CN111476172B - 植物物种beta多样性的估算方法及系统 - Google Patents

植物物种beta多样性的估算方法及系统 Download PDF

Info

Publication number
CN111476172B
CN111476172B CN202010273078.6A CN202010273078A CN111476172B CN 111476172 B CN111476172 B CN 111476172B CN 202010273078 A CN202010273078 A CN 202010273078A CN 111476172 B CN111476172 B CN 111476172B
Authority
CN
China
Prior art keywords
spectrum
data
sample
spectral
vegetation
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
CN202010273078.6A
Other languages
English (en)
Other versions
CN111476172A (zh
Inventor
彭羽
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.)
Minzu University of China
Original Assignee
Minzu University of China
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 Minzu University of China filed Critical Minzu University of China
Priority to CN202010273078.6A priority Critical patent/CN111476172B/zh
Publication of CN111476172A publication Critical patent/CN111476172A/zh
Application granted granted Critical
Publication of CN111476172B publication Critical patent/CN111476172B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V20/00—Scenes; Scene-specific elements
    • G06V20/10—Terrestrial scenes
    • G06V20/188—Vegetation
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/20—Image preprocessing
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/20—Image preprocessing
    • G06V10/34—Smoothing or thinning of the pattern; Morphological operations; Skeletonisation
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/20—Image preprocessing
    • G06V10/24—Aligning, centring, orientation detection or correction of the image
    • G06V10/247—Aligning, centring, orientation detection or correction of the image by affine transforms, e.g. correction due to perspective effects; Quadrilaterals, e.g. trapezoids
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V20/00—Scenes; Scene-specific elements
    • G06V20/10—Terrestrial scenes
    • G06V20/194—Terrestrial scenes using hyperspectral data, i.e. more or other wavelengths than RGB

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Multimedia (AREA)
  • Theoretical Computer Science (AREA)
  • Health & Medical Sciences (AREA)
  • General Health & Medical Sciences (AREA)
  • Investigating Or Analysing Materials By Optical Means (AREA)
  • Image Processing (AREA)

Abstract

本发明涉及一种植物物种beta多样性估算方法及系统，包括以下步骤：S1、对获取的待测区域遥感数据进行矫正，提取设定波段范围的植被反射率作为待处理光谱数据；S2、根据地物类型对验证无误的光谱数据进行检验，确保获得的光谱数据为植被光谱数据；S3、将获取的植被光谱数据进行平滑处理；S4、通过对平滑处理的植被光谱数据进行计算，得到样方间的光谱相异性系数，用于对植物物种beta多样性进行估算。本发明可以快速估算植物物种的beta多样性，可广泛适用于草原、草地、灌丛、农田及苗圃地等的植物物种beta多样性的快速评估。

Description

植物物种beta多样性的估算方法及系统
技术领域
本发明是关于一种基于光谱相异性指数的植物物种beta多样性的估算方法及系统，涉及生态学、自然资源保护和生物多样性监测技术领域。
背景技术
生物多样性对于维持地球生态系统的稳定和保持生态系统服务功能具有重要意义。由于全球气候变化、土地利用变化、人为干扰增强和生物入侵等原因，全球生物多样性正在下降，预测未来也会进一步下降。生物多样性的快速评估对于生物多样性监测和保持至关重要。近年来，光谱数据开始应用于植物物种多样性的快速评估。主要通过两种途径：一是从光谱数据特征参数与物种多样性的关系进行直接评估，二是从光谱数据衍生的环境变量、实地调研数据和生物学特性对物种多样性进行间接评估。
光谱异质性假说(Spectral variability hypothesis,SVH)认为，由于不同物种的特征光谱参数不同，植物物种多样性与光谱异质性直接相关。基于SVH，提取自不同生态系统类型，包括温带森林、热带雨林、稀树草原、山地草原、干草原、高草草原和沙地草原的光谱指数被应用于评估物种丰富度、Shannon-weaver多样性指数和Simpson多样性指数等alpha多样性指数。Beta多样性是生物多样性的另一个重要组分，表示群落物种组成的差异，用于指示物种的空间异质性和替代性。与仅仅测量alpha多样性指数相比，beta多样性指数能够反映物种多样性空间分布的动态特征，对于揭示植物群落的维持机制具有重要意义，近年来为国内外学者所关注。
航空以及卫星遥感数据已经用于评估植物多样性，但是由于光谱分辨率的限制，此法还存在很大的不确定性。高光谱数据具有光谱分辨率高、光谱信息丰富的特点，能够反映物种之间的差异，已成功用于alpha多样性的评估，具有估算beta多样性的潜力。然而，目前还很少有高光谱估算beta多样性的案例研究，主要原因：一是因为beta多样性没研究不足；二是因为beta多样性涉及到物种组成的差异，alpha多样性遥感模型等已经不能满足要求，而beta多样性因技术瓶颈不能得到遥感估测；另外，已有的其他植物物种多样性指数的遥感估算模型存在着地点依赖性强、模型精度不稳定等问题。如何快速、大面积和精准进行植物多样性的估算、监测和调查，一直是生态环境领域亟待解决的技术问题。
发明内容
针对上述问题，本发明的目的是提供一种基于光谱相异性指数的植物物种beta多样性的估算方法及系统。
为实现上述目的，本发明采取以下技术方案：
第一方面，本发明提供一种植物物种beta多样性的估算方法，包括以下步骤：
S1、对获取的待测区域遥感数据进行矫正，提取设定波段范围的植被反射率作为待处理光谱数据；
S2、根据地物类型对验证无误的光谱数据进行检验，确保获得的光谱数据为植被光谱数据；
S3、将获取的植被光谱数据进行平滑处理；
S4、通过对平滑处理的植被光谱数据进行计算，得到样方间的光谱相异性系数，用于对植物物种beta多样性进行估算。
进一步地，设定波段范围为400～1000nm。
进一步地，通过对平滑处理的植被光谱数据进行计算，得到样方间的光谱相异性指数的具体过程为：
S41、计算400～1000nm之间以及760～800nm之间各波段反射率的一阶导数值FD：
Figure BDA0002443814980000021
式中，FDλ(j)为各波段处光谱反射率的一阶导数；Rλ(j)是波段j的反射率；Rλ(j+1)是波段j+1的反射率，Δλ是波长j到j+1的间隔；
S42、分别计算400～1000nm区间以及760～800nm区间的光谱相异性指数。
进一步地，计算400～1000nm区间的光谱相异性指数为两个样方间光谱一阶导数的Bray-Curtis相异性BC-FD：
Figure BDA0002443814980000022
式中，BC-FD表示两个样方间光谱一阶导数的Bray-Curtis相异性，FDis和FDjs分别表示s波段在i和j样方的一阶导数，n表示从400～1000nm波段数，BC-FD值介于0-1之间，0表示两个样方光谱组成完全一致，1表示两个样方无共同光谱组成。
进一步地，计算760～800nm之间光谱相异性指数为光谱反射率的Bray-Curtis相异性BC-R；
Figure BDA0002443814980000023
式中，BC-R表示样方间光谱反射率Bray-Curtis相异性，Ris和Rjs分别表示光谱相对反射率R在样方i和j的数值，n表示从760-800nm波段数，BC-R值介于0-1之间，0表示两个样方光谱组成完全一致，1表示两个样方无共同光谱组成。
进一步地，根据地物类型对验证无误的光谱数据进行检验采用NDVI切割法进行检验，提取NDVI>0区域的植被数据。
进一步地，对获取的待测区域遥感数据进行矫正采用辐射纠正、几何纠正和/或地形矫正。
进一步地，将获取的植被光谱数据进行平滑处理的具体过程为：可以相邻的4个数据为基础，获取中间数据的均值。
第二方面，本发明还提供一种植物物种beta多样性估算系统，该系统包括：
遥感数据获取模块，用于对获取的待测区域遥感数据进行矫正，提取设定波段范围的植被反射率作为待处理光谱数据；
植被数据提取模块，根据地物类型对验证无误的光谱数据进行检验，确保获得的光谱数据为植被光谱数据；
平滑处理模块，用于将获取的植被光谱数据进行平滑处理；
多样性评估模块，用于对平滑处理的植被光谱数据进行计算，得到样方间的光谱相异性系数进行植物物种beta多样性的估算。
本发明由于采取以上技术方案，其具有以下优点：
1、本发明根据光谱异质性数据，可以快速估算植物物种的beta多样性，可广泛适用于草原、草地、灌丛、农田及苗圃地等的植物物种beta多样性的快速评估；
2、本发明不同于实地样方调查耗费的大量人力物力，或者购买遥感影像的大量花费，可以快速测定出植物物种的多样性指数，无需大量人力物力投入；
3、本发明信息处理高效、节省投入成本。
附图说明
通过阅读下文优选实施方式的详细描述，各种其他的优点和益处对于本领域普通技术人员将变得清楚明了。附图仅用于示出优选实施方式的目的，而并不认为是对本发明的限制。在整个附图中，用相同的附图标记表示相同的部件。在附图中：
图1是本发明实施例1的植物物种beta多样性的估算方法流程示意图。
具体实施方式
下面将参照附图更详细地描述本发明的示例性实施方式。虽然附图中显示了本发明的示例性实施方式，然而应当理解，可以以各种形式实现本发明而不应被这里阐述的实施方式所限制。相反，提供这些实施方式是为了能够更透彻地理解本发明，并且能够将本发明的范围完整的传达给本领域的技术人员。
应理解的是，文中使用的术语仅出于描述特定示例实施方式的目的，而无意于进行限制。除非上下文另外明确地指出，否则如文中使用的单数形式“一”、“一个”以及“所述”也可以表示包括复数形式。术语“包括”、“包含”以及“具有”是包含性的，并且因此指明所陈述的特征、步骤、操作、元件和/或部件的存在，但并不排除存在或者添加一个或多个其它特征、步骤、操作、元件、部件、和/或它们的组合。文中描述的方法步骤、过程、以及操作不解释为必须要求它们以所描述或说明的特定顺序执行，除非明确指出执行顺序。还应当理解，可以使用另外或者替代的步骤。
实施例1
本实施例提供的基于光谱相异性指数的植物物种beta多样性的估算方法，包括以下步骤：
S1、获取某待测区域的机载、星载或者低空、近地面的遥感数据，并对获取的遥感数据进行辐射纠正、几何纠正和/或地形矫正后，提取波长为400～1000nm处的植被反射率作为光谱数据；其中，辐射纠正、几何纠正和/或地形矫正为常规的遥感处理图像处理方法，具体处理过程在此不再赘述。
S2、将获取的光谱数据进行矫正，剔除掉异常值和偏离值，确保无数据错误；对正确的光谱数据，根据地物类型可以采用NDVI切割法进行检验，提取NDVI>0区域的植被数据，确保所获得的遥感数据为植被光谱数据，无数据错误，其中，对光谱数据的矫正和检验可以采用常规遥感图像数据处理方法进行处理，此处不做限定。
S3、将获取的植被光谱数据进行平滑处理，具体地，可以相邻的4个数据为基础，获取中间数据的均值。
S4、通过对平滑处理的植被光谱数据进行计算，得到样方间的光谱相异性系数，用于对植物物种beta多样性进行估算。
S41、分别计算400～1000nm以及760～800nm之间各波段反射率的一阶导数值FD，计算方法如公式①所示：
Figure BDA0002443814980000041
式中，FDλ(j)为各波段处光谱反射率的一阶导数；Rλ(j)是波段j的反射率；Rλ(j+1)是波段j+1的反射率，Δλ是波长j到j+1的间隔；
S5、分别计算400～1000nm区间以及760～800nm区间的光谱相异性指数，本实施例的光谱相异性指数包括BC-FD和BC-R，BC-FD和BC-R均可以用来指示植物物种beta多样性，具体为：
(A)计算400-1000nm区间的光谱相异性指数(BC-FD)，计算方法如公式②：
Figure BDA0002443814980000042
式中，BC-FD表示两个样方间光谱一阶导数的Bray-Curtis相异性，FDis和FDjs分别表示s波段在i和j样方的一阶导数，n表示从400～1000nm波段数，BC-FD值介于0-1之间，0表示两个样方光谱组成完全一致，1表示两个样方无共同光谱组成。
(B)计算760～800nm之间光谱反射率的Bray-Curtis相异性BC-R；
Figure BDA0002443814980000051
式中，BC-R表示样方间光谱反射率Bray-Curtis相异性，Ris和Rjs分别表示光谱相对反射率R在样方i和j的数值，n表示从760～800nm波段数，BC-R值介于0-1之间，0表示两个样方光谱组成完全一致，1表示两个样方无共同光谱组成，其中，
进一步地，步骤S1中几何纠正的方法为利用地面控制点对遥感图像几何畸变进行纠正。
进一步地，步骤S1中地形矫正为用同步获得的相同地区的任意2个波段对应像元的灰度值之比或几个波段组合的对应像元灰度值之比，消除在比值图像上阴影的影响，有助于提高遥感图像定量分析与识别分类精度。
实施例2
本实施例还提供一种植物物种beta多样性估算系统，该系统包括：
遥感数据获取模块，用于对获取的待测区域遥感数据进行矫正，提取设定波段范围的植被反射率作为待处理光谱数据；
植被数据提取模块，根据地物类型对验证无误的光谱数据进行检验，确保获得的光谱数据为植被光谱数据；
平滑处理模块，用于将获取的植被光谱数据进行平滑处理；
多样性评估模块，用于对平滑处理的植被光谱数据进行计算，得到样方间的光谱相异性系数进行植物物种beta多样性的估算。
本实施例的各模块功能的具体处理过程与实施例1的方法处理过程类似，在此不做赘述。
综上，本发明根据光谱异质性数据，可以快速估算植物物种的beta多样性，可广泛适用于草原、草地、灌丛、农田及苗圃地等的植物物种beta多样性的快速评估；本发明不同于实地样方调查耗费的大量人力物力，或者购买遥感影像的大量花费，可以快速测定出植物物种的多样性指数，无需大量人力物力投入，具有信息处理高效、节省投入成本的优点。
上述各实施例仅用于说明本发明，其中各部件的结构、连接方式和制作工艺等都是可以有所变化的，凡是在本发明技术方案的基础上进行的等同变换和改进，均不应排除在本发明的保护范围之外。

Claims (5)

1.一种植物物种beta多样性的估算方法，其特征在于包括以下步骤：
S1、对获取的待测区域遥感数据进行矫正，提取设定波段范围的植被反射率作为待处理光谱数据，设定波段范围为400～1000nm；
S2、根据地物类型对验证无误的光谱数据进行检验，确保获得的光谱数据为植被光谱数据；
S3、将获取的植被光谱数据进行平滑处理；
S4、通过对平滑处理的植被光谱数据进行计算，得到样方间的光谱相异性系数，用于对植物物种beta多样性进行估算，包括：
S41、计算400～1000nm之间以及760～800nm之间各波段反射率的一阶导数值FD：
Figure FDA0004129260390000011
式中，FDλ(j)为各波段处光谱反射率的一阶导数；Rλ(j)是波段j的反射率；Rλ(j+1)是波段j+1的反射率，Δλ是波长j到j+1的间隔；
S42、分别计算400～1000nm区间以及760～800nm区间的光谱相异性指数：
计算400～1000nm区间的光谱相异性指数为两个样方间光谱一阶导数的Bray-Curtis相异性BC-FD：
Figure FDA0004129260390000012
式中，BC-FD表示两个样方间光谱一阶导数的Bray-Curtis相异性，FDis和FDjs分别表示s波段在i和j样方的一阶导数，n表示从400～1000nm波段数，BC-FD值介于0-1之间，0表示两个样方光谱组成完全一致，1表示两个样方无共同光谱组成；
计算760～800nm之间光谱相异性指数为光谱反射率的Bray-Curtis相异性BC-R；
Figure FDA0004129260390000013
式中，BC-R表示样方间光谱反射率Bray-Curtis相异性，Ris和Rjs分别表示光谱相对反射率R在样方i和j的数值，m表示从760-800nm波段数，BC-R值介于0-1之间，0表示两个样方光谱组成完全一致，1表示两个样方无共同光谱组成。
2.根据权利要求1所述的估算方法，其特征在于，根据地物类型对验证无误的光谱数据进行检验采用NDVI切割法进行检验，提取NDVI>0区域的植被数据。
3.根据权利要求1所述的估算方法，其特征在于，对获取的待测区域遥感数据进行矫正采用辐射纠正、几何纠正和/或地形矫正。
4.根据权利要求1所述的估算方法，其特征在于，将获取的植被光谱数据进行平滑处理的具体过程为：以相邻的4个数据为基础，获取中间数据的均值。
5.一种植物物种beta多样性的估算系统，其特征在于，该系统包括：
遥感数据获取模块，用于对获取的待测区域遥感数据进行矫正，提取设定波段范围的植被反射率作为待处理光谱数据，设定波段范围为400～1000nm；
植被数据提取模块，根据地物类型对验证无误的光谱数据进行检验，确保获得的光谱数据为植被光谱数据；
平滑处理模块，用于将获取的植被光谱数据进行平滑处理；
多样性评估模块，用于对平滑处理的植被光谱数据进行计算，得到样方间的光谱相异性系数进行植物物种beta多样性的估算，包括：
计算400～1000nm之间以及760～800nm之间各波段反射率的一阶导数值FD：
Figure FDA0004129260390000021
式中，FDλ(j)为各波段处光谱反射率的一阶导数；Rλ(j)是波段j的反射率；Rλ(j+1)是波段j+1的反射率，Δλ是波长j到j+1的间隔；
分别计算400～1000nm区间以及760～800nm区间的光谱相异性指数：
计算400～1000nm区间的光谱相异性指数为两个样方间光谱一阶导数的Bray-Curtis相异性BC-FD：
Figure FDA0004129260390000022
式中，BC-FD表示两个样方间光谱一阶导数的Bray-Curtis相异性，FDis和FDjs分别表示s波段在i和j样方的一阶导数，n表示从400～1000nm波段数，BC-FD值介于0-1之间，0表示两个样方光谱组成完全一致，1表示两个样方无共同光谱组成；
计算760～800nm之间光谱相异性指数为光谱反射率的Bray-Curtis相异性BC-R；
Figure FDA0004129260390000023
式中，BC-R表示样方间光谱反射率Bray-Curtis相异性，Ris和Rjs分别表示光谱相对反射率R在样方i和j的数值，m表示从760-800nm波段数，BC-R值介于0-1之间，0表示两个样方光谱组成完全一致，1表示两个样方无共同光谱组成。
CN202010273078.6A 2020-04-09 2020-04-09 植物物种beta多样性的估算方法及系统 Active CN111476172B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202010273078.6A CN111476172B (zh) 2020-04-09 2020-04-09 植物物种beta多样性的估算方法及系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010273078.6A CN111476172B (zh) 2020-04-09 2020-04-09 植物物种beta多样性的估算方法及系统

Publications (2)

Publication Number Publication Date
CN111476172A CN111476172A (zh) 2020-07-31
CN111476172B true CN111476172B (zh) 2023-07-04

Family

ID=71751373

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010273078.6A Active CN111476172B (zh) 2020-04-09 2020-04-09 植物物种beta多样性的估算方法及系统

Country Status (1)

Country Link
CN (1) CN111476172B (zh)

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN105352895A (zh) * 2015-11-02 2016-02-24 北京理工大学 高光谱遥感数据植被信息提取方法
CN108732137A (zh) * 2018-07-19 2018-11-02 中央民族大学 基于高光谱遥感数据估算植物物种多样性的模型及方法
CN110967300A (zh) * 2019-12-24 2020-04-07 中央民族大学 一种维管植物物种丰富度估测的高光谱遥感方法

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN105352895A (zh) * 2015-11-02 2016-02-24 北京理工大学 高光谱遥感数据植被信息提取方法
CN108732137A (zh) * 2018-07-19 2018-11-02 中央民族大学 基于高光谱遥感数据估算植物物种多样性的模型及方法
CN110967300A (zh) * 2019-12-24 2020-04-07 中央民族大学 一种维管植物物种丰富度估测的高光谱遥感方法

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
Measuring species diversity in the tropics: a review of methodological approaches and framework for future studies;Claudia E. Moreno 等;《bioTROPICAl》;第50卷(第6期);全文 *
生物多样性不同层次尺度效应及其耦合关系研究进展;彭羽 等;《生态学报》;第35卷(第2期);全文 *

Also Published As

Publication number Publication date
CN111476172A (zh) 2020-07-31

Similar Documents

Publication Publication Date Title
Quegan et al. Multitemporal ERS SAR analysis applied to forest mapping
Ahmad Detection of change in vegetation cover using multi-spectral and multi-temporal information for District Sargodha, Pakistan
CN110687053B (zh) 一种基于高光谱影像的区域有机质含量估算方法和装置
Wang et al. Estimation of leaf nitrogen concentration in wheat using the MK-SVR algorithm and satellite remote sensing data
Dube et al. Estimating forest standing biomass in savanna woodlands as an indicator of forest productivity using the new generation WorldView-2 sensor
CN104266982A (zh) 一种大面积虫害量化监测系统
CN113466143B (zh) 土壤养分反演方法、装置、设备及介质
CN114219847B (zh) 基于物候特征的作物种植面积确定方法、系统及存储介质
CN104990895A (zh) 一种基于局部区域的近红外光谱信号标准正态校正方法
Li et al. Passive reflectance sensing using optimized two-and three-band spectral indices for quantifying the total nitrogen yield of maize
CN110779875B (zh) 一种基于高光谱技术检测冬小麦麦穗水分含量的方法
CN116912690A (zh) 一种基于数据融合的森林叶面积指数反演获取方法和系统
CN115235997A (zh) 一种基于卫星高光谱影像的土壤质地反演方法
CN114372707A (zh) 一种基于遥感数据的高寒湿地退化程度监测方法
Hu et al. Soil phosphorus and potassium estimation by reflectance spectroscopy
Zhao et al. Should phenological information be applied to predict agronomic traits across growth stages of winter wheat?
CN114863294A (zh) 一种适用于微咸水湖泊的水质参数监测方法和装置
Shamsoddini et al. Mapping red edge-based vegetation health indicators using Landsat TM data for Australian native vegetation cover
CN111476172B (zh) 植物物种beta多样性的估算方法及系统
CN111507223B (zh) 植物物种beta多样性的估算方法及系统
CN116994126A (zh) 基于冠层反射率光谱的作物叶面积指数获取方法及装置
CN114529838B (zh) 基于卷积神经网络的土壤含氮量反演模型构建方法及系统
Yu et al. Hyperspectral database prediction of ecological characteristics for grass species of alpine grasslands
CN113310904B (zh) 一种植被覆盖下的土壤光谱还原的图像处理方法
CN113884444A (zh) 模型建立方法、预测spad值的方法、装置及电子设备

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