CN110082309B - 冬小麦冠层spad值综合光谱监测模型建立方法 - Google Patents
冬小麦冠层spad值综合光谱监测模型建立方法 Download PDFInfo
- Publication number
- CN110082309B CN110082309B CN201910416831.XA CN201910416831A CN110082309B CN 110082309 B CN110082309 B CN 110082309B CN 201910416831 A CN201910416831 A CN 201910416831A CN 110082309 B CN110082309 B CN 110082309B
- Authority
- CN
- China
- Prior art keywords
- sdr
- amplitude
- sdb
- spectral
- edge
- 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.)
- Active
Links
- 241000209140 Triticum Species 0.000 title claims abstract description 75
- 235000021307 Triticum Nutrition 0.000 title claims abstract description 70
- 238000001228 spectrum Methods 0.000 title claims abstract description 61
- 238000012544 monitoring process Methods 0.000 title claims abstract description 55
- 238000000034 method Methods 0.000 title claims abstract description 20
- 230000003595 spectral effect Effects 0.000 claims abstract description 74
- 230000012010 growth Effects 0.000 claims abstract description 62
- 238000002310 reflectometry Methods 0.000 claims abstract description 41
- 230000009466 transformation Effects 0.000 claims abstract description 32
- 229930002875 chlorophyll Natural products 0.000 claims description 20
- 235000019804 chlorophyll Nutrition 0.000 claims description 20
- 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 claims description 20
- 238000010521 absorption reaction Methods 0.000 claims description 17
- 238000005259 measurement Methods 0.000 claims description 13
- 238000004364 calculation method Methods 0.000 claims description 8
- 238000000513 principal component analysis Methods 0.000 claims description 8
- 238000010219 correlation analysis Methods 0.000 claims description 4
- 238000012937 correction Methods 0.000 claims description 3
- 239000000523 sample Substances 0.000 claims description 3
- 230000001131 transforming effect Effects 0.000 claims description 2
- IJGRMHOSHXDMSA-UHFFFAOYSA-N Atomic nitrogen Chemical compound N#N IJGRMHOSHXDMSA-UHFFFAOYSA-N 0.000 abstract description 24
- 229910052757 nitrogen Inorganic materials 0.000 abstract description 13
- 241000196324 Embryophyta Species 0.000 abstract description 12
- 238000003745 diagnosis Methods 0.000 abstract description 2
- 238000011282 treatment Methods 0.000 description 6
- 239000003337 fertilizer Substances 0.000 description 4
- 238000011156 evaluation Methods 0.000 description 3
- 238000012545 processing Methods 0.000 description 3
- 238000011160 research Methods 0.000 description 3
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 3
- 210000004027 cell Anatomy 0.000 description 2
- 150000001875 compounds Chemical class 0.000 description 2
- 238000001514 detection method Methods 0.000 description 2
- 238000011161 development Methods 0.000 description 2
- 230000018109 developmental process Effects 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 230000000243 photosynthetic effect Effects 0.000 description 2
- 238000005070 sampling Methods 0.000 description 2
- 235000011610 Pinus tabuliformis Nutrition 0.000 description 1
- 241000018651 Pinus tabuliformis Species 0.000 description 1
- XSQUKJJJFZCRTK-UHFFFAOYSA-N Urea Chemical compound NC(N)=O XSQUKJJJFZCRTK-UHFFFAOYSA-N 0.000 description 1
- 235000005811 Viola adunca Nutrition 0.000 description 1
- 240000009038 Viola odorata Species 0.000 description 1
- 235000013487 Viola odorata Nutrition 0.000 description 1
- 235000002254 Viola papilionacea Nutrition 0.000 description 1
- 241001464837 Viridiplantae Species 0.000 description 1
- 240000008042 Zea mays Species 0.000 description 1
- 235000005824 Zea mays ssp. parviglumis Nutrition 0.000 description 1
- 235000002017 Zea mays subsp mays Nutrition 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000033228 biological regulation Effects 0.000 description 1
- 239000004202 carbamide Substances 0.000 description 1
- 210000003850 cellular structure Anatomy 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 235000005822 corn Nutrition 0.000 description 1
- 230000001186 cumulative effect Effects 0.000 description 1
- 238000013501 data transformation Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 230000007812 deficiency Effects 0.000 description 1
- 230000001066 destructive effect Effects 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 230000004720 fertilization Effects 0.000 description 1
- 238000009499 grossing Methods 0.000 description 1
- 238000003973 irrigation Methods 0.000 description 1
- 230000002262 irrigation Effects 0.000 description 1
- 230000031700 light absorption Effects 0.000 description 1
- 238000012417 linear regression Methods 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 238000000691 measurement method Methods 0.000 description 1
- 235000015097 nutrients Nutrition 0.000 description 1
- 235000016709 nutrition Nutrition 0.000 description 1
- 230000029553 photosynthesis Effects 0.000 description 1
- 238000010672 photosynthesis Methods 0.000 description 1
- 230000008635 plant growth Effects 0.000 description 1
- 230000008636 plant growth process Effects 0.000 description 1
- 238000012216 screening Methods 0.000 description 1
- 238000004088 simulation Methods 0.000 description 1
- 239000002689 soil Substances 0.000 description 1
- 238000009331 sowing Methods 0.000 description 1
- 239000000126 substance Substances 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
- 238000012546 transfer Methods 0.000 description 1
- 238000000844 transformation Methods 0.000 description 1
- 230000017260 vegetative to reproductive phase transition of meristem Effects 0.000 description 1
Images
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
- 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
- G01N21/31—Investigating relative effect of material at wavelengths characteristic of specific elements or molecules, e.g. atomic absorption spectrometry
- G01N21/35—Investigating relative effect of material at wavelengths characteristic of specific elements or molecules, e.g. atomic absorption spectrometry using infrared light
- G01N21/3563—Investigating relative effect of material at wavelengths characteristic of specific elements or molecules, e.g. atomic absorption spectrometry using infrared light for analysing solids; Preparation of samples therefor
-
- 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
- G01N21/31—Investigating relative effect of material at wavelengths characteristic of specific elements or molecules, e.g. atomic absorption spectrometry
- G01N21/35—Investigating relative effect of material at wavelengths characteristic of specific elements or molecules, e.g. atomic absorption spectrometry using infrared light
- G01N21/359—Investigating relative effect of material at wavelengths characteristic of specific elements or molecules, e.g. atomic absorption spectrometry using infrared light using near infrared light
-
- 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
- G01N2021/1793—Remote sensing
- G01N2021/1797—Remote sensing in landscape, e.g. crops
Landscapes
- 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)
- General Physics & Mathematics (AREA)
- Immunology (AREA)
- Pathology (AREA)
- Investigating Or Analysing Materials By Optical Means (AREA)
Abstract
本发明公开了一种冬小麦冠层SPAD值综合光谱监测模型建立方法。本发明根据不同施氮水平下各生育期冬小麦冠层光谱反射率与植株冠层SPAD值数据，分析了光谱信息基础变换与“三边”参数对植株冠层SPAD值之间相关关系，提出了考虑各生育期特点且具有较高精度的适宜模型组合，并构建了综合光谱信息基础变换与“三边”参数等诸多自变量的植株冠层SPAD值的主成分估算模型，突破了光谱监测生育时段制约与其他背景噪声的影响，为冬小麦全生育时段冠层SPAD值高光谱准确诊断提供理论依据和技术支持。
Description
技术领域
本发明涉及农业种植技术领域，具体涉及一种冬小麦冠层SPAD值综合光谱监测模型建立方法。
背景技术
叶绿素(SPAD)作为植物生长过程中重要的生化参数之一，其含量是评价植株的营养状态、生长状况和光合能力的良好指示剂，因此实时监测植株叶绿素含量，对作物长势预测、施肥调控、产量评估等具有重要的理论和实践意义。传统监测叶绿素含量的方法通过破坏性采样测定，不仅费时费力，也难以满足现场快速无损检测的要求；但近年来随着光谱技术的快速发展，光谱时空分辨率大幅提高，及时获取作物长势状况和作物光合生产能力，为大面积植株实时快速无损监测提供了技术支撑。
近年来国内外学者基于高光谱信息对作物叶绿素含量进行了大量的研究，并建立了不同作物叶绿素含量估算模型。诸多研究成果多侧重对作物特定生育阶段进行监测与分析，王凯龙等人通过比较15种高光谱指数与SPAD的相关性，确定了不同生育期估算小麦叶片SPAD值的最佳指数；刘晓静等人将筛选后的5种光谱参数分别与不同时期冬小麦叶片含水量进行拟合，从而确定分别利用NDVI、OSAVI、R/ND、TDc-a和TDc-a监测拔节期、抽穗期、开花期、灌浆前期和灌浆后期的叶片含水量。但是由于作物受周围环境胁迫，如水分亏缺等，致使作物在不同生育期内光谱特征变化较显著，因此特定生育期光谱模型能否适用于全生育期植株冠层叶绿素含量的监测有待验证。
随着遥感技术的出现与发展，不仅丰富了光谱信息数据，也实现了对作物生长进行大尺度的监测；但获取高光谱信息时极易受外界环境的干扰，因此对光谱数据进行平滑处理和降噪处理是非常有必要的。光谱数据变换如倒数、对数与微分等，对降低背景与噪音影响具有较好的效果。张雪茹等人对原始光谱数据进行15种光谱变换，指出了能够表征低温胁迫下冬小麦叶绿素含量的最佳光谱变换形式；张贤龙等人提出一阶微分和一阶对倒数变换下土壤盐分估算模型精度最高；王磊等人指出了光谱数据的归一化对数处理显著提高了玉米氮素含量的反演精度。“三边”参数能较好反映绿色植被光谱特征，且对叶绿素含量、含氮量的变化较为敏感，史冰全等人利用“三边”参数建立了油松林叶绿素含量的估算模型，且模型的决定系数达到了0.788；姚付启等人指出了传统红边参数及新红边参数与SPAD值在不同生育期均具有良好相关性，由此可以看出利用“三边”参数建立植株叶绿素含量的估算模型是可行的，但目前同时选择光谱变换和“三边”参数进行叶绿素含量监测的研究并不多见。
发明内容
针对现有技术中的上述不足，本发明提供的一种冬小麦冠层SPAD值综合光谱监测模型建立方法突破了植株冠层SPAD值光谱监测生育时段制约与其他背景噪声的影响，实现了作物全生育时段SPAD值监测精准与稳定。
为了达到上述发明目的，本发明采用的技术方案为：一种冬小麦冠层SPAD值综合光谱监测模型建立方法，包括以下步骤：
S1、测量冬小麦冠层的光谱反射率和SPAD值；
S2、通过光谱反射率构建光谱参量；
所述光谱参量包括光谱变换形式和“三边”参数；
S3、对冬小麦冠层SPAD值与光谱变换形式和“三边”参数进行相关性分析，选择各生育期相关性显著的光谱参量，对其进行主成分分析，通过主成分分析结果分别构建各生育时段综合光谱参量的SPAD值监测模型，将各生育时段综合光谱参量的SPAD值监测模型组合作为全生育期综合光谱参量的冠层SPAD值监测模型；
所述生育期包括拔节-抽穗期、抽穗-灌浆期和灌浆-成熟期。
进一步地：所述步骤S1中光谱反射率的测量方法为：
在每次监测前采用反射率为1的白板进行校正，将手持式地物光谱仪的探头垂直向下且距冬小麦冠层15cm，场视角为25°，选择三处监测点并采用手持式地物光谱仪在每处监测点进行10次光谱测量，将光谱测量结果的平均值作为冬小麦冠层的光谱反射率。
进一步地：所述步骤S1中SPAD值的测量方法为：
采用叶绿素仪对同一小区的三处监测点的完全展开叶的叶片中部进行2次SPAD值测量，将SPAD值测量结果的平均值作为该小区冬小麦冠层的SPAD值。
进一步地：所述步骤S2中光谱变换形式为对光谱反射率进行变换，包括除以R450-750、除以R930、倒数、倒数的对数、倒数的对数的一阶微分、倒数的一阶微分、对数、对数的一阶微分、吸收深度670nm和一阶微分；
所述R450-750为450nm-750nm波段反射率的平均值，所述R930为930nm波段的反射率值，所述吸收深度670nm的计算公式为：
上式中，A560为吸收特征起始点560nm处的光谱反射率，B670为吸收特征中心点670nm处的光谱反射率，C760为吸收特征结束点760nm处的光谱反射率；
进一步地：所述步骤S2中“三边”参数包括红边幅值Dr、红边位置λr、蓝边幅值Db、蓝边位置λb、黄边幅值Dy、黄边位置λy、绿峰幅值Rg、绿峰位置λg、红谷幅值Rr、红谷位置λv、红边面积SDr、蓝边面积SDb、黄边面积SDy、(Rg-Rr)/(Rg+Rr)、Rg/Rr、SDr/SDb、SDr/SDy、(SDr-SDb)、(SDr-SDb)/(SDr+SDb)、(SDr-SDy)/(SDr+SDy)；
所述红边幅值Dr为红光范围680～760nm内一阶导数光谱中的最大值，所述红边位置λr为红边幅值Dr相对应的波长位置，所述蓝边幅值Db为蓝光范围490nm～530nm内一阶导数光谱中的最大值，所述蓝边位置λb为蓝边幅值Db相对应的波长位置，所述黄边幅值Dy为黄光范围560～640nm内一阶导数光谱中的最大值，所述黄边位置λy为黄边幅值Dy相对应的波长位置，所述绿峰幅值Rg为绿光范围510～560nm内的最大波段反射率，所述绿峰位置λg为绿峰幅值Rg相对应的波长位置，所述红谷幅值Rr为红光范围640～680nm内的最小波段反射率，所述红谷位置λv为红谷幅值Rr相对应的波长位置。
进一步地：所述步骤S3中SPAD值监测模型的综合光谱参量以各生育时段冬小麦冠层SPAD值与相应的光谱变换形式及“三边”参数相关性显著为标准选取，其中拔节-抽穗期的光谱参量包括：(SDr-SDb)/(SDr+SDb)、倒数的一阶微分、倒数的对数的一阶微分、一阶微分、除以R930、对数的一阶微分、原始反射率、红谷幅值Rr、蓝边面积SDb；抽穗-灌浆期的光谱参量包括：一阶微分、红谷幅值Rr、原始反射率、SDr/SDy、绿峰幅值Rg、除以R930、(SDr-SDb)/(SDr+SDb)、对数的一阶微分、蓝边面积SDb；灌浆-成熟期的光谱参量包括：倒数的对数的一阶微分、除以R450-750、一阶微分、对数的一阶微分、(SDr-SDy)/(SDr+SDy)、绿峰位置λg、黄边面积SDy、黄边幅值Dy、SDr/SDy。
进一步地：所述步骤S3中冠层SPAD值监测模型为：
上式中，Y为冬小麦冠层SPAD值，M1为拔节-抽穗期的第一主成分，M2为拔节-抽穗期的第二主成分，M3为拔节-抽穗期的第三主成分，N1为抽穗-灌浆期的第一主成分，N2为抽穗-灌浆期的第二主成分，N3为抽穗-灌浆期的第三主成分，L1为灌浆-成熟期的第一主成分，L2为灌浆-成熟期的第二主成分，L3为灌浆-成熟期的第三主成分；
M1＝-0.3415X1+0.3405X2+0.3477X3+0.2892X4+0.3433X5+0.3104X6+0.3472X7+0.3462X8+0.3292X9
M2＝0.1385X1-0.0059X2-0.0558X3+0.7693X4-0.1809X5+0.4466X6-0.2268X7-0.2499X8-0.1975X9
M3＝-0.0095X1-0.2564X2-0.2561X3+0.5098X4-0.1260X5-0.5984X6+0.1919X7+0.1398X8+0.4241X9
上式中，X1为(SDr-SDb)/(SDr+SDb)，X2为倒数的一阶微分，X3为倒数的对数的一阶微分，X4为一阶微分，X5为除以R930，X6为对数的一阶微分，X7为原始反射率，X8为红谷幅值Rr，X9为蓝边面积SDb；
N1＝0.3229Q1+0.3403Q2+0.3403Q3+0.3253Q4+0.3385Q5+0.3389Q6-0.3380Q7-0.3201Q8+0.3349Q9
N2＝0.5334Q1+0.0623Q2+0.0598Q3+0.4272Q4-0.0154Q5-0.1173Q6+0.1811Q7+0.6878Q8-0.0790Q9
N3＝0.4325Q1+0.0414Q2+0.0537Q3-0.7492Q4+0.2392Q5-0.1967Q6+0.0841Q7+0.1130Q8+0.3644Q9
上式中，Q1为一阶微分，Q2为红谷幅值Rr，Q3为原始反射率，Q4为SDr/SDy，Q5为绿峰幅值Rg，Q6为除以R930，Q7为(SDr-SDb)/(SDr+SDb)，Q8为对数的一阶微分，Q9为蓝边面积SDb；
L1＝-0.3402Z1+0.3779Z2+0.2567Z3+0.1478Z4+0.3892Z5+0.3507Z6-0.3862Z7+0.3287Z8+0.3366Z9
L2＝-0.2936Z1+0.3188Z2+0.5018Z3+0.4570Z4-0.3314Z5-0.0923Z6+0.3875Z7-0.0737Z8-0.2786Z9
L3＝0.1934Z1+0.1001Z2+0.3912Z3-0.6198Z4-0.2475Z5+0.4526Z6+0.0163Z7+0.2440Z8-0.2985Z9
上式中，Z1为倒数的对数一阶微分，Z2为除以R450-750，Z3为一阶微分，Z4为对数的一阶微分，Z5为(SDr-SDy)/(SDr+SDy)，Z6为绿峰位置λg，Z7为黄边面积SDy，Z8为黄边幅值Dy，Z9为SDr/SDy。
本发明的有益效果为：本发明根据不同施氮水平下各生育期冬小麦冠层光谱反射率与植株冠层SPAD值数据，光谱信息基础变换与“三边”参数对植株冠层SPAD值之间相关关系，提出了考虑各生育期特点且具有较高精度的适宜模型组合，并构建了综合光谱信息基础变换与“三边”参数等诸多自变量的植株冠层SPAD值的主成分估算模型，突破了光谱监测生育时段制约与其他背景噪声的影响，为冬小麦全生育时段冠层SPAD值高光谱准确诊断提供理论依据和技术支持。
附图说明
图1为本发明流程图；
图2为不同施氮水平下冬小麦植株冠层光谱特征图。
具体实施方式
下面对本发明的具体实施方式进行描述，以便于本技术领域的技术人员理解本发明，但应该清楚，本发明不限于具体实施方式的范围，对本技术领域的普通技术人员来讲，只要各种变化在所附的权利要求限定和确定的本发明的精神和范围内，这些变化是显而易见的，一切利用本发明构思的发明创造均在保护之列。
冬小麦供试品种为中麦175，2017年10月13日播种，设置冬小麦行距为30cm，于次年6月6日收获，生育期达236d。该试验共设置15个小区，分为5个氮肥处理，全生育期内共施肥2次，分别为播前基肥施复合肥(供试复合肥含N量15％、含P2O5量15％、含K2O量15％)和返青期追施尿素(含N量46％)。每次施肥量分别为0、150、225、300、375kg/hm2，即N1、N2、N3、N4、N5处理，各处理设置3次重复。各小区均保持灌溉水平一致。其他田间管理措施按照当地一般高产田进行。在冬小麦生育期内依据天气情况每7～10d进行1次光谱反射率测定，并同步监测冬小麦SPAD值。
如图1所示，一种冬小麦冠层SPAD值综合光谱监测模型建立方法，包括以下步骤：
S1、测量冬小麦冠层的光谱反射率和SPAD值；
光谱反射率的测量方法为：在每次监测前采用反射率为1的白板进行校正，将地物光谱仪的探头垂直向下监测15cm冬小麦冠层，选择三处监测点并采用手持式地物光谱仪监测冬小麦植株冠层光谱，将三次检测结果的平均值作为冬小麦冠层的光谱反射率。地物光谱仪选择美国ASD公司生产的Field-Spec HandHeld2型手持式地物光谱仪，该地物光谱仪的有效波段范围是325-1075nm，采样间隔为1nm，分辨率为3nm。在冬小麦生育期内，选择晴朗无云或少云的情况进行光谱测定，测定时间一般以10：00-14:00为宜。
SPAD值的测量方法为：采用叶绿素仪对同一小区的三处监测点的完全展开叶的叶片中部进行2次SPAD值测量，将SPAD值测量结果的平均值作为该小区冬小麦冠层的SPAD值。叶绿素仪选择SPAD-502型叶绿素仪。
S2、通过光谱反射率构建光谱参量；
所述光谱参量包括光谱变换形式和“三边”参数；
光谱变换形式为对光谱反射率进行变换，包括除以R450-750、除以R930、倒数、倒数的对数、倒数的对数的一阶微分、倒数的一阶微分、对数、对数的一阶微分、吸收深度670nm和一阶微分，如表1所示；
所述R450-750为450nm-750nm波段反射率的平均值，所述R930为930nm波段的反射率值，所述吸收深度670nm的计算公式为：
上式中，A560为吸收特征起始点560nm处的光谱反射率，B670为吸收特征中心点670nm处的光谱反射率，C760为吸收特征结束点760nm处的光谱反射率；
表1 11种光谱变换形式计算公式
所述“三边”参数包括红边幅值Dr、红边位置λr、蓝边幅值Db、蓝边位置λb、黄边幅值Dy、黄边位置λy、绿峰幅值Rg、绿峰位置λg、红谷幅值Rr、红谷位置λv、红边面积SDr、蓝边面积SDb、黄边面积SDy、(Rg-Rr)/(Rg+Rr)、Rg/Rr、SDr/SDb、SDr/SDy、(SDr-SDb)、(SDr-SDb)/(SDr+SDb)、(SDr-SDy)/(SDr+SDy)，如表2所示；
所述红边幅值Dr为红光范围680～760nm内一阶导数光谱中的最大值，所述红边位置λr为红边幅值Dr相对应的波长位置，所述蓝边幅值Db为蓝光范围490nm～530nm内一阶导数光谱中的最大值，所述蓝边位置λb为蓝边幅值Db相对应的波长位置，所述黄边幅值Dy为黄光范围560～640nm内一阶导数光谱中的最大值，所述黄边位置λy为黄边幅值Dy相对应的波长位置，所述绿峰幅值Rg为绿光范围510～560nm内的最大波段反射率，所述绿峰位置λg为绿峰幅值Rg相对应的波长位置，所述红谷幅值Rr为红光范围640～680nm内的最小波段反射率，所述红谷位置λv为红谷幅值Rr相对应的波长位置。
表2本文采用的光谱特征参量
不同施氮水平下冬小麦冠层SPAD值见表3，随着冬小麦生育期的推进，SPAD值呈先增加后降低的趋势，其中拔节-抽穗期至抽穗-灌浆期，小麦冠层SPAD平均值逐渐增加并达到最高点，最大值为54.808；而抽穗-灌浆期至灌浆-成熟期，小麦冠层SPAD平均值由54.808逐渐下降为48.298，这主要是由于灌浆期之后，冬小麦的营养物质开始向麦穗转移，小麦叶片不断衰老，凋萎，导致SPAD值逐渐降低。不同施氮水平下，冬小麦冠层SPAD值随着施肥量的增加呈增加的趋势。不同施氮水平间冬小麦冠层SPAD值显著性存在较大差异，其中在拔节-抽穗期和抽穗-灌浆期，N1处理与其他处理间的冠层SPAD值差异均达显著水平(p<0.05)；而在灌浆-成熟期，各处理间冠层SPAD值差异达极显著水平(p<0.01)。
表3不同施氮水平下冬小麦植株冠层SPAD值
冬小麦的光谱具有一般绿色植物的反射特性，即在可见光波段光谱反射率较低，在近红外区域光谱反射率较高，且较可见光波段差异显著。由于小麦在生长过程中，叶绿素含量增加，光合作用增强，吸收红光与蓝光的能力增强，使反射率降低，从而形成两个吸收谷(蓝紫光波段(350nm-500nm)和红光波段(650nm-710nm))；而冬小麦对绿光的吸收能力较弱，因此形成较为明显的反射峰(绿光波段(500-600nm))；690nm后，叶片细胞结构发生变化，反射率急剧上升，形成一个较高的反射区，即“红边现象”。在同一生育期内，随着施氮量的增加，冬小麦植株冠层光谱反射率在可见光区域内降低；在近红外波段范围内则呈相反趋势，即随着施氮量增加，冬小麦植株冠层反射率逐渐增加，如图2所示。
所述相关性的计算公式为：
上式中，r为相关性，xi与yi为实测值，
与
为实测平均值。
以相关系数(r)为指标对不同光谱变换形式下其敏感波段进行比较分析，结果如表4所示。在拔节-抽穗期，所有光谱变换形式下其敏感波段的相关系数的绝对值均大于0.601，且均达到极显著水平，且相关系数最高的变换形式为倒数的一阶微分，其对应的敏感波段为754nm，其相关系数绝对值为0.766；在抽穗-灌浆期，不同光谱变换形式下敏感波段的相关系数的绝对值均大于0.453，且均达到极显著水平，相关系数最高的变换形式为一阶微分，其对应的敏感波段为552nm，其相关系数的绝对值为0.811；在灌浆-成熟期，仅除以R450-750、倒数的对数的一阶微分、倒数的一阶微分、对数的一阶微分、一阶微分达到极显著水平，其他光谱变换形式均未达显著水平，其中相关系数最高的变换形式为倒数的对数的一阶微分，其对应的敏感波段分别为541nm，其相关系数绝对值分别为0.748。综上比较，不同生育期最佳光谱变换形式及相应敏感波段各异，所以采用光谱变换构建冬小麦SPAD值模型需兼顾不同生育期各光谱变换形式下敏感波段及其相关性状况，才能确保模拟结果更合理。
表4冬小麦不同生育期不同光谱变换形式与冠层SPAD值的相关系数
对冬小麦冠层SPAD值与“三边”参数值进行相关性分析以获取不同生育期和全生育期的最佳“三边”参数，结果见表5。在拔节-抽穗期，红边位置、黄边位置、红边面积达到显著水平，红边幅值、蓝边幅值、黄边幅值、绿峰幅值、红谷幅值、红谷位置、蓝边面积、(Rg-Rr)/(Rg+Rr)、Rg/Rr、SDr/SDb、(SDr-SDb)、(SDr-SDb)/(SDr+SDb)达极显著水平，而其它“三边”参数均未达显著水平且相关系数较小；在抽穗-灌浆期，仅红边面积达显著水平，红边幅值、红边位置、蓝边位置、黄边幅值、黄边位置、红谷位置未达显著水平且相关系数的绝对值均低于0.245，其他“三边”参数均达极显著水平；在灌浆-成熟期，(SDr-SDb)、(SDr-SDb)/(SDr+SDb)仅达显著水平，黄边幅值、绿峰位置、黄边面积、SDr/SDb、SDr/SDy、(SDr-SDy)/(SDr+SDy)达极显著水平，其他“三边”参数均未达显著水平；综合考虑不同生育期“三边”参数与冠层SPAD值的相关性，不同生育期最佳“三边”参数各异，因此可以采用“三边”参数构建不同生育期的冬小麦冠层SPAD值模型具有可行性。
表5冬小麦不同生育期“三边”参数与冠层SPAD的相关系数
S3、对冬小麦冠层SPAD值与光谱变换形式和“三边”参数进行相关性分析，选择各生育期相关性显著的光谱参量，对其进行主成分分析，通过主成分分析结果分别构建各生育时段综合光谱参量的SPAD值监测模型，将各生育时段综合光谱参量的SPAD值监测模型组合作为全生育期综合光谱参量的冠层SPAD值监测模型；
所述生育期包括拔节-抽穗期、抽穗-灌浆期和灌浆-成熟期。
所述步骤S3中SPAD值监测模型的综合光谱参量以各生育时段冬小麦冠层SPAD值与相应的光谱变换形式及“三边”参数相关性显著为标准选取，其中拔节-抽穗期的光谱参量包括：(SDr-SDb)/(SDr+SDb)、倒数的一阶微分、倒数的对数的一阶微分、一阶微分、除以R930、对数的一阶微分、原始反射率、红谷幅值Rr、蓝边面积SDb；抽穗-灌浆期的光谱参量包括：一阶微分、红谷幅值Rr、原始反射率、SDr/SDy、绿峰幅值Rg、除以R930、(SDr-SDb)/(SDr+SDb)、对数的一阶微分、蓝边面积SDb；灌浆-成熟期的光谱参量包括：倒数的对数的一阶微分、除以R450-750、一阶微分、对数的一阶微分、(SDr-SDy)/(SDr+SDy)、绿峰位置λg、黄边面积SDy、黄边幅值Dy、SDr/SDy。
根据各生育时段关键参量的相关系数，如表6-表8所示，在拔节-抽穗期，各参数之间相关系数的绝对值均大于0.736，且均达极显著水平；在抽穗-灌浆期，各关键参数之间的相关系数绝对值均大于0.837，且相关性全部达极显著水平；在灌浆-成熟期，各关键参数之间的相关系数绝对值均大于0.394，且相关性全部达极显著水平，,因此表明各关键光谱参量之间存在多重共线性，所以采用选取关键参量进行多元回归方式建立模型，由于各关键因素间存在信息重叠问题，则会降低多元线性回归估算模型的预测精度。
表6拔节-抽穗期光谱参量间的相关系数
表7抽穗-灌浆期光谱参量间的相关系数
表8灌浆-成熟期光谱参量间的相关系数
主成分分析可以消除自变量之间存在的共线性以提高模型的预测精度。本发明针对冬小麦各生育时段筛选确定关键光谱参量进行主成分分析，固定每个关键生育期的主成分因子数为3个，其中拔节-抽穗期、抽穗-灌浆期和灌浆-成熟期的累积贡献率分别为96.0％、99.0％、81.1％，构建基于主成分的冬小麦冠层SPAD值监测模型能代表80％以上光谱信息。冬小麦全生育时段冠层SPAD值监测模型为：
上式中，Y为冬小麦冠层SPAD值/(g.g-1)，M1为拔节-抽穗期的第一主成分，M2为拔节-抽穗期的第二主成分，M3为拔节-抽穗期的第三主成分，N1为抽穗-灌浆期的第一主成分，N2为抽穗-灌浆期的第二主成分，N3为抽穗-灌浆期的第三主成分，L1为灌浆-成熟期的第一主成分，L2为灌浆-成熟期的第二主成分，L3为灌浆-成熟期的第三主成分；
M1＝-0.3415X1+0.3405X2+0.3477X3+0.2892X4+0.3433X5+0.3104X6+0.3472X7+0.3462X8+0.3292X9
M2＝0.1385X1-0.0059X2-0.0558X3+0.7693X4-0.1809X5+0.4466X6-0.2268X7-0.2499X8-0.1975X9
M3＝-0.0095X1-0.2564X2-0.2561X3+0.5098X4-0.1260X5-0.5984X6+0.1919X7+0.1398X8+0.4241X9
上式中，X1为(SDr-SDb)/(SDr+SDb)，X2为倒数的一阶微分，X3为倒数的对数的一阶微分，X4为一阶微分，X5为除以R930，X6为对数的一阶微分，X7为原始反射率，X8为红谷幅值Rr，X9为蓝边面积SDb；
N1＝0.3229Q1+0.3403Q2+0.3403Q3+0.3253Q4+0.3385Q5+0.3389Q6-0.3380Q7-0.3201Q8+0.3349Q9
N2＝0.5334Q1+0.0623Q2+0.0598Q3+0.4272Q4-0.0154Q5-0.1173Q6+0.1811Q7+0.6878Q8-0.0790Q9
N3＝0.4325Q1+0.0414Q2+0.0537Q3-0.7492Q4+0.2392Q5-0.1967Q6+0.0841Q7+0.1130Q8+0.3644Q9
上式中，Q1为一阶微分，Q2为红谷幅值Rr，Q3为原始反射率，Q4为SDr/SDy，Q5为绿峰幅值Rg，Q6为除以R930，Q7为(SDr-SDb)/(SDr+SDb)，Q8为对数的一阶微分，Q9为蓝边面积SDb；
L1＝-0.3402Z1+0.3779Z2+0.2567Z3+0.1478Z4+0.3892Z5+0.3507Z6-0.3862Z7+0.3287Z8+0.3366Z9
L2＝-0.2936Z1+0.3188Z2+0.5018Z3+0.4570Z4-0.3314Z5-0.0923Z6+0.3875Z7-0.0737Z8-0.2786Z9
L3＝0.1934Z1+0.1001Z2+0.3912Z3-0.6198Z4-0.2475Z5+0.4526Z6+0.0163Z7+0.2440Z8-0.2985Z9
上式中，Z1为倒数的对数一阶微分，Z2为除以R450-750，Z3为一阶微分，Z4为对数的一阶微分，Z5为(SDr-SDy)/(SDr+SDy)，Z6为绿峰位置λg，Z7为黄边面积SDy，Z8为黄边幅值Dy，Z9为SDr/SDy。
所述决定系数R2的计算公式为：
所述均方根误差RMSE的计算公式为：
所述平均绝对误差MAE的计算公式为：
上式中，yi为实测值，yi'为预测值，
为实测平均值，n为样本数。
以决定系数R2、均方根误差RMSE和平均绝对误差MAE为评价指标对冬小麦冠层SPAD值监测模型进行综合评定，如表9所示。结果表明，在拔节-抽穗期的R2为0.603，RMSE为3.837，MAE为3.053；在抽穗-灌浆期的R2为0.760，RMSE为2.879，MAE为2.219；在灌浆-成熟期的R2为0.696，RMSE为5.024，MAE为3.977。由此可见，构建的冬小麦全生育期综合光谱参量的冠层SPAD值监测模型在冬小麦各个生育时段SPAD值监测的决定系数R2大于0.603，均方根误差RMSE小于5.024，平均绝对误差MAE小于3.977，所以采用本发明构建全生育期综合光谱参量的冠层SPAD值监测模型在全生育与各生育时段都具有较高的估算精度，能够为冬小麦叶绿素的监测与诊断提供依据。
表9模型评价指数
Claims (3)
1.一种冬小麦冠层SPAD值综合光谱监测模型建立方法，其特征在于，包括以下步骤：
S1、测量冬小麦冠层的光谱反射率和SPAD值；
S2、通过光谱反射率构建光谱参量；所述光谱参量包括光谱变换形式和“三边”参数；
所述光谱变换形式为对光谱反射率进行变换，包括除以R450-750、除以R930、倒数、倒数的对数、倒数的对数的一阶微分、倒数的一阶微分、对数、对数的一阶微分、吸收深度670nm和一阶微分；
所述R450-750为450nm-750nm波段反射率的平均值，所述R930为930nm波段的反射率值，所述吸收深度670nm的计算公式为：
上式中，A560为吸收特征起始点560nm处的光谱反射率，B670为吸收特征中心点670nm处的光谱反射率，C760为吸收特征结束点760nm处的光谱反射率；
所述“三边”参数包括红边幅值Dr、红边位置λr、蓝边幅值Db、蓝边位置λb、黄边幅值Dy、黄边位置λy、绿峰幅值Rg、绿峰位置λg、红谷幅值Rr、红谷位置λv、红边面积SDr、蓝边面积SDb、黄边面积SDy、(Rg-Rr)/(Rg+Rr)、Rg/Rr、SDr/SDb、SDr/SDy、(SDr-SDb)、(SDr-SDb)/(SDr+SDb)、(SDr-SDy)/(SDr+SDy)；
所述红边幅值Dr为红光范围680～760nm内一阶导数光谱中的最大值，所述红边位置λr为红边幅值Dr相对应的波长位置，所述蓝边幅值Db为蓝光范围490nm～530nm内一阶导数光谱中的最大值，所述蓝边位置λb为蓝边幅值Db相对应的波长位置，所述黄边幅值Dy为黄光范围560～640nm内一阶导数光谱中的最大值，所述黄边位置λy为黄边幅值Dy相对应的波长位置，所述绿峰幅值Rg为绿光范围510～560nm内的最大波段反射率，所述绿峰位置λg为绿峰幅值Rg相对应的波长位置，所述红谷幅值Rr为红光范围640～680nm内的最小波段反射率，所述红谷位置λv为红谷幅值Rr相对应的波长位置；
S3、对冬小麦冠层SPAD值与光谱变换形式和“三边”参数进行相关性分析，选择各生育期相关性显著的光谱参量，对其进行主成分分析，通过主成分分析结果分别构建各生育时段综合光谱参量的SPAD值监测模型，将各生育时段综合光谱参量的SPAD值监测模型组合作为全生育时段综合光谱参量的冠层SPAD值监测模型；所述生育期包括拔节-抽穗期、抽穗-灌浆期和灌浆-成熟期；
所述SPAD值监测模型的综合光谱参量以各生育时段冬小麦冠层SPAD值与相应的光谱变换形式及“三边”参数相关性显著为标准选取，其中拔节-抽穗期的光谱参量包括：(SDr-SDb)/(SDr+SDb)、倒数的一阶微分、倒数的对数的一阶微分、一阶微分、除以R930、对数的一阶微分、原始反射率、红谷幅值Rr、蓝边面积SDb；抽穗-灌浆期的光谱参量包括：一阶微分、红谷幅值Rr、原始反射率、SDr/SDy、绿峰幅值Rg、除以R930、(SDr-SDb)/(SDr+SDb)、对数的一阶微分、蓝边面积SDb；灌浆-成熟期的光谱参量包括：倒数的对数的一阶微分、除以R450-750、一阶微分、对数的一阶微分、(SDr-SDy)/(SDr+SDy)、绿峰位置λg、黄边面积SDy、黄边幅值Dy、SDr/Sdy；
所述冠层SPAD值监测模型为：
上式中，Y为冬小麦冠层SPAD值，M1为拔节-抽穗期的第一主成分，M2为拔节-抽穗期的第二主成分，M3为拔节-抽穗期的第三主成分，N1为抽穗-灌浆期的第一主成分，N2为抽穗-灌浆期的第二主成分，N3为抽穗-灌浆期的第三主成分，L1为灌浆-成熟期的第一主成分，L2为灌浆-成熟期的第二主成分，L3为灌浆-成熟期的第三主成分；
M1＝-0.3415X1+0.3405X2+0.3477X3+0.2892X4+0.3433X5+0.3104X6+0.3472X7+0.3462X8+0.3292X9
M2＝0.1385X1-0.0059X2-0.0558X3+0.7693X4-0.1809X5+0.4466X6-0.2268X7-0.2499X8-0.1975X9
M3＝-0.0095X1-0.2564X2-0.2561X3+0.5098X4-0.1260X5-0.5984X6+0.1919X7+0.1398X8+0.4241X9
上式中，X1为(SDr-SDb)/(SDr+SDb)，X2为倒数的一阶微分，X3为倒数的对数的一阶微分，X4为一阶微分，X5为除以R930，X6为对数的一阶微分，X7为原始反射率，X8为红谷幅值Rr，X9为蓝边面积SDb；
N1＝0.3229Q1+0.3403Q2+0.3403Q3+0.3253Q4+0.3385Q5+0.3389Q6-0.3380Q7-0.3201Q8+0.3349Q9
N2＝0.5334Q1+0.0623Q2+0.0598Q3+0.4272Q4-0.0154Q5-0.1173Q6+0.1811Q7+0.6878Q8-0.0790Q9
N3＝0.4325Q1+0.0414Q2+0.0537Q3-0.7492Q4+0.2392Q5-0.1967Q6+0.0841Q7+0.1130Q8+0.3644Q9
上式中，Q1为一阶微分，Q2为红谷幅值Rr，Q3为原始反射率，Q4为SDr/SDy，Q5为绿峰幅值Rg，Q6为除以R930，Q7为(SDr-SDb)/(SDr+SDb)，Q8为对数的一阶微分，Q9为蓝边面积SDb；
L1＝-0.3402Z1+0.3779Z2+0.2567Z3+0.1478Z4+0.3892Z5+0.3507Z6-0.3862Z7+0.3287Z8+0.3366Z9
L2＝-0.2936Z1+0.3188Z2+0.5018Z3+0.4570Z4-0.3314Z5-0.0923Z6+0.3875Z7-0.0737Z8-0.2786Z9
L3＝0.1934Z1+0.1001Z2+0.3912Z3-0.6198Z4-0.2475Z5+0.4526Z6+0.0163Z7+0.2440Z8-0.2985Z9
上式中，Z1为倒数的对数一阶微分，Z2为除以R450-750，Z3为一阶微分，Z4为对数的一阶微分，Z5为(SDr-SDy)/(SDr+SDy)，Z6为绿峰位置λg，Z7为黄边面积SDy，Z8为黄边幅值Dy，Z9为SDr/SDy。
2.根据权利要求1所述的冬小麦冠层SPAD值综合光谱监测模型建立方法，其特征在于，所述步骤S1中光谱反射率的测量方法为：
在每次监测前采用反射率为1的白板进行校正，将手持式地物光谱仪的探头垂直向下且距冬小麦冠层15cm，场视角为25°，选择三处监测点并采用手持式地物光谱仪在每处监测点进行10次光谱测量，将光谱测量结果的平均值作为冬小麦冠层的光谱反射率。
3.根据权利要求2所述的冬小麦冠层SPAD值综合光谱监测模型建立方法，其特征在于，所述步骤S1中SPAD值的测量方法为：
采用叶绿素仪对同一小区的3处监测点的完全展开叶的叶片中部进行2次SPAD值测量，将SPAD值测量结果的平均值作为该小区冬小麦冠层的SPAD值。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201910416831.XA CN110082309B (zh) | 2019-05-20 | 2019-05-20 | 冬小麦冠层spad值综合光谱监测模型建立方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201910416831.XA CN110082309B (zh) | 2019-05-20 | 2019-05-20 | 冬小麦冠层spad值综合光谱监测模型建立方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN110082309A CN110082309A (zh) | 2019-08-02 |
| CN110082309B true CN110082309B (zh) | 2021-03-16 |
Family
ID=67420778
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201910416831.XA Active CN110082309B (zh) | 2019-05-20 | 2019-05-20 | 冬小麦冠层spad值综合光谱监测模型建立方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN110082309B (zh) |
Families Citing this family (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN110567891B (zh) * | 2019-09-16 | 2021-09-07 | 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 |
| CN110646359A (zh) * | 2019-10-17 | 2020-01-03 | 黑龙江八一农垦大学 | 一种红小豆锈病检测方法及系统 |
| CN112287886B (zh) * | 2020-11-19 | 2023-09-22 | 安徽农业大学 | 基于高光谱图像融合图谱特征的小麦植株氮含量估测方法 |
| CN112881327B (zh) * | 2021-01-25 | 2023-04-21 | 安徽皖南烟叶有限责任公司 | 一种基于新型植被指数的烟叶spad值估测方法 |
| CN117760984A (zh) * | 2023-12-25 | 2024-03-26 | 安徽科技学院 | 一种冬小麦spad时空变化监测方法 |
Family Cites Families (10)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20060290933A1 (en) * | 2005-06-27 | 2006-12-28 | Paige Holm | System and method for monitoring plant conditions |
| CN102175618B (zh) * | 2011-01-31 | 2012-11-21 | 南京农业大学 | 一种稻麦叶片氮含量光谱监测模型建模方法 |
| CN103018179B (zh) * | 2012-12-11 | 2015-04-22 | 江苏大学 | 一种作物水分胁迫的近红外偏振超光谱成像检测装置和方法 |
| CN103884732B (zh) * | 2014-04-09 | 2017-02-15 | 青岛啤酒股份有限公司 | 一种高浓酿造后稀释啤酒风味协调性的评价方法 |
| CN105277491A (zh) * | 2015-09-24 | 2016-01-27 | 中国农业科学院农业资源与农业区划研究所 | 叶绿素含量测量方法及装置 |
| CN106770072A (zh) * | 2016-12-05 | 2017-05-31 | 青岛农业大学 | 一种返青后到抽穗前冬小麦叶片spad值估算方法 |
| CN107024439A (zh) * | 2017-03-23 | 2017-08-08 | 西北农林科技大学 | 一种水稻不同生育期叶绿素含量高光谱估测方法 |
| CN107202784B (zh) * | 2017-04-28 | 2020-01-24 | 黑龙江八一农垦大学 | 一种水稻浸种催芽过程中工艺节点的检测方法 |
| CN108169141A (zh) * | 2017-11-28 | 2018-06-15 | 华南农业大学 | 一种基于高光谱图像的茶树lai及氮含量估算方法 |
| CN109060676A (zh) * | 2018-07-05 | 2018-12-21 | 中国水利水电科学研究院 | 基于高光谱的夏玉米冠层spad值估算模型的确定方法 |
-
2019
- 2019-05-20 CN CN201910416831.XA patent/CN110082309B/zh active Active
Non-Patent Citations (1)
| Title |
|---|
| Estimating leaf SPAD values of freeze-damaged winter wheat using continuous wavelet analysis;Hui-fang Wang;《Plant Physiology and Biochemistry》;20151110;第98卷;39-45 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN110082309A (zh) | 2019-08-02 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN110082300B (zh) | 基于光谱参量的冬小麦冠层含水率监测模型建立方法 | |
| CN110082309B (zh) | 冬小麦冠层spad值综合光谱监测模型建立方法 | |
| CN109187441B (zh) | 基于冠层光谱信息的夏玉米含氮量监测模型的构建方法 | |
| CN113268923B (zh) | 一种基于模拟多光谱的夏玉米产量估算方法 | |
| 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 | |
| CN102435564B (zh) | 一种基于三波段光谱指数估测植物氮含量的方法 | |
| CN110069895B (zh) | 冬小麦含氮量全生育时段光谱监测模型建立方法 | |
| CN110376167A (zh) | 基于无人机高光谱的水稻叶片氮含量监测方法 | |
| 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 | |
| CN110567892B (zh) | 一种基于临界氮浓度的夏玉米氮素高光谱预测方法 | |
| CN111044516B (zh) | 一种水稻叶绿素含量遥感估测方法 | |
| CN104408307A (zh) | 田间小麦白粉病发病程度的快速监测方法及其监测模型的构建方法 | |
| CN110189793B (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 | |
| CN107356569A (zh) | 基于叶绿素荧光预测小麦籽粒产量的方法及其模型的构建方法 | |
| CN111829965A (zh) | 水稻地上部淀粉积累量遥感反演模型和方法 | |
| CN109060676A (zh) | 基于高光谱的夏玉米冠层spad值估算模型的确定方法 | |
| CN113866104B (zh) | 一种基于数码相机检测温室番茄氮素营养状况的方法 | |
| CN112816618A (zh) | 一种氮高效小麦品种的筛选方法 | |
| CN105608296B (zh) | 一种基于荔枝冠层光谱的叶片钾浓度反演方法 | |
| CN113035290A (zh) | 一种基于高光谱遥感技术的小麦植株氮积累量监测方法 | |
| CN110596048A (zh) | 一种光谱速测烟草叶片中钾含量的方法 | |
| CN113552096A (zh) | 一种基于光谱的菠萝叶片氮含量估算方法 | |
| CN110596049A (zh) | 一种光谱速测烟草叶片中磷含量的方法 | |
| CN113640230B (zh) | 一种田间小麦水分利用率快速检测方法及系统 | |
| CN115344997B (zh) | 夏玉米植株叶片-冠层-像元尺度氮浓度协同预测方法 |
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 |