CN110320164A - 一种生菜全氮含量高光谱反演模型的建立方法及其应用 - Google Patents

一种生菜全氮含量高光谱反演模型的建立方法及其应用 Download PDF

Info

Publication number
CN110320164A
CN110320164A CN201910578419.8A CN201910578419A CN110320164A CN 110320164 A CN110320164 A CN 110320164A CN 201910578419 A CN201910578419 A CN 201910578419A CN 110320164 A CN110320164 A CN 110320164A
Authority
CN
China
Prior art keywords
romaine lettuce
nitrogen content
total nitrogen
hyperion
spectral data
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
CN201910578419.8A
Other languages
English (en)
Inventor
雷炳富
吴伟斌
张震邦
黄家曦
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.)
South China Agricultural University
Original Assignee
South 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 South China Agricultural University filed Critical South China Agricultural University
Priority to CN201910578419.8A priority Critical patent/CN110320164A/zh
Publication of CN110320164A publication Critical patent/CN110320164A/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
    • 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
    • G01N21/75—Systems in which material is subjected to a chemical reaction, the progress or the result of the reaction being investigated
    • G01N21/77—Systems in which material is subjected to a chemical reaction, the progress or the result of the reaction being investigated by observing the effect on a chemical indicator
    • G01N21/78—Systems in which material is subjected to a chemical reaction, the progress or the result of the reaction being investigated by observing the effect on a chemical indicator producing a change of colour
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology

Landscapes

  • Physics & Mathematics (AREA)
  • Engineering & Computer Science (AREA)
  • Health & Medical Sciences (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Chemical & Material Sciences (AREA)
  • General Health & Medical Sciences (AREA)
  • General Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Analytical Chemistry (AREA)
  • Biochemistry (AREA)
  • Immunology (AREA)
  • Pathology (AREA)
  • Chemical Kinetics & Catalysis (AREA)
  • Evolutionary Computation (AREA)
  • Artificial Intelligence (AREA)
  • Biomedical Technology (AREA)
  • Biophysics (AREA)
  • Computational Linguistics (AREA)
  • Data Mining & Analysis (AREA)
  • Plasma & Fusion (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Spectroscopy & Molecular Physics (AREA)
  • Investigating Or Analysing Materials By Optical Means (AREA)

Abstract

本发明属于农业叶片检测领域，公开了一种生菜全氮含量高光谱反演模型的建立方法及其应用。该方法包括步骤：采集生菜叶片，通过使用BP神经网络对生菜叶片的高光谱位置变量与植被指数变量和全氮含量进行模型建立，最终得到生菜叶片的全氮含量估算模型。针对需要检测全氮含量的生菜，首先使用高光谱仪采集该生菜叶片的高光谱数据，包括高光谱位置变量和植被指数变量；再将高光谱数据输入获得的最佳生菜全氮含量高光谱反演模型中即可计算得出待测生菜全氮含量。本发明仅在模型建立时需要对生菜菜叶进行破坏性检测，在模型建立后只需获得生菜菜叶的高光谱数据即可通过计算进行对生菜菜叶全氮含量的估算，具有实时、快速和无损的特点。

Description

一种生菜全氮含量高光谱反演模型的建立方法及其应用
技术领域
本发明属于农业叶片检测领域，具体涉及一种基于BP神经网络的生菜全氮含量高光谱反演模型的建立方法及其应用。
背景技术
生菜(Lactuca sativa L.)在我国不少地区均有栽培，以食叶为主，味道清爽，营养丰富，并具有保健和药用等价值，是水培中栽培面积最大的叶菜类蔬菜。氮素是促进植物叶片生长发育的重要化学元素，是生菜生长不可或缺的营养物质之一,是生菜体内各类功能物质的重要组成元素,如叶绿素和蛋白质。虽然氮素含量在生菜体内所占比重不高,但对生菜最终产量的贡献高达40％-50％。因此,全氮含量是评价生菜营养水平的重要指标。
目前，生菜全氮含量的检测方法以传统的化学测定方法为主，但操作复杂且耗时，并会完全破坏样品。因此，需要建立一种生菜全氮含量的快速无损检测方法。
随着光谱技术的发展，学者们对叶片全氮含量的无损检测方法已经进行了较多的研究并取得了一定的成果，但大都使用可见近红外光谱和中红外光谱技术，在高光谱技术方面暂时没有相关研究。
在使用高光谱技术建立反演模型时需要用到大量数据与多种模型，传统计算方法费时费力。BP神经网络可以在未知数学模型内部结构的前提下，通过随机设定初始参数并利用大量样本进行训练已更新网络内部参数，以此获得输出对输入的非线性映射关系，因此采用BP神经网络进行高光谱反演模型的建立能节省大量时间。
发明内容
为了克服现有技术中存在的缺点和不足，本发明的首要目的在于提供一种生菜全氮含量高光谱反演模型的建立方法，该模型能通过生菜叶片的高光谱图像数据计算得出生菜叶片的全氮含量，使得生菜叶片的全氮含量检测能够实时、快速、无损地进行，解决了传统化学方法操作复杂、需要破坏被检测叶片样品的问题。
本发明的再一目的在于提供一种利用上述方法建立的生菜全氮含量高光谱反演模型在测定生菜全氮含量中的应用。
本发明目的通过以下技术方案实现：
一种生菜全氮含量高光谱反演模型的建立方法，包括以下操作步骤：
步骤S1、随机采集多片生菜叶片；
步骤S2、采集每一片生菜叶片的高光谱数据；
步骤S3、用化学方法检测采集的生菜叶片的全氮含量；
步骤S4、利用BP神经网络算法对生菜叶片的高光谱数据和生菜叶片的全氮含量进行建模：先对高光谱数据进行归一化处理，然后设置神经网络结构、激活函数和停止条件，再将数据输入神经网络，待计算得出神经网络特征值后，保存模型用于预测全氮含量；
步骤S5、计算决定系数和标准误差对步骤S4建好的模型进行筛选并确定最佳生菜全氮含量高光谱反演模型。
所述步骤S1中采集的生菜叶片，需要按照2:1的比例分成模型建立组与模型验证组。
所述步骤S2中采集的高光谱数据为高光谱位置变量和植被指数变量；
高光谱位置变量包括绿边幅值Dg、绿边幅值位置λg、红边谷值Dr、红边谷值位置λr、红谷反射率Rγ、红谷位置λb、绿峰反射率Rɡ和绿峰位置λɡ；
植被指数变量包括绿峰反射率与红谷反射率的比值VI1，绿峰反射率与红谷反射率归一化值VI2；
所述步骤S3中采集的生菜叶片的全氮含量是按照以下方法进行检测：先把生菜叶片放入105℃的烘箱中杀青两小时，再放入55℃的烘箱中烘干，直至恒重后，研磨成粉末，然后采用H2SO4-H2O2消煮-奈氏比色法进行全氮含量测定。
所述步骤S4中归一化处理的公式为其中xni为第i个被标准化处理后的高光谱数据，xi为第i个高光谱数据，xmin为高光谱数据中的最小值，xmax为高光谱数据中的最大值；
神经网络结构为1-8-1结构，则为输入层1个输入单元，隐含层8个单元，输出层1个单元；
激活函数使用sigmoid函数，公式为：
停止条件为迭代次数达到100次。
所述步骤S5中决定系数为R2，标准误差为SE：
其中为标准化处理后高光谱数据的均值，fi为标准化处理后高光谱数据的拟合值；
使用决定系数和标准误差筛选并确定最佳生菜全氮含量高光谱反演模型的方法是：选择决定系数最大，标准误差最小的模型，优先考虑决定系数，其次再考虑标准误差。
所述最佳生菜全氮含量高光谱反演模型表达为以下公式：
一种利用上述的方法建立的生菜全氮含量高光谱反演模型在测定生菜全氮含量中的应用，该应用包括以下步骤：针对需要检测全氮含量的生菜，首先使用高光谱仪采集该生菜叶片的高光谱数据，包括高光谱位置变量和植被指数变量；再将获得的高光谱数据输入最佳生菜全氮含量高光谱反演模型中即可计算得出待测生菜全氮含量。
与现有技术相比，本发明具有以下优点及有益效果：
本发明为一种基于BP神经网络的生菜全氮含量高光谱反演模型的建立方法，首先采集足够数量的生菜叶片作为实验样本，通过使用BP神经网络对生菜叶片的高光谱位置变量与植被指数变量和全氮含量进行模型建立，最终得到生菜叶片的全氮含量估算模型。针对需要检测全氮含量的生菜，首先使用高光谱仪采集该生菜叶片的高光谱数据，包括高光谱位置变量和植被指数变量；再将获得的高光谱数据输入获得的最佳生菜全氮含量高光谱反演模型中即可计算得出待测生菜全氮含量。可见，本发明仅在模型建立时需要对生菜菜叶进行破坏性检测，在模型建立后只需获得生菜菜叶的高光谱数据即可通过计算进行对生菜菜叶全氮含量的估算，具有实时、快速和无损的特点。本发明在建模时使用了BP神经网络，BP神经网络具有非常适合非线性拟合的特点，最终得出的模型误差很小，因此本发明方法建立的模型估算出的生菜菜叶全氮含量精度较高。
附图说明
图1是本发明一种基于BP神经网络的生菜全氮含量高光谱反演模型的建立方法流程图。
图2是本发明所采集生菜叶片测得的高光谱反射率图。
图3是本发明所采集生菜叶片测得的高光谱反射光谱图。
图4是本发明中使用到的烘干生菜叶片图。
图5是本发明中N标准溶液吸光度拟合曲线图。
图6是本发明中生菜叶片全氮含量预测值与实测值关系图。
具体实施方法
下面结合实施例对本发明作进一步详细的描述，但本发明的实施方式不限于此。
实施例1：
本实施例公开了一种基于BP神经网络的生菜全氮含量高光谱反演模型的建立方法，如图1所示，步骤如下：
步骤S1、随机采集多片生菜叶片；
本步骤中采集的生菜叶片，首先需要最少采集75片生菜叶片，再按照2:1的比例分成模型建立组与模型验证组；
步骤S2、将采集的生菜叶片平铺在白纸上，将高光谱仪置于叶片上方，采集每一片生菜叶片的高光谱数据；
本步骤中，采集的高光谱数据为高光谱位置变量和植被指数变量；
高光谱位置变量包括绿边幅值Dg、绿边幅值位置λg、红边谷值Dr、红边谷值位置λr、红谷反射率Rγ、红谷位置λb、绿峰反射率Rɡ和绿峰位置λɡ，如图2和图3所示；
植被指数变量包括绿峰反射率与红谷反射率的比值VI1，绿峰反射率与红谷反射率归一化值VI2；
步骤S3、用化学方法检测采集的生菜叶片的全氮含量；
本步骤中，针对步骤S1采集到的生菜叶片，计算全氮含量的过程如下：先把生菜叶片放入105℃的烘箱中杀青两小时，再放入55℃的烘箱中烘干至恒重，如图4所示，再研磨成粉末，取一定量采用H2SO4-H2O2消煮-奈氏比色法进行全氮含量测定，选取的生菜叶片全氮含量统计结果如表1所示；
生菜氮含量的计算公式为：
式中：N为测试样本的全氮含量，％；c为烘干生菜粉末的氮含量，mg；m为烘干生菜粉末的质量，mg。
在H2SO4-H2O2消煮-奈氏比色法中，需要制备N标准溶液。标准溶液的吸光度和拟合曲线如表2和图5所示。
步骤S4、利用BP神经网络对高光谱数据和生菜叶片的全氮含量进行建模；
本步骤中，使用的BP神经网络算法，建模过程如下：先对高光谱数据进行归一化处理，然后设置神经网络结构、激活函数和停止条件，再将数据输入神经网络，待计算得出神经网络特征值后，保存模型用于预测全氮含量；
归一化处理的公式为其中xni为第i个被标准化处理后的高光谱数据，xi为第i个高光谱数据，xmin为高光谱数据中的最小值，xmax为高光谱数据中的最大值；
神经网络结构为1-8-1结构，则为输入层1个输入单元，隐含层8个单元，输出层1个单元；
激活函数使用sigmoid函数，公式为：
停止条件为迭代次数达到100次。
步骤S5、计算决定系数和标准误差对步骤S4建好的模型进行筛选并确定最佳生菜全氮含量高光谱反演模型；
本步骤中，决定系数为R2，标准误差为SE：
其中为标准化处理后高光谱数据的均值，fi为标准化处理后高光谱数据的拟合值；
使用决定系数和标准误差筛选并确定最佳生菜全氮含量高光谱反演模型的方法是：选择决定系数最大，标准误差最小的模型，优先考虑决定系数，其次再考虑标准误差。
所述最佳生菜全氮含量高光谱反演模型表达为以下公式：
基于BP神经网络的生菜全氮含量高光谱反演模型相关参数如表3所示。
步骤S6、针对需要检测全氮含量的生菜，首先使用高光谱仪采集该生菜叶片的高光谱数据，包括高光谱位置变量和植被指数变量；再将获得的高光谱数据输入步骤S5中获得的最佳生菜全氮含量高光谱反演模型中即可计算得出待测生菜全氮含量；
基于BP神经网络的生菜全氮含量高光谱反演模型计算所得生菜叶片全氮含量预测值与实际值关系如图6所示。
表1实施例1所采集生菜叶片的全氮含量统计结果表
表2实施例1N标准溶液吸光度统计表
表3是实施例1基于BP神经网络的生菜全氮含量高光谱反演模型相关参数统计表
上述实施例为本发明较佳的实施方式，但本发明的实施方式并不受上述实施例的限制，其他的任何未背离本发明的精神实质与原理下所作的改变、修饰、替代、组合、简化，均应为等效的置换方式，都包含在本发明的保护范围之内。

Claims (8)

1.一种生菜全氮含量高光谱反演模型的建立方法，其特征在于包括以下操作步骤：
步骤S1、随机采集多片生菜叶片；
步骤S2、采集每一片生菜叶片的高光谱数据；
步骤S3、用化学方法检测采集的生菜叶片的全氮含量；
步骤S4、利用BP神经网络算法对生菜叶片的高光谱数据和生菜叶片的全氮含量进行建模：先对高光谱数据进行归一化处理，然后设置神经网络结构、激活函数和停止条件，再将数据输入神经网络，待计算得出神经网络特征值后，保存模型用于预测全氮含量；
步骤S5、计算决定系数和标准误差对步骤S4建好的模型进行筛选并确定最佳生菜全氮含量高光谱反演模型。
2.根据权利要求1所述的一种生菜全氮含量高光谱反演模型的建立方法，其特征在于：所述步骤S1中采集的生菜叶片，需要按照2:1的比例分成模型建立组与模型验证组。
3.根据权利要求1所述的一种生菜全氮含量高光谱反演模型的建立方法，其特征在于：所述步骤S2中采集的高光谱数据为高光谱位置变量和植被指数变量；
高光谱位置变量包括绿边幅值Dg、绿边幅值位置λg、红边谷值Dr、红边谷值位置λr、红谷反射率Rγ、红谷位置λb、绿峰反射率Rɡ和绿峰位置λɡ；
植被指数变量包括绿峰反射率与红谷反射率的比值VI1，绿峰反射率与红谷反射率归一化值VI2；
4.根据权利要求1所述的一种生菜全氮含量高光谱反演模型的建立方法，其特征在于：所述步骤S3中采集的生菜叶片的全氮含量是按照以下方法进行检测：先把生菜叶片放入105℃的烘箱中杀青两小时，再放入55℃的烘箱中烘干，直至恒重后，研磨成粉末，然后采用H2SO4-H2O2消煮-奈氏比色法进行全氮含量测定。
5.根据权利要求1所述的一种生菜全氮含量高光谱反演模型的建立方法，其特征在于：所述步骤S4中归一化处理的公式为其中xni为第i个被标准化处理后的高光谱数据，xi为第i个高光谱数据，xmin为高光谱数据中的最小值，xmax为高光谱数据中的最大值；
神经网络结构为1-8-1结构，则为输入层1个输入单元，隐含层8个单元，输出层1个单元；
激活函数使用sigmoid函数，公式为：
停止条件为迭代次数达到100次。
6.根据权利要求1所述的一种生菜全氮含量高光谱反演模型的建立方法，其特征在于：所述步骤S5中决定系数为R2，标准误差为SE：
其中为标准化处理后高光谱数据的均值，fi为标准化处理后高光谱数据的拟合值；
使用决定系数和标准误差筛选并确定最佳生菜全氮含量高光谱反演模型的方法是：选择决定系数最大，标准误差最小的模型，优先考虑决定系数，其次再考虑标准误差。
7.根据权利要求6所述的一种生菜全氮含量高光谱反演模型的建立方法，其特征在于：所述最佳生菜全氮含量高光谱反演模型表达为以下公式：
8.一种利用权利要求1所述的方法建立的生菜全氮含量高光谱反演模型在测定生菜全氮含量中的应用，其特征在于：该应用包括以下步骤：针对需要检测全氮含量的生菜，首先使用高光谱仪采集该生菜叶片的高光谱数据，包括高光谱位置变量和植被指数变量；再将获得的高光谱数据输入最佳生菜全氮含量高光谱反演模型中即可计算得出待测生菜全氮含量。
CN201910578419.8A 2019-06-28 2019-06-28 一种生菜全氮含量高光谱反演模型的建立方法及其应用 Pending CN110320164A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201910578419.8A CN110320164A (zh) 2019-06-28 2019-06-28 一种生菜全氮含量高光谱反演模型的建立方法及其应用

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201910578419.8A CN110320164A (zh) 2019-06-28 2019-06-28 一种生菜全氮含量高光谱反演模型的建立方法及其应用

Publications (1)

Publication Number Publication Date
CN110320164A true CN110320164A (zh) 2019-10-11

Family

ID=68120754

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201910578419.8A Pending CN110320164A (zh) 2019-06-28 2019-06-28 一种生菜全氮含量高光谱反演模型的建立方法及其应用

Country Status (1)

Country Link
CN (1) CN110320164A (zh)

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112287886A (zh) * 2020-11-19 2021-01-29 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
CN112504977A (zh) * 2020-11-17 2021-03-16 华南农业大学 茶叶含水率检测方法及其模型构建方法、介质和设备
CN114199790A (zh) * 2021-12-13 2022-03-18 华南农业大学 一种光谱检测果茶树营养状况的检测方法及系统

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN106940290A (zh) * 2017-01-22 2017-07-11 广州地理研究所 基于高光谱数据的水库水体氨氮含量估算方法
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
CN108520127A (zh) * 2018-03-29 2018-09-11 华南农业大学 一种树种叶面积指数的高光谱反演方法
CN109187441A (zh) * 2018-08-27 2019-01-11 中国水利水电科学研究院 基于冠层光谱信息的夏玉米含氮量监测模型的构建方法
CN109870419A (zh) * 2017-12-05 2019-06-11 核工业北京地质研究院 一种采用航空高光谱数据预测黑土氮磷钾含量的方法

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN106940290A (zh) * 2017-01-22 2017-07-11 广州地理研究所 基于高光谱数据的水库水体氨氮含量估算方法
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
CN109870419A (zh) * 2017-12-05 2019-06-11 核工业北京地质研究院 一种采用航空高光谱数据预测黑土氮磷钾含量的方法
CN108520127A (zh) * 2018-03-29 2018-09-11 华南农业大学 一种树种叶面积指数的高光谱反演方法
CN109187441A (zh) * 2018-08-27 2019-01-11 中国水利水电科学研究院 基于冠层光谱信息的夏玉米含氮量监测模型的构建方法

Non-Patent Citations (4)

* Cited by examiner, † Cited by third party
Title
孙小香等: "基于冠层光谱和BP 神经网络的水稻叶片氮素浓度估算模型", 《中国农业资源与区划》 *
温宗周等: "基于BP算法的含沙量预测模型研究", 《西安工程大学学报》 *
王汝杰等: "《现代设备管理》", 30 April 2007 *
马明洋等: "东北粳稻叶绿素相对含量的无人机高清影像检测方法", 《沈阳农业大学学报》 *

Cited By (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112504977A (zh) * 2020-11-17 2021-03-16 华南农业大学 茶叶含水率检测方法及其模型构建方法、介质和设备
CN112287886A (zh) * 2020-11-19 2021-01-29 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
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
CN114199790A (zh) * 2021-12-13 2022-03-18 华南农业大学 一种光谱检测果茶树营养状况的检测方法及系统

Similar Documents

Publication Publication Date Title
US10845243B1 (en) Method for establishing content monitoring model of canopy water of winter wheat based on spectral parameters
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
Zhang et al. Rapid determination of leaf water content using VIS/NIR spectroscopy analysis with wavelength selection
CN109977548B (zh) 一种针对不同范围的叶面积指数遥感反演方法
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
CN108875913B (zh) 一种基于卷积神经网络的松茸快速无损检测系统及方法
CN110320164A (zh) 一种生菜全氮含量高光谱反演模型的建立方法及其应用
CN110160967A (zh) 一种作物冠层叶片的全氮含量估算方法
CN107271382A (zh) 一种不同生育期油菜叶片spad值遥感估算方法
Zhao et al. Effect of vertical distribution of crop structure and biochemical parameters of winter wheat on canopy reflectance characteristics and spectral indices
CN103278473B (zh) 白胡椒中胡椒碱及水分含量的测定和品质评价方法
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
CN110069895B (zh) 冬小麦含氮量全生育时段光谱监测模型建立方法
CN104778349B (zh) 一种用于水稻表土氮肥施用等级评定方法
CN104374711B (zh) 一种树木叶面尘土量的确定方法及系统
CN108169141A (zh) 一种基于高光谱图像的茶树lai及氮含量估算方法
CN103940748B (zh) 基于高光谱技术的柑橘冠层含氮量预测与可视化的方法
CN111044516B (zh) 一种水稻叶绿素含量遥感估测方法
CN110082309B (zh) 冬小麦冠层spad值综合光谱监测模型建立方法
CN104931453A (zh) 一种基于近红外光谱技术预测绿茶摊青叶含水量的方法
CN103185695A (zh) 一种基于光谱的烤烟成熟度田间快速判断方法
CN107271372A (zh) 一种苹果叶片叶绿素遥感估测方法
CN107561032A (zh) 基于太赫兹吸收系数光谱检测油菜叶片水分状态的方法
CN113252583B (zh) 一种基于枯草植被指数计算高寒枯草覆盖度的方法
CN105136737A (zh) 基于近红外光谱的馒头中马铃薯全粉含量快速测定的方法

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
RJ01 Rejection of invention patent application after publication

Application publication date: 20191011

RJ01 Rejection of invention patent application after publication