CN111521568A - 一种基于光谱角的土壤含水量预测方法 - Google Patents
一种基于光谱角的土壤含水量预测方法 Download PDFInfo
- Publication number
- CN111521568A CN111521568A CN202010338245.0A CN202010338245A CN111521568A CN 111521568 A CN111521568 A CN 111521568A CN 202010338245 A CN202010338245 A CN 202010338245A CN 111521568 A CN111521568 A CN 111521568A
- Authority
- CN
- China
- Prior art keywords
- soil
- water content
- spectrum
- entering
- obtaining
- 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
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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
- G06F17/10—Complex mathematical operations
- G06F17/15—Correlation function computation including computation of convolution operations
Landscapes
- Physics & Mathematics (AREA)
- Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Mathematical Physics (AREA)
- Theoretical Computer Science (AREA)
- Pure & Applied Mathematics (AREA)
- Mathematical Optimization (AREA)
- Mathematical Analysis (AREA)
- Computational Mathematics (AREA)
- Biochemistry (AREA)
- Spectroscopy & Molecular Physics (AREA)
- Immunology (AREA)
- Computing Systems (AREA)
- Life Sciences & Earth Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Health & Medical Sciences (AREA)
- Algebra (AREA)
- Pathology (AREA)
- Chemical & Material Sciences (AREA)
- Databases & Information Systems (AREA)
- Software Systems (AREA)
- General Engineering & Computer Science (AREA)
- Analytical Chemistry (AREA)
- Investigating Or Analysing Materials By Optical Means (AREA)
Abstract
本发明涉及一种基于光谱角的土壤含水量预测方法,采用全新设计思路,应用已有土壤数据进行分析处理,获得土壤所对应的光谱角,进而应用数据拟合方式,获得光谱角与土壤含水量之间的拟合函数,作为目标土壤区域所对应的土壤含水量预测模型,并应用于实际当中,最终实现对目标土壤区域中待检测土壤的土壤含水量预测;有效避免现有土壤水分预测模型中、土壤水分光谱响应波段会因为大气中水汽影响而被去除,影响稳定性的缺点,消除或减弱了其它土壤属性对土壤水分光谱信息的干扰,高效实现土壤含水量的预测,在一定程度上提高了土壤含水量基于可见‑近红外光谱数据的预测精度,提升了土壤含水量的预测效率和精度,具有推广应用的潜力。
Description
技术领域
本发明涉及一种基于光谱角的土壤含水量预测方法,属于土壤含水量预测技术领域。
背景技术
土壤含水量是土壤的重要属性信息之一,它不仅是植物生长发育的必要条件,也对热量平衡、土壤温度、农业墒情有重要意义。近年来,随着精准农业的迅速发展,土壤含水量信息的快速精准获取受到越来越多的关注。高光谱技术以其快速、无损、经济、准确等优势,受到国内外越来越多学研究人员的青睐,因而被广泛应用于土壤含水量信息的快速获取研究中。
目前国内外学者基于可见-近红外高光谱数据预测土壤含水量主要有以下三种方法:第一,基于光谱反射率与土壤含水量的关系,构建相应的物理模型,如指数模型等;第二,基于光谱吸收特征,构建相应的光谱指数;第三,采用多元逐步回归、偏最小二乘、神经网络等建模方法,建立光谱与土壤水分的预测模型。以上方法的工作原理,多为土壤水分在1400、1900、2200nm有显著的吸收特征,数学上表现为上述波段与土壤含水量的相关性较好,模型预测精度较高。由于土壤光谱受土壤母质、有机质、水分等多种复杂因素的共同影响,上述方法或模型往往缺乏稳定性和可移植性,不同的研究人员所得结论也不尽相同。另外,与土壤水分相关性好的波段往往与空气中的水分也有较强的相关性,然而,在野外光谱测量中这些波段往往因为信噪比差而被切除,从而影响土壤水分的预测精度。
近年来研究者将外部参数正交化方法(External parameterorthogonalization,EPO)广泛应用于土壤水分与其他土壤信息的光谱分解中,结果表明EPO方法可有效分离出土壤水分的作用光谱,并实现土壤水分光谱信息与其他土壤光谱信息的正交化,分解后的土壤水分光谱与其他土壤属性的相关性较低,以减少其他土壤属性对水分预测的影响。现有研究大多将土壤水分作为干扰其他土壤属性预测的干扰因子,将其加以消除,并没有关注土壤水分预测中其他土壤属性对其的干扰。
发明内容
本发明所要解决的技术问题是提供一种基于光谱角的土壤含水量预测方法,采用全新设计思路,应用已有数据进行分析处理,能够准确获得土壤含水量预测,提高工作效率。
本发明为了解决上述技术问题采用以下技术方案:本发明设计了一种基于光谱角的土壤含水量预测方法,用于实现目标土壤区域中待检测土壤的土壤含水量预测,首先执行如下步骤A至步骤D,获得目标土壤区域所对应的基于光谱角的土壤含水量预测模型,然后执行如下步骤I至步骤III,获得目标土壤区域中待检测土壤的土壤含水量预测结果;
步骤A.根据目标土壤区域所对应的已有土壤资料数据,提取其中来自目标土壤区域、分别对应不同土壤含水量的土壤样品的土壤原始光谱,并且其中所对应的不同土壤含水量中覆盖目标土壤区域低于风干土壤含水量的含水量至饱和土壤含水量的范围,然后进入步骤B;
步骤B.分别针对各个土壤样品,针对土壤样品所对应的土壤原始光谱进行外部参数正交化处理,获得其中的土壤水分信息光谱、以及土壤其它属性信息光谱,且两者相互正交,然后进入步骤C;
步骤C.根据土壤水分信息光谱与土壤其它属性信息光谱相正交的特点,分别针对每个土壤样品,获得该土壤样品所对应土壤水分信息光谱与该土壤样品所对应土壤原始光谱之间的光谱角;进而获得每个土壤样品分别所对应的光谱角,然后进入步骤D;
步骤D.针对每个土壤样品分别所对应的光谱角、以及土壤含水量,进行函数拟合处理,获得光谱角与土壤含水量之间的拟合函数,作为目标土壤区域所对应的土壤含水量预测模型;
步骤I.采集目标土壤区域中的待检测土壤,并获取待检测土壤所对应的土壤原始光谱,然后进入步骤II;
步骤II.按步骤B至步骤C的方法,获得待检测土壤所对应土壤光谱中的土壤水分信息光谱、与该待检测土壤所对应土壤原始光谱之间的光谱角,即该待检测土壤所对应的光谱角,然后进入步骤III;
步骤III.根据待检测土壤所对应的光谱角,采用目标土壤区域所对应的土壤含水量预测模型进行计算,获得待检测土壤所对应的土壤含水量。
作为本发明的一种优选技术方案,所述步骤A包括如下步骤:
步骤A1.将目标土壤区域低于风干土壤含水量的含水量至饱和土壤含水量的范围,按预设间隔,划分为各个含水量区间,然后进入步骤A2;
步骤A2.根据目标土壤区域所对应的已有土壤资料数据,查找其中来自目标土壤区域、分别对应不同土壤含水量的土壤样品的土壤原始光谱,然后进入步骤A3;
步骤A3.判断步骤A2中查找所获每个土壤样品分别对应的不同土壤含水量、是否分布于每一个含水量区间,是则进入步骤B;否则进入步骤A4;
步骤A4.分别针对未被步骤A2所获土壤样品分布的每一个含水量区间,针对步骤A2所获土壤样品,采用蒸发操作或加湿操作,获得分别分布于该每个含水量区间中的至少一个新土壤样品,并检测获得该各新土壤样品所对应的土壤原始光谱,然后进入步骤B。
作为本发明的一种优选技术方案,所述步骤B中,分别针对各个土壤样品,执行如下步骤:
步骤B1.基于二维矩阵的数据格式,由土壤样品所对应的土壤原始光谱Dmoist中,获得全部土壤样品中土壤含水量低于风干土壤含水量的所有土壤样品,并计算所有低于风干土壤含水量的土壤样品的平均土壤光谱Ddry,然后进入步骤B2;
步骤B2.根据如下公式:
D=Dmoist-Ddry
获得差异矩阵D,然后进入步骤B3;
步骤B3.针对差异矩阵D进行主成分分析,顺序提取其中前k个主成分的数据,构成主成分矩阵G,k小于或等于预设主成分提取上限数,然后进入步骤B4;
步骤B4.根据如下公式:
Q=GGT
获得系数矩阵Q,然后进入步骤B5;其中,GT表示G的转置矩阵;
步骤B5.根据如下公式:
Xwater=QDmoist
获得土壤水分信息光谱Xwater,进而得到与土壤水分信息光谱Xwater相正交的土壤其他属性信息光谱,然后进入步骤C。
作为本发明的一种优选技术方案:所述步骤C中,根据土壤水分信息光谱与土壤其它属性信息光谱之间相互正交的特点,分别针对每个土壤样品,获得土壤样品所对应土壤水分信息光谱t、以及该土壤样品所对应土壤原始光谱r,并根据如下公式:
获得t与r之间的光谱角θ;进而获得每个土壤样品分别所对应的光谱角,然后进入步骤D。
作为本发明的一种优选技术方案:所述步骤D中,基于预设各类型函数,针对每个土壤样品分别所对应的光谱角、以及土壤含水量,进行函数拟合处理,获得拟合后的各个拟合函数、以及各拟合函数分别所对应的决定系数R2,然后选择其中最大决定系数R2所对应的拟合函数,作为目标土壤区域所对应的土壤含水量预测模型。
本发明所述一种基于光谱角的土壤含水量预测方法,采用以上技术方案与现有技术相比,具有以下技术效果:
本发明所设计基于光谱角的土壤含水量预测方法,采用全新设计思路,应用已有土壤数据进行分析处理,获得土壤所对应的光谱角,进而应用数据拟合方式,获得光谱角与土壤含水量之间的拟合函数,作为目标土壤区域所对应的土壤含水量预测模型,并应用于实际当中,最终实现对目标土壤区域中待检测土壤的土壤含水量预测;有效避免现有土壤水分预测模型中、土壤水分光谱响应波段会因为大气中水汽影响而被去除,影响稳定性的缺点,消除或减弱了其它土壤属性对土壤水分光谱信息的干扰,高效实现土壤含水量的预测,在一定程度上提高了土壤含水量基于可见-近红外光谱数据的预测精度,提升了土壤含水量的预测效率和精度,具有推广应用的潜力。
附图说明
图1为本发明所设计基于光谱角的土壤含水量预测方法中EPO原理示意图;
图2为本发明设计应用实施例中土壤含水量与光谱角的散点图。
具体实施方式
下面结合说明书附图对本发明的具体实施方式作进一步详细的说明。
本发明设计了一种基于光谱角的土壤含水量预测方法,用于实现目标土壤区域中待检测土壤的土壤含水量预测,实际应用当中,首先执行如下步骤A至步骤D,获得目标土壤区域所对应的土壤含水量预测模型。
步骤A.根据目标土壤区域所对应的已有土壤资料数据,提取其中来自目标土壤区域、分别对应不同土壤含水量的土壤样品的土壤原始光谱,并且其中所对应的不同土壤含水量中覆盖目标土壤区域低于风干土壤含水量的含水量至饱和土壤含水量的范围,然后进入步骤B。
上述步骤A在实际应用当中,具体包括如下步骤A1至步骤A4。
步骤A1.将目标土壤区域低于风干土壤含水量的含水量至饱和土壤含水量的范围,按预设间隔,划分为各个含水量区间,然后进入步骤A2。
步骤A2.根据目标土壤区域所对应的已有土壤资料数据,查找其中来自目标土壤区域、分别对应不同土壤含水量的土壤样品的土壤原始光谱,然后进入步骤A3。
步骤A3.判断步骤A2中查找所获每个土壤样品分别对应的不同土壤含水量、是否分布于每一个含水量区间,是则进入步骤B;否则进入步骤A4。
步骤A4.分别针对未被步骤A2所获土壤样品分布的每一个含水量区间,针对步骤A2所获土壤样品,采用蒸发操作或加湿操作,获得分别分布于该每个含水量区间中的至少一个新土壤样品,并检测获得该各新土壤样品所对应的土壤原始光谱,然后进入步骤B。
步骤B.分别针对各个土壤样品,针对土壤样品所对应的土壤原始光谱进行外部参数正交化处理,获得其中的土壤水分信息光谱、以及土壤其它属性信息光谱,且两者相互正交,如图1所示,然后进入步骤C。
上述步骤B实际应用当中,分别针对各个土壤样品,具体包括如下步骤B1至步骤B5。
步骤B1.应用MATLAB,基于二维矩阵的数据格式,由土壤样品所对应的土壤原始光谱Dmoist中,获得所有土壤样品中土壤含水量低于风干土壤含水量的所有土壤样品,并计算所有低于风干土壤含水量的土壤样品的平均土壤光谱Ddry,然后进入步骤B2。
步骤B2.根据如下公式:
D=Dmoist-Ddry
获得差异矩阵D,然后进入步骤B3。
步骤B3.针对差异矩阵D进行主成分分析,顺序提取其中前k个主成分的数据,构成主成分矩阵G,k小于或等于预设主成分提取上限数,然后进入步骤B4。
步骤B4.根据如下公式:
Q=GGT
获得系数矩阵Q,然后进入步骤B5;其中,GT表示G的转置矩阵。
步骤B5.根据如下公式:
Xwater=QDmoist
获得土壤水分信息光谱Xwater,进而土壤水分信息光谱Xwater与土壤其它属性信息光谱Dmoist之间的相互正交,如图1所示,然后进入步骤C。
根据土壤水分信息光谱与土壤其它属性信息光谱之间的正交特点,分别针对每个土壤样品,获得土壤样品所对应土壤水分信息光谱t、以及该土壤样品所对应土壤原始光谱r之间的光谱角;进而获得每个土壤样品分别所对应的光谱角,然后进入步骤D;
步骤C.根据土壤水分信息光谱与土壤其它属性信息光谱之间相互正交的特点,分别针对每个土壤样品,获得土壤样品所对应土壤水分信息光谱t、以及该土壤样品所对应土壤原始光谱r,并根据如下公式:
获得t与r之间的光谱角θ;进而获得每个土壤样品分别所对应的光谱角,然后进入步骤D。
步骤D.基于预设各类型函数,针对每个土壤样品分别所对应的光谱角、以及土壤含水量,进行函数拟合处理,获得拟合后的各个拟合函数、以及各拟合函数分别所对应的决定系数R2,然后选择其中最大决定系数R2所对应的拟合函数,作为目标土壤区域所对应的土壤含水量预测模型。
然后执行如下步骤I至步骤III,获得目标土壤区域中待检测土壤的土壤含水量预测结果。
步骤I.采集目标土壤区域中的待检测土壤,并获取待检测土壤所对应的土壤原始光谱,然后进入步骤II。
步骤II.按步骤B至步骤C的方法,获得待检测土壤所对应土壤光谱中的土壤水分信息光谱、与该待检测土壤所对应土壤原始光谱之间的光谱角,即该待检测土壤所对应的光谱角,然后进入步骤III。
步骤III.根据待检测土壤所对应的光谱角,采用目标土壤区域所对应的土壤含水量预测模型进行计算,获得待检测土壤所对应的土壤含水量。
将上述所设计基于光谱角的土壤含水量预测方法,应用于实际当中,诸如执行步骤A,由目标土壤区域所对应的已有土壤资料数据,提取到其中190份来自目标土壤区域、分别对应不同土壤含水量的土壤样品的土壤原始光谱,并且其中所对应的不同土壤含水量的范围为2%~51%,以及其中所提取到的土壤光谱范围为400nm~2400nm,然后进入步骤B
步骤B.针对查找所获每条土壤光谱,应用ViewSpecPro软件进行拼接处理,获得土壤原始光谱,然后进入步骤B1。
步骤B1.应用MATLAB,基于二维矩阵的数据格式,则土壤原始光谱的数据维数为190×2001,即190行×2001列,代表190个样品和2001个波段,记作Dmoist,由土壤原始光谱Dmoist中,获得其中土壤含水量低于3%的各个土壤样品,即土壤含水量在2%~3%的所有土壤样品,并计算获得它们的样品的平均土壤光谱Ddry,然后进入步骤B2。
步骤B2.根据如下公式:
D=Dmoist-Ddry
获得差异矩阵D,然后进入步骤B3。
步骤B3.针对差异矩阵D进行主成分分析,顺序提取其中前2个主成分的数据,构成主成分矩阵G,矩阵维数为2001×2,然后进入步骤B4。
步骤B4.根据如下公式:
Q=GGT
获得系数矩阵Q,矩阵维数为2001×2001,然后进入步骤B5。
步骤B5.根据如下公式:
Xwater=QDmoist
获得土壤水分信息光谱Xwater,进而得到与土壤水分信息光谱Xwater相正交的土壤其他属性信息光谱,然后进入步骤C。
然后经步骤C,获得每个土壤样品分别所对应的光谱角θ,即获得每个土壤样品分别所对应的光谱角、以及土壤含水量,如图2所示,然后进入步骤D。
步骤D中,通过拟合处理,获得目标土壤区域所对应的土壤含水量预测模型如下:
y=0.028x-0.224
其中y为土壤含水量,x为光谱角θ。
然后通过步骤I至步骤III的执行,应用目标土壤区域所对应的土壤含水量预测模型,获得目标土壤区域中待检测土壤的土壤含水量预测结果。
上述技术方案所设计的基于光谱角的土壤含水量预测方法,采用全新设计思路,应用已有土壤数据进行分析处理,获得土壤所对应的光谱角,进而应用数据拟合方式,获得光谱角与土壤含水量之间的拟合函数,作为目标土壤区域所对应的土壤含水量预测模型,并应用于实际当中,最终实现对目标土壤区域中待检测土壤的土壤含水量预测;有效避免现有土壤水分预测模型中、土壤水分光谱响应波段会因为大气中水汽影响而被去除,影响稳定性的缺点,消除或减弱了其它土壤属性对土壤水分光谱信息的干扰,高效实现土壤含水量的预测,在一定程度上提高了土壤含水量基于可见-近红外光谱数据的预测精度,提升了土壤含水量的预测效率和精度,具有推广应用的潜力。
上面结合附图对本发明的实施方式作了详细说明,但是本发明并不限于上述实施方式,在本领域普通技术人员所具备的知识范围内,还可以在不脱离本发明宗旨的前提下做出各种变化。
Claims (5)
1.一种基于光谱角的土壤含水量预测方法,用于实现目标土壤区域中待检测土壤的土壤含水量预测,其特征在于,首先执行如下步骤A至步骤D,获得目标土壤区域所对应的土壤含水量预测模型,然后执行如下步骤I至步骤III,获得目标土壤区域中待检测土壤的土壤含水量预测结果;
步骤A.根据目标土壤区域所对应的已有土壤资料数据,提取其中来自目标土壤区域、分别对应不同土壤含水量的土壤样品的土壤原始光谱,并且其中所对应的不同土壤含水量中覆盖目标土壤区域低于风干土壤含水量的含水量至饱和土壤含水量的范围,然后进入步骤B;
步骤B.分别针对各个土壤样品,针对土壤样品所对应的土壤原始光谱进行外部参数正交化处理,获得其中的土壤水分信息光谱、以及土壤其它属性信息光谱,且两者相互正交,然后进入步骤C;
步骤C.根据土壤水分信息光谱与土壤其它属性信息光谱之间相互正交的特点,分别针对每个土壤样品,获得该土壤样品所对应土壤水分信息光谱与其相对应的土壤原始光谱之间的光谱角;进而获得每个土壤样品分别所对应的光谱角,然后进入步骤D;
步骤D.针对所有土壤样品分别所对应的光谱角、以及土壤含水量,进行函数拟合处理,获得光谱角与土壤含水量之间的拟合函数,作为目标土壤区域所对应的土壤含水量预测模型;
步骤I.采集目标土壤区域中待检测土壤,并获取待检测土壤所对应的土壤原始光谱,然后进入步骤II;
步骤II.按步骤B至步骤C的方法,获得待检测土壤的土壤水分信息光谱与该待检测土壤所对应土壤原始光谱之间的光谱角,即待检测土壤所对应的光谱角,然后进入步骤III;
步骤III.根据待检测土壤所对应的光谱角,采用步骤D中目标土壤区域所对应的土壤含水量预测模型进行计算,获得待检测土壤所对应的土壤含水量。
2.根据权利要求1所述一种基于光谱角的土壤含水量预测方法,其特征在于,所述步骤A包括如下步骤:
步骤A1.将目标土壤区域低于风干土壤含水量的含水量至饱和土壤含水量的范围,按预设间隔,划分为各个含水量区间,然后进入步骤A2;
步骤A2.根据目标土壤区域所对应的已有土壤资料数据,查找其中来自目标土壤区域、分别对应不同土壤含水量的土壤样品的土壤光谱,然后进入步骤A3;
步骤A3.判断步骤A2中查找所获每个土壤样品分别对应的不同土壤含水量、是否分布于每一个含水量区间,是则进入步骤B;否则进入步骤A4;
步骤A4.分别针对未被步骤A2所获土壤样品分布的每一个含水量区间,针对步骤A2所获土壤样品,采用蒸发操作或加湿操作,获得分别分布于该每个含水量区间中的至少一个新土壤样品,并检测获得该各新土壤样品所对应的土壤原始光谱,然后进入步骤B。
3.根据权利要求1所述一种基于光谱角的土壤含水量预测方法,其特征在于,所述步骤B中,分别针对各个土壤样品,执行如下步骤:
步骤B1.基于二维矩阵的数据格式,由土壤样品所对应的土壤原始光谱Dmoist中,获得所有土壤样品中土壤含水量低于风干土壤含水量的所有土壤样品,并计算所有低于风干土壤含水量的土壤样品的平均土壤光谱Ddry,然后进入步骤B2;
步骤B2.根据如下公式:
D=Dmoist-Ddry
获得差异矩阵D,然后进入步骤B3;
步骤B3.针对差异矩阵D进行主成分分析,顺序提取其中前k个主成分的数据,构成主成分矩阵G,k小于或等于预设主成分提取上限数,然后进入步骤B4;
步骤B4.根据如下公式:
Q=GGT
获得系数矩阵Q,然后进入步骤B5;其中,GT表示G的转置矩阵;
步骤B5.根据如下公式:
Xwater=QDmoist
获得土壤水分信息光谱Xwater,进而得到与土壤水分信息光谱Xwater相正交的土壤其他属性信息光谱,然后进入步骤C。
5.根据权利要求1所述一种基于光谱角的土壤含水量预测方法,其特征在于:所述步骤D中,基于预设各类型函数,针对每个土壤样品分别所对应的光谱角、以及土壤含水量,进行函数拟合处理,获得拟合后的各个拟合函数、以及各拟合函数分别所对应的决定系数R2,然后选择其中最大决定系数R2所对应的拟合函数,作为目标土壤区域所对应的土壤含水量预测模型。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010338245.0A CN111521568B (zh) | 2020-04-26 | 2020-04-26 | 一种基于光谱角的土壤含水量预测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010338245.0A CN111521568B (zh) | 2020-04-26 | 2020-04-26 | 一种基于光谱角的土壤含水量预测方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111521568A true CN111521568A (zh) | 2020-08-11 |
CN111521568B CN111521568B (zh) | 2020-12-29 |
Family
ID=71904619
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010338245.0A Active CN111521568B (zh) | 2020-04-26 | 2020-04-26 | 一种基于光谱角的土壤含水量预测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111521568B (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114004147A (zh) * | 2021-10-27 | 2022-02-01 | 金陵科技学院 | 一种土壤湿润状态下同时预测多种土壤属性的方法 |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108449989A (zh) * | 2015-06-15 | 2018-08-24 | 联邦科学与工业研究组织 | 土壤条件分析系统及方法 |
US20190285611A1 (en) * | 2015-07-30 | 2019-09-19 | The Research Foundation For The State University Of New York | Gender and race identification from body fluid traces using spectroscopic analysis |
-
2020
- 2020-04-26 CN CN202010338245.0A patent/CN111521568B/zh active Active
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108449989A (zh) * | 2015-06-15 | 2018-08-24 | 联邦科学与工业研究组织 | 土壤条件分析系统及方法 |
US20190285611A1 (en) * | 2015-07-30 | 2019-09-19 | The Research Foundation For The State University Of New York | Gender and race identification from body fluid traces using spectroscopic analysis |
Non-Patent Citations (5)
Title |
---|
FELIPE B. DE SANTANA ET AL.: "Removing the moisture effct in soil organic matter determination using NIR spectroscopy and PLSR with external parameter orthogonalization", 《MICROCHEMICAL JOURNAL》 * |
YARON OGEN ET AL.: "Removing Moisture Effect on Soil Reflectance Prop erties: A Case Study of Clay Content Prediction", 《PEDOSPHERE》 * |
张伟等: "一种改进光谱角匹配的水体信息提取方法", 《测绘通报》 * |
彭翔等: "基于EPO-PLS回归模型的盐渍化土壤含水率高光谱反演", 《农业工程学报》 * |
肖春华等: "基于冠层光谱角算法的小麦氮素营养监测", 《干旱地区农业研究》 * |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114004147A (zh) * | 2021-10-27 | 2022-02-01 | 金陵科技学院 | 一种土壤湿润状态下同时预测多种土壤属性的方法 |
CN114004147B (zh) * | 2021-10-27 | 2024-04-12 | 金陵科技学院 | 一种土壤湿润状态下同时预测多种土壤属性的方法 |
Also Published As
Publication number | Publication date |
---|---|
CN111521568B (zh) | 2020-12-29 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Wilson et al. | Specific leaf area and leaf dry matter content as alternative predictors of plant strategies | |
CN108896492B (zh) | Pso-bp神经网络模型的训练方法、存储介质及终端 | |
Luo et al. | Evaluation of spectral indices and continuous wavelet analysis to quantify aphid infestation in wheat | |
Zhong et al. | Disentangling the effects of vapor pressure deficit on northern terrestrial vegetation productivity | |
CN110189793A (zh) | 基于高光谱的小麦氮肥生理利用率估测模型构建及不同氮效率小麦品种分类 | |
Yao et al. | Hyperspectral estimation of canopy leaf biomass phenotype per ground area using a continuous wavelet analysis in wheat | |
CN113436153A (zh) | 一种基于高光谱成像和支持向量机技术的原状土壤剖面碳组分预测方法 | |
CN111521568B (zh) | 一种基于光谱角的土壤含水量预测方法 | |
Cao et al. | Nondestructive detection of lead content in oilseed rape leaves based on MRF‐HHO‐SVR and hyperspectral technology | |
CN113514410A (zh) | 一种基于冠层高光谱技术的夏玉米全生育期氮素利用率垂向分布的实时定量监测方法 | |
CN113686811A (zh) | 一种基于双传感器的光谱数据处理方法 | |
CN112651173A (zh) | 一种基于跨域光谱信息的农产品品质无损检测方法及可泛化系统 | |
CN114004147B (zh) | 一种土壤湿润状态下同时预测多种土壤属性的方法 | |
Wang et al. | Monitoring model for predicting maize grain moisture at the filling stage using NIRS and a small sample size | |
Li et al. | Estimation of the net photosynthetic rate for waterlogged winter wheat based on digital image technology | |
Zhang et al. | Deriving vegetation leaf water content from spectrophotometric data with orthogonal signal correction-partial least square regression | |
CN114878508A (zh) | 一种基于高光谱成像土遗址文物表面含水量检测方法 | |
Tian et al. | Estimation of sugar beet aboveground biomass by band depth optimization of hyperspectral canopy reflectance | |
Yan et al. | Hyperspectral response and monitoring study of soil moisture content based on the optimized spectral index | |
Kong et al. | An integrated field and hyperspectral remote sensing method for the estimation of pigments content of Stipa Purpurea in Shenzha, Tibet | |
CN101788475A (zh) | 对玉米品种种子近红外漫反射光谱数据进行预处理的方法 | |
Zhang et al. | Design and planning of urban ecological landscape using machine learning | |
Zhou et al. | Selection of characteristic wavebands to minimize soil moisture effects with in-situ soil spectroscopy | |
Cushnahan et al. | Is big data driving a paradigm shift in precision agriculture | |
CN115063610B (zh) | 基于Sentinel-1、2影像的大豆种植区识别方法 |
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 | ||
EE01 | Entry into force of recordation of patent licensing contract |
Application publication date: 20200811 Assignee: INSPECTING AND TESTING CENTER FOR HYDROLOGICAL & GEOTECHNICAL INSTRUMENT'S QUALITY, MWR Assignor: JINLING INSTITUTE OF TECHNOLOGY Contract record no.: X2022980028255 Denomination of invention: A method for predicting soil moisture content based on spectral angle Granted publication date: 20201229 License type: Common License Record date: 20221230 |
|
EE01 | Entry into force of recordation of patent licensing contract |