CN110702628A - 基于连续小波分析的植被叶片叶绿素含量的光谱指数模型 - Google Patents
基于连续小波分析的植被叶片叶绿素含量的光谱指数模型 Download PDFInfo
- Publication number
- CN110702628A CN110702628A CN201911026653.6A CN201911026653A CN110702628A CN 110702628 A CN110702628 A CN 110702628A CN 201911026653 A CN201911026653 A CN 201911026653A CN 110702628 A CN110702628 A CN 110702628A
- Authority
- CN
- China
- Prior art keywords
- model
- chlorophyll
- continuous wavelet
- brown
- leaves
- 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.)
- Granted
Links
- 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 title claims abstract description 50
- 229930002875 chlorophyll Natural products 0.000 title claims abstract description 49
- 235000019804 chlorophyll Nutrition 0.000 title claims abstract description 49
- 230000003595 spectral effect Effects 0.000 title claims abstract description 42
- 238000001228 spectrum Methods 0.000 claims abstract description 24
- 238000000354 decomposition reaction Methods 0.000 claims abstract description 20
- 238000002310 reflectometry Methods 0.000 claims abstract description 19
- 238000010521 absorption reaction Methods 0.000 claims description 21
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 claims description 7
- 239000001058 brown pigment Substances 0.000 claims description 6
- 235000021466 carotenoid Nutrition 0.000 claims description 6
- 150000001747 carotenoids Chemical class 0.000 claims description 6
- 230000009466 transformation Effects 0.000 claims description 5
- 230000008859 change Effects 0.000 claims description 4
- 238000002834 transmittance Methods 0.000 claims description 4
- NAWXUBYGYWOOIX-SFHVURJKSA-N (2s)-2-[[4-[2-(2,4-diaminoquinazolin-6-yl)ethyl]benzoyl]amino]-4-methylidenepentanedioic acid Chemical compound C1=CC2=NC(N)=NC(N)=C2C=C1CCC1=CC=C(C(=O)N[C@@H](CC(=C)C(O)=O)C(O)=O)C=C1 NAWXUBYGYWOOIX-SFHVURJKSA-N 0.000 claims description 3
- 101100494448 Caenorhabditis elegans cab-1 gene Proteins 0.000 claims description 3
- 102100025568 Voltage-dependent L-type calcium channel subunit beta-1 Human genes 0.000 claims description 3
- 101710176690 Voltage-dependent L-type calcium channel subunit beta-1 Proteins 0.000 claims description 3
- 230000009471 action Effects 0.000 claims description 3
- 238000002474 experimental method Methods 0.000 claims description 3
- 230000035945 sensitivity Effects 0.000 claims description 3
- 238000013519 translation Methods 0.000 claims description 3
- 238000000034 method Methods 0.000 description 6
- 230000005540 biological transmission Effects 0.000 description 5
- 230000005855 radiation Effects 0.000 description 3
- 238000011160 research Methods 0.000 description 3
- 241000196324 Embryophyta Species 0.000 description 2
- 238000010276 construction Methods 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000007619 statistical method Methods 0.000 description 2
- 238000010586 diagram Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 238000000985 reflectance spectrum Methods 0.000 description 1
- 238000010183 spectrum analysis Methods 0.000 description 1
- 238000013179 statistical model Methods 0.000 description 1
- 238000012795 verification 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
- 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
- G01N21/359—Investigating relative effect of material at wavelengths characteristic of specific elements or molecules, e.g. atomic absorption spectrometry using infrared light using near infrared light
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
本发明公开了基于连续小波分析的植被叶片叶绿素含量的光谱指数模型，基于PROSPECT模型的叶片生化组分与叶片光谱反射率关系建立；叶绿素敏感波谱范围确定；基于连续小波分解的尺度和波段位置；基于PROSECT模型确定新光谱指数参数。本发明的有益效果是在精度上有较大提高，而且新光谱指数更加稳定，普适性更高。
Description
技术领域
本发明属于植被光谱分析技术领域，涉及基于连续小波分析的植被叶片叶绿素含量的光谱指数模型。
背景技术
叶绿素是植被光合作用中起主导作用的色素，可作为农作物生长状态的重要指示因子，高光谱数据的兴起，为快速、无损、高精度、大面积估算农作物叶绿素含量提供了可能。目前基于高光谱数据进行植被叶片叶绿素含量估算存在的主要问题有：①利用统计方法建立叶片叶绿素含量的光谱指数法，是通过海量计算叶片光谱与叶绿素含量的相关关系来建立经验统计估算模型，该方法简单、迅速。但由于叶片中水分含量、叶片厚度、细胞结构等差异对光谱反射率的影响，导致直接由反射率反演叶片叶绿素含量很困难。并且指数外推到别的数据集效果差，同时缺乏机理性。②基于辐射传输模型建立光谱叶绿素函数方法，具有严格的光在叶片的传输机理，如PROSECT模型，LIBERTY模型等。但是辐射传输模型表述复杂，输入参数过多，导致反演叶片叶绿素含量实际操作困难。针对叶片叶绿素含量高光谱方法现有研究的不足，结合光谱指数方法和辐射传输模型的优势，从辐射传输模型出发，建立新的估算叶片叶绿素的光谱指数。使建立的新的光谱指数操作简单，具有严格的机理性，从而使高光谱估算叶绿素含量就有较好的外推效果，为遥感技术在农作物中的应用推广具有一定的技术支持和应用价值。目前普遍基于PROSPECT_5模型建立新的光谱指数，但PROSPECT模型本身的精度有限，导致推导的新的光谱指数精度受限；
发明内容
本发明的目的在于提供基于连续小波分析的植被叶片叶绿素含量的光谱指数模型，本发明的有益效果是通过分析叶片叶绿素含量对反射率影响特征的基础上，采用连续小波分析的方法，建立综合利用多波段信息的作物叶片叶绿素含量的光谱指数模型。叶绿素光谱指数的构建基础为叶片内部辐射传输PROSPECT模型，使该模型具有物理机理性，同时比传统统计模型在精度上有较大提高，而且新光谱指数更加稳定，普适性更高。
本发明所采用的技术方案是按照以下步骤进行：
步骤1，基于PROSPECT模型的叶片生化组分与叶片光谱反射率关系建立；
步骤2，叶绿素敏感波谱范围确定；
步骤3，基于连续小波分解的尺度和波段位置；
步骤4，基于PROSECT模型确定新光谱指数参数。
进一步，步骤1中，叶片的光谱反射率R、透射率T和吸收率A满足三者之间恒为1的条件，而叶片的反射率R和透射率T的形态非常相似，可近似表达为：
T(λ)＝αR(λ) (1)
其中，λ是波长；α是比例系数，为一常数，则吸收率A可以表达为
A(λ)＝1-(1+α)R(λ) (2)
在PROSPECT模型中，叶片的吸收率A可以近似表示为叶片结构参数N和单个平板层吸收系数k的函数：
A(λ)＝Nke(λ)+Cabkab(λ)+Carkar(λ)+Cbrownkbrown(λ)+Cmkm(λ)+Cwkw(λ)
(3)
式中，ke是白化基本层的吸收系数，Cab、Car、Cbrown、Cm、Cw分别为叶片叶绿素含量、类胡萝卜素含量、褐色素含量、水含量、干物质含量；kab、kcar、kbrown、km、kw是叶片叶绿素、类胡萝卜素、褐色素、水、干物质对应的吸收系数光谱；由公式2和3组合，得到叶片反射率R的关系式
1-(α+1)R(λ)＝Nke(λ)+Cabkab(λ)+Carkar(λ)+Cbrownkbrown(λ)+Cmkm(λ)+Cwkw(λ)
(4)
对公式4进行连续小波分解，可得以下关系式：
式中，CWTi(f,s,w)(i＝R,ke,kab,kar,kbrown,km,kw)分别是R(λ),ke(λ),kab(λ),kar(λ),kbrown(λ),km(λ),kw(λ)进行连续小波分解后生成的小波系数，f是小波基函数，s是尺度因子，w是平移因子。
进一步，步骤2中利用PROSPECT-5模型模拟了叶片叶绿素含量从5～95μg/cm2，步长为15，固定其他输入参数，获取光谱范围在400-2500nm的反射率数据，利用PROSPECT模型分析其他输入参数的反射率曲线在400～800nm变化情况，分析发现在波段550～700nm范围内，叶绿素Cab和叶肉结构参数N是主要影响因素，确定模型构建的最终波段范围为550～700nm，则在波长550～700nm内，公式5简化为：
进一步，步骤3中在选定的波段范围550～700nm内，选择小波分解的小波函数、尺度与波谱位置，确定叶绿素反演模型的参数：f，s，w1，w2，对kab、ke进行3种常用连续小波分解bior，coif，sym，最后确定公式6中的小波基f为bior1.1，波谱尺度s为150nm，波段位置w1为699nm，波段位置w2为613nm，kab的连续小波变换曲线在w1具有波峰，w2具有波谷，代表叶绿素吸收敏感位置波段，叶肉结构参数N对叶片反射光谱影响相当大，并作用范围覆盖整个可见光和近红外区域，因此必须作为重点考虑因素，而N的吸收系数的CWT曲线在w1和w2处值近似为0，降低了N对光谱的影响。
进一步，步骤4中选定的参数f，s，w1，w2值，对公式6可以得到如下两个公式：
其中，
比值运算可以构建新的光谱指数，并能消除部分光谱噪声，因此对公式(8)和(9)进行比值运算，得到可以求解叶绿素含量的新的光谱指数，命名为CAB1：
根据获取的叶片反射率光谱R(λ)，对R(λ)进行f＝bior1.1,s＝150nm连续小波分解，获取699nm和613nm处的值，N的值可以根据不同植物种类根据不同生长期建立查找表，确定N的值，实验验证CAB1受N值影响较小，因此在实际应用中确定N＝1.5，代入公式(10)就可以估算该叶片叶绿素含量Cab。
附图说明
图1是不同叶绿素含量的叶片反射率曲线图；
图2是不同生化组分的敏感波段区域示意图。
具体实施方式
下面结合具体实施方式对本发明进行详细说明。
步骤1，基于PROSPECT模型的叶片生化组分与叶片光谱反射率关系建立；
叶片的光谱反射率R、透射率T和吸收率A满足三者之间恒为1的条件，而叶片的反射率R和透射率T的形态非常相似，可近似表达为：
T(λ)＝αR(λ) (1)
其中，λ是波长；α是比例系数，为一常数。
则吸收率A可以表达为
A(λ)＝1-(1+α)R(λ) (2)
在PROSPECT模型中，叶片的吸收率A可以近似表示为叶片结构参数N和单个平板层吸收系数k的函数：
A(λ)＝Nke(λ)+Cabkab(λ)+Carkar(λ)+Cbrownkbrown(λ)+Cmkm(λ)+Cwkw(λ)
(3)
式中，ke是白化基本层的吸收系数，Cab、Car、Cbrown、Cm、Cw分别为叶片叶绿素含量、类胡萝卜素含量、褐色素含量、水含量、干物质含量；kab、kcar、kbrown、km、kw是叶片叶绿素、类胡萝卜素、褐色素、水、干物质对应的吸收系数光谱。
由公式2和3组合，可得到叶片反射率R的关系式
1-(α+1)R(λ)＝Nke(λ)+Cabkab(λ)+Carkar(λ)+Cbrownkbrown(λ)+Cmkm(λ)+Cwkw(λ)
(4)
对公式4进行连续小波分解，可得以下关系式：
式中，CWTi(f,s,w)(i＝R,ke,kab,kar,kbrown,km,kw)分别是R(λ),ke(λ),kab(λ),kar(λ),kbrown(λ),km(λ),kw(λ)进行连续小波分解后生成的小波系数，f是小波基函数，s是尺度因子(对应分解频率或波段范围)，w是平移因子(对应波段位置)。
步骤2，叶绿素敏感波谱范围确定；
利用PROSPECT-5模型模拟了叶片叶绿素含量从5～95μg/cm2，步长为15，固定其他输入参数，获取光谱范围在400-2500nm的反射率数据(图1)。从图1可以看出，随着叶绿素含量的增加，叶片反射率在400～800nm光谱范围内总体呈现下降趋势，而在800～2500nm不发生变化。因此，叶绿素反演模型的敏感波段范围确定为400～800nm。采用同样的方法，利用PROSPECT模型分析其他输入参数的反射率曲线在400～800nm变化情况(图2)，分析发现在波段550～700nm范围内，叶绿素Cab和叶肉结构参数N是主要影响因素，确定模型构建的最终波段范围为550～700nm。
则在波长550～700nm内，公式5可简化为：
步骤3，基于连续小波分解的尺度和波段位置；
在选定的波段范围550～700nm内，选择小波分解的小波函数、尺度与波谱位置，确定叶绿素反演模型的参数：f，s，w1，w2。对kab、ke进行3种常用连续小波分解(bior，coif，sym)。实验验证，最后确定公式6中的小波基f为bior1.1，波谱尺度s为150nm，波段位置w1为699nm，波段位置w2为613nm。kab的连续小波变换曲线在w1具有波峰，w2具有波谷，代表叶绿素吸收敏感位置波段。叶肉结构参数N对叶片反射光谱影响相当大，并作用范围覆盖整个可见光和近红外区域，因此必须作为重点考虑因素，而N的吸收系数的CWT曲线在w1和w2处值近似为0，降低了N对光谱的影响。
步骤4，基于PROSECT模型确定新光谱指数参数；
根据第三步选定的参数f，s，w1，w2值，对公式6可以得到如下两个公式：
其中，
比值运算可以构建新的光谱指数，并能消除部分光谱噪声。因此对公式(8)和(9)进行比值运算，得到可以求解叶绿素含量的新的光谱指数，命名为CAB1：
根据获取的叶片反射率光谱R(λ)，对R(λ)进行(f＝bior1.1,s＝150nm)连续小波分解，获取699nm和613nm处的值，N的值可以根据不同植物种类根据不同生长期建立查找表，确定N的值，实验验证CAB1受N值影响较小，因此在实际应用中一般确定N＝1.5。代入公式(10)就可以估算该叶片叶绿素含量Cab。
以上所述仅是对本发明的较佳实施方式而已，并非对本发明作任何形式上的限制，凡是依据本发明的技术实质对以上实施方式所做的任何简单修改，等同变化与修饰，均属于本发明技术方案的范围内。
Claims (5)
1.基于连续小波分析的植被叶片叶绿素含量的光谱指数模型，其特征在于按照以下步骤进行：
步骤1，基于PROSPECT模型的叶片生化组分与叶片光谱反射率关系建立；
步骤2，叶绿素敏感波谱范围确定；
步骤3，基于连续小波分解的尺度和波段位置；
步骤4，基于PROSECT模型确定新光谱指数参数。
2.按照权利要求1所述基于连续小波分析的植被叶片叶绿素含量的光谱指数模型，其特征在于：所述步骤1中，叶片的光谱反射率R、透射率T和吸收率A满足三者之间恒为1的条件，而叶片的反射率R和透射率T的形态非常相似，可近似表达为：
T(λ)＝αR(λ) (1)
其中，λ是波长；α是比例系数，为一常数，则吸收率A可以表达为
A(λ)＝1-(1+α)R(λ) (2)
在PROSPECT模型中，叶片的吸收率A可以近似表示为叶片结构参数N和单个平板层吸收系数k的函数：
A(λ)＝Nke(λ)+Cabkab(λ)+Carkar(λ)+Cbrownkbrown(λ)+Cmkm(λ)+Cwkw(λ)(3)
式中，ke是白化基本层的吸收系数，Cab、Car、Cbrown、Cm、Cw分别为叶片叶绿素含量、类胡萝卜素含量、褐色素含量、水含量、干物质含量；kab、kcar、kbrown、km、kw是叶片叶绿素、类胡萝卜素、褐色素、水、干物质对应的吸收系数光谱；由公式2和3组合，得到叶片反射率R的关系式
1-(α+1)R(λ)＝Nke(λ)+Cabkab(λ)+Carkar(λ)+Cbrownkbrown(λ)+Cmkm(λ)+Cwkw(λ)(4)
对公式4进行连续小波分解，可得以下关系式：
式中，CWTi(f,s,w)(i＝R,ke,kab,kar,kbrown,km,kw)分别是R(λ),ke(λ),kab(λ),kar(λ),kbrown(λ),km(λ),kw(λ)进行连续小波分解后生成的小波系数，f是小波基函数，s是尺度因子，w是平移因子。
3.按照权利要求1所述基于连续小波分析的植被叶片叶绿素含量的光谱指数模型，其特征在于：所述步骤2中利用PROSPECT-5模型模拟了叶片叶绿素含量从5～95μg/cm2，步长为15，固定其他输入参数，获取光谱范围在400-2500nm的反射率数据，利用PROSPECT模型分析其他输入参数的反射率曲线在400～800nm变化情况，分析发现在波段550～700nm范围内，叶绿素Cab和叶肉结构参数N是主要影响因素，确定模型构建的最终波段范围为550～700nm，则在波长550～700nm内，公式5简化为：
4.按照权利要求1所述基于连续小波分析的植被叶片叶绿素含量的光谱指数模型，其特征在于：所述步骤3中在选定的波段范围550～700nm内，选择小波分解的小波函数、尺度与波谱位置，确定叶绿素反演模型的参数：f，s，w1，w2，对kab、ke进行3种常用连续小波分解bior，coif，sym，最后确定公式6中的小波基f为bior1.1，波谱尺度s为150nm，波段位置w1为699nm，波段位置w2为613nm，kab的连续小波变换曲线在w1具有波峰，w2具有波谷，代表叶绿素吸收敏感位置波段，叶肉结构参数N对叶片反射光谱影响相当大，并作用范围覆盖整个可见光和近红外区域，因此必须作为重点考虑因素，而N的吸收系数的CWT曲线在w1和w2处值近似为0，降低了N对光谱的影响。
5.按照权利要求1所述基于连续小波分析的植被叶片叶绿素含量的光谱指数模型，其特征在于：所述步骤4中选定的参数f，s，w1，w2值，对公式6可以得到如下两个公式：
其中，
比值运算可以构建新的光谱指数，并能消除部分光谱噪声，因此对公式(8)和(9)进行比值运算，得到可以求解叶绿素含量的新的光谱指数，命名为CAB1：
根据获取的叶片反射率光谱R(λ)，对R(λ)进行f＝bior1.1,s＝150nm连续小波分解，获取699nm和613nm处的值，N的值可以根据不同植物种类根据不同生长期建立查找表，确定N的值，实验验证CAB1受N值影响较小，因此在实际应用中确定N＝1.5，代入公式(10)就可以估算该叶片叶绿素含量Cab。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201911026653.6A CN110702628B (zh) | 2019-10-26 | 2019-10-26 | 基于连续小波分析的光谱指数模型估算植被叶片叶绿素含量的方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201911026653.6A CN110702628B (zh) | 2019-10-26 | 2019-10-26 | 基于连续小波分析的光谱指数模型估算植被叶片叶绿素含量的方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN110702628A true CN110702628A (zh) | 2020-01-17 |
| CN110702628B CN110702628B (zh) | 2022-10-11 |
Family
ID=69203621
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201911026653.6A Active CN110702628B (zh) | 2019-10-26 | 2019-10-26 | 基于连续小波分析的光谱指数模型估算植被叶片叶绿素含量的方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN110702628B (zh) |
Cited By (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN111650129A (zh) * | 2020-03-05 | 2020-09-11 | 广州地理研究所 | 一种荔枝叶片钙含量预测方法及预测装置 |
| CN111795941A (zh) * | 2020-08-06 | 2020-10-20 | 中国科学院重庆绿色智能技术研究院 | 一种水华期藻类群落结构高光谱识别方法 |
| CN111965117A (zh) * | 2020-08-04 | 2020-11-20 | 中国水利水电科学研究院 | 基于prospect模型的冬小麦水分监测方法、监测系统 |
| CN112784803A (zh) * | 2021-02-03 | 2021-05-11 | 北华航天工业学院 | 一种基于连续小波变换的区域尺度农业大棚信息增强方法 |
| CN113030009A (zh) * | 2021-03-03 | 2021-06-25 | 天津农学院 | 一种基于近红外光谱的青萝卜品质检测方法 |
| CN113065230A (zh) * | 2021-03-16 | 2021-07-02 | 吉林大学 | 基于优化光谱指数建立水稻叶片spad的高光谱反演模型 |
Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN101986139A (zh) * | 2010-08-25 | 2011-03-16 | 浙江大学 | 一种基于反射光谱小波变换的植被参数遥感反演方法 |
| CN105277491A (zh) * | 2015-09-24 | 2016-01-27 | 中国农业科学院农业资源与农业区划研究所 | 叶绿素含量测量方法及装置 |
| CN107561022A (zh) * | 2017-07-10 | 2018-01-09 | 南京大学 | 一种改进的植物叶片干物质含量高光谱遥感反演方法 |
-
2019
- 2019-10-26 CN CN201911026653.6A patent/CN110702628B/zh active Active
Patent Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN101986139A (zh) * | 2010-08-25 | 2011-03-16 | 浙江大学 | 一种基于反射光谱小波变换的植被参数遥感反演方法 |
| CN105277491A (zh) * | 2015-09-24 | 2016-01-27 | 中国农业科学院农业资源与农业区划研究所 | 叶绿素含量测量方法及装置 |
| CN107561022A (zh) * | 2017-07-10 | 2018-01-09 | 南京大学 | 一种改进的植物叶片干物质含量高光谱遥感反演方法 |
Non-Patent Citations (2)
| Title |
|---|
| 方美红等: "基于叶片光学属性的作物叶片水分含量反演模型研究", 《光谱学与光谱分析》 * |
| 施润和等: "基于辐射传输模型的叶绿素含量定量反演", 《生态学杂志》 * |
Cited By (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN111650129A (zh) * | 2020-03-05 | 2020-09-11 | 广州地理研究所 | 一种荔枝叶片钙含量预测方法及预测装置 |
| CN111965117A (zh) * | 2020-08-04 | 2020-11-20 | 中国水利水电科学研究院 | 基于prospect模型的冬小麦水分监测方法、监测系统 |
| CN111795941A (zh) * | 2020-08-06 | 2020-10-20 | 中国科学院重庆绿色智能技术研究院 | 一种水华期藻类群落结构高光谱识别方法 |
| CN112784803A (zh) * | 2021-02-03 | 2021-05-11 | 北华航天工业学院 | 一种基于连续小波变换的区域尺度农业大棚信息增强方法 |
| CN113030009A (zh) * | 2021-03-03 | 2021-06-25 | 天津农学院 | 一种基于近红外光谱的青萝卜品质检测方法 |
| CN113065230A (zh) * | 2021-03-16 | 2021-07-02 | 吉林大学 | 基于优化光谱指数建立水稻叶片spad的高光谱反演模型 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN110702628B (zh) | 2022-10-11 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN110702628A (zh) | 基于连续小波分析的植被叶片叶绿素含量的光谱指数模型 | |
| Min et al. | Determination of significant wavelengths and prediction of nitrogen content for citrus | |
| Chen et al. | Comparison between back propagation neural network and regression models for the estimation of pigment content in rice leaves and panicles using hyperspectral data | |
| CN105608296B (zh) | 一种基于荔枝冠层光谱的叶片钾浓度反演方法 | |
| CN106202971A (zh) | 基于folium模型叶片色素遥感反演方法 | |
| Lu et al. | Fluorescence hyperspectral image technique coupled with HSI method to predict solanine content of potatoes | |
| CN113065230A (zh) | 基于优化光谱指数建立水稻叶片spad的高光谱反演模型 | |
| CN115508356A (zh) | 一种基于氮分配理论的稻麦叶片氮含量高光谱估算方法 | |
| CN107132204A (zh) | 一种叶片叶绿素含量的测量装置及反演方法 | |
| Jianfeng et al. | Non-destructive measurement of chlorophyll in tomato leaves using spectral transmittance | |
| 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 | |
| CN108507972B (zh) | 一种基于距离度量和半监督学习的近红外光谱跨年份苹果糖度预测方法 | |
| CN116223452A (zh) | 基于卷曲植物叶片辐射传输模型的叶绿素高光谱反演方法 | |
| CN114943142A (zh) | 高光谱地表反射率和大气参数一体化反演方法及装置 | |
| CN113177188B (zh) | 一种基于光谱新特征的反演叶片叶绿素含量的方法 | |
| CN111795932B (zh) | 一种基于高光谱的杨梅果实糖酸度无损检测方法 | |
| CN114486761A (zh) | 一种橡胶树叶片镁含量快速估算方法 | |
| CN104089922B (zh) | 一种估测鲜叶片干物质重量的方法 | |
| Xiu et al. | Variations of ocean colour parameters with nonuniform vertical profiles of chlorophyll concentration | |
| CN106198420A (zh) | 一种基于高光谱特征参数的叶片氮含量估算方法 | |
| CN114446408B (zh) | 一种基于辐射传输模型反演的叶片氮含量估算方法 | |
| CN111650129A (zh) | 一种荔枝叶片钙含量预测方法及预测装置 | |
| CN106092955B (zh) | 芒属植物叶片含水率的测定方法 | |
| Liu et al. | Prediction on the vegetation coverage of Tribulus terrestris L. based on the continuous wavelet transform. | |
| Ling et al. | Winter wheat biomass estimation based on canopy spectra |
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 |