CN108596254A - 耦合叶片多表征的刚竹毒蛾危害检测方法 - Google Patents
耦合叶片多表征的刚竹毒蛾危害检测方法 Download PDFInfo
- Publication number
- CN108596254A CN108596254A CN201810378632.XA CN201810378632A CN108596254A CN 108596254 A CN108596254 A CN 108596254A CN 201810378632 A CN201810378632 A CN 201810378632A CN 108596254 A CN108596254 A CN 108596254A
- Authority
- CN
- China
- Prior art keywords
- bamboo
- leaves
- insect pest
- phyllostachys pubescens
- multilist
- 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
- G06F18/24—Classification techniques
- G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
- G06F18/2415—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on parametric or probabilistic models, e.g. based on likelihood ratio or false acceptance rate versus a false rejection rate
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Artificial Intelligence (AREA)
- Life Sciences & Earth Sciences (AREA)
- Bioinformatics & Computational Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Probability & Statistics with Applications (AREA)
- Catching Or Destruction (AREA)
Abstract
本发明提出一种耦合叶片多表征的刚竹毒蛾危害检测方法,包括以下步骤:步骤1:依据《林业有害生物发生及成灾标准》并结合专家咨询法,划定毛竹叶片虫害等级;步骤2:测定多片毛竹叶片的叶损量、相对叶绿素含量、相对含水量和特征波长光谱值;步骤3:以毛竹叶片的叶损量、相对叶绿素含量、相对含水量和特征波长光谱值为自变量,以虫害等级为因变量,构建随机森林模型;步骤4:获取测量范围外毛竹叶片的叶损量、相对叶绿素含量、相对含水量和特征波长光谱值,代入随机森林模型,获得对应毛竹叶片的虫害等级。本发明检测效率高、准确率高、能够满足对毛竹叶片刚竹毒蛾危害等级的快速、简易、准确的判别。
Description
技术领域
本发明属于林学、生态学、地理学及病虫害检测领域,尤其涉及一种耦合叶片多表征的刚竹毒蛾危害检测方法。
背景技术
我国是世界上最大的产竹国,无论是竹种资源数量、竹林蓄积量,或是竹产品的种类及数量皆居世界首位。第八次全国森林资源清查结果显示,我国现有竹林面积逾601万hm2,截至2015年底,我国竹产业产值已达1923亿元。近年来林业部门、企业和林农经营竹林的积极性高涨,在福建、浙江、湖南等地已兴起了竹林的产业化经营,高效、集约的竹产业链正逐步形成与深化,其已经成为我国林业重点发展的绿色富民产业之一。
在诸多竹种中,毛竹(Phyllostachys pubescena)的栽培历史最久、经济价值最高,其种植面积占全国竹林资源的70%,尤以福建、浙江、江西与湖南4省最多。当前,“可持续发展”理念已深入贯彻落实到生产建设当中,社会经济的发展及科学技术的进步推动了竹产业链的形成和升级;但另一方面,随着人工竹林面积的增加和纯林化程度的提升,需重视竹所面临的生态威胁,虫害的严峻性不容忽视!根据资料显示,当前已记载的竹业害虫达630余种,其中有60多种已先后在全国各竹区周期性或暴发性发生。福建省作为我国森林覆盖率最高的省份,2015年的数据为65.95%,但其森林质量还有待提高,而严重的虫害威胁是造成森林质量相对较低的重要原因之一。以主要林区三明市为例,该区域常发年份森林病虫害发生面积均在1.3万hm2左右,重灾年份更是高达8.14万hm2,马尾松毛虫、刚竹毒蛾、竹蝗、毛竹害螨等是危害最大的几类。
刚竹毒蛾(Pantana phyllostachysae Chao)属鳞翅目毒蛾科竹毒蛾属,初孵幼虫长2~3mm,灰黑色,老熟幼虫体长20~22mm,淡黄色。具长短不一的毛,呈丛状或刷状。前胸背面两侧各有1束向前伸得灰黑色丛状长毛,1~4节腹部背面中央有4簇桔黄色刷状毛,第8腹节背面中央有一簇橘黄色刷状毛,腹部末节背面有1束向后伸得灰黑色丛状长毛,主要寄主有毛竹、金竹、慈竹、龙竹、绵竹和苦竹等,是竹的最主要食叶害虫之一。其首次报道于1977年,国内分布于福建、江西、浙江、湖南、四川、贵州、江苏、广东、广西等省区,国外尚未有该虫分布的报道。刚竹毒蛾1年发生3~4代,以卵或1~2龄幼虫在竹叶背上越冬;3龄前幼虫具有群聚性,其暴发成灾时虫口密度急剧上升,每株毛竹虫口数可能高达2000头以上,短时间内即可将竹叶取食殆尽,大大影响次年与第三年的出笋量,使竹材变脆,重则成片枯死,状如火烧,严重影响竹林生产与竹业生产,造成严重的经济损失。据统计,“十二·五”以来,福建省平均每年刚竹毒蛾的发生面积达8.4万hm2,危害面积达6.2万hm2,该虫害已成为制约竹产业健康发展的主要因素,阻碍森林生态文明建设。
传统的监测方法不但时间、经济成本高,且所得数据滞后性较大,采集的信息往往不够全面,无法实现大范围的宏观动态监测,此外,其无法阐明特定生态系统的可入侵性,以及入侵与灾变的关系。显然传统的监测方法已无法满足林业现代数字化管理及森林可持续发展战略的实施,故发展更为科学的监测体系,构建更为实用的虫害预警机制,已成为森林虫害防治工作中一项刻不容缓的任务。
经过几十年的应用与发展,遥感已成为森林资源动态监测的重要技术手段,是推进森林可持续发展的重要技术保障,遥感技术的日趋成熟为森林虫害的大面积、多时相信息获取及预警、监测体系的构建奠定了良好基础,获取影像中对虫害响应敏感的特征信息是解决虫害遥感快速、准确识别的方向,所以,地面微观机理总结对遥感宏观监测研究有着重要的理论指导意义。
发明内容
本发明提供了一种耦合叶片多表征的刚竹毒蛾危害检测方法,能够满足对该虫害的快速、较准确识别。
本发明具体采用以下技术方案:一种耦合叶片多表征的刚竹毒蛾危害检测方法,其特征在于,包括以下步骤:
步骤1:获取多份毛竹叶片样本,分别划定虫害等级;
步骤2:分别测定各毛竹叶片样本的叶损量、相对叶绿素含量、相对含水量和特征波长光谱值,并将所采集的数据随机划分为实验组和验证组;
步骤3:基于实验组数据,以叶损量、相对叶绿素含量、相对含水量和特征波长光谱值为自变量,虫害等级为因变量,构建随机森林模型;
步骤4:将验证组数据代入构建完成的随机森林模型,获得毛竹叶片虫害等级。
优选地,步骤1中,根据国家林业局发布的《林业有害生物发生及成灾标准》,单株失叶率划分虫害等级的标准为:无危害:0%、轻度危害:0-25%、中度危害:25-50%、重度危害:>50%;虫口数量划分虫害等级的标准为:无危害:<10条、轻度危害:10-30条、中度危害:31-80、重度危害:>80条;结合专家咨询法,划定虫害等级。
优选地,步骤1中,虫害等级为无危害、轻度危害、中度危害、重度危害的毛竹叶片各有多个样本。
优选地,步骤2中,所述叶损量通过计算包括病斑、缺刻的叶损面积,并将其与叶片总面积相除而得。
优选地,步骤2中,所述叶绿素含量通过TYS-4N植物营养测定仪测得的SPAD值表征;所述相对含水量通过叶片干重与叶片鲜重的比值获得;所述特征波长光谱值为叶片原始光谱的733.66-898.56nm、一阶微分光谱的562.95-585.25nm与706.18-725.41nm处的值。
优选地,步骤3中,所述随机森林模型检测效果的评价指标为:检测精度、Kappa系数和R2。
优选地,步骤3中,所述随机森林的决策树数量ntree设为5000,节点分割变量mtry设为5。
本发明检测效率高、准确率高、能够满足对毛竹叶片刚竹毒蛾危害等级的快速、简易、准确的判别,节约了大量人力、物力资源,具有广泛的应用前景,对社会生产生活具有很大的促进作用。
附图说明
下面结合附图和具体实施方式对本发明进一步详细的说明:
图1是本发明实施例方法流程示意图;
图2是本发明实施例各虫害等级随机森林检测精度示意图。
具体实施方式
为让本专利的特征和优点能更明显易懂,下文特举实施例,作详细说明如下:
如图1所示,本发明实施例包括以下步骤:
步骤1:获取多份毛竹叶片样本,分别划定虫害等级;
步骤2:分别测定各毛竹叶片样本的叶损量、相对叶绿素含量、相对含水量和特征波长光谱值,并将所采集的数据随机划分为实验组和验证组;
步骤3:基于实验组数据,以叶损量、相对叶绿素含量、相对含水量和特征波长光谱值为自变量,虫害等级为因变量,构建随机森林模型;
步骤4:将验证组数据代入构建完成的随机森林模型,获得毛竹叶片虫害等级。
步骤1中,根据国家林业局发布的《林业有害生物发生及成灾标准》,单株失叶率划分虫害等级的标准为:无危害:0%、轻度危害:0-25%、中度危害:25-50%、重度危害:>50%;虫口数量划分虫害等级的标准为:无危害:<10条、轻度危害:10-30条、中度危害:31-80、重度危害:>80条;结合专家咨询法,划定虫害等级。
步骤1中,虫害等级为无危害、轻度危害、中度危害、重度危害的毛竹叶片各有多个样本。
步骤2中,叶损量通过基于参照板拍摄不同虫害等级叶片照片后将其导入电脑,利用Photoshop等软件调节照片亮度及对比度,以确保病斑及缺刻的可辨性;借助CAD、Excel等计算包括病斑、缺刻的叶损面积,并将其与叶片总面积相除而得。
步骤2中,叶绿素含量通过TYS-4N植物营养测定仪测得的SPAD值表征;相对含水量通过叶片干重与叶片鲜重的比值获得;特征波长光谱值为叶片原始光谱的733.66-898.56nm、一阶微分光谱的562.95-585.25nm与706.18-725.41nm处的值。
步骤3中,随机森林模型检测效果的评价指标为:检测精度、Kappa系数和R2。
步骤3中,随机森林模型的决策树数量ntree设为5000,节点分割变量mtry设为5。
由于刚竹毒蛾为典型的食叶性害虫,受害后毛竹叶片呈现斑点、缺刻等叶损特征,同时伴随叶片水分散失,叶绿素降低等状态,在本实施例中,运用单因素方差分析法(One-way ANOVA)对各参数的虫害响应能力予以检测,当无危害叶片与受害叶片间的差异显著时(P<0.05),则将其确定为刚竹毒蛾危害检测模型的自变量因子,作为虫害检测中最为基本的信息,光谱往往可以反映叶片的细微变化,故也将其作为考量的指标,具体的验证过程为:
①叶损量(Leaf loss,LL)
拍摄不同虫害等级叶片照片后将其导入电脑,利用Photoshop等软件调节照片亮度及对比度,以确保病斑及缺刻的可辨性;借助CAD、Excel等计算病斑、缺刻等叶损面积,并将其与叶片总面积相除而得叶损量;随后利用单因素方差分析法检测其虫害响应能力,结果显示健康叶片与受害叶片间的LL差异达极显著水平(P<0.01),故将其列入刚竹毒蛾危害检测模型的自变量因子。LL的计算公式如下:
LL=ALL/A×100% (1)
式中:LL为叶损量;ALL为叶损面积;A为叶片总面积。
②相对叶绿素含量(Relative chlorophyll content,RCC)
叶绿素含量常用的测定方法有丙酮研磨法、浸提法、便携式叶绿素仪测定法等,为保证数据的时效性及测定精度,采用TYS-4N植物营养测定仪对毛竹叶片进行无损测定,以SPAD值表示RCC。该仪器的工作原理在于测定叶片在叶绿素的两个吸收光波长范围内的透光系数,以此确定叶绿素的相对含量。同样运用单因素方差分析法检测其虫害响应能力,结果显示健康叶片和受害叶片间的SPAD值亦存在极显著差异(P<0.01),据此将其列入自变量因子。
③相对含水量(Relative water content,RWC)
相对含水量由叶片鲜重与干重计算而得。将叶片装入密封袋带回室内,去除叶片根部后利用电子天平逐片速测其鲜重;随后经105℃杀青后在80℃下烘至恒重,分别称取各叶片干重,利用(2)式计算其单叶含水量。单因素方差分析结果显示,健康叶片与受害叶片间具有极显著差异(P<0.01),由此将其列入自变量因子。
RWC=(FW-DW)/FW×100% (2)
式中:RWC为相对含水量,FW为叶片鲜重,DW为叶片干重。
④特征波长光谱
采用合肥仪思特光电技术有限公司生产的ISI921VF-256野外地物光谱辐射计于野外测定毛竹叶片光谱数据。该设备波长范围为380~1050nm,计256个波段,光谱分辨率为4nm,视场角为3°。为保证光谱数据的准确性,每当测量位置发生变化时进行一次标准白板校正;每片竹叶分别测定近叶尖处、叶中、近叶基处3个部位,每个部位取连续测定3次的平均值,将3个部位的平均光谱数据作为该叶片光谱值。
为保证各虫害等级间的可辨性,采用两两分组的方式进行分析(即无危害-轻度危害、无危害-中度危害、无危害-重度危害、轻度危害-中度危害、轻度危害-重度危害、中度危害-重度危害),利用单因素方差分析获取各虫害等级叶片间具有极显著差异(P<0.01)的波长,当4组(或以上)差异同时达极显著水平(P<0.01)时,则记录该波长。利用欧式距离、相关系数与光谱角匹配等3种判别方法分析波长的虫害判别能力,若通过两种或以上方法检验,则将其确定为特征波长。由于实测高光谱波长数多,信息量大,考虑到与遥感影像的对接问题,剔除小于10nm的波长。经此步骤,入选的特征波长光谱为:ρ733.66~898.56、ρ′562.95~585.25和ρ′706.18~725.41,即原始光谱的733.66~898.56nm、一阶微分光谱的562.95~585.25nm与706.18~725.41nm处的值。
在本实施例的验证过程中,以小班为单位选择118个样点,在此需要注意的是,地面寄主表征总结反映的是毛竹个体及叶片等组织的变化,其与遥感影像分属于不同的尺度,故需将大气、地形干扰及混合像元等造成的误差考虑在内。为尽量减少混合像元造成的误差,所选小班的优势树种均为毛竹。采用LAI-2200叶面积指数仪对毛竹林进行无损测定,受测小班包括健康小班与刚竹毒蛾危害点。
为避免实验误差,将所采集的样本数据随机划分为实验组(样本数63)和验证组(样本数37)并作5次重复,随机森林法进行计算,设为试验1~5。精度、Kappa系数和判定系数R2作为分类评价指标,采用此3个指标评价各模型的虫害检测效果。检测精度、Kappa系数、R2越高,表明该模型的检测效果越好;反之亦然。
以叶损量LL、相对叶绿素含量RCC、相对含水量RWC、原始光谱的733.66~898.56nm值(ρ733.66~898.56)、一阶微分光谱的562.95~585.25nm值(ρ′562.95~585.25)与706.18~725.41nm值(ρ′706.18~725.41)6个指标设为自变量,因变量设为无危害、轻度危害、中度危害及重度危害;决策树数量ntree设为5000,节点分割变量mtry设为5,据此建立随机森林模型。
结果显示(表1),随机森林模型对刚竹毒蛾危害的检测效果较好,其检测精度在81%以上,Kappa系数至少达到了0.74以上,R2则均高于0.84,其中试验2的检测精度最高,其次为试验1、试验3及试验4,再次为试验5;从Kappa系数来看,试验2最高,其次为试验3,再次为试验4,试验1从次,试验5最低;从R2来看,试验2依然最高,其次为试验3,再次为试验1,试验4从次,试验5最低。
分等级来看(如图2所示),无危害的精度最高,达100.00%,轻度危害次之,为98.33%,再次为重度危害为91.43%,中度危害的精度略低,为50.00%。
表1随机森林模型检测效果
本专利不局限于上述最佳实施方式,任何人在本专利的启示下都可以得出其它各种形式的耦合叶片多表征的刚竹毒蛾危害检测方法,凡依本发明申请专利范围所做的均等变化与修饰,皆应属本专利的涵盖范围。
Claims (6)
1.一种耦合叶片多表征的刚竹毒蛾危害检测方法,其特征在于,包括以下步骤:
步骤1:获取多份毛竹叶片样本,分别划定虫害等级;
步骤2:分别测定各毛竹叶片样本的叶损量、相对叶绿素含量、相对含水量和特征波长光谱值,并将所采集的数据随机划分为实验组和验证组;
步骤3:基于实验组数据,以叶损量、相对叶绿素含量、相对含水量和特征波长光谱值为自变量,虫害等级为因变量,构建随机森林模型;
步骤4:将验证组数据代入构建完成的随机森林模型,获得毛竹叶片虫害等级。
2.根据权利要求1所述的耦合叶片多表征的刚竹毒蛾危害检测方法,其特征在于:步骤1中,根据国家林业局发布的《林业有害生物发生及成灾标准》,单株失叶率划分虫害等级的标准为:无危害:0%、轻度危害:0-25%、中度危害:25-50 %、重度危害:>50%;虫口数量划分虫害等级的标准为:无危害:<10条、轻度危害:10-30条、中度危害:31-80、重度危害:>80条;结合专家咨询法,划定虫害等级。
3.根据权利要求1所述的耦合叶片多表征的刚竹毒蛾危害检测方法,其特征在于:步骤1中,虫害等级为无危害、轻度危害、中度危害、重度危害的毛竹叶片各有多个样本。
4.根据权利要求1所述的耦合叶片多表征的刚竹毒蛾危害检测方法,其特征在于:步骤2中,所述叶损量为叶损面积与叶片总面积之比;所述叶绿素含量通过TYS-4N植物营养测定仪测得的SPAD值表征;所述相对含水量通过叶片干重与叶片鲜重的比值获得;所述特征波长光谱值为叶片原始光谱的733.66-898.56 nm、一阶微分光谱的562.95-585.25 nm与706.18-725.41 nm处的值。
5.根据权利要求1所述的耦合叶片多表征的刚竹毒蛾危害检测方法,其特征在于:步骤3中,所述随机森林检测效果的评价指标为:检测精度、Kappa系数和R 2。
6.根据权利要求1所述的耦合叶片多表征的刚竹毒蛾危害检测方法,其特征在于:步骤3中,所述随机森林的决策树数量ntree设为5000,节点分割变量mtry设为5。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810378632.XA CN108596254B (zh) | 2018-04-25 | 2018-04-25 | 耦合叶片多表征的刚竹毒蛾危害检测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810378632.XA CN108596254B (zh) | 2018-04-25 | 2018-04-25 | 耦合叶片多表征的刚竹毒蛾危害检测方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN108596254A true CN108596254A (zh) | 2018-09-28 |
CN108596254B CN108596254B (zh) | 2021-07-13 |
Family
ID=63609184
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201810378632.XA Active CN108596254B (zh) | 2018-04-25 | 2018-04-25 | 耦合叶片多表征的刚竹毒蛾危害检测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN108596254B (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109738368A (zh) * | 2019-02-25 | 2019-05-10 | 浙江省检验检疫科学技术研究院 | 一种毒蛾危害检测的特征光谱指数及检测系统及方法 |
CN109816270A (zh) * | 2019-02-22 | 2019-05-28 | 福州大学 | 一种确定刚竹毒蛾危害遥感最佳诊断时段的方法 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104266982A (zh) * | 2014-09-04 | 2015-01-07 | 浙江托普仪器有限公司 | 一种大面积虫害量化监测系统 |
JP2017055745A (ja) * | 2015-09-18 | 2017-03-23 | Psソリューションズ株式会社 | 画像判定方法 |
CN107330892A (zh) * | 2017-07-24 | 2017-11-07 | 内蒙古工业大学 | 一种基于随机森林法的向日葵病害识别方法 |
CN107346434A (zh) * | 2017-05-03 | 2017-11-14 | 上海大学 | 一种基于多特征及支持向量机的植物病虫害检测方法 |
CN107463937A (zh) * | 2017-06-20 | 2017-12-12 | 大连交通大学 | 一种基于迁移学习的番茄病虫害自动检测方法 |
-
2018
- 2018-04-25 CN CN201810378632.XA patent/CN108596254B/zh active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104266982A (zh) * | 2014-09-04 | 2015-01-07 | 浙江托普仪器有限公司 | 一种大面积虫害量化监测系统 |
JP2017055745A (ja) * | 2015-09-18 | 2017-03-23 | Psソリューションズ株式会社 | 画像判定方法 |
CN107346434A (zh) * | 2017-05-03 | 2017-11-14 | 上海大学 | 一种基于多特征及支持向量机的植物病虫害检测方法 |
CN107463937A (zh) * | 2017-06-20 | 2017-12-12 | 大连交通大学 | 一种基于迁移学习的番茄病虫害自动检测方法 |
CN107330892A (zh) * | 2017-07-24 | 2017-11-07 | 内蒙古工业大学 | 一种基于随机森林法的向日葵病害识别方法 |
Non-Patent Citations (3)
Title |
---|
刘文雅: "松材线虫病胁迫下松树生理参数的高光谱遥感估测模型研究", 《中国优秀硕士学位论文全文数据库(电子期刊)农业科技辑》 * |
彭隆赞等: "马尾松毛虫危害程度的高光谱监测方法", 《湖北林业科技》 * |
汪红等: "成像光谱遥感在森林病虫害监测中的应用研究", 《中国植保导刊》 * |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109816270A (zh) * | 2019-02-22 | 2019-05-28 | 福州大学 | 一种确定刚竹毒蛾危害遥感最佳诊断时段的方法 |
CN109816270B (zh) * | 2019-02-22 | 2022-05-13 | 福州大学 | 一种确定刚竹毒蛾危害遥感最佳诊断时段的方法 |
CN109738368A (zh) * | 2019-02-25 | 2019-05-10 | 浙江省检验检疫科学技术研究院 | 一种毒蛾危害检测的特征光谱指数及检测系统及方法 |
Also Published As
Publication number | Publication date |
---|---|
CN108596254B (zh) | 2021-07-13 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN105181642B (zh) | 一种花生品质的近红外检测方法及应用 | |
CN107796764B (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 | |
CN110160967A (zh) | 一种作物冠层叶片的全氮含量估算方法 | |
CN103528965B (zh) | 一种小麦叶片等效水厚度高光谱监测方法 | |
CN103472009B (zh) | 一种不同植株氮含量水平下小麦植株含水率的监测方法 | |
CN108830249B (zh) | 一种基于asd高光谱数据的冬小麦白粉病遥感监测方法 | |
CN103293111A (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 | |
CN108333140B (zh) | 用于刚竹毒蛾危害检测的特征光谱指数及检测方法 | |
CN102435564A (zh) | 一种基于三波段光谱指数估测植物氮含量的方法 | |
CN106442338A (zh) | 一种基于svr算法的苹果叶片叶绿素含量高光谱反演方法 | |
CN104215591A (zh) | 一种可见-近红外光谱无损判别的方法 | |
CN108828147A (zh) | 一种耦合遥感响应特征的刚竹毒蛾危害检测方法 | |
CN108596254A (zh) | 耦合叶片多表征的刚竹毒蛾危害检测方法 | |
CN103278467A (zh) | 一种植物叶片氮素丰缺快速无损高准确率的鉴别方法 | |
CN105136686B (zh) | 紫叶李叶片花青素含量的测定方法 | |
CN111523587B (zh) | 一种基于机器学习的木本植物物种光谱识别方法 | |
Zhang et al. | Comparison of various approaches for estimating leaf water content and stomatal conductance in different plant species using hyperspectral data | |
CN106226267B (zh) | 一种辣椒干色价的近红外测定方法 | |
CN106202971A (zh) | 基于folium模型叶片色素遥感反演方法 | |
CN111220552B (zh) | 考虑光照方向叶片辐射传输模型的叶绿素高光谱反演方法 | |
CN105954226B (zh) | 对叶表结构不敏感的叶绿素含量的检测方法 | |
Wu et al. | Research of foliar dust content estimation by reflectance spectroscopy of Euonymus japonicus Thunb | |
CN112113930A (zh) | 一种杏果实品质多尺度表型方法 | |
CN113063754B (zh) | 一种基于加权环境变量聚类的叶片磷含量检测方法 | |
CN110231300A (zh) | 一种无损快速鉴别真假阿克苏红富士苹果的方法 |
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 |