CN110361344A - 基于高光谱的病害程度诊断方法 - Google Patents

基于高光谱的病害程度诊断方法 Download PDF

Info

Publication number
CN110361344A
CN110361344A CN201910811521.8A CN201910811521A CN110361344A CN 110361344 A CN110361344 A CN 110361344A CN 201910811521 A CN201910811521 A CN 201910811521A CN 110361344 A CN110361344 A CN 110361344A
Authority
CN
China
Prior art keywords
measured
degree
crop
absorption
hyperion
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
CN201910811521.8A
Other languages
English (en)
Inventor
董锦绘
施蕾蕾
郝荣欣
刘龙
宮华泽
陈祺
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.)
Beijing Mafei Technology Co Ltd
Original Assignee
Beijing Mafei Technology Co Ltd
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 Beijing Mafei Technology Co Ltd filed Critical Beijing Mafei Technology Co Ltd
Priority to CN201910811521.8A priority Critical patent/CN110361344A/zh
Publication of CN110361344A publication Critical patent/CN110361344A/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
    • G01N21/31—Investigating relative effect of material at wavelengths characteristic of specific elements or molecules, e.g. atomic absorption spectrometry
    • 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
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F30/00—Computer-aided design [CAD]
    • G06F30/20—Design optimisation, verification or simulation
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
    • G01N2201/00—Features of devices classified in G01N21/00
    • G01N2201/12—Circuits of general importance; Signal processing
    • G01N2201/127—Calibration; base line adjustment; drift compensation

Landscapes

  • Physics & Mathematics (AREA)
  • Spectroscopy & Molecular Physics (AREA)
  • Engineering & Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Chemical & Material Sciences (AREA)
  • Health & Medical Sciences (AREA)
  • Biochemistry (AREA)
  • General Health & Medical Sciences (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Immunology (AREA)
  • Pathology (AREA)
  • Analytical Chemistry (AREA)
  • Theoretical Computer Science (AREA)
  • Evolutionary Computation (AREA)
  • Geometry (AREA)
  • General Engineering & Computer Science (AREA)
  • Computer Hardware Design (AREA)
  • Investigating Or Analysing Materials By Optical Means (AREA)

Abstract

本申请公开了一种基于高光谱的病害程度诊断方法，包括步骤：无人机搭载非成像高光谱仪；通过无人机采集多个待测作物的原始高光谱数据，得到待测作物可见光到近红波段的连续曲线，进行连续统去除处理归一化，得到待测作物的吸收特征参数，根据赤池信息量准则筛选吸收特征参数得到诊断特征，诊断特征包括吸收峰面积、吸收深度、和吸收对称度；将诊断特征作为自适应网络模糊推理系统模型的输入变量，通过自适应网络模糊推理系统模型得到输出量，输出量为待测作物的病害程度值数。本发明基于高光谱的病害程度诊断方法，节约人工、时间成本，避免了因调查人的主观性而造成的误差，更加准确地对作物病害程度进行诊断。

Description

基于高光谱的病害程度诊断方法
技术领域
本申请涉及作物诊断技术领域，尤其涉及一种基于高光谱的病害程度诊断方法。
背景技术
水稻是我国主要粮食作物之一，水稻病害的防治是水稻种植过程中的主要任务，关于水稻病害诊断主要还是依靠农业专家根据病害症状和症状部位进行人工诊断，这种诊断方式固然可靠，但需要大量的农业专家亲临农业生产第一线，由于植保专家的人数毕竟有限，而且工作任务比较繁忙，所以只能是在个别时间和地点才能实现，无法应用到生产实际当中去。
发明内容
本申请公开了一种基于高光谱的病害程度诊断方法，包括步骤：
无人机搭载非成像高光谱仪；
通过无人机采集多个待测作物的原始高光谱数据，通过所述原始高光谱数据得到所述待测作物可见光到近红波段的连续曲线；
对所述待测作物的连续曲线进行连续统去除处理归一化，得到所述待测作物的吸收特征参数，所述吸收特征参数包括吸收波段波长位置、吸收深度、吸收宽度、吸收斜率、吸收对称度、吸收峰面积和光谱绝对反射值；
根据赤池信息量准则筛选所述吸收特征参数得到诊断特征，所述诊断特征包括所述吸收峰面积、所述吸收深度、和所述吸收对称度，其中所述吸收峰面积包括吸收峰总体面积和吸收峰左端面积；
将所述诊断特征作为自适应网络模糊推理系统模型的输入变量，通过所述自适应网络模糊推理系统模型得到输出量，所述输出量为所述待测作物的病害程度值数。
优选的，所述原始高光谱数据为所述待测作物灰度值。
优选的，所述通过无人机采集待测作物的原始高光谱数据之前，对所述非成像高光谱仪校准，得到定标白板灰度值和定标白板反射率。
优选的，所述连续曲线包括多个所述待测作物反射率，所述待测作物反射率根据以下方法得到：
a＝bd/c；
其中，a是所述待测作物反射率，b是所述待测作物灰度值，c是所述定标白板灰度值，d是所述定标白板反射率。
优选的，所述连续曲线包括谷点和峰点，所述峰点包括第一峰点和第二峰点。
优选的，所述吸收深度根据以下方法得到：
h＝1-ρM；
其中，h是所述吸收深度，ρM是所述谷点M对应的所述待测作物的反射率。
优选的，所述吸收对称度根据以下方法得到：
e＝(λS2-λM)/w；
其中，e是吸收对称度参数，λS2是所述第二峰点S2的吸收波段波长位置，λM是所述谷点M的吸收波段波长位置，w是所述吸收宽度。
优选的，所述吸收宽度w根据以下方法得到：
w＝λS1-λS2；
其中，w是所述吸收宽度，λS1是所述第一峰点S1的所述吸收波段波长位置，λS2是所述第二峰点S2的所述吸收波段波长位置。
优选的，所述输入变量为钟形函数。
优选的，所述可见光到所述近红波段的范围为350nm-900nm。
与现有技术相比，本发明提供的基于高光谱的病害程度诊断方法，达到如下有益效果：
本发明基于高光谱的病害程度诊断方法，通过遥感高光谱数据与自适应网络模糊推理系统(ANFIS)模型的结合，大大节约了人工成本和时间成本，避免了因调查人的主观性而造成的误差，与现有技术相比能够更加准确地对作物病害程度进行诊断。
下面通过附图和实施例，对本发明的技术方案做进一步的详细描述。
附图说明
此处所说明的附图用来提供对本申请的进一步理解，构成本申请的一部分，本申请的示意性实施例及其说明用于解释本申请，并不构成对本申请的不当限定。在附图中：
图1为本发明基于高光谱的病害程度诊断方法的流程图；
图2是本发明待测作物可见光到近红波段的连续曲线；
图3是本发明自适应网络模糊推理系统(ANFIS)模型预测结果散点图；
图4是本发明自适应网络模糊推理系统(ANFIS)模型预测结果误差曲线散点图；
图5是本发明自适应网络模糊推理系统(ANFIS)模型验证结果散点图；
图6是本发明自适应网络模糊推理系统(ANFIS)模型验证结果误差曲线散点图；
图7是本发明自适应网络模糊推理系统(ANFIS)模型预测值与地面实测值的拟合度直线图。
具体实施方式
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。应注意到，所描述的实施例实际上仅仅是本发明一部分实施例，而不是全部的实施例，且实际上仅是说明性的，决不作为对本发明及其应用或使用的任何限制。本申请的保护范围当视所附权利要求所界定者为准。
实施例1：
参见图1，图1为本发明基于高光谱的病害程度诊断方法的流程图，包括步骤：
步骤101，无人机搭载非成像高光谱仪；
步骤102，将无人机悬停在待测作物的上方，通过无人机采集多个待测作物的原始高光谱数据，通过原始高光谱数据得到待测作物可见光到近红波段的连续曲线；
步骤103，对待测作物的连续曲线进行连续统去除处理归一化，得到待测作物的吸收特征参数，吸收特征参数包括吸收波段波长位置、吸收深度、吸收宽度、吸收斜率、吸收对称度、吸收峰面积和光谱绝对反射值；
步骤104，根据赤池信息量准则筛选吸收特征参数得到诊断特征，诊断特征包括吸收峰面积、吸收深度、和吸收对称度，其中吸收峰面积包括吸收峰总体面积和吸收峰左端面积；
步骤105，将诊断特征作为自适应网络模糊推理系统模型的输入变量，通过得到自适应网络模糊推理系统模型得到输出量，输出量为待测作物的病害程度值数。
本发明通过遥感高光谱数据与自适应网络模糊推理系统(ANFIS)模型的结合，大大节约了人工成本和时间成本，避免了因调查人的主观性而造成的误差，与现有技术相比能够更加准确地对作物病害程度进行诊断。
实施例2：
本申请基于高光谱的病害程度诊断方法的又一实施例，包括步骤：
步骤201，无人机搭载非成像高光谱仪；
步骤202，将无人机悬停在待测作物的上方，通过无人机采集多个待测作物的原始高光谱数据，通过原始高光谱数据得到待测作物可见光到近红波段的连续曲线；
在步骤202中，原始高光谱数据为待测作物灰度值。
通过无人机采集待测作物的原始高光谱数据之前，对非成像高光谱仪校准，得到定标白板灰度值和定标白板反射率。
待测作物反射率根据以下方法得到：
a＝bd/c；
其中，a是待测作物反射率，b是待测作物灰度值，c是定标白板灰度值，d是定标白板反射率。
在步骤202中，可见光到近红波段的范围为350nm-900nm。每一个波段都对应一个反射率，将多个待测作物对应的反射率的点连成线即可得到连续曲线。
对原始光谱数据进行去除处理，将不能组成连接曲线的待测作物对应的反射率的点去除，使去除后的多个待测作物反射率对应的点连接成连续曲线。
步骤203，对待测作物的连续曲线进行连续统去除处理归一化，得到待测作物的吸收特征参数，吸收特征参数包括吸收波段波长位置、吸收深度、吸收宽度、吸收斜率、吸收对称度、吸收峰面积和光谱绝对反射值；
步骤204，根据赤池信息量准则筛选吸收特征参数得到诊断特征，诊断特征包括吸收峰面积、吸收深度、和吸收对称度，其中吸收峰面积包括吸收峰总体面积和吸收峰左端面积；
在步骤204中，连续曲线包括谷点M和峰点S，肩端S包括第一峰点S1和第二峰点S2。
吸收深度根据以下方法得到：
h＝1-ρM；
其中，h是吸收深度，ρM是谷点M对应的待测作物的反射率。
吸收对称度根据以下方法得到：
e＝(λS2-λM)/w；
其中，e是吸收对称度参数，λS2是第二峰点S2的吸收波段波长位置，λM是谷点M的吸收波段波长位置，w是吸收宽度。
吸收宽度w根据以下方法得到：
w＝λS1-λS2；
其中，w是吸收宽度，λS1是第一峰点S1的吸收波段波长位置，λS2是第二峰点S2的吸收波段波长位置。
步骤205，将诊断特征作为自适应网络模糊推理系统模型的输入变量，通过得到自适应网络模糊推理系统模型得到输出量，输出量为待测作物的病害程度值数。输入变量为钟形函数gbellmf。函数个数为5，迭代次数为100。钟形函数为自适应网络模糊推理系统(ANFIS)模型输入变量模糊化的常用函数，钟形函数gbellmf有益于不同病害程度吸收特征的差异化；函数个数与输入的诊断特征数量一致。
本发明通过遥感高光谱数据与自适应网络模糊推理系统(ANFIS)模型的结合，大大节约了人工成本和时间成本，避免了因调查人的主观性而造成的误差，与现有技术相比能够更加准确地对作物病害程度进行诊断。
实施例3，参考图2，图2是本发明待测作物可见光到近红波段的连续曲线。对海南农业科学院水稻种植基地进行无人机高光谱监测，得到观测区域内水稻的原始光谱数据，通过所述原始高光谱数据得到所述待测作物可见光到近红波段的连续曲线；得到水稻光谱反射率根据以下方法得到：
a＝bd/c；
其中，a是所述待测作物反射率，b是所述待测作物灰度值，c是所述定标白板灰度值，d是所述定标白板反射率。
参考图2，图2的横坐标L是波长，纵坐标a是反射率，连续曲线与a＝1直线组成封闭区间，封闭区间的面积为吸收峰总体面积A，封闭区间的最大深度为吸收深度h，吸收深度h所在直线将吸收峰总体面积A分为两个左右区域，分别为吸收峰左端面积A1和吸收峰右端面积A2；对水稻光谱曲线进行连续统去除处理归一化，得到该区域水稻吸收特征参数。根据赤池信息量准则筛选所述吸收特征参数得到诊断特征，所述诊断特征包括吸收峰总体面积A、吸收峰左端面积A1、吸收深度h、吸收对称度e；诊断特征参数参见表1，表1为本发明诊断特征参数表格：
表1本发明诊断特征参数
诊断特征 拔节期 抽穗期 灌浆期
吸收峰总体面积A 129.20 116.34 72.43
吸收峰左端面积A1 88.41 81.26 49.33
吸收深度h 0.91 0.81 0.62
吸收对称度e 0.69 0.69 0.68
通过赤池信息量准则(AIC)方法，依次计算了诊断特征的AIC值，评价了诊断特征的建模能力，参见表2，表2本发明诊断特征AIC值表格：
表2本发明诊断特征AIC值
诊断特征 AIC值 排序
吸收峰总体面积A 14.32 2
吸收峰左端面积A1 18.97 4
吸收深度h 17.2 3
吸收对称度e 12.91 1
参考图3-图6，自适应网络模糊推理系统(ANFIS)模型输入变量隶属度函数选择gbellmf钟形函数，输出变量隶属函数类型为线性，优化方法误差限容为0.01；本实施例研究区水稻三个生育阶段共有144个地面点数据，选择三分之二的数据作为预测数据，三分之一数据作为模型验证数据；图3是本发明自适应网络模糊推理系统(ANFIS)模型预测结果散点图，横坐标X1为输入变量诊断特征，纵坐标Y1是输出变量待测作物的病害程度值数，图4是本发明自适应网络模糊推理系统(ANFIS)模型预测结果误差曲线散点图，横坐标P1是训练次数，纵坐标Q1是误差；图5是本发明自适应网络模糊推理系统(ANFIS)模型验证结果散点图，横坐标X2为输入变量诊断特征，纵坐标Y2是输出变量待测作物的病害程度值数，图6是本发明自适应网络模糊推理系统(ANFIS)模型验证结果误差曲线散点图，横坐标P2是训练次数，纵坐标Q2是误差，分别用两种标识表示预测值和实测值，可以明显直观地观察到预测值与实测值之间的误差；
参考图7，图7是本发明自适应网络模糊推理系统(ANFIS)模型预测值与地面实测值的拟合度直线图，预测值与地面实测值的关系如下：
Y2＝0.993Y1+0.0022，
同时，相关系数R满足R2＝0.9981。
参考上述图3-图7，预测均方根误差RMSE根据以下方法得到：
其中，Y1是预测待测作物的病害程度值数，Y2是实测待测作物的病害程度值数，进一步得到预测均方根RMSE误差为0.0012。
本实施例中，遥感高光谱数据与自适应网络模糊推理系统(ANFIS)模型的结合，通过上述描述验证控制预测待测作物的病害程度值数误差在极小的范围内，更加准确地对作物病害程度进行诊断。
通过以上各实施例可知，本申请存在的有益效果是：
本发明基于高光谱的病害程度诊断方法，通过遥感高光谱数据与自适应网络模糊推理系统(ANFIS)模型的结合，大大节约了人工成本和时间成本，避免了因调查人的主观性而造成的误差，与现有技术相比能够更加准确地对作物病害程度进行诊断。
上面通过附图和实施例，对本申请的技术方案做虽然已经通过例子对本申请的一些特定实施例进行了详细说明，但是本领域的技术人员应该理解，以上例子仅是为了进行说明，而不是为了限制本发明的范围。尽管参照前述实施例对本发明进行了详细的说明，对于本领域的技术人员来说，其依然可以对前述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。凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。本发明的范围由所附权利要求来限定。

Claims (10)

1.一种基于高光谱的病害程度诊断方法，其特征在于，包括步骤：
无人机搭载非成像高光谱仪；
通过无人机采集多个待测作物的原始高光谱数据，通过所述原始高光谱数据得到所述待测作物可见光到近红波段的连续曲线；
对所述待测作物的连续曲线进行连续统去除处理归一化，得到所述待测作物的吸收特征参数，所述吸收特征参数包括吸收波段波长位置、吸收深度、吸收宽度、吸收斜率、吸收对称度、吸收峰面积和光谱绝对反射值；
根据赤池信息量准则筛选所述吸收特征参数得到诊断特征，所述诊断特征包括所述吸收峰面积、所述吸收深度、和所述吸收对称度，其中所述吸收峰面积包括吸收峰总体面积和吸收峰左端面积；
将所述诊断特征作为自适应网络模糊推理系统模型的输入变量，通过所述自适应网络模糊推理系统模型得到输出量，所述输出量为所述待测作物的病害程度值数。
2.根据权利要求1所述的基于高光谱的病害程度诊断方法，其特征在于，所述原始高光谱数据为所述待测作物灰度值。
3.根据权利要求2所述的基于高光谱的病害程度诊断方法，其特征在于，所述通过无人机采集待测作物的原始高光谱数据之前，对所述非成像高光谱仪校准，得到定标白板灰度值和定标白板反射率。
4.根据权利要求3所述的基于高光谱的病害程度诊断方法，其特征在于，所述连续曲线包括多个所述待测作物反射率，所述待测作物反射率根据以下方法得到：
a＝bd/c；
其中，a是所述待测作物反射率，b是所述待测作物灰度值，c是所述定标白板灰度值，d是所述定标白板反射率。
5.根据权利要求1所述的基于高光谱的病害程度诊断方法，其特征在于，所述连续曲线包括谷点和峰点，所述峰点包括第一峰点和第二峰点。
6.根据权利要求5所述的基于高光谱的病害程度诊断方法，其特征在于，所述吸收深度根据以下方法得到：
h＝1-ρM；
其中，h是所述吸收深度，ρM是所述谷点M对应的所述待测作物的反射率。
7.根据权利要求5所述的基于高光谱的病害程度诊断方法，其特征在于，所述吸收对称度根据以下方法得到：
e＝(λS2-λM)/w；
其中，e是吸收对称度参数，λS2是所述第二峰点S2的吸收波段波长位置，λM是所述谷点M的吸收波段波长位置，w是所述吸收宽度。
8.根据权利要求7所述的基于高光谱的病害程度诊断方法，其特征在于，所述吸收宽度w根据以下方法得到：
w＝λS1-λS2；
其中，w是所述吸收宽度，λS1是所述第一峰点S1的所述吸收波段波长位置，λS2是所述第二峰点S2的所述吸收波段波长位置。
9.根据权利要求1所述的基于高光谱的病害程度诊断方法，其特征在于，所述输入变量为钟形函数。
10.根据权利要求1所述的基于高光谱的病害程度诊断方法，其特征在于，所述可见光到所述近红波段的范围为350nm-900nm。
CN201910811521.8A 2019-08-30 2019-08-30 基于高光谱的病害程度诊断方法 Pending CN110361344A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201910811521.8A CN110361344A (zh) 2019-08-30 2019-08-30 基于高光谱的病害程度诊断方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201910811521.8A CN110361344A (zh) 2019-08-30 2019-08-30 基于高光谱的病害程度诊断方法

Publications (1)

Publication Number Publication Date
CN110361344A true CN110361344A (zh) 2019-10-22

Family

ID=68225448

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201910811521.8A Pending CN110361344A (zh) 2019-08-30 2019-08-30 基于高光谱的病害程度诊断方法

Country Status (1)

Country Link
CN (1) CN110361344A (zh)

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110658211A (zh) * 2019-11-08 2020-01-07 河南农业大学 棉花蕾期蚜害棉花冠层光谱特征提取及等级估测方法
CN114565134A (zh) * 2022-01-25 2022-05-31 中国科学院地理科学与资源研究所 水稻生长期的预测方法、装置、设备及可读存储介质

Citations (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101482514A (zh) * 2008-01-10 2009-07-15 北京农业信息技术研究中心 一种病害检测仪及其检测方法
CN104656100A (zh) * 2015-02-25 2015-05-27 中国科学院遥感与数字地球研究所 一种行扫描高光谱实时异常探测方法与系统
CN105445214A (zh) * 2015-11-27 2016-03-30 安徽科技学院 一种农业工程遥感监测方法
CN108254323A (zh) * 2017-11-22 2018-07-06 杭州电子科技大学 一种基于吸收峰特征反演叶面积指数的方法
CN108346143A (zh) * 2018-01-30 2018-07-31 浙江大学 一种基于无人机多源图像融合的作物病害监测方法和系统
CN108593569A (zh) * 2018-07-02 2018-09-28 中国地质环境监测院 基于光谱形态特征的高光谱水质参数定量反演方法
CN108693119A (zh) * 2018-04-20 2018-10-23 北京麦飞科技有限公司 基于无人机高光谱遥感的病虫害智能察打系统
CN108985959A (zh) * 2018-08-09 2018-12-11 安徽大学 一种基于地表温度反演技术的小麦白粉病遥感监测方法

Patent Citations (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101482514A (zh) * 2008-01-10 2009-07-15 北京农业信息技术研究中心 一种病害检测仪及其检测方法
CN104656100A (zh) * 2015-02-25 2015-05-27 中国科学院遥感与数字地球研究所 一种行扫描高光谱实时异常探测方法与系统
CN105445214A (zh) * 2015-11-27 2016-03-30 安徽科技学院 一种农业工程遥感监测方法
CN108254323A (zh) * 2017-11-22 2018-07-06 杭州电子科技大学 一种基于吸收峰特征反演叶面积指数的方法
CN108346143A (zh) * 2018-01-30 2018-07-31 浙江大学 一种基于无人机多源图像融合的作物病害监测方法和系统
CN108693119A (zh) * 2018-04-20 2018-10-23 北京麦飞科技有限公司 基于无人机高光谱遥感的病虫害智能察打系统
CN108593569A (zh) * 2018-07-02 2018-09-28 中国地质环境监测院 基于光谱形态特征的高光谱水质参数定量反演方法
CN108985959A (zh) * 2018-08-09 2018-12-11 安徽大学 一种基于地表温度反演技术的小麦白粉病遥感监测方法

Non-Patent Citations (5)

* Cited by examiner, † Cited by third party
Title
官建军 等: "《无人机遥感测绘技术及应用》", 31 August 2018, 西安：西北工业大学出版社 *
庄逢甘 等: "《2004遥感科技论坛：中国遥感应用协会2004年年会论文集》", 31 July 2004, 北京：中国宇航出版社 *
浦瑞良 等: "《高光谱遥感及其应用》", 31 August 2000 *
董锦绘: "基于多源遥感信息的小麦条锈病监测模型研究", 《中国优秀硕士学位论文全文数据库农业科技辑》 *
谢新锐 等: "倒伏胁迫对水稻可视茎叶穗比率的影响及光谱响应解析", 《光谱学与光谱分析》 *

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110658211A (zh) * 2019-11-08 2020-01-07 河南农业大学 棉花蕾期蚜害棉花冠层光谱特征提取及等级估测方法
CN114565134A (zh) * 2022-01-25 2022-05-31 中国科学院地理科学与资源研究所 水稻生长期的预测方法、装置、设备及可读存储介质

Similar Documents

Publication Publication Date Title
CN110287944B (zh) 基于深度学习的多光谱遥感影像的农作物虫害监测方法
Qiao et al. UAV-based chlorophyll content estimation by evaluating vegetation index responses under different crop coverages
Khan et al. Estimation of vegetation indices for high-throughput phenotyping of wheat using aerial imaging
CN102495005B (zh) 高光谱图像技术诊断作物水分亏缺的方法
Wang et al. Monitoring maize growth on the North China Plain using a hybrid genetic algorithm-based back-propagation neural network model
CN108596104A (zh) 一种带有病害特征预处理功能的小麦白粉病遥感监测方法
CN110361344A (zh) 基于高光谱的病害程度诊断方法
CN110533595A (zh) 一种作物病虫害空间动态分布监测的方法和系统
WO2011091278A1 (en) Enhancing performance of crops within an area of interest
Pang et al. Smart farming: An approach for disease detection implementing IoT and image processing
CN107271372A (zh) 一种苹果叶片叶绿素遥感估测方法
US20210019522A1 (en) Automatic crop classification system and method
CN115018105A (zh) 一种冬小麦气象产量预测方法及系统
CN112528789A (zh) 一种用于发病初中期分析的小麦条锈病遥感监测方法
CN102880752B (zh) 一种区域作物耗水时空格局优化设计方法
CA3232760A1 (en) Methods and systems for use in processing images related to crops
Prasher et al. Analysis of DenseNet201 with SGD optimizer for diagnosis of multiple rice leaf diseases
CN106568722A (zh) 一种基于光谱技术的设施黄瓜病害预警方法及装置
Cointault et al. Texture, color and frequential proxy-detection image processing for crop characterization in a context of precision agriculture
Sarkar et al. Assessment of soybean lodging using UAV imagery and machine learning
CN108846370A (zh) 一种小麦白粉病中晚期病害严重度自动分析方法
McNish et al. Oat crown rust disease severity estimated at many time points using multispectral aerial photos
CN112782103B (zh) 棉花苗期叶片棉蚜早期为害的监测方法及系统
JP7452879B2 (ja) 予測システム、予測方法、および予測プログラム
Francis et al. Development of a unified framework of low-rank approximation and deep neural networks for predicting the spatial variability of SSC inSpania'watermelons using vis/NIR hyperspectral imaging

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: 20191022

RJ01 Rejection of invention patent application after publication