CN110118732A - 土壤含水量检测方法及装置 - Google Patents

土壤含水量检测方法及装置 Download PDF

Info

Publication number
CN110118732A
CN110118732A CN201910428757.3A CN201910428757A CN110118732A CN 110118732 A CN110118732 A CN 110118732A CN 201910428757 A CN201910428757 A CN 201910428757A CN 110118732 A CN110118732 A CN 110118732A
Authority
CN
China
Prior art keywords
soil
measured
soil sample
interest
moisture content
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
Application number
CN201910428757.3A
Other languages
English (en)
Inventor
李鑫星
朱晨光
彭要奇
郑永军
严海军
董玉红
白雪冰
张国祥
曹闪闪
余建树
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
China Agricultural University
Original Assignee
China Agricultural University
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by China Agricultural University filed Critical China Agricultural University
Priority to CN201910428757.3A priority Critical patent/CN110118732A/zh
Publication of CN110118732A publication Critical patent/CN110118732A/zh
Pending legal-status Critical Current

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

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

本发明实施例提供一种土壤含水量检测方法及装置，属于多光谱技术领域。包括：根据标准白板的标定反射率、标准白板在感兴趣区域范围内的平均反射光谱及待测土壤样本在感兴趣区域范围内的平均反射光谱，计算得到待测土壤样本在预设波段处的光谱反射率；将待测土壤样本在预设波段处的光谱反射率输入至土壤含水量反演模型，输出待测土壤样本的含水量。本发明实施例提供的方法，由于可将无人机多光谱图像技术应用于土壤墒情的监测中，可以实现对土壤水分信息的快速获取，并为土壤水分含量的快速检测提供技术支持。

Description

土壤含水量检测方法及装置
技术领域
本发明涉及多光谱技术领域，尤其涉及一种土壤含水量检测方法及装置。
背景技术
土壤水分含量是土壤属性关键的表征参数之一，该参数在农业、水文、环境、气象等领域起重要作用；土壤水分含量可以反映土壤的湿润状况，其对农作物长势良好与否起着关键作用。土壤水作为地下水和地表水的介质，影响着水资源的形成、转化和消耗。土壤含水率在陆地表面的吸收、反射、发射的过程起中重要作用，影响地表与大气界面间的能量和物质的交换。因此，及时准确地获取土壤水分含量的信息极为重要。
发明内容
为了解决上述问题，本发明实施例提供一种克服上述问题或者至少部分地解决上述问题的土壤含水量检测方法及装置。
根据本发明实施例的第一方面，提供了一种土壤含水量检测方法，包括：
根据标准白板的标定反射率、标准白板在感兴趣区域范围内的平均反射光谱及待测土壤样本在感兴趣区域范围内的平均反射光谱，计算得到待测土壤样本在预设波段处的光谱反射率；
将待测土壤样本在预设波段处的光谱反射率输入至土壤含水量反演模型，输出待测土壤样本的含水量。
根据本发明实施例的第二方面，提供了一种土壤含水量检测装置，包括：
计算模块，用于根据标准白板的标定反射率、标准白板在感兴趣区域范围内的平均反射光谱及待测土壤样本在感兴趣区域范围内的平均反射光谱，计算得到待测土壤样本在预设波段处的光谱反射率；
输出模块，用于将待测土壤样本在预设波段处的光谱反射率输入至土壤含水量反演模型，输出待测土壤样本的含水量。
根据本发明实施例的第三方面，提供了一种电子设备，包括：
至少一个处理器；以及
与处理器通信连接的至少一个存储器，其中：
存储器存储有可被处理器执行的程序指令，处理器调用程序指令能够执行第一方面的各种可能的实现方式中任一种可能的实现方式所提供的土壤含水量检测方法。
根据本发明的第四方面，提供了一种非暂态计算机可读存储介质，非暂态计算机可读存储介质存储计算机指令，计算机指令使计算机执行第一方面的各种可能的实现方式中任一种可能的实现方式所提供的土壤含水量检测方法。
本发明实施例提供的土壤含水量检测方法及装置，由于可将无人机多光谱图像技术应用于土壤墒情的监测中，可以实现对土壤水分信息的快速获取，并为土壤水分含量的快速检测提供技术支持。
应当理解的是，以上的一般描述和后文的细节描述是示例性和解释性的，并不能限制本发明实施例。
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一简单地介绍，显而易见地，下面描述中的附图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为本发明实施例提供的一种土壤含水量检测方法的流程示意图；
图2为本发明实施例提供的一种土壤含水量检测装置的结构示意图；
图3为本发明实施例提供的一种电子设备的框图。
具体实施方式
为使本发明实施例的目的、技术方案和优点更加清楚，下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
目前，利用多光谱成像技术，对获取的土壤光谱信息进行分析，得到土壤水分的精确信息，为土壤墒情的监测提供了有力的技术支持。多光谱成像技术是将成像技术和多光谱测量技术相结合，获取地物的空间信息及随波长分布的光谱辐射信息的技术。现代多光谱技术是近年来分析化学领域发展较为迅猛的高新分析技术，相对于多光谱技术具有无创性、快速性、可重复性、可操作性等优点，基于多光谱分析技术在土壤成分含量检测中的应用是一个重要发展方向。
另外，无人机作为一种新型的信息获取载体被社会广泛关注。伴随着技术的逐渐成熟，无人机由于工作适应性好、操作灵活等优势已经在越来越多的领域得到了应用，并逐渐成为农业作业中的一种新型设备。无人机结合遥感系统，不仅可以高效获取监测目标信息，还可以快速跟踪和监测，实现对农田状况的全面评价。作为一种便捷式全面获取信息的新型仪器，无人机在精准农业领域得到广泛推广。
结合上述两种手段，针对相关技术中的问题，本发明实施例提供了一种土壤含水量检测方法。参见图1，该方法包括：101、根据标准白板的标定反射率、标准白板在感兴趣区域范围内的平均反射光谱及待测土壤样本在感兴趣区域范围内的平均反射光谱，计算得到待测土壤样本在预设波段处的光谱反射率；102、将待测土壤样本在预设波段处的光谱反射率输入至土壤含水量反演模型，输出待测土壤样本的含水量。
本发明实施例提供的方法，由于可将无人机多光谱图像技术应用于土壤墒情的监测中，可以实现对土壤水分信息的快速获取，并为土壤水分含量的快速检测提供技术支持。
基于上述实施例的内容，作为一种可选实施例，根据标准白板的标定反射率、标准白板在感兴趣区域范围内的平均反射光谱及待测土壤样本在感兴趣区域范围内的平均反射光谱，计算得到待测土壤样本在预设波段处的光谱反射率之前，还包括：
根据待测土壤样本的无人机多光谱图像，构建待测土壤样本的感兴趣区域。
基于上述实施例的内容，作为一种可选实施例，根据待测土壤样本的无人机多光谱图像，构建待测土壤样本的感兴趣区域之前，还包括：通过随机采样采集若干组表层土壤，作为待测土壤样本，并在预设光线环境下，获取待测土壤样本的无人机多光谱图像。
基于上述实施例的内容，作为一种可选实施例，根据标准白板的标定反射率、标准白板在感兴趣区域范围内的平均反射光谱及待测土壤样本在感兴趣区域范围内的平均反射光谱，计算得到待测土壤样本在预设波段处的光谱反射率，包括：计算标准白板在感兴趣区域范围内的平均反射光谱与待测土壤样本在感兴趣区域范围内的平均反射光谱之间的比值，将比值与标准白板的标定反射率之间的乘积，作为待测土壤样本在预设波段处的光谱反射率。
基于上述实施例的内容，作为一种可选实施例，预设波段包括以下5种波段，以下5种波段分别为蓝、绿、红、近红外及红边。
基于上述实施例的内容，作为一种可选实施例，土壤含水量反演模型中输入神经元的数量与预设波段的种类相同。
基于上述实施例的内容，作为一种可选实施例，将待测土壤样本在预设波段处的光谱反射率输入至土壤含水量反演模型，输出待测土壤样本的含水量之前，还包括：根据土壤含水量反演模型中输入神经元的数量，确定土壤含水量反演模型中隐含神经元的数量；根据土壤含水量反演模型中输入神经元、隐含神经元及输出神经元的数量，构建土壤含水量反演模型。
为了便于理解，现结合实际应用场景，对土壤含水量检测过程进行说明，该过程主要包括土壤含水量反演模型的训练过程及使用过程，具体如下：
首先，可以采集试验田的表层土壤，如按照随机采样法采集100组土壤，将采集的土壤样本自然风干，通过1.5mm的筛网，去除作物根系，分别用12cm*12cm的花盆盛装；向每盆土壤均匀喷洒蒸馏水，将每盆土壤样本含水率配置0～50％。
在完成上述工作后，可将100组土壤按10组*10组的方式摆放整齐。在光线良好的环境下，将多光谱相机搭载在无人机进行拍摄，拍摄前需要先拍摄标准白板图像作为校正图像。采集土壤样本的光谱数据前，可使用该多光谱相机的标准白板进行1～2次标定。无人机经多次试飞后，选定飞行高度为3m，每次拍摄前操控无人机飞至100组土壤样本上方悬停10秒左右，待无人机机身稳定后进行数据采集，拍摄过程中使用WiFi模式，可直连手机端进行样本图像位置的实时预览，采用2组/秒自动拍摄，图像格式为16位的TIFF图像，拍摄多组图像存储在多光谱相机存储卡内。选择清晰的图像进行处理，图像采集完毕，将每组土壤样本用自封袋密闭包装，送回实验室中以便测量土壤的含水率。
土壤烘干法是常见的土壤含水量测定方法，本实验以该方法测量的土壤含水率作为真实值。将100份土样分别放在10cm*16cm的锡纸盒中，在105℃的烘箱中(在此温度下土壤吸着水被蒸发，而结构水不致破坏，土壤有机质也不致分解)烘12小时至恒重，取出干燥器内冷却至室温，使用精准天秤称重，准确至0.001G，失去的质量为水分质量，即可计算土壤水分百分数。土样做三份平行测定，取三份平均值。土壤百分数可采用如下公式计算：
其中，w表示含水率，m0为锡盒质量(g)，m1表示烘干前锡盒及土样质量(g)，m2表示烘干后锡盒及土样质量(g)。
通过使用ENVI5.3软件，对土壤感兴趣区域(Region of interest，ROI)进行构建，构建过程中考虑到传感器镜头的边缘减光现象，可根据花盆的面积、形状建立合适大小的ROI，提取出每盆土壤样本的平均光谱值。以此借助软件可以得到ROI区域内的平均反射光谱，并根据标准白板的标定反射率、白板ROI范围内的平均反射光谱和土壤样本白板ROI范围内的平均反射光谱，比值换算得到土壤5个波段处的光谱反射率。
完成上述数据分析过程后，可对样本进行划分。具体可以使用SPXY法(Sample setpartitioning based on joint x-y distance，X-Y共生矩阵法)，SPXY法是一种基于统计基础的样本集选择方法，具有能够有效地覆盖多维向量空间，从而改善所建模型的预测能力的优点。由于建模集与预测集的比例的选取会大大地影响模型的预测效果，本发明实施例可以确定两者比例，通常建模集与预测集的比例在3:1～2:1之间比较合适，从而本发明实施例选用了建模集：预测集＝3:1和建模集：预测集＝2:1两种方式，通过比较选择最适合的比例进行建模。
样本划分过程结束后，可建立土壤含水量反演模型。其中，该模型可以使用BP神经网络。BP神经网络是一种应用广泛的多层神经网络学习方法，其主要特点是数据前像传播，误差反向传播，通过前向传播计算出网络的输出值，由输出值求出输出层的残差，从输出层反向将残差传回各层的神经元中。BP神经网络通过不断调节网络权重值，使得网络的最终输出值与期望值输出尽可能地接近，从而达到训练的目的。
莱文贝格-马夸特方法能够提供数非线性最小化(局部最小)的数值解。此算法能借由执行时修改参数达到结合高斯-牛顿算法以及梯度下降法的优点，并对两者之不足作改善(比如高斯-牛顿算法之反矩阵不存在或是初始值离局部极小值太远)。莱文贝格-马夸特算法是针对误差平方和型函数的特定方法，这使它在训练神经网络中测量这种误差时非常快。
由于训练的各样本数据均有最大值和最小值，并且单位不统一，本发明实施例采用MATLAB程序对输入数据进行归一化处理至同一量纲，归一化公式如下：
在上述公式中，x0为归一化后数据。x为样本值，xmin为同类型样本最小值，xmax为同类型样本最大值。
样本值归一化到(0.1，0.9)之间，参考这个范围，本发明实施例选择选取S型函数和purelin线性函数作为各层之间的传递函数，选取trainlm作为训练函数，利用newff函数建立土壤含水量反演模型。
基于无人机多光谱图像的土壤含水量反演模型的输入神经元数目为5个，即蓝、绿、红、近红外和红边等5个波段图像对应的反射率，可输出神经元为1个，即土壤水分信息。需要说明的是，目前对于隐含层单元数的确定尚没有明确最佳的方法，主要依据Kolmogorov定理、经验公式和试凑法来确定。本发明实施例根据蓝、绿、红、近红外和红边等5个波段图像对应的反射率作为5个输入神经元，玉米叶片含水量作为1个输出神经元，初求解出隐含层神经元数量范围，将每个隐含层神经元数目对应的网络结构反复训练20次，记录拟合精度最高的一次，从而以此确定出最理想的隐含层神经元数目，进而可以得到土壤含水量反演模型。
在得到土壤含水量反演模型，可通过该土壤含水量反演模型计算得出待测土壤样本的含水量。
基于上述实施例的内容，本发明实施例提供了一种土壤含水量检测装置，该土壤含水量检测装置用于执行上述方法实施例中提供的土壤含水量检测方法。参见图2，该装置包括：
计算模块201，用于根据标准白板的标定反射率、标准白板在感兴趣区域范围内的平均反射光谱及待测土壤样本在感兴趣区域范围内的平均反射光谱，计算得到待测土壤样本在预设波段处的光谱反射率；
输出模块202，用于将待测土壤样本在预设波段处的光谱反射率输入至土壤含水量反演模型，输出待测土壤样本的含水量。
作为一种可选实施例，该装置还包括：
第一构建模块，用于根据待测土壤样本的无人机多光谱图像，构建待测土壤样本的感兴趣区域。
作为一种可选实施例，该装置还包括：
获取模块，用于通过随机采样采集若干组表层土壤，作为待测土壤样本，并在预设光线环境下，获取待测土壤样本的无人机多光谱图像。
作为一种可选实施例，计算模块201，用于计算标准白板在感兴趣区域范围内的平均反射光谱与待测土壤样本在感兴趣区域范围内的平均反射光谱之间的比值，将比值与标准白板的标定反射率之间的乘积，作为待测土壤样本在预设波段处的光谱反射率。
作为一种可选实施例，预设波段包括以下5种波段，以下5种波段分别为蓝、绿、红、近红外及红边。
作为一种可选实施例，土壤含水量反演模型中输入神经元的数量与预设波段的种类相同。
作为一种可选实施例，该装置还包括：
确定模块，用于根据土壤含水量反演模型中输入神经元的数量，确定土壤含水量反演模型中隐含神经元的数量；
第二构建模块，用于根据土壤含水量反演模型中输入神经元、隐含神经元及输出神经元的数量，构建土壤含水量反演模型。
本发明实施例提供的装置，由于可将无人机多光谱图像技术应用于土壤墒情的监测中，可以实现对土壤水分信息的快速获取，并为土壤水分含量的快速检测提供技术支持。
图3示例了一种电子设备的实体结构示意图，如图3所示，该电子设备可以包括：处理器(processor)310、通信接口(Communications Interface)320、存储器(memory)330和通信总线340，其中，处理器310，通信接口320，存储器330通过通信总线340完成相互间的通信。处理器310可以调用存储器330中的逻辑指令，以执行如下方法：根据标准白板的标定反射率、标准白板在感兴趣区域范围内的平均反射光谱及待测土壤样本在感兴趣区域范围内的平均反射光谱，计算得到待测土壤样本在预设波段处的光谱反射率；将待测土壤样本在预设波段处的光谱反射率输入至土壤含水量反演模型，输出待测土壤样本的含水量。
此外，上述的存储器330中的逻辑指令可以通过软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。基于这样的理解，本发明的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质中，包括若干指令用以使得一台计算机设备(可以是个人计算机，电子设备，或者网络设备等)执行本发明各个实施例方法的全部或部分步骤。而前述的存储介质包括：U盘、移动硬盘、只读存储器(ROM，Read-Only Memory)、随机存取存储器(RAM，RandomAccessMemory)、磁碟或者光盘等各种可以存储程序代码的介质。
本发明实施例还提供一种非暂态计算机可读存储介质，其上存储有计算机程序，该计算机程序被处理器执行时实现以执行上述各实施例提供的方法，例如包括：根据标准白板的标定反射率、标准白板在感兴趣区域范围内的平均反射光谱及待测土壤样本在感兴趣区域范围内的平均反射光谱，计算得到待测土壤样本在预设波段处的光谱反射率；将待测土壤样本在预设波段处的光谱反射率输入至土壤含水量反演模型，输出待测土壤样本的含水量。
以上所描述的装置实施例仅仅是示意性的，其中作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部模块来实现本实施例方案的目的。本领域普通技术人员在不付出创造性的劳动的情况下，即可以理解并实施。
通过以上的实施方式的描述，本领域的技术人员可以清楚地了解到各实施方式可借助软件加必需的通用硬件平台的方式来实现，当然也可以通过硬件。基于这样的理解，上述技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来，该计算机软件产品可以存储在计算机可读存储介质中，如ROM/RAM、磁碟、光盘等，包括若干指令用以使得一台计算机设备(可以是个人计算机，服务器，或者网络设备等)执行各个实施例或者实施例的某些部分所述的方法。
最后应说明的是：以上实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围。

Claims (10)

1.一种土壤含水量检测方法，其特征在于，包括：
根据标准白板的标定反射率、标准白板在感兴趣区域范围内的平均反射光谱及待测土壤样本在所述感兴趣区域范围内的平均反射光谱，计算得到所述待测土壤样本在预设波段处的光谱反射率；
将所述待测土壤样本在预设波段处的光谱反射率输入至土壤含水量反演模型，输出所述待测土壤样本的含水量。
2.根据权利要求1所述的土壤含水量检测方法，其特征在于，所述根据标准白板的标定反射率、标准白板在感兴趣区域范围内的平均反射光谱及待测土壤样本在所述感兴趣区域范围内的平均反射光谱，计算得到所述待测土壤样本在预设波段处的光谱反射率之前，还包括：
根据所述待测土壤样本的无人机多光谱图像，构建所述待测土壤样本的感兴趣区域。
3.根据权利要求2所述的土壤含水量检测方法，其特征在于，所述根据所述待测土壤样本的无人机多光谱图像，构建所述待测土壤样本的感兴趣区域之前，还包括：
通过随机采样采集若干组表层土壤，作为所述待测土壤样本，并在预设光线环境下，获取所述待测土壤样本的无人机多光谱图像。
4.根据权利要求1所述的土壤含水量检测方法，其特征在于，所述根据标准白板的标定反射率、标准白板在感兴趣区域范围内的平均反射光谱及待测土壤样本在所述感兴趣区域范围内的平均反射光谱，计算得到所述待测土壤样本在预设波段处的光谱反射率，包括：
计算所述标准白板在感兴趣区域范围内的平均反射光谱与所述待测土壤样本在所述感兴趣区域范围内的平均反射光谱之间的比值，将所述比值与所述标准白板的标定反射率之间的乘积，作为所述待测土壤样本在预设波段处的光谱反射率。
5.根据权利要求1所述的土壤含水量检测方法，其特征在于，所述预设波段包括以下5种波段，所述以下5种波段分别为蓝、绿、红、近红外及红边。
6.根据权利要求5所述的土壤含水量检测方法，其特征在于，所述土壤含水量反演模型中输入神经元的数量与所述预设波段的种类相同。
7.根据权利要求6所述的土壤含水量检测方法，其特征在于，所述将所述待测土壤样本在预设波段处的光谱反射率输入至土壤含水量反演模型，输出所述待测土壤样本的含水量之前，还包括：
根据所述土壤含水量反演模型中输入神经元的数量，确定所述土壤含水量反演模型中隐含神经元的数量；
根据所述土壤含水量反演模型中输入神经元、隐含神经元及输出神经元的数量，构建所述土壤含水量反演模型。
8.一种土壤含水量检测装置，其特征在于，包括：
计算模块，用于根据标准白板的标定反射率、标准白板在感兴趣区域范围内的平均反射光谱及待测土壤样本在所述感兴趣区域范围内的平均反射光谱，计算得到所述待测土壤样本在预设波段处的光谱反射率；
输出模块，用于将所述待测土壤样本在预设波段处的光谱反射率输入至土壤含水量反演模型，输出所述待测土壤样本的含水量。
9.一种电子设备，其特征在于，包括：
至少一个处理器；以及
与所述处理器通信连接的至少一个存储器，其中：
所述存储器存储有可被所述处理器执行的程序指令，所述处理器调用所述程序指令能够执行如权利要求1至7任一所述的方法。
10.一种非暂态计算机可读存储介质，其特征在于，所述非暂态计算机可读存储介质存储计算机指令，所述计算机指令使所述计算机执行如权利要求1至7任一所述的方法。
CN201910428757.3A 2019-05-22 2019-05-22 土壤含水量检测方法及装置 Pending CN110118732A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201910428757.3A CN110118732A (zh) 2019-05-22 2019-05-22 土壤含水量检测方法及装置

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201910428757.3A CN110118732A (zh) 2019-05-22 2019-05-22 土壤含水量检测方法及装置

Publications (1)

Publication Number Publication Date
CN110118732A true CN110118732A (zh) 2019-08-13

Family

ID=67523079

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201910428757.3A Pending CN110118732A (zh) 2019-05-22 2019-05-22 土壤含水量检测方法及装置

Country Status (1)

Country Link
CN (1) CN110118732A (zh)

Cited By (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110618145A (zh) * 2019-09-26 2019-12-27 中国水利水电科学研究院 一种基于无人机的快速测定黄土塬区泉眼位置的方法
CN110825109A (zh) * 2019-11-12 2020-02-21 广州极飞科技有限公司 光谱信息的获取方法及装置、飞行器的控制方法
CN110907367A (zh) * 2019-11-09 2020-03-24 华东师范大学 一种基于高光谱遥感的土壤墒情检测方法
CN111598938A (zh) * 2020-05-18 2020-08-28 浙江大学 一种基于标尺构形畸变校正的农田测亩方法及系统
CN112565726A (zh) * 2020-12-10 2021-03-26 广州极飞科技有限公司 作业处方图的确定方法、作业控制方法及相关装置
CN113655003A (zh) * 2021-09-02 2021-11-16 中科禾信遥感科技（苏州）有限公司 一种利用无人机照片估算冬小麦返青期土壤墒情的方法
CN113984700A (zh) * 2021-08-09 2022-01-28 江苏大学 一种非接触式近红外土壤墒情在线检测装置及方法
CN113984700B (zh) * 2021-08-09 2024-06-07 江苏大学 一种非接触式近红外土壤墒情在线检测装置及方法

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102033043A (zh) * 2010-10-19 2011-04-27 浙江大学 基于高光谱图像技术的粮粒含水率检测方法
CN105510239A (zh) * 2014-10-09 2016-04-20 江苏金秆农业装备有限公司 土壤多光谱信息采集装置
CN106770054A (zh) * 2016-12-30 2017-05-31 黑龙江禾禾遥感科技有限公司 基于光谱吸收特征的黑土含水量速测方法
KR20180093594A (ko) * 2017-02-14 2018-08-22 충남대학교산학협력단 광 반사도를 이용하여 토양함수율을 측정하는 방법 및 휴대용 분광계

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102033043A (zh) * 2010-10-19 2011-04-27 浙江大学 基于高光谱图像技术的粮粒含水率检测方法
CN105510239A (zh) * 2014-10-09 2016-04-20 江苏金秆农业装备有限公司 土壤多光谱信息采集装置
CN106770054A (zh) * 2016-12-30 2017-05-31 黑龙江禾禾遥感科技有限公司 基于光谱吸收特征的黑土含水量速测方法
KR20180093594A (ko) * 2017-02-14 2018-08-22 충남대학교산학협력단 광 반사도를 이용하여 토양함수율을 측정하는 방법 및 휴대용 분광계

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
张智韬 等: "基于无人机多光谱遥感的土壤含水率反演研究", 《农业机械学报》 *

Cited By (11)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110618145A (zh) * 2019-09-26 2019-12-27 中国水利水电科学研究院 一种基于无人机的快速测定黄土塬区泉眼位置的方法
CN110907367A (zh) * 2019-11-09 2020-03-24 华东师范大学 一种基于高光谱遥感的土壤墒情检测方法
CN110907367B (zh) * 2019-11-09 2022-10-04 华东师范大学 一种基于高光谱遥感的土壤墒情检测方法
CN110825109A (zh) * 2019-11-12 2020-02-21 广州极飞科技有限公司 光谱信息的获取方法及装置、飞行器的控制方法
CN110825109B (zh) * 2019-11-12 2023-11-21 广州极飞科技股份有限公司 光谱信息的获取方法及装置、飞行器的控制方法
CN111598938A (zh) * 2020-05-18 2020-08-28 浙江大学 一种基于标尺构形畸变校正的农田测亩方法及系统
CN112565726A (zh) * 2020-12-10 2021-03-26 广州极飞科技有限公司 作业处方图的确定方法、作业控制方法及相关装置
CN113984700A (zh) * 2021-08-09 2022-01-28 江苏大学 一种非接触式近红外土壤墒情在线检测装置及方法
CN113984700B (zh) * 2021-08-09 2024-06-07 江苏大学 一种非接触式近红外土壤墒情在线检测装置及方法
CN113655003A (zh) * 2021-09-02 2021-11-16 中科禾信遥感科技（苏州）有限公司 一种利用无人机照片估算冬小麦返青期土壤墒情的方法
CN113655003B (zh) * 2021-09-02 2024-01-12 中科禾信遥感科技（苏州）有限公司 一种利用无人机照片估算冬小麦返青期土壤墒情的方法

Similar Documents

Publication Publication Date Title
CN110118732A (zh) 土壤含水量检测方法及装置
Xue et al. Significant remote sensing vegetation indices: A review of developments and applications
CN111289441B (zh) 多光谱下的大田作物含水量确定方法、系统及设备
Behmann et al. Generation and application of hyperspectral 3D plant models: methods and challenges
CN109115725B (zh) 一种玉米冠层lai和叶绿素含量联合反演方法和设备
Chianucci et al. A dataset of leaf inclination angles for temperate and boreal broadleaf woody species
Zhao et al. Reconstruction of the full spectrum of solar-induced chlorophyll fluorescence: Intercomparison study for a novel method
CN110514597A (zh) 基于星地遥感数据协同的农作物病虫害监测方法
CN112345458A (zh) 一种基于无人机多光谱影像的小麦产量估测方法
US20190219499A1 (en) System For Detection Of Disease In Plants
CN110502997A (zh) 基于人工智能的农业保险查勘方法及相关设备
Qiao et al. Estimating maize LAI by exploring deep features of vegetation index map from UAV multispectral images
CN110398473A (zh) 一种农产品产地检测方法及系统
EP3969899A1 (en) Systems and methods for phenotyping
Tan et al. Development of a low-cost portable device for pixel-wise leaf SPAD estimation and blade-level SPAD distribution visualization using color sensing
CN110321774A (zh) 农作物灾情评估方法、装置、设备及计算机可读存储介质
Barré et al. Automated phenotyping of epicuticular waxes of grapevine berries using light separation and convolutional neural networks
Lu et al. Inversion of chlorophyll content under the stress of leaf mite for jujube based on model PSO-ELM method
CN117115669B (zh) 双条件质量约束的对象级地物样本自适应生成方法及系统
RU2416192C2 (ru) Способ определения экологического состояния лесов
Liu et al. UAV multispectral images for accurate estimation of the maize LAI considering the effect of soil background
Ashaari et al. Comparison of model accuracy in tree canopy density estimation using single band, vegetation indices and forest canopy density (FCD) based on Landsat-8 imagery (case study: Peat Swamp Forest in Riau Province)
CN111751295A (zh) 一种基于成像高光谱数据的小麦白粉病严重程度检测模型的建模方法及应用
Tang et al. Chlorophyll detector development based on snapshot-mosaic multispectral image sensing and field wheat canopy processing
CN112949412B (zh) 小麦条锈病动态监测方法及装置

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

Application publication date: 20190813

RJ01 Rejection of invention patent application after publication