CN110569605B - 一种基于nsga2-elm的粳稻叶片氮素含量反演模型方法 - Google Patents

一种基于nsga2-elm的粳稻叶片氮素含量反演模型方法 Download PDF

Info

Publication number
CN110569605B
CN110569605B CN201910858817.5A CN201910858817A CN110569605B CN 110569605 B CN110569605 B CN 110569605B CN 201910858817 A CN201910858817 A CN 201910858817A CN 110569605 B CN110569605 B CN 110569605B
Authority
CN
China
Prior art keywords
nitrogen content
population
japonica rice
elm
dominant
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
Application number
CN201910858817.5A
Other languages
English (en)
Other versions
CN110569605A (zh
Inventor
许童羽
冯帅
赵冬雪
周云成
于丰华
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.)
Shenyang Agricultural University
Original Assignee
Shenyang 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 Shenyang Agricultural University filed Critical Shenyang Agricultural University
Priority to CN201910858817.5A priority Critical patent/CN110569605B/zh
Publication of CN110569605A publication Critical patent/CN110569605A/zh
Application granted granted Critical
Publication of CN110569605B publication Critical patent/CN110569605B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

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
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/12—Computing arrangements based on biological models using genetic models
    • G06N3/126—Evolutionary algorithms, e.g. genetic algorithms or genetic programming
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02A—TECHNOLOGIES FOR ADAPTATION TO CLIMATE CHANGE
    • Y02A40/00—Adaptation technologies in agriculture, forestry, livestock or agroalimentary production
    • Y02A40/10—Adaptation technologies in agriculture, forestry, livestock or agroalimentary production in agriculture

Landscapes

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

Abstract

本发明公开了一种基于NSGA2‑ELM的粳稻叶片氮素含量反演模型方法，包括获取粳稻叶片高光谱数据，采用光纤光谱仪进行粳稻叶片光谱数据收集；筛选特征波段，分别作为粳稻叶片氮素含量反演模型的输入变量；采集的粳稻叶片氮素含量，作为氮素含量反演模型的输出变量；采用非支配的精英策略遗传算法优化极限学习机即NSGA2‑ELM，建立粳稻叶片氮素含量反演模型。本发明通过非支配的精英策略遗传算法(NSGA2)较好的全局搜索能力获取与数据样本较好匹配的连接权重和偏向值，从而提高极限学习机的泛化能力和稳定性等。

Description

一种基于NSGA2-ELM的粳稻叶片氮素含量反演模型方法
技术领域
本发明涉及农作物种植领域，特别涉及一种基于NSGA2-ELM的粳稻叶片氮素含量反演模型方法。
背景技术
氮素是农作物生长发育过程中重要的营养成分，实时监测和评估农作物的氮素含量对于农作物田间精准管理和长势预测等均具有十分重要的意义。目前，粳稻的氮素营养诊断方式主要有经验、化学和光谱检测法，其中经验和化学检测法很难满足现代田间精准管理的要求。而光谱检测法主要通过获取水稻生物信息中光谱吸收和反射过程实现对粳稻生长状况信息的精准检测。虽然检测精度略低于化学检测法，但光谱检测法能够达到高效、快速、无损的诊断要求，弥补了传统检测法的不足。
目前，采用光谱检测法对果蔬和粮食作物的氮素营养诊断已成为国内外学者研究的主要内容。王树文等研究表明基于主成分分析和相关分析结合多元回归分析模型的差值指数、多变量单波段指数等模型反演效果较好，预测集R2为0.869，RMSE为0.085。刘明博等采用连续投影法(SPA)筛选的有效波段、光谱指数RVI、NDVI以及全光谱波段构建多种水稻叶片氮素含量反演模型。对比发现，基于SPA有效波段构建的模型的估测效果明显优于光谱指数所建，但略差于全光谱波段所建模型。Tian等通过分析各种高光谱植被指数与水稻叶片氮素含量的定量关系，研究得出采用绿色比率指数SR(R553,R537)反演叶片氮素含量具有最佳估测精度。Du等采用高光谱激光雷达(HSL)技术构建两种积分指数NOAC和RII反演水稻叶片全氮含量(LNC)。方美红等采用小波系数构建水稻叶片氮含量反演模型，研究表明该模型有较高估测精度，预测值与估测值的复相关系数高达0.99，显著优于传统光谱指数反演模型。
针对粳稻营养元素反演方面多以相关性较好的特征波段和植被指数作为反演模型的输入，构建线性和非线性的反演模型。从线性模型来看，大田试验中所采集的数据均含有一定的其他的干扰因素或噪音，如室外的阳光照射不均，背景干扰以及室内的仪器抖动造成的噪音。这些干扰因素均会导致所构建的线性模型反演效果不佳，无法较为精准地估测出粳稻营养元素含量。从非线性模型来看，如BP等传统的前馈型神经网络以其良好的学习性能在众多领域均得到了大量的应用。但BP等神经网络算法具有收敛速度慢，且易陷入局部最优解等问题，从而制约其发展。而极限学习机(ELM)采用随机获取的方式生成连接权重与偏向值，并且在训练学习过程中无需再进行调整，便可获得全局最优解。但经研究发现，正是ELM的随机生成权重和偏向值的方式，也容易使得其解释能力和泛化能力较弱，因此现有的反演模型均存在一定不足之处。极限学习机模型采用随机生成连接权重与偏向值，并且在训练学习过程中无需再进行调整，这将导致训练得到的模型的泛化能力，解释能力和稳定性较差。
未经优化的极限学习机算法，采用随机生成连接权重和隐含层偏向值，从而导致模型鲁棒性和稳定性较差。而传统的BP神经网络算法采用梯度下降算法，从而极易导致训练过程中陷入局部最优解。同时，BP神经网络算法等学习效率低，收敛速度较慢。
发明内容
为了解决上述技术问题，本发明提供一种基于NSGA2-ELM的粳稻叶片氮素含量反演模型方法，本发明能够实现粳稻叶片氮素含量的高效、快速和精准反演，以期为粳稻氮素营养诊断和田间精准管理提供科学依据和理论支持。
本发明提供了一种基于NSGA2-ELM的粳稻叶片氮素含量反演模型方法，包括以下步骤：
S1、获取粳稻叶片高光谱数据：采用光纤光谱仪进行粳稻叶片光谱数据收集；
S2、筛选特征波段，分别作为粳稻叶片氮素含量反演模型的输入变量；
S3、采集的粳稻叶片氮素含量，作为氮素含量反演模型的输出变量；
S4、采用非支配的精英策略遗传算法优化极限学习机NSGA2-ELM，建立粳稻叶片氮素含量反演模型。
可优选地，所述NSGA2-ELM优化过程如下：
第一步：根据样本数据集确定ELM的网络拓扑结构，将神经元之间的权重和偏向值构成实数向量，用以表示种群M中的个体，同时随机生成实数向量的初始值构成大小为N的第一代父代种群P；
第二步：对父代种群进行非支配排序，并采用传统的遗传算法对父代种群进行选择、交叉和变异操作产生大小为N的子代种群P1，将种群P和P1合并为大小为2N的种群B；
第三步：对种群B进行非支配排序，获得非支配解的前端Ft，即为非支配面的F1、F2和F3，并计算拥挤度，之后采用精英保留策略筛选最优个体，即由于子代和父代种群个体均包含在种群B中，则采用非支配排序后的F1中的个体为种群B中最佳的，因此现将F1全部个体放入新父代种群P3中；
若P3小于N，则继续将F2中的个体加入新父代种群P3中；
若P3仍小于N，则对F3进行拥挤度排序，取N-|P3|个种群个体添加至P3，直至P3种群大小为N；
然后采用遗传算法对新父代种群P3进行选择、交叉和变异产生新的种群P4；
第四步：重复n次上述第一步至第三步的计算过程，达到设定的最大迭代次数则停止迭代，得到最佳ELM的最佳权重和偏向值，完成优化。
可优选地，所述光纤光谱仪为美国海洋光学公司生产的光纤光谱仪HR2000+。
可优选地，采用随机青蛙算法与迭代和保留信息变量算法相结合的方式筛选特征波段。
可优选地，通过凯氏定氮法测定采集的粳稻叶片氮素含量。
本发明的有益效果：
本发明尝试通过采用随机青蛙算法(Random_frog)与迭代和保留信息变量算法(IRIV)相结合的方式筛选特征波段，利用NSGA2优化极限学习机(ELM)建立粳稻叶片氮素含量反演模型，以期为粳稻氮素营养诊断和田间精准管理提供科学依据和理论支持。目前传统的线性模型可能无法充分表达粳稻叶片高光谱与氮素含量之间的数学关系，同时BP神经网络和极限学习机等非线性模型均存在着一定的缺点，从而无法更加准确地反演出光谱信息和氮素含量之间的非线性关系，在一定程度上制约了粳稻叶片氮素含量反演的效果。
鉴于此，本发明采用非支配的精英策略遗传算法(NSGA2)优化极限学习机，构建NSGA2-ELM粳稻叶片氮素含量反演模型。极限学习机(ELM)采用随机获取的方式生成连接权重与偏向值，并且在训练学习过程中无需再进行调整，便可获得全局最优解。
在本发明中，针对ELM反演模型的连接权重和偏向值的生成方式进行一定的改进，使其在一定程度上提高粳稻营养元素的反演精度。
本发明采用非支配的精英策略遗传算法(NSGA2)对极限学习机进行近一步优化，该算法具有较好的全局搜索能力，能够有效地逼近帕累托效率最优解。通过NSGA2算法较好的全局所搜能力取得与数据样本较好匹配的连接权重和隐含层偏向值，从而提高反演模型的反演效果。
本发明通过非支配的精英策略遗传算法(NSGA2)较好的全局搜索能力获取与数据样本较好匹配的连接权重和偏向值，从而提高极限学习机的泛化能力和稳定性等。
附图说明
图1为本发明的优化流程图；
图2为本发明实施例中粳稻280组叶片氮素含量的概率密度函数；
图3为本发明实施例中粳稻训练集与验证集叶片氮素含量的概率密度函数；
图4为本发明实施例中NSGA2-ELM建模结果。
具体实施方式
为了使本发明的目的、技术方案及优点更加清楚明白，以下结合附图，对本发明进行进一步详细说明。应当理解，此处所描述的具体实施方式仅仅用以解释本发明，并不用于限定本发明。
本发明提供了一种基于NSGA2-ELM的粳稻叶片氮素含量反演模型方法，包括以下步骤：
S1、获取粳稻叶片高光谱数据：采用美国海洋光学公司生产的光纤光谱仪HR2000+进行粳稻叶片光谱数据收集；
S2、采用随机青蛙算法与迭代和保留信息变量算法相结合的方式筛选特征波段，分别作为粳稻叶片氮素含量反演模型的输入变量；
S3、通过凯氏定氮法测定采集的粳稻叶片氮素含量，作为氮素含量反演模型的输出变量；
S4、采用非支配的精英策略遗传算法优化极限学习机NSGA2-ELM，建立粳稻叶片氮素含量反演模型。
如图1所示，所述NSGA2-ELM优化过程如下：
第一步：根据样本数据集确定ELM的网络拓扑结构，将神经元之间的权重和偏向值构成实数向量，用以表示种群M中的个体，同时随机生成实数向量的初始值构成大小为N的第一代父代种群P；
第二步：对父代种群进行非支配排序，并采用传统的遗传算法对父代种群进行选择、交叉和变异操作产生大小为N的子代种群P1，将种群P和P1合并为大小为2N的种群B；
第三步：对种群B进行非支配排序，获得非支配解的前端Ft，即为非支配面的F1、F2和F3，并计算拥挤度，之后采用精英保留策略筛选最优个体，即由于子代和父代种群个体均包含在种群B中，则采用非支配排序后的F1中的个体为种群B中最佳的，因此现将F1全部个体放入新父代种群P3中；
若P3小于N，则继续将F2中的个体加入新父代种群P3中；
若P3仍小于N，则对F3进行拥挤度排序，取N-|P3|个种群个体添加至P3，直至P3种群大小为N；
然后采用遗传算法对新父代种群P3进行选择、交叉和变异产生新的种群P4；
第四步：重复n次上述第一步至第三步的计算过程，达到设定的最大迭代次数则停止迭代，得到最佳ELM的最佳权重和偏向值，完成优化。
实施例：
2018年6月至8月在辽宁省沈阳市沈河区沈阳农业大学南区水稻试验基地(118°53′E，38°43′N，平均海拔40m)开展，供试品种为沈稻9816。共划分12个小区,每个试验小区面积为30m2(7.61m×4.20m)。小区试验人为创造无肥、低氮、正常和高氮4种情况，共设4个施氮梯度，分别为N0(不含氮)、N1(150kg/hm2)、N2(240kg/hm2)、N3(330kg/hm2)，每个水平3次重复。同时本次试验各小区之间采取隔离措施，保证小区之间水肥不互相渗透，其他田间管理水平均按当地正常水平进行。
采用美国海洋光学公司生产的光纤光谱仪HR2000+，其光谱范围为400-1000nm，光谱分辨率为0.45nm。采集光谱数据时，按标号将磨碎的叶片粉末放置于操作平台上，将光谱探头紧压在叶片粉末上，测量前通过黑白板校正。通过自带OceanView软件完成粳稻叶片高光谱数据的采集。
从每个试验小区采样点附近获取粳稻不同部位叶片20片左右，分别装入自封袋中并标注小区名称和编号，立即带回实验室。在室内，首先对叶片进行洗涤，去除叶片表面灰尘等无用物质，其次在105℃条件下杀青30min，并在70℃的烘箱中烘干至恒量，称量粉碎。最后采用凯氏定氮法测定粳稻叶片氮素含量。所采集的数据样本中去除粗大误差，最终共得到粳稻叶片氮素含量有效数据280组，其概率密度函数如图2所示。
由图2可知，280组粳稻叶片氮素含量数据呈正态分布，均值为2.860mg·g-1，最大值为4.530mg·g-1，最小值为1.060mg·g-1，标准差为0.825mg·g-1，变异系数为28.846％，满足氮素含量反演要求。同时采用Kennard-Stone算法(KS)将样本按照训练集与验证集3:1的比例进行划分，其氮素含量统计表如表1所示，概率密度函数如图3所示。
表1训练集与验证集粳稻叶片氮素含量数据统计表
通过采用随机青蛙算法(Random_frog)与迭代和保留信息变量算法(IRIV)相结合的方式筛选特征波段，筛选得出有效特征波段为414.2、430.9、439.6、447.9、682.7、685.4、686.3和999.1nm。
采用random-frog和IRIV算法筛选的8个特征波段作为非支配的精英策略遗传算法优化极限学习机(NSGA2-ELM)模型的输入，构建粳稻叶片氮素含量反演模型。将特征波段组合和植被指数组合的NSGA2-ELM模型的种群个数P均设置为30，交叉概率CR和变异概率F分别设置为0.96、0.97和0.001、0.001，最大拥挤距离M均为10000，保留最优个体比例best均为0.1，迭代次数k均为50次。建模结果如图4所示。
由图4可知，以特征波段组合作为NSGA2-ELM模型的输入所构建得模型，其估测效果明显优于植被指数组合，模型训练集的决定系数R2和均方根误差RMSE分别为0.8172和0.3555，验证集的R2和RMSE分别为0.8497和0.3011。相比BP神经网络模型和支持向量机模型，NSGA2-ELM模型无论是以特征波段组合还是以植被指数组合作为输入，在模型精度和估测能力上都有显著提高，说明采用NSGA2算法优化ELM模型对粳稻叶片氮素含量的预测具有较大的优势。分析原因在于NSGA2算法能够保持种群的多样性，并引入精英策略，不仅能增大样本采集空间，而且能较好地防止最优个体丢失，也避免了类似BP神经网络等模型陷入过拟合和局部最优现象，从而使模型具有更好的非线性映射能力和鲁棒性
以上所述仅是本发明的优选实施方式，应当指出，对于本技术领域的普通技术人员来说，在不脱离本发明原理的前提下，还可以做出若干改进，这些改进也应视本发明的保护范围。

Claims (4)

1.一种基于NSGA2-ELM的粳稻叶片氮素含量反演模型方法，其特征在于，包括以下步骤：
S1、获取粳稻叶片高光谱数据：采用光纤光谱仪进行粳稻叶片光谱数据收集；
S2、筛选特征波段，分别作为粳稻叶片氮素含量反演模型的输入变量；
S3、采集的粳稻叶片氮素含量，作为氮素含量反演模型的输出变量；
S4、采用非支配的精英策略遗传算法优化极限学习机NSGA2-ELM，建立粳稻叶片氮素含量反演模型；
所述NSGA2-ELM优化过程如下：
第一步：根据样本数据集确定ELM的网络拓扑结构，将神经元之间的权重和偏向值构成实数向量，用以表示种群M中的个体，同时随机生成实数向量的初始值构成大小为N的第一代父代种群P；
第二步：对父代种群进行非支配排序，并采用传统的遗传算法对父代种群进行选择、交叉和变异操作产生大小为N的子代种群P1，将种群P和P1合并为大小为2N的种群B；
第三步：对种群B进行非支配排序，获得非支配解的前端Ft，即为非支配面的F1、F2和F3，并计算拥挤度，之后采用精英保留策略筛选最优个体，即由于子代和父代种群个体均包含在种群B中，则采用非支配排序后的F1中的个体为种群B中最佳的，因此现将F1全部个体放入新父代种群P3中；
若P3小于N，则继续将F2中的个体加入新父代种群P3中；
若P3仍小于N，则对F3进行拥挤度排序，取N-|P3|个种群个体添加至P3，直至P3种群大小为N；
然后采用遗传算法对新父代种群P3进行选择、交叉和变异产生新的种群P4；
第四步：重复n次上述第一步至第三步的计算过程，达到设定的最大迭代次数则停止迭代，得到最佳ELM的最佳权重和偏向值，完成优化。
2.根据权利要求1所述的一种基于NSGA2-ELM的粳稻叶片氮素含量反演模型方法，其特征在于，所述光纤光谱仪为美国海洋光学公司生产的光纤光谱仪HR2000+。
3.根据权利要求1所述的一种基于NSGA2-ELM的粳稻叶片氮素含量反演模型方法，其特征在于，采用随机青蛙算法与迭代和保留信息变量算法相结合的方式筛选特征波段。
4.根据权利要求1所述的一种基于NSGA2-ELM的粳稻叶片氮素含量反演模型方法，其特征在于，通过凯氏定氮法测定采集的粳稻叶片氮素含量。
CN201910858817.5A 2019-09-11 2019-09-11 一种基于nsga2-elm的粳稻叶片氮素含量反演模型方法 Active CN110569605B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201910858817.5A CN110569605B (zh) 2019-09-11 2019-09-11 一种基于nsga2-elm的粳稻叶片氮素含量反演模型方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201910858817.5A CN110569605B (zh) 2019-09-11 2019-09-11 一种基于nsga2-elm的粳稻叶片氮素含量反演模型方法

Publications (2)

Publication Number Publication Date
CN110569605A CN110569605A (zh) 2019-12-13
CN110569605B true CN110569605B (zh) 2023-08-11

Family

ID=68779241

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201910858817.5A Active CN110569605B (zh) 2019-09-11 2019-09-11 一种基于nsga2-elm的粳稻叶片氮素含量反演模型方法

Country Status (1)

Country Link
CN (1) CN110569605B (zh)

Families Citing this family (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111398200B (zh) * 2020-05-18 2022-09-30 安徽理工大学 非相干宽带腔增强吸收光谱最优反演波段确定方法
CN112487700B (zh) * 2020-09-15 2022-04-19 燕山大学 一种基于nsga与felm的冷轧轧制力预测方法
CN113670913B (zh) * 2021-08-18 2023-05-16 沈阳农业大学 水稻氮素含量反演高光谱植被指数构建方法
CN114965847B (zh) * 2022-05-23 2023-05-12 西南大学 一种基于机载激光雷达的花椒氮累积量的无损监测方法

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN106290197A (zh) * 2016-09-06 2017-01-04 西北农林科技大学 水稻叶片全氮含量高光谱估测及估测模型构建方法
CN109030378A (zh) * 2018-06-04 2018-12-18 沈阳农业大学 基于pso-elm的粳稻冠层叶绿素含量反演模型方法
CN109115951A (zh) * 2018-07-31 2019-01-01 东北农业大学 基于冠层结构与冠层光谱的水稻植株全氮估测方法

Family Cites Families (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US9354235B2 (en) * 2013-03-15 2016-05-31 Board Of Trustees Of The University Of Arkansas System and process for quantifying potentially mineralizable nitrogen for agricultural crop production

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN106290197A (zh) * 2016-09-06 2017-01-04 西北农林科技大学 水稻叶片全氮含量高光谱估测及估测模型构建方法
CN109030378A (zh) * 2018-06-04 2018-12-18 沈阳农业大学 基于pso-elm的粳稻冠层叶绿素含量反演模型方法
CN109115951A (zh) * 2018-07-31 2019-01-01 东北农业大学 基于冠层结构与冠层光谱的水稻植株全氮估测方法

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
施氮水平对多花黑麦草植株氮含量及反射光谱特征的影响;杨红丽;陈功;吴建付;;草业学报(第03期);全文 *

Also Published As

Publication number Publication date
CN110569605A (zh) 2019-12-13

Similar Documents

Publication Publication Date Title
CN110569605B (zh) 一种基于nsga2-elm的粳稻叶片氮素含量反演模型方法
CN106124449B (zh) 一种基于深度学习技术的土壤近红外光谱分析预测方法
CN102305772A (zh) 基于遗传核偏最小二乘法的近红外光谱特征波长筛选方法
CN110309985A (zh) 一种农作物产量预测方法及系统
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
CN111855589A (zh) 水稻叶片氮积累量遥感反演模型和方法
CN111855591A (zh) 水稻地上部碳氮比遥感反演模型和方法
CN111044516B (zh) 一种水稻叶绿素含量遥感估测方法
CN111829965A (zh) 水稻地上部淀粉积累量遥感反演模型和方法
CN114460013B (zh) 滨海湿地植被地上生物量gan模型自学习遥感反演方法
CN109214591B (zh) 一种木本植物地上生物量预测方法及系统
CN107271372A (zh) 一种苹果叶片叶绿素遥感估测方法
CN110428107A (zh) 一种玉米产量遥感预测方法及系统
CN111855593A (zh) 水稻叶片淀粉含量遥感反演模型和方法
CN116258060A (zh) 基于机器学习的测土配方施肥方法
CN113049499A (zh) 水体总氮浓度间接遥感反演方法、存储介质和终端设备
CN109521437A (zh) 面向植被生化参数探测的多光谱激光雷达波长选择方法
CN112381133A (zh) 一种森林地上生物量遥感估测中合理样本数的确定方法
CN114357737B (zh) 针对大尺度水文模型时变参数的代理优化率定方法
CN113139717B (zh) 作物苗情分级遥感监测方法及装置
CN112945881B (zh) 一种基于高光谱特征参数的马铃薯叶片含水量监测方法
CN114460015A (zh) 一种用于预测寒地水稻冠层叶绿素含量的方法及模型
CN113552096A (zh) 一种基于光谱的菠萝叶片氮含量估算方法
CN112613648A (zh) 一种训练旱情监测模型的方法、旱情监测方法及设备
CN107169161A (zh) 分段直接矫正及斜率和截距修正的土壤养分模型转移方法

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