CN109030378A - 基于pso-elm的粳稻冠层叶绿素含量反演模型方法 - Google Patents
基于pso-elm的粳稻冠层叶绿素含量反演模型方法 Download PDFInfo
- Publication number
- CN109030378A CN109030378A CN201810564338.8A CN201810564338A CN109030378A CN 109030378 A CN109030378 A CN 109030378A CN 201810564338 A CN201810564338 A CN 201810564338A CN 109030378 A CN109030378 A CN 109030378A
- Authority
- CN
- China
- Prior art keywords
- japonica rice
- chlorophyll content
- pso
- elm
- inverse model
- 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.)
- Pending
Links
- 229930002875 chlorophyll Natural products 0.000 title claims abstract description 71
- 235000019804 chlorophyll Nutrition 0.000 title claims abstract description 71
- ATNHDLDRLWWWCB-AENOIHSZSA-M chlorophyll a Chemical compound C1([C@@H](C(=O)OC)C(=O)C2=C3C)=C2N2C3=CC(C(CC)=C3C)=[N+]4C3=CC3=C(C=C)C(C)=C5N3[Mg-2]42[N+]2=C1[C@@H](CCC(=O)OC\C=C(/C)CCC[C@H](C)CCC[C@H](C)CCCC(C)C)[C@H](C)C2=C5 ATNHDLDRLWWWCB-AENOIHSZSA-M 0.000 title claims abstract description 71
- 240000008467 Oryza sativa Japonica Group Species 0.000 title claims abstract description 62
- 238000013459 approach Methods 0.000 title claims abstract description 15
- 239000002245 particle Substances 0.000 claims abstract description 7
- 238000000605 extraction Methods 0.000 claims abstract description 6
- 239000000284 extract Substances 0.000 claims abstract description 5
- 238000013075 data extraction Methods 0.000 claims abstract description 3
- 238000000034 method Methods 0.000 claims description 16
- 238000001228 spectrum Methods 0.000 claims description 12
- 238000012360 testing method Methods 0.000 claims description 12
- 230000003595 spectral effect Effects 0.000 claims description 9
- 238000005070 sampling Methods 0.000 abstract description 4
- 230000001419 dependent effect Effects 0.000 abstract description 2
- 240000007594 Oryza sativa Species 0.000 description 7
- 235000007164 Oryza sativa Nutrition 0.000 description 6
- 238000011160 research Methods 0.000 description 6
- 235000009566 rice Nutrition 0.000 description 6
- 241000209140 Triticum Species 0.000 description 5
- 235000021307 Triticum Nutrition 0.000 description 5
- 238000002310 reflectometry Methods 0.000 description 5
- 238000010586 diagram Methods 0.000 description 4
- 239000000243 solution Substances 0.000 description 4
- 244000061456 Solanum tuberosum Species 0.000 description 3
- 235000002595 Solanum tuberosum Nutrition 0.000 description 3
- 238000004364 calculation method Methods 0.000 description 3
- 230000000694 effects Effects 0.000 description 3
- 238000005457 optimization Methods 0.000 description 3
- CSCPPACGZOOCGX-UHFFFAOYSA-N Acetone Chemical compound CC(C)=O CSCPPACGZOOCGX-UHFFFAOYSA-N 0.000 description 2
- 238000004458 analytical method Methods 0.000 description 2
- 230000008901 benefit Effects 0.000 description 2
- 238000001514 detection method Methods 0.000 description 2
- 238000012417 linear regression Methods 0.000 description 2
- 239000011159 matrix material Substances 0.000 description 2
- 238000000513 principal component analysis Methods 0.000 description 2
- LFQSCWFLJHTTHZ-UHFFFAOYSA-N Ethanol Chemical compound CCO LFQSCWFLJHTTHZ-UHFFFAOYSA-N 0.000 description 1
- 244000131316 Panax pseudoginseng Species 0.000 description 1
- 235000005035 Panax pseudoginseng ssp. pseudoginseng Nutrition 0.000 description 1
- 235000003140 Panax quinquefolius Nutrition 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 238000010219 correlation analysis Methods 0.000 description 1
- 238000013480 data collection Methods 0.000 description 1
- 230000007812 deficiency Effects 0.000 description 1
- 229960000935 dehydrated alcohol Drugs 0.000 description 1
- 239000012153 distilled water Substances 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000002474 experimental method Methods 0.000 description 1
- 230000035558 fertility Effects 0.000 description 1
- 230000004720 fertilization Effects 0.000 description 1
- 230000002068 genetic effect Effects 0.000 description 1
- 235000008434 ginseng Nutrition 0.000 description 1
- 238000003384 imaging method Methods 0.000 description 1
- 239000007788 liquid Substances 0.000 description 1
- 239000011259 mixed solution Substances 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 239000000618 nitrogen fertilizer Substances 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- VMXUWOKSQNHOCA-UKTHLTGXSA-N ranitidine Chemical compound [O-][N+](=O)\C=C(/NC)NCCSCC1=CC=C(CN(C)C)O1 VMXUWOKSQNHOCA-UKTHLTGXSA-N 0.000 description 1
- 238000000985 reflectance spectrum Methods 0.000 description 1
- 241000894007 species Species 0.000 description 1
- 238000012549 training Methods 0.000 description 1
- 230000001228 trophic effect Effects 0.000 description 1
- 238000010200 validation analysis Methods 0.000 description 1
- 238000012800 visualization Methods 0.000 description 1
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Chemical compound O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 1
- 230000003442 weekly effect Effects 0.000 description 1
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
- G01J—MEASUREMENT OF INTENSITY, VELOCITY, SPECTRAL CONTENT, POLARISATION, PHASE OR PULSE CHARACTERISTICS OF INFRARED, VISIBLE OR ULTRAVIOLET LIGHT; COLORIMETRY; RADIATION PYROMETRY
- G01J3/00—Spectrometry; Spectrophotometry; Monochromators; Measuring colours
- G01J3/28—Investigating the spectrum
- G01J3/2823—Imaging spectrometer
Landscapes
- Physics & Mathematics (AREA)
- Spectroscopy & Molecular Physics (AREA)
- General Physics & Mathematics (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
本发明涉及一种基于PSO‑ELM的粳稻冠层叶绿素含量反演模型方法，步骤为：获取高光谱影像数据；对获取的数据进行高光谱数据提取；对获取的高光谱数据信息进行特征波段提取，作为叶绿素含量反演模型的输入变量；测定采集的粳稻冠层叶片叶绿素的含量，作为叶绿素含量反演模型的输入变量；采用基于粒子群优化的极限学习机模型(PSO‑ELM)建立粳稻冠层叶绿素含量的反演模型。本发明使用连续投影算法提取特征波段，利用PSO‑ELM建立粳稻叶绿素含量估算模型，将SPA提取的特征波段为自变量，现场采样的粳稻冠层叶片叶绿素含量为因变量，其决定系数R2为0.887，RMSE为0.783，展现了良好的预测能力。
Description
技术领域
本发明涉及一种基于PSO-ELM的粳稻冠层叶绿素含量反演模型方法。
背景技术
叶绿素含量是表征粳稻生长状态的一个重要性状指标，无损、快速、大面积反演粳稻叶绿素含量一直都是国内外精准农业学者的重要研究方向。
现有技术中，国内外在利用高光谱技术估算作物叶绿素含量已经取得了一定的研究成果。孙红等按照叶片垂直分布位置采集马铃薯叶片的成像高光谱数据，选取RF-PLS模型计算马铃薯叶片每个像素点的叶绿素含量，实现了不同叶位马铃薯叶片叶绿素含量无损检测以及分布可视化表达。李民赞等研究了冬小麦冠层325～1075nm范围的反射光谱，采取遗传算法对光谱特征参数寻优并结合相关分析结果，利用最小二乘-支持向量回归建立冬小麦叶绿素含量预测模型，为后续施肥决策提供支持。裴浩杰等利用无人机低空遥感平台，通过构建综合长势指标(CGI)在小麦关键生育建立叶片叶绿素含量反演模型，模型决定系数均大于0.7，可为小麦叶绿素含量长势监测提供参考。师庆东等研究了820nm～940nm的最大反射率及反射率综合所建立的偏最小二乘法回归(PLSR)模型估算春小麦叶绿素含量的效果较为理想。
现有的作物叶绿素的反演研究中，多是通过构建植被指数建立统计回归模型来反演叶绿素含量，这对于特定地区的特定品种，会有比较理想的反演效果，但在模型的普适性等方面还存在一定的不足。利用高光谱分析技术检测叶绿素含量方面前人的工作主要集中在两个方面：建立各种植被指数，利用多元线性或非线性回归方法建立指数与叶绿素含量之间的反演模型；或者先对获取的水稻冠层高光谱数据的全部波段进行主成分分析(PCA)、偏最小二乘法(PLS)等方法建模。其中第一种植被指数方法物理意义清晰，模型构建简单，但目前所构建的光谱指数数目繁多，单一植被指数不能很好的表征整个高光谱信息。后者虽然考虑了全部高光谱信息，但其每次反演均需要全部波段作为模型输入，计算量较大，模型应用复杂。
综上所述，现有技术中用于估算作物叶绿素含量的方法存在反演模型的普适性偏低、光谱指数数目繁多而植被指数单一不能很好表征整个高光谱信息、模型输入多计算量大应用复杂等问题。
发明内容
针对上述存在的技术问题，本发明提供一种基于PSO-ELM的粳稻冠层叶绿素含量反演模型方法，能够以快速、精准、无损的方式，解决粳稻叶绿素营养水平问题，提高反演精度。
本发明的目的是通过以下技术方案来实现的：
本发明一种基于PSO-ELM的粳稻冠层叶绿素含量反演模型方法，包括如下步骤：
S1:获取高光谱影像数据：采用无人机内置高光谱成像仪进行粳稻冠层数据采集；对获取的数据-高光谱遥感影像进行高光谱数据提取；
S2：对获取的粳稻冠层高光谱数据信息进行特征波段提取，作为叶绿素含量反演模型的输入变量；
S3:测定采集的粳稻冠层叶片叶绿素的含量，作为叶绿素含量反演模型的输入变量；
S4：采用基于粒子群优化的极限学习机模型(PSO-ELM)建立粳稻冠层叶绿素含量的反演模型。
进一步地，所述步骤S1高光谱数据提取，首先运用波谱角填图方法去除干扰地物光谱的影响，再对每个粳稻试验区的长势均匀区域计算平均光谱，作为每个试验区的高光谱信息。
进一步地，所述S1数据采集时间为每次试验的上午11:00-12:00之间，太阳光强较为稳定的时段。
进一步地，所述数据采集的无人机飞行高度为140-160m。
进一步地，所述高光谱区间为400nm～800nm之间的光谱信息。
进一步地，所述提取的高光谱特征波段是粳稻冠层叶片的特征波长分别为410nm、481nm、533nm、702nm及798nm。
进一步地，所述采用基于粒子群优化的极限学习机模型(PSO-ELM)建立粳稻冠层叶绿素含量的反演模型，其中：PSO算法的参数包括种群规模(pop)、惯性权重(w)、学习因子(C1、C2)、速度位置相关系数(m)，通过正交试验确定所述PSO算法参数分别设置为：pop＝80、w＝0.9～0.3、C1＝2.8、C2＝1.1、m＝0.6，建立粳稻叶绿素含量的反演模型。
进一步地，所述粒子群迭代次数为100。
进一步地，所述反演模型决定系数R2＝0.887，RMSE＝0.783。
本发明使用连续投影算法(SPA)能够有效的提取特征波段，提取到的波段反射率与粳稻冠层叶绿素含量之间相关性最好的特征波长为410nm、481nm、533nm、702nm、798nm；同时，由于巧妙的利用PSO-ELM建立粳稻叶绿素含量估算模型，将SPA提取的粳稻冠层光谱特征波段为自变量，现场采样的粳稻冠层叶片叶绿素含量为因变量，其决定系数R2为0.887，RMSE为0.783，展现了良好的预测能力。
本发明的有益效果为：
本发明尝试通过连续投影算法(SPA)方法提取无人机获取的粳稻冠层高光谱信息的特征波段，利用PSO优化的极限学习机算法建立粳稻叶绿素含量反演模型，以期能够实现对东北粳稻冠层叶绿素含量无人机遥感反演的快速监测和评估。传统的利用高光谱特征波段进行一元或者多元回归统计模型可能无法充分表达光谱信息与叶绿素含量之前的非线性数学关系，并在一定程度上制约了叶绿素含量反演精度。基于此，本研究采用PSO优化的极限学习机方法，建立PSO-ELM叶绿素含量反演模型，选取了个特征波段作为模型输入，建立粳稻冠层叶绿素含量反演模型。
附图说明
图1是粳稻冠层高光谱信息经过连续投影算法(SPA)提取的特征波段结果；
图2是粳稻叶绿素含量变化主要影响400nm～800nm之间的光谱反射率示意图；
图3是本发明提供的叶绿素含量估算模型反演效果对比示意图。
具体实施方式
为了使本发明的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本发明进行进一步详细说明。应当理解，此处所描述的具体实施例仅仅用以解释本发明，并不用于限定本发明。
以下结合具体附图和实施例对本发明的实现进行详细的描述。
实施例：
本例中所述试验区域与试验小区，即试验数据获取地，为沈阳农业大学辽中水稻实验站。试验于2016年至2017年之间的6月～9月，每周周三在沈阳农业大学辽中水稻实验站进行(41°47`N、122°71`E)，选用品种为沈稻529，所涉及的粳稻关键生育期为分蘖期、拔节期、抽穗期、灌浆期等。
本例采用无人机高光谱成像系统成像，获取试验数据，利用的是深圳大疆创新公司的M600-PRO六旋翼无人机搭载四川双利合谱公司的内置推扫式高光谱成像仪进行数据采集，数据采集时间选择为每次试验的上午11:00-12:00之间，太阳光强较为稳定的时段，无人机飞行高度为真高150m，采集过程中天气晴好，如遇云量超过20％或不利于遥感数据采集天气则顺延采集。粳稻试验小区设计为4个氮肥梯度处理，分别为CK、N1、N2、N3，每种处理再进行三次重复，共96个试验小区。运用ENVI5.3+IDL工具软件对获取的高光谱遥感影像进行小区高光谱数据提取，首先运用波谱角填图方法去除干扰地物光谱的影响，再对每个小区的预采样区计算平均光谱，作为每个试验小区的高光谱信息。
粳稻田间冠层数据获取关键生育期在试验时间范围内主要覆盖了粳稻生长的6个时期。粳稻田间取样工作在试验小区中间长势均匀区域进行，每个小区采集4穴粳稻作为该小区的样本点，取冠层叶片50叶样本放入密封袋，并迅速放入移动冰室进行冷藏保鲜。待粳稻样品送回实验室后，按照9:9:2的比例将丙酮、无水乙醇、蒸馏水三种溶液配置成混合溶液，选择粳稻的完全展开叶片，剪碎后相互混合均匀，称取0.4克加入提取混合溶液200ml；在实验室遮光环境下静置，直到样品完全发白，利用分光光度计进行比色，分别测定663nm和645nm处光密度值(OD)，按公式Chl(mg/L)＝5.134OD663+20.436OD645计算粳稻样品的叶绿素含量。本试验共采集780组有效样本数据，选取其中的90％作为建模数据集(样本容量为702)，另外10％为验证数据集(样本容量为78)。由表1可以清晰看出本试验采样数据的统计特征信息。
表1
经过前期的试验研究，验证了粳稻叶绿素含量变化主要影响400nm～800nm之间的光谱反射率，因此本研究选择400nm～800nm之间的光谱信息作为高光谱区间。
图1表示粳稻冠层高光谱信息经过连续投影算法(SPA)提取的特征波段结果，选取的有效波长为410nm、481nm、533nm、702nm、798nm。SPA是一种矢量空间共线性最小化的前向变量选择算法，SPA算法流程由三个阶段构成：
a.第一阶段，筛选出共线性最小的若干组备选波长变量子集。假设初始变量位置k(0)及变量数N已经给出，该阶段具体步骤如下。
b.步骤1：第一次迭代之前(n＝1)，将训练集光谱矩阵Xcal的第j列赋值给Xj，j＝1,…,J
c.步骤2：令S为所有未被选入的波长变量的集合，即：S＝{j|1≤j≤J且
d.步骤3：对所有的计算Xj在同Xk(n-1)正交的子空间上的投影。
Pxj＝xj-(xj Txk(n-1))xk(n-1)((xj Txk(n-1))xk(n-1))-1
式中：P为投影算子。
k(n)＝arg(max||Pxj||，j∈S)
e.步骤5：令xj＝Pxj，
f.步骤6：令n＝n+1。如果n<N则返回步骤2结束：得到N个备选波长的位置：{k(n)；n＝0,...,N-1}。
g.选择过程中进行的投影操作次数为(N-1)(J-N/2)。
h.第二阶段，分别使用各子集中的变量建立多元线性回归(MLR)模型，选出均方根误差(RMSE)最小的子集。
i.第三阶段，对第二阶段选出的子集进行逐步回归建模，在尽量不损失预测准确度的前提下得到一个变量数目较少的集合，该集合中的波长变量即是所选有效波长。
图3表示叶绿素含量估算模型反演效果对比示意图，本试验采用基于粒子群优化的极限学习机模型(PSO-ELM)反演粳稻冠层叶绿素含量。利用粒子群优化算法优化选择极限学习机的输入层权值和隐含层偏差，从而计算出输出权值矩阵。在本发明中PSO算法的参数主要包括种群规模(pop)、惯性权重(w)、学习因子(C1、C2)、速度位置相关系数(m)。通过设置PSO-ELM模型的不同参数，建立了多组粳稻叶绿素含量的反演模型。通过对模型的筛选，以410nm、481nm、533nm、702nm、798nm为模型输入变量，通过正交试验确定PSO算法参数设置为：pop＝80、w＝0.9～0.3、C1＝2.8、C2＝1.1、m＝0.6时叶绿素含量反演效果最好。表2为PS0-ELM参数正交试验分析结果，其中Wij为参数j的i水平对应的叶绿素含量反演模型的模型决定系数R2之和，以W11和W21为例，计算公式如下：
W11＝R1 2+R22+R32+R42+R52 (1)
W21＝R1 2+R6 2+R11 2+R16 2+R5 2 (2)
表4
由表4结果可知，W11、W21、W31、W41和W51之间的差别仅由PSO种群规模的变化而印象最终模型反演精度，与PSO算法的其他参数无关。可通过对比W11、W21、W31、W41和W51的大小来选取最优的PSO算法种群规模，其中模型决定系数R2最大值所对应的种群规模即为本研究所确定的PSO-ELM算法中的种群规模。因此，本研究PSO-ELM反演粳稻叶绿素含量模型的最优种群规模为80，同理可得最优惯性权重w为0.9～0.3线性递减，学习因子C1＝2.8、C2＝1.1，速度位置相关系数m为0.6。利用该组参数建立的PSO-ELM粳稻叶绿素含量反演模型，得到本发明PSO-ELM叶绿素含量反演模型的模型决定系数R2＝0.887，RMSE＝0.783，要明显好于单纯极限学习机算法建立的叶绿素含量反演模型(R2＝0.734、RMSE＝1.824)，由图3反演效果对比示意图可以看出，本例中采用的PSO优化的极限学习机粳稻叶绿素含量反演模型的预测效果，要明显优于单纯极限学习方法所建立的反演模型，展现了良好的预测能力。
最后说明的是，以上实施例仅用以说明本发明的技术方案而非限制，尽管参照较佳实施例对本发明进行了详细说明，本领域的普通技术人员应当理解，可以对本发明的技术方案进行修改或者等同替换，而不脱离本发明技术方案的宗旨和范围，其均应涵盖在本发明的权利要求范围当中。
Claims (9)
1.一种基于PSO-ELM的粳稻冠层叶绿素含量反演模型方法，其特征在于：包括如下步骤：
S1:获取高光谱影像数据：采用无人机内置高光谱成像仪进行粳稻冠层数据采集；对获取的数据-高光谱遥感影像进行高光谱数据提取；
S2：对获取的粳稻冠层高光谱数据信息进行特征波段提取，作为叶绿素含量反演模型的输入变量；
S3:测定采集的粳稻冠层叶片叶绿素的含量，作为叶绿素含量反演模型的输入变量；
S4：采用基于粒子群优化的极限学习机模型(PSO-ELM)建立粳稻冠层叶绿素含量的反演模型。
2.根据权利要求1所述基于PSO-ELM的粳稻冠层叶绿素含量反演模型方法，其特征在于：所述步骤S1高光谱数据提取，首先运用波谱角填图方法去除干扰地物光谱的影响，再对每个粳稻试验区的长势均匀区域计算平均光谱，作为每个试验区的高光谱信息。
3.根据权利要求1所述基于PSO-ELM的粳稻冠层叶绿素含量反演模型方法，其特征在于：所述S1数据采集时间为每次试验的上午11:00-12:00之间，太阳光强较为稳定的时段。
4.根据权利要求1所述基于PSO-ELM的粳稻冠层叶绿素含量反演模型方法，其特征在于：所述数据采集的无人机飞行高度为140-160m。
5.根据权利要求1所述基于PSO-ELM的粳稻冠层叶绿素含量反演模型方法，其特征在于：所述高光谱区间为400nm～800nm之间的光谱信息。
6.根据权利要求5所述基于PSO-ELM的粳稻冠层叶绿素含量反演模型方法，其特征在于：所述提取的高光谱特征波段是粳稻冠层叶片的特征波长分别为410nm、481nm、533nm、702nm及798nm。
7.根据权利要求1所述基于PSO-ELM的粳稻冠层叶绿素含量反演模型方法，其特征在于：所述采用基于粒子群优化的极限学习机模型(PSO-ELM)建立粳稻冠层叶绿素含量的反演模型，其中：PSO算法的参数包括种群规模(pop)、惯性权重(w)、学习因子(C1、C2)、速度位置相关系数(m)，通过正交试验确定所述PSO算法参数分别设置为：pop＝80、w＝0.9～0.3、C1＝2.8、C2＝1.1、m＝0.6，建立粳稻叶绿素含量的反演模型。
8.根据权利要求7所述基于PSO-ELM的粳稻冠层叶绿素含量反演模型方法，其特征在于：所述粒子群迭代次数为100。
9.根据权利要求7所述基于PSO-ELM的粳稻冠层叶绿素含量反演模型方法，其特征在于：所述反演模型决定系数R2＝0.887，RMSE＝0.783。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201810564338.8A CN109030378A (zh) | 2018-06-04 | 2018-06-04 | 基于pso-elm的粳稻冠层叶绿素含量反演模型方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201810564338.8A CN109030378A (zh) | 2018-06-04 | 2018-06-04 | 基于pso-elm的粳稻冠层叶绿素含量反演模型方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN109030378A true CN109030378A (zh) | 2018-12-18 |
Family
ID=64612044
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201810564338.8A Pending CN109030378A (zh) | 2018-06-04 | 2018-06-04 | 基于pso-elm的粳稻冠层叶绿素含量反演模型方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN109030378A (zh) |
Cited By (10)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN110569605A (zh) * | 2019-09-11 | 2019-12-13 | 沈阳农业大学 | 一种基于nsga2-elm的粳稻叶片氮素含量反演模型方法 |
| CN110567891A (zh) * | 2019-09-16 | 2019-12-13 | 中国水利水电科学研究院 | 一种冬小麦冠层叶绿素估测系统及方法 |
| CN110987830A (zh) * | 2019-12-23 | 2020-04-10 | 陕西地建土地工程技术研究院有限责任公司 | 植物冠层叶片叶绿素含量快速测定模型、测定方法及应用 |
| CN111595792A (zh) * | 2020-06-12 | 2020-08-28 | 鞍钢集团矿业有限公司 | 基于高光谱与TELM的矿山TFe含量检测方法 |
| CN111670668A (zh) * | 2020-06-05 | 2020-09-18 | 沈阳农业大学 | 基于高光谱遥感处方图的水稻农用无人机精准追肥方法 |
| CN111751342A (zh) * | 2020-06-30 | 2020-10-09 | 中国农业科学院农业资源与农业区划研究所 | 一种基于夫琅和费暗线反演日光诱导叶绿素荧光的方法 |
| CN112362812A (zh) * | 2020-11-10 | 2021-02-12 | 淮阴师范学院 | 基于Lars算法的水稻叶片叶绿素类胡萝卜素含量比值遥感反演模型和方法 |
| CN113222959A (zh) * | 2021-05-26 | 2021-08-06 | 马翔 | 一种基于高光谱图像卷积神经网络的鲜枣虫眼检测方法 |
| CN114417227A (zh) * | 2021-11-16 | 2022-04-29 | 浙江智谱工程技术有限公司 | 一种水体中叶绿素a浓度预测方法 |
| CN114460015A (zh) * | 2021-10-29 | 2022-05-10 | 东北农业大学 | 一种用于预测寒地水稻冠层叶绿素含量的方法及模型 |
Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN107121407A (zh) * | 2017-06-02 | 2017-09-01 | 中国计量大学 | 基于pso‑ricaelm的近红外光谱分析鉴别翠冠梨成熟度的方法 |
| CN107563518A (zh) * | 2017-09-12 | 2018-01-09 | 太原理工大学 | 一种基于社会力模型群优化算法的极限学习机的学习方法 |
| CN107677646A (zh) * | 2017-10-13 | 2018-02-09 | 中国水利水电科学研究院 | 一种改进dbpso的水质参数监测方法及装置 |
-
2018
- 2018-06-04 CN CN201810564338.8A patent/CN109030378A/zh active Pending
Patent Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN107121407A (zh) * | 2017-06-02 | 2017-09-01 | 中国计量大学 | 基于pso‑ricaelm的近红外光谱分析鉴别翠冠梨成熟度的方法 |
| CN107563518A (zh) * | 2017-09-12 | 2018-01-09 | 太原理工大学 | 一种基于社会力模型群优化算法的极限学习机的学习方法 |
| CN107677646A (zh) * | 2017-10-13 | 2018-02-09 | 中国水利水电科学研究院 | 一种改进dbpso的水质参数监测方法及装置 |
Non-Patent Citations (9)
| Title |
|---|
| SHAN LU等: "A robust vegetation index for remotely assessing chlorophyll content of dorsiventral leaves across several species in different seasons", 《PLANT METHODS》 * |
| 中国水利学会编: "《中国水利学会2017学术年会论文集（上册）》", 31 October 2017 * |
| 于丰华: "基于无人机高光谱遥感的东北粳稻生长信息反演建模研究", 《中国博士学位论文全文数据库》 * |
| 卢霞、张德利、王晓静著: "《海州湾东西连岛环境监测研究》", 31 December 2016 * |
| 叶雪辉: "基于高分辨率遥感数据的水质参数反演算法研究与实现", 《中国优秀硕士学位论文全文数据库 工程科技Ⅰ辑》 * |
| 吕杰: "基于支持向量机的作物叶绿素含量反演模型", 《测绘科学》 * |
| 周陈: "小麦叶片生物量最佳成像高光谱的特征提取和模型构建方法研究", 《中国优秀硕士学位论文全文数据库 农业科技辑》 * |
| 应向伟、吴巧玲等编著: "《农业装备智能控制系统发展动态研究》", 31 May 2017 * |
| 徐大明等: "基于改进粒子群优化极限学习机的养殖氨态氮含量预测模型", 《江苏农业科学》 * |
Cited By (14)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN110569605A (zh) * | 2019-09-11 | 2019-12-13 | 沈阳农业大学 | 一种基于nsga2-elm的粳稻叶片氮素含量反演模型方法 |
| CN110569605B (zh) * | 2019-09-11 | 2023-08-11 | 沈阳农业大学 | 一种基于nsga2-elm的粳稻叶片氮素含量反演模型方法 |
| CN110567891A (zh) * | 2019-09-16 | 2019-12-13 | 中国水利水电科学研究院 | 一种冬小麦冠层叶绿素估测系统及方法 |
| CN110987830A (zh) * | 2019-12-23 | 2020-04-10 | 陕西地建土地工程技术研究院有限责任公司 | 植物冠层叶片叶绿素含量快速测定模型、测定方法及应用 |
| CN111670668A (zh) * | 2020-06-05 | 2020-09-18 | 沈阳农业大学 | 基于高光谱遥感处方图的水稻农用无人机精准追肥方法 |
| CN111595792B (zh) * | 2020-06-12 | 2023-07-25 | 鞍钢集团矿业有限公司 | 基于高光谱与TELM的矿山TFe含量检测方法 |
| CN111595792A (zh) * | 2020-06-12 | 2020-08-28 | 鞍钢集团矿业有限公司 | 基于高光谱与TELM的矿山TFe含量检测方法 |
| CN111751342A (zh) * | 2020-06-30 | 2020-10-09 | 中国农业科学院农业资源与农业区划研究所 | 一种基于夫琅和费暗线反演日光诱导叶绿素荧光的方法 |
| CN111751342B (zh) * | 2020-06-30 | 2021-10-22 | 中国农业科学院农业资源与农业区划研究所 | 一种基于夫琅和费暗线反演日光诱导叶绿素荧光的方法 |
| CN112362812A (zh) * | 2020-11-10 | 2021-02-12 | 淮阴师范学院 | 基于Lars算法的水稻叶片叶绿素类胡萝卜素含量比值遥感反演模型和方法 |
| CN113222959B (zh) * | 2021-05-26 | 2022-04-15 | 马翔 | 一种基于高光谱图像卷积神经网络的鲜枣虫眼检测方法 |
| CN113222959A (zh) * | 2021-05-26 | 2021-08-06 | 马翔 | 一种基于高光谱图像卷积神经网络的鲜枣虫眼检测方法 |
| CN114460015A (zh) * | 2021-10-29 | 2022-05-10 | 东北农业大学 | 一种用于预测寒地水稻冠层叶绿素含量的方法及模型 |
| CN114417227A (zh) * | 2021-11-16 | 2022-04-29 | 浙江智谱工程技术有限公司 | 一种水体中叶绿素a浓度预测方法 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN109030378A (zh) | 基于pso-elm的粳稻冠层叶绿素含量反演模型方法 | |
| Zheng et al. | Improved estimation of rice aboveground biomass combining textural and spectral analysis of UAV imagery | |
| Xie et al. | Retrieval of crop biophysical parameters from Sentinel-2 remote sensing imagery | |
| Sinha et al. | Estimation of leaf area index using PROSAIL based LUT inversion, MLRA-GPR and empirical models: Case study of tropical deciduous forest plantation, North India | |
| CN102393238B (zh) | 一种草地地上干物质量遥感估测方法 | |
| CN110174359B (zh) | 一种基于高斯过程回归的航空高光谱影像土壤重金属浓度评估方法 | |
| CN109212505B (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 | |
| CN110927082A (zh) | 一种基于无人机成像高光谱遥感的冬小麦产量预测方法 | |
| CN106290197A (zh) | 水稻叶片全氮含量高光谱估测及估测模型构建方法 | |
| CN108520127A (zh) | 一种树种叶面积指数的高光谱反演方法 | |
| 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 | |
| CN109754127A (zh) | 基于无人机成像高光谱的水稻籽粒直链淀粉含量估测方法 | |
| Qiao et al. | Estimating maize LAI by exploring deep features of vegetation index map from UAV multispectral images | |
| Masemola et al. | Towards a semi-automated mapping of Australia native invasive alien Acacia trees using Sentinel-2 and radiative transfer models in South Africa | |
| 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 | |
| Guo et al. | Inversion of maize leaf area index from UAV hyperspectral and multispectral imagery | |
| Yuan et al. | Research on rice leaf area index estimation based on fusion of texture and spectral information | |
| Li et al. | Hyperspectral inversion of maize biomass coupled with plant height data | |
| Rossi et al. | Sentinel-2 estimation of CNC and LAI in rice cropping system through hybrid approach modelling | |
| Zarco-Tejada et al. | Remote sensing of vegetation biophysical parameters for detecting stress condition and land cover changes | |
| CN113987778B (zh) | 一种基于野外站点的水土流失模拟值时空加权校正方法 | |
| CN111652347A (zh) | 一种粒子群算法改进神经网络反演叶面积指数方法 | |
| Wittamperuma et al. | Remote-sensing-based biophysical models for estimating LAI of irrigated crops in Murry darling basin | |
| Yu et al. | UAV hyperspectral inversion modeling of rice nitrogen content based on WOA-ELM | |
| Zhu et al. | Mapping crop leaf area index from multi-spectral imagery onboard an unmanned aerial vehicle |
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 | ||
| RJ01 | Rejection of invention patent application after publication | ||
| RJ01 | Rejection of invention patent application after publication |
Application publication date: 20181218 |