 2018-01-15 | 2018-01-15 | 一种高光谱水深反演波段选择的方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN108240806B (zh) |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN109521437A (zh) * | 2018-12-05 | 2019-03-26 | 武汉大学 | 面向植被生化参数探测的多光谱激光雷达波长选择方法 |
| CN113140000A (zh) * | 2021-03-26 | 2021-07-20 | 中国科学院东北地理与农业生态研究所 | 基于卫星光谱的水体信息估算方法 |
Citations (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN105241428A (zh) * | 2015-08-27 | 2016-01-13 | 北京市遥感信息研究所 | 一种利用高光谱进行水深反演的方法 |
| CN105374054A (zh) * | 2015-11-17 | 2016-03-02 | 重庆邮电大学 | 基于空谱特性的高光谱图像压缩方法 |
-
2018
- 2018-01-15 CN CN201810035333.6A patent/CN108240806B/zh not_active Expired - Fee Related
Patent Citations (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN105241428A (zh) * | 2015-08-27 | 2016-01-13 | 北京市遥感信息研究所 | 一种利用高光谱进行水深反演的方法 |
| CN105374054A (zh) * | 2015-11-17 | 2016-03-02 | 重庆邮电大学 | 基于空谱特性的高光谱图像压缩方法 |
Non-Patent Citations (1)
| Title |
|---|
| 李珏东: "高光谱数据在浅海底质分类及水深反演中的应用", 《中国优秀硕士学位论文全文数据库》 * |
Cited By (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN109521437A (zh) * | 2018-12-05 | 2019-03-26 | 武汉大学 | 面向植被生化参数探测的多光谱激光雷达波长选择方法 |
| CN109521437B (zh) * | 2018-12-05 | 2023-07-21 | 武汉大学 | 面向植被生化参数探测的多光谱激光雷达波长选择方法 |
| CN113140000A (zh) * | 2021-03-26 | 2021-07-20 | 中国科学院东北地理与农业生态研究所 | 基于卫星光谱的水体信息估算方法 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN108240806B (zh) | 2020-10-30 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN113192117B (zh) | 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 | |
| CN111968080B (zh) | 一种基于高光谱和深度学习的肥城桃内外品质检测方法 | |
| CN101692037B (zh) | 高光谱图像和独立分量分析植物叶面叶绿素分布的方法 | |
| CN108956604B (zh) | 一种基于高光谱图像技术识别中华绒螯蟹品质的方法 | |
| CN110132862B (zh) | 小麦赤霉病检测专属病情指数构建方法及其应用 | |
| CN104655761B (zh) | 一种基于多光谱成像在线测定鱼肉新鲜度指标k值的方法 | |
| CN106596416A (zh) | 一种基于高光谱成像技术的冷鲜肉品质无损检测方法 | |
| CN109100323B (zh) | 一种苹果水心病的透射光谱无损定量评价方法 | |
| CN109409441A (zh) | 基于改进随机森林的近岸水体叶绿素a浓度遥感反演方法 | |
| CN109781073B (zh) | 一种融合海浪特征和光谱特征的浅海水深遥感提取方法 | |
| CN108760655B (zh) | 一种苹果味觉图谱信息可视化方法 | |
| CN117152636B (zh) | 一种基于双波段关系的浅海底质反射率遥感监测方法 | |
| CN103900972A (zh) | 基于多特征融合的肉类新鲜度高光谱图像可视化检测 | |
| Brown et al. | Remote sensing of capelin and other biological features in the North Pacific using lidar and video technology | |
| AU764447B2 (en) | Fiber color grading system | |
| CN108240806A (zh) | 一种高光谱水深反演波段选择的方法 | |
| Legleiter et al. | Spectrally based mapping of riverbed composition | |
| CN116295285A (zh) | 基于区域自适应的浅海水深遥感反演方法 | |
| CN116559111A (zh) | 一种基于高光谱成像技术的高粱品种识别方法 | |
| CN111339959A (zh) | 基于sar和光学影像融合的近海浮筏养殖区提取方法 | |
| CN102521830A (zh) | 一种受病害胁迫农作物冠层高光谱图像的波段优选方法 | |
| Collings et al. | Quantifying the discriminatory power of remote sensing technologies for benthic habitat mapping | |
| CN115508292B (zh) | 基于机器学习的土壤剖面氮素含量高光谱检测及可视化方法 | |
| Aitken et al. | Prelude to CZMIL: seafloor imaging and classification results achieved with CHARTS and the Rapid Environmental Assessment (REA) Processor | |
| CN110044831A (zh) | 同时利用两种特定波长的可见光进行赤霉病小麦筛选 |
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: 20201030 |