CN110132860B - 一种基于麦穗尺度分析的冬小麦赤霉病高光谱遥感监测方法 - Google Patents
一种基于麦穗尺度分析的冬小麦赤霉病高光谱遥感监测方法 Download PDFInfo
- Publication number
- CN110132860B CN110132860B CN201910454573.4A CN201910454573A CN110132860B CN 110132860 B CN110132860 B CN 110132860B CN 201910454573 A CN201910454573 A CN 201910454573A CN 110132860 B CN110132860 B CN 110132860B
- Authority
- CN
- China
- Prior art keywords
- wheat
- index
- remote sensing
- spectral
- differential
- 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 51
- 235000021307 Triticum Nutrition 0.000 title claims abstract description 51
- 206010039509 Scab Diseases 0.000 title claims abstract description 43
- 238000012544 monitoring process Methods 0.000 title claims abstract description 28
- 238000000034 method Methods 0.000 title claims abstract description 17
- 241000495841 Oenanthe oenanthe Species 0.000 title claims description 24
- 201000010099 disease Diseases 0.000 claims abstract description 56
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 claims abstract description 56
- 238000007781 pre-processing Methods 0.000 claims abstract description 4
- 230000003595 spectral effect Effects 0.000 claims description 53
- 238000001228 spectrum Methods 0.000 claims description 27
- 238000002310 reflectometry Methods 0.000 claims description 19
- 238000010219 correlation analysis Methods 0.000 claims description 6
- 238000012545 processing Methods 0.000 claims description 4
- 238000012417 linear regression Methods 0.000 abstract description 3
- 230000007547 defect Effects 0.000 abstract description 2
- 238000003745 diagnosis Methods 0.000 abstract description 2
- 238000011160 research Methods 0.000 description 8
- 229930002875 chlorophyll Natural products 0.000 description 5
- 235000019804 chlorophyll Nutrition 0.000 description 5
- 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 description 5
- 241001024327 Oenanthe <Aves> Species 0.000 description 4
- 238000010521 absorption reaction Methods 0.000 description 4
- 230000000694 effects Effects 0.000 description 4
- 238000005259 measurement Methods 0.000 description 4
- 241000196324 Embryophyta Species 0.000 description 3
- 241000238631 Hexapoda Species 0.000 description 3
- 241000607479 Yersinia pestis Species 0.000 description 3
- 238000005516 engineering process Methods 0.000 description 3
- UHPMCKVQTMMPCG-UHFFFAOYSA-N 5,8-dihydroxy-2-methoxy-6-methyl-7-(2-oxopropyl)naphthalene-1,4-dione Chemical compound CC1=C(CC(C)=O)C(O)=C2C(=O)C(OC)=CC(=O)C2=C1O UHPMCKVQTMMPCG-UHFFFAOYSA-N 0.000 description 2
- 241000223218 Fusarium Species 0.000 description 2
- 241000223195 Fusarium graminearum Species 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 2
- 238000003384 imaging method Methods 0.000 description 2
- 238000010238 partial least squares regression Methods 0.000 description 2
- 240000005979 Hordeum vulgare Species 0.000 description 1
- 235000007340 Hordeum vulgare Nutrition 0.000 description 1
- 235000013339 cereals Nutrition 0.000 description 1
- 238000000701 chemical imaging Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 230000004069 differentiation Effects 0.000 description 1
- 239000004744 fabric Substances 0.000 description 1
- 208000015181 infectious disease Diseases 0.000 description 1
- 238000007689 inspection Methods 0.000 description 1
- 230000003902 lesion Effects 0.000 description 1
- 244000144972 livestock Species 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 231100000572 poisoning Toxicity 0.000 description 1
- 230000000607 poisoning effect Effects 0.000 description 1
- 230000005855 radiation Effects 0.000 description 1
- 239000000523 sample Substances 0.000 description 1
- 239000003053 toxin Substances 0.000 description 1
- 231100000765 toxin Toxicity 0.000 description 1
- 230000001131 transforming effect Effects 0.000 description 1
- 238000011179 visual inspection Methods 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
- 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
本发明涉及一种基于麦穗尺度分析的冬小麦赤霉病高光谱遥感监测方法,与现有技术相比解决了赤霉病的遥感监测未针对麦穗尺度分析的缺陷。本发明包括以下步骤:高光谱遥感数据的获取;数据预处理;构建小麦赤霉病指数;多元逐步回归模型的建立;遥感监测结果的获得。本发明利用敏感波段内一阶微分总和的归一化比值构建赤霉病指数后,建立其与病情严重度的一元线性回归和多元逐步回归模型,实现了小麦赤霉病的有效监测,为染病小麦赤霉病在冠层尺度以及田块尺度上的无损诊断提供思路和依据。
Description
技术领域
本发明涉及遥感监测技术领域,具体来说是一种基于麦穗尺度分析的冬小麦赤霉病高光谱遥感监测方法。
背景技术
小麦赤霉病俗称烂麦头、麦穗枯等,是由禾谷镰孢菌引起的世界性流行性病害,具有爆发性强的特点。赤霉病主要发生在小麦的穗部,大面积发生时可导致小麦严重减产,且染病小麦含有毒素,食用后可引起人畜中毒。
目前小麦赤霉病监测预测研究的主流方法有三种,一是传统的目测手查方式,即通过测定赤霉病孢子密度来确定赤霉病的发生状况;二是赤霉病的气象预报,通过分析气象因素与小麦赤霉病之间的相关关系,建立赤霉病预报模型;三是通过遥感技术实现赤霉病估测。
植物在生化、形态、结构等方面具有高度的复杂性,因此对于不同植物、不同病害可能会形成多样的光谱特征。由于赤霉病菌主要侵染小麦的穗部,因此,相关研究主要通过麦穗或麦穗籽粒对赤霉病的光谱响应特征进行分析,如Delwiche和Kim(2000)发现小麦在发生赤霉病病变时能够引起550nm,568nm,605nm,623nm,660nm,697nm,715nm,733nm位置上的光谱响应。Bauriegel and Herppich(2014)指出健康和病害小麦麦穗的光谱主要在可见光和短波近红外光谱范围内(400~1000nm)存在差异。Shahin and Symons(2011)利用450~950nm的高光谱成像技术,成功探测到不同严重程度的赤霉病麦穗,预测准确率达86%。在冠层尺度,Whetton(2018)等利用高光谱成像仪对位于英国的贝德福德郡的四个区域中的小麦和大麦赤霉病进行识别,分别通过视觉(infield visual assessment,IVA)和图片解译(photo interpretation assessment,PIA)两种方法来评估RGB图像中小麦赤霉病覆盖率,利用光谱数据和赤霉病覆盖率进行偏最小二乘回归分析(PLSR),结果表明,PIA-PLSR模型的分类效果最好。
上述小麦赤霉病的识别分类研究大都基于成像高光谱,较之便携式地物光谱仪(ASD)的非成像高光谱数据其光谱分辨率较低,不利于对光谱信息进行更细致的分析。基于麦穗尺度的赤霉病研究将有利于我们更好地分析赤霉病的光谱响应特征,而田间环境与卫星遥感的环境比较类似,获取的光谱都是混合光谱,因此与航空遥感的环境较为接近,故在某些情况下,研究不同赤霉病等级的冠层光谱响应特征,可以为卫星遥感及航空遥感监测小麦赤霉病提供理论基础。
综上所述,小麦赤霉病的主要侵染部位是穗部,对麦穗进行光谱研究将有利于我们分析赤霉病的光谱响应特征,且穗部的光谱测量更少的受环境的影响,因此在穗部开展赤霉病的研究将是为卫星遥感及航空遥感监测小麦赤霉病提供理论基础。那么,如何基于麦穗尺度分析进行小麦赤霉病的有效遥感监测已经成为急需解决的技术问题。
发明内容
本发明的目的是为了解决现有技术中赤霉病的遥感监测未针对麦穗尺度分析的缺陷,提供一种基于麦穗尺度分析的冬小麦赤霉病高光谱遥感监测方法来解决上述问题。
为了实现上述目的,本发明的技术方案如下:
一种基于麦穗尺度分析的冬小麦赤霉病高光谱遥感监测方法,包括以下步骤:
高光谱遥感数据的获取:获取麦穗反射率光谱曲线,取20次麦穗的光谱反射率值平均值作为麦穗的光谱反射率值;
数据预处理:对麦穗反射率光谱曲线进行选取,选取出350nm-1330nm波段光谱数据,并对350nm-1330nm波段光谱数据进行一阶微分处理;
构建小麦赤霉病指数:根据光谱数据的一阶微分值构建小麦赤霉病指数WSI;
多元逐步回归模型的建立:利用遥感数据计算赤霉病敏感的植被指数、光谱微分特征以及赤霉病指数WSI,获得赤霉病多元逐步回归模型的初选特征,并构建出多元逐步回归模型;
遥感监测结果的获得:将待分析的植被指数、光谱微分特征以及赤霉病指数WSI输入多元逐步回归模型,得到冬小麦赤霉病高光谱遥感监测结果。
所述的构建小麦赤霉病指数包括以下步骤:
对原始光谱数据进行一阶微分;
将光谱微分数据与病害等级进行相关分析进而筛选出450~488nm、500~540nm、552~667nm、687~756nm四个敏感波段范围;
对4个敏感波段范围微分总和进行相关性分析,根据4个波段范围微分总和的相关关系选择相关性较小的两个波段区间构建赤霉病指数,得到相关性最小的两个波段范围分别为450~488nm和500~540nm;
基于这两个敏感波段范围内一阶微分总和的归一化比值构建赤霉病指数WSI,其表达式如下:
WSI=(SD450~488-SD500~540)/(SD450~488+SD500~540),
其中,SD为一阶微分之和。
所述的多元逐步回归模型的建立包括以下步骤:
利用麦穗的光谱反射率值提取11个植被指数和11个光谱微分指数;
利用光谱微分分析构建赤霉病指数WSI;
将11个植被指数、11个光谱微分指数及WSI指数作为赤霉病多元逐步回归模型的初选特征;
构建多元回归方程,其表达式如下所示:
y=30.627WSI-82.765(SDg/SDb)-192.218NBNDVI-984.01SDg+276.882,
其中,SDg为绿边一阶微分总和,SDb为蓝边一阶微分总和。
有益效果
本发明的一种基于麦穗尺度分析的冬小麦赤霉病高光谱遥感监测方法,与现有技术相比利用敏感波段内一阶微分总和的归一化比值构建赤霉病指数后,建立其与病情严重度的一元线性回归和多元逐步回归模型,实现了小麦赤霉病的有效监测,为染病小麦赤霉病在冠层尺度以及田块尺度上的无损诊断提供思路和依据。
本发明以染病麦穗高光谱数据为研究对象,通过分析不同病害程度的光谱特征发现:可见光波段的反射率受赤霉病的影响较近红外波段更为明显,但原始光谱数据的病害特征并不显著。通过对光谱微分值与赤霉病病情严重度进行相关分析,光谱微分值在可见光波段处与赤霉病病情严重度之间具有良好的相关性,由此筛选出450~488nm和500~540nm两个敏感波段范围,以这两个敏感波段范围内一阶微分总和的归一化比值构建赤霉病指数WSI。利用构建的赤霉病指数WSI、11个植被指数及11个光谱微分特征进行多元逐步回归,多元逐步回归效果优于单一指数构建的一元线性回归效果,实现小麦赤霉病的有效监测。
附图说明
图1为本发明的方法顺序图。
具体实施方式
为使对本发明的结构特征及所达成的功效有更进一步的了解与认识,用以较佳的实施例及附图配合详细的说明,说明如下:
如图1所示,本发明所述的一种基于麦穗尺度分析的冬小麦赤霉病高光谱遥感监测方法,其包括以下步骤:
第一步,高光谱遥感数据的获取。获取麦穗反射率光谱曲线,取20次麦穗的光谱反射率值平均值作为麦穗的光谱反射率值。
光谱测量采用ASD FieldSpec Pro(350~2500nm)光谱仪,该光谱仪的光谱分辨率为3nm(350~1000nm)和10nm(1000~2500nm)。测量均在阳光充足的正午时间(10:00~14:00)进行,测量时,将小麦麦穗放在黑布中间,将传感器的探头垂直向下,分别测量穗的直立面、正面和侧面。每次测量前后均用标准白板进行校正,通过麦穗和参考板辐射亮度的比值计算求得麦穗反射率光谱曲线,取20次的反射率值平均值作为麦穗的光谱反射率值。
R目标反射率=(DN目标/DN参考板)×R参考板反射率
式中,R目标反射率为目标麦穗光谱反射率数据,DN目标为目标麦穗光谱DN灰度值,DN参考板为白板的反射灰度值,R参考板反射率为白板的反射率值。最终测得每株麦穗的正面、侧面和直立面的高光谱数据。
第二步,数据预处理。
对麦穗反射率光谱曲线进行选取,选取出350nm-1330nm波段光谱数据,并对350nm-1330nm波段光谱数据进行一阶微分处理。
第三步,构建小麦赤霉病指数。根据光谱数据的一阶微分值构建小麦赤霉病指数WSI(Wheat Scab Index)。其具体步骤如下:
(1)对原始光谱数据进行一阶微分。在小麦病虫害遥感监测研究中,由于原始光谱数据波段多,波段间可能存在冗余,因此更多地情况下不直接使用原始光谱数据,而是通过对原始光谱数据进行变换得到新的光谱或光谱变量进行病虫害危害信息的提取,与原始的光谱反射率相比较,变换后的光谱会在一定程度上能够消除一些背景影响,凸显所需信息,如光谱微分技术。
(2)将光谱微分数据与病害等级进行相关分析进而筛选出450~488nm、500~540nm、552~667nm、687~756nm四个敏感波段范围。这4个波段范围分别位于叶绿素吸收带、蓝边、黄边和红边范围处,通常,健康的植被在叶绿素吸收带由于叶绿素的吸收,表现为较低的反射率,当植被受到病害侵染时,其叶绿素含量发生变化从而导致叶绿素吸收带光谱反射率发生变化,而根据相关研究,植物的蓝边、黄边和红边特性可以用来监测作物病虫害,因此利用这四个波段区间一阶光谱微分总和来构建赤霉病指数。
(3)由于这4个波段区间相邻较近,四个波段区间一阶微分总和可能存在冗余,因此对4个敏感波段范围微分总和进行相关分析,根据4个波段范围微分总和的相关关系选择相关性较小的两个波段区间构建赤霉病指数,得到相关性最小的两个波段范围分别为450~488nm和500~540nm。
(4)基于这两个敏感波段范围内一阶微分总和的归一化比值构建赤霉病指数WSI,其表达式如下:
WSI=(SD450~488-SD500~540)/(SD450~488+SD500~540),
其中,SD为一阶微分之和。
第四步,多元逐步回归模型的建立。
利用遥感数据计算赤霉病敏感的植被指数、光谱微分特征以及赤霉病指数WSI,获得赤霉病多元逐步回归模型的初选特征,并构建出多元逐步回归模型。其具体步骤如下:
(1)利用麦穗的光谱反射率值提取11个植被指数和11个光谱微分指数;
(2)利用光谱微分分析构建赤霉病指数WSI;
(3)将11个植被指数、11个光谱微分指数及WSI指数作为赤霉病多元逐步回归模型的初选特征;
(4)构建多元回归方程,其表达式如下所示:
y=30.627WSI-82.765(SDg/SDb)-192.218NBNDVI-984.01SDg+276.882,
其中,SDg为绿边一阶微分总和,SDb为蓝边一阶微分总和。
第五步,遥感监测结果的获得。将待分析的植被指数、光谱微分特征以及赤霉病指数WSI输入多元逐步回归模型,得到冬小麦赤霉病高光谱遥感监测结果。
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的范围内。本发明要求的保护范围由所附的权利要求书及其等同物界定。
Claims (1)
1.一种基于麦穗尺度分析的冬小麦赤霉病高光谱遥感监测方法,其特征在于,包括以下步骤:
11)高光谱遥感数据的获取:获取麦穗反射率光谱曲线,取20次麦穗的光谱反射率值平均值作为麦穗的光谱反射率值;
12)数据预处理:对麦穗反射率光谱曲线进行选取,选取出350nm-1330nm波段光谱数据,并对350nm-1330nm波段光谱数据进行一阶微分处理;
13)构建小麦赤霉病指数:根据光谱数据的一阶微分值构建小麦赤霉病指数WSI;所述的构建小麦赤霉病指数包括以下步骤:
131)对原始光谱数据进行一阶微分处理;
132)将光谱微分数据与病害等级进行分析进而筛选出450~488nm、500~540nm、552~667nm、687~756nm四个敏感波段范围;
133)对4个敏感波段范围微分总和进行相关性分析,根据4个敏感波段范围微分总和的相关关系选择相关性较小的两个波段区间构建赤霉病指数,得到相关性最小的两个波段范围分别为450~488nm和500~540nm;
134)基于这两个敏感波段范围内一阶微分总和的归一化比值构建赤霉病指数WSI,其表达式如下:
WSI=(SD450~488-SD500~540)/(SD450~488+SD500~540),
其中,SD为一阶微分总和;
14)多元逐步回归模型的建立:利用遥感数据计算赤霉病敏感的植被指数、光谱微分指数以及赤霉病指数WSI,获得赤霉病多元逐步回归模型的初选特征,并构建出多元逐步回归模型;所述的多元逐步回归模型的建立包括以下步骤:
141)利用麦穗的光谱反射率值提取11个植被指数和11个光谱微分指数;
142)利用光谱微分分析构建赤霉病指数WSI;
143)将11个植被指数、11个光谱微分指数及WSI指数作为赤霉病多元逐步回归模型的初选特征;
144)构建多元回归方程,其表达式如下所示:
y=30.627WSI-82.765(SDg/SDb)-192.218NBNDVI-984.01SDg+276.882,
其中,SDg为绿边一阶微分总和,SDb为蓝边一阶微分总和;
15)遥感监测结果的获得:将待分析的植被指数、光谱微分指数以及赤霉病指数WSI输入多元逐步回归模型,得到冬小麦赤霉病高光谱遥感监测结果。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910454573.4A CN110132860B (zh) | 2019-05-29 | 2019-05-29 | 一种基于麦穗尺度分析的冬小麦赤霉病高光谱遥感监测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910454573.4A CN110132860B (zh) | 2019-05-29 | 2019-05-29 | 一种基于麦穗尺度分析的冬小麦赤霉病高光谱遥感监测方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN110132860A CN110132860A (zh) | 2019-08-16 |
CN110132860B true CN110132860B (zh) | 2021-09-14 |
Family
ID=67582546
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910454573.4A Active CN110132860B (zh) | 2019-05-29 | 2019-05-29 | 一种基于麦穗尺度分析的冬小麦赤霉病高光谱遥感监测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110132860B (zh) |
Families Citing this family (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110954650A (zh) * | 2019-12-31 | 2020-04-03 | 塔里木大学 | 一种棉花冠层氮素的卫星遥感监测方法 |
CN111768051B (zh) * | 2020-07-06 | 2024-06-11 | 中国科学院空天信息创新研究院 | 一种小麦赤霉病动态预警方法及装置 |
CN111832507B (zh) * | 2020-07-20 | 2024-04-09 | 安徽大学 | 基于麦穗顶部光谱信息的小麦赤霉病遥感识别方法 |
CN111751376B (zh) * | 2020-07-25 | 2023-06-23 | 江西省农业科学院农业工程研究所 | 一种基于冠层图像特征衍生的水稻氮素营养估算方法 |
CN112528789A (zh) * | 2020-12-02 | 2021-03-19 | 安徽大学 | 一种用于发病初中期分析的小麦条锈病遥感监测方法 |
CN113155747B (zh) * | 2021-01-15 | 2022-12-06 | 西安科技大学 | 一种构建分数阶微分光谱指数及其监测小麦条锈病的方法 |
CN112949412B (zh) * | 2021-02-03 | 2022-07-12 | 中国科学院空天信息创新研究院 | 小麦条锈病动态监测方法及装置 |
CN113176214A (zh) * | 2021-04-20 | 2021-07-27 | 安徽大学 | 一种非成像光谱应用连续小波分析的麦穗赤霉病监测方法 |
CN113358613B (zh) * | 2021-05-25 | 2022-11-04 | 西安科技大学 | Sisp指数探测小麦病害方法和sisp指数构建方法 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104408307A (zh) * | 2014-11-25 | 2015-03-11 | 河南农业大学 | 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 |
CN107527326A (zh) * | 2017-08-17 | 2017-12-29 | 安徽农业大学 | 一种基于高光谱成像的小麦赤霉病诊断方法 |
CN108830249A (zh) * | 2018-06-26 | 2018-11-16 | 安徽大学 | 一种基于asd高光谱数据的冬小麦白粉病遥感监测方法 |
CN109035231A (zh) * | 2018-07-20 | 2018-12-18 | 安徽农业大学 | 一种基于深度循环的小麦赤霉病的检测方法及其系统 |
CN109187552A (zh) * | 2018-08-30 | 2019-01-11 | 安徽农业大学 | 一种基于云模型的小麦赤霉病害等级判定方法 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
MX2014004472A (es) * | 2011-10-13 | 2014-08-01 | Pioner Hi Bred Int Inc | Deteccion automatica de pixeles de objeto para analisis hiperespectral. |
-
2019
- 2019-05-29 CN CN201910454573.4A patent/CN110132860B/zh active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104408307A (zh) * | 2014-11-25 | 2015-03-11 | 河南农业大学 | 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 |
CN107527326A (zh) * | 2017-08-17 | 2017-12-29 | 安徽农业大学 | 一种基于高光谱成像的小麦赤霉病诊断方法 |
CN108830249A (zh) * | 2018-06-26 | 2018-11-16 | 安徽大学 | 一种基于asd高光谱数据的冬小麦白粉病遥感监测方法 |
CN109035231A (zh) * | 2018-07-20 | 2018-12-18 | 安徽农业大学 | 一种基于深度循环的小麦赤霉病的检测方法及其系统 |
CN109187552A (zh) * | 2018-08-30 | 2019-01-11 | 安徽农业大学 | 一种基于云模型的小麦赤霉病害等级判定方法 |
Non-Patent Citations (2)
Title |
---|
利用高光谱微分指数进行冬小麦条锈病病情的诊断研究;蒋金豹 等;《光学技术》;20070731;第33卷(第4期);第620-623页 * |
基于遥感技术的作物病虫害监测研究进展;黄文江 等;《农业工程技术》;20180331;第38卷(第9期);第39-45页 * |
Also Published As
Publication number | Publication date |
---|---|
CN110132860A (zh) | 2019-08-16 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110132860B (zh) | 一种基于麦穗尺度分析的冬小麦赤霉病高光谱遥感监测方法 | |
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 | |
CN110132862B (zh) | 小麦赤霉病检测专属病情指数构建方法及其应用 | |
CN109657653B (zh) | 一种基于成像高光谱数据的小麦籽粒赤霉病识别方法 | |
CN107103306B (zh) | 基于小波分析与支持向量机的冬小麦白粉病遥感监测方法 | |
Saldaña et al. | Computer vision applied to the inspection and quality control of fruits and vegetables | |
Shuaibu et al. | Unsupervised hyperspectral band selection for apple Marssonina blotch detection | |
CN104697943B (zh) | 一种油菜水分胁迫的无损检测方法 | |
Serranti et al. | The development of a hyperspectral imaging method for the detection of Fusarium-damaged, yellow berry and vitreous Italian durum wheat kernels | |
CN110082298B (zh) | 一种基于高光谱图像的小麦品种赤霉病综合抗性鉴定方法 | |
CN111091052A (zh) | 一种基于最大似然法的玉米倒伏面积提取系统及方法 | |
CN111062251A (zh) | 基于无人机成像的农田棉蚜为害等级模型的监测方法 | |
US20190219499A1 (en) | System For Detection Of Disease In Plants | |
CN110376202B (zh) | 基于成像高光谱技术的茶树炭疽病病斑识别方法 | |
CN112287886B (zh) | 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 | |
CN109187417B (zh) | 一种无人机载的太赫兹波及高光谱遥感农作物监测系统 | |
CN110363125A (zh) | 采用模型传递识别不同品种柑橘黄龙病的方法 | |
CN114092839B (zh) | 基于无人机遥感的大豆收获期成熟度的判断方法 | |
CN110553999A (zh) | 基于高光谱和叶绿素荧光成像融合的柑橘黄龙病检测方法 | |
CN114778483A (zh) | 用于监测山地的遥感影像近红外波段地形阴影校正方法 | |
CN111767863A (zh) | 一种基于近地高光谱技术冬小麦赤霉病遥感识别方法 | |
Gaikwad et al. | Multi-spectral imaging for fruits and vegetables | |
Zhang et al. | Hyperspectral model based on genetic algorithm and SA-1DCNN for predicting Chinese cabbage chlorophyll content | |
CN114219795A (zh) | 一种基于高光谱成像系统的茶树干旱诱导成分及干旱程度评估的预测方法和系统 | |
Zhang et al. | Development of new indices and use of CARS-Ridge algorithm for wheat fusarium head blight detection using in-situ hyperspectral data |
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 |