CN111650130A - 一种荔枝叶片镁含量的预测方法及预测系统 - Google Patents

一种荔枝叶片镁含量的预测方法及预测系统 Download PDF

Info

Publication number
CN111650130A
CN111650130A CN202010436748.1A CN202010436748A CN111650130A CN 111650130 A CN111650130 A CN 111650130A CN 202010436748 A CN202010436748 A CN 202010436748A CN 111650130 A CN111650130 A CN 111650130A
Authority
CN
China
Prior art keywords
magnesium content
data
litchi
spectral data
leaf
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
CN202010436748.1A
Other languages
English (en)
Inventor
李丹
姜浩
王重洋
陈金月
周慧
陈水森
吾木提·艾山江
郑琼
王力
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.)
Guangzhou Institute of Geography of GDAS
Original Assignee
Guangzhou Institute of Geography of GDAS
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 Guangzhou Institute of Geography of GDAS filed Critical Guangzhou Institute of Geography of GDAS
Publication of CN111650130A publication Critical patent/CN111650130A/zh
Pending legal-status Critical Current

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
    • 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
    • G01N21/47—Scattering, i.e. diffuse reflection
    • G01N21/4738—Diffuse reflection, e.g. also for testing fluids, fibrous materials

Landscapes

  • Physics & Mathematics (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)
  • Spectroscopy & Molecular Physics (AREA)
  • Investigating Or Analysing Materials By Optical Means (AREA)

Abstract

本发明公开了一种荔枝叶片镁含量的预测方法及预测系统，该方法包括利用光谱仪对荔枝冠层测量，获得荔枝冠层反射光谱数据；并同步采集荔枝冠层叶片样本，获得叶片样本的叶片镁含量数据；对所获取到的光谱数据进行预处理，获得预处理后的光谱数据；利用波段平均方法对预处理后的光谱数据进行降维处理；对降维处理后的光谱数据进行正交信号校正处理；将所获得的正交信号较正处理后的光谱数据和叶片样本的叶片镁含量进行偏最小二乘算法回归建模，获得叶片镁含量预测模型；将预测集数据输入至叶片镁含量预测模型中，得到预测集叶片镁含量预测结果。本发明能够快速、准确有效地预估测量出荔枝叶片的镁含量。

Description

一种荔枝叶片镁含量的预测方法及预测系统
技术领域
本发明涉及测量技术，具体涉及一种荔枝叶片镁含量的预测方法及预测系统。
背景技术
我国荔枝主要种植在丘陵坡地，土壤养分肥力较低，土壤镁含量缺乏较为普遍。南方高温多雨的酸性土壤，镁素的淋溶损失十分严重，随着作物产量的不断提高，氮磷钾化肥用量的逐步增加，土壤镁素养分的亏缺日益加剧。镁素成为果树营养胁迫的主要因素之一。荔枝果皮着色和果肉风味变佳是果实成熟的重要标志，也是最重要的外观和内在品质因素，研究表明镁是影响荔枝果实品质的重要因素。然而，现有技术中并没有提供一种有效、快速测量荔枝叶片镁含量的方法，从而不利于荔枝果实品质。
发明内容
本发明的目的在于克服上述现有技术的不足，提供一种荔枝叶片镁含量的预测方法及预测系统，以有效、快速地测量荔枝叶片镁含量，以利于荔枝果实品质。
为实现上述目的，本发明的技术方案是：
第一方面本发明实施例提供了一种荔枝叶片镁含量的预测方法，包括：
利用光谱仪对荔枝冠层测量，获得荔枝冠层反射光谱数据；并同步采集荔枝冠层叶片样本，并对叶片样本进行化学分析，获得叶片样本的叶片镁含量数据；
对所获取到的光谱数据进行预处理，去除水分和噪声影响波段范围的反射信息，获得预处理后的光谱数据；
利用波段平均方法对预处理后的光谱数据进行降维处理，获得降维处理后的光谱数据；
对降维处理后的光谱数据进行正交信号校正处理，获得正交信号较正处理后的光谱数据；
将所获得的正交信号较正处理后的光谱数据和叶片样本的叶片镁含量进行偏最小二乘算法回归建模，获得叶片镁含量预测模型；
将预测集数据输入至叶片镁含量预测模型中，得到预测集叶片镁含量预测结果。
第二方面本发明实施例提供了一种荔枝叶片镁含量的预测系统，其特征在于，包括：
数据存储器，其存储有光谱仪对荔枝冠层测量所获得荔枝冠层反射光谱数据以及存储有光谱仪所测量的那一荔枝冠层的叶片样本的叶片镁含量数据；
第一数据处理器，其用于对数据存储器所存储的光谱数据进行预处理，去除水分和噪声影响波段范围的反射信息，获得预处理后的光谱数据；并利用波段平均方法对预处理后的光谱数据进行降维处理，获得降维处理后的光谱数据；并对降维处理后的光谱数据进行正交信号校正处理，获得正交信号较正处理后的光谱数据；
第二数据处理器，其用于查找接收数据存储器所存储的叶片样本的叶片镁含量数据以及接收第一数据处理器所传输来的正交信号较正处理后的光谱数据，以将所获得的正交信号较正处理后的光谱数据和叶片样本的叶片镁含量进行偏最小二乘算法回归建模，获得叶片镁含量预测模型；还用于接收预测集数据，并将预测集数据输入至叶片镁含量预测模型中，得到预测集叶片镁含量预测结果。
本发明与现有技术相比，其有益效果在于：
目前尚未有针对荔枝镁含量估算的方法，本发明提出的将正交信号较正预处理和偏最小二乘回归结合的镁含量估算方法，能够快速、有效准确地测量出一大片需测量的荔枝叶片集的镁含量，从而有利于荔枝果实品质。
附图说明
图1为本发明实施例1提供的荔枝叶片镁含量的预测方法的流程图；
图2预测模型所得到的预测结果图；
图3为预测模型的精度评价图；
图4为本发明实施例2提供的荔枝叶片镁含量的预测系统的组成示意图。
具体实施方式
下面结合附图和具体实施方式对本发明的内容做进一步详细说明。
实施例1：
参阅图1所示，本实施例提供的荔枝叶片镁含量的预测方法，包括：
101、基于ASD Field Spec@3高光谱仪，获取荔枝冠层反射光谱数据(350-2500nm)。选择某地区的一荔枝园为实验地，晴朗、微风条件下，基于ASD FieldSpec@3测量荔枝冠层反射光谱数据，同步采集冠层叶片91组样本，叶片放入采样袋，送至实验室化学分析，获得叶片样本的叶片镁含量数据。
102、对所获取到的光谱数据进行预处理，去除水分和噪声影响波段范围的反射信息，获得预处理后的光谱数据。如此，即可以减少噪声数据对有用信息的干扰，获得光谱数据的有用信息，以保证后序预测结果的准确性。
103、利用波段平均方法对预处理后的光谱数据进行降维处理，获得降维处理后的光谱数据；降维处理后光谱数据共174维：
Ri＝(Ri-4+Ri-3+Ri-2+Ri-1+Ri+Ri+1+Ri+2+Ri+3+Ri+4+Ri+5)/10
Ri是i nm处反射率的值，i的取值范围为(350～1349，1451～1799，1961-2349)。
由于高光谱数据具有高度的多重共线性，相邻数据间具有高度的相关性，因此通过对其进行降维处理，以便于后续的处理、保证测量结果的准确性。
104、对降维处理后的光谱数据进行正交信号校正处理，获得正交信号较正处理后的光谱数据。
105、将所获得的正交信号较正处理后的光谱数据和叶片样本的叶片镁含量在matlab中进行偏最小二乘算法回归建模，获得叶片镁含量预测模型。其中，偏最小二乘回归的原理与步骤如下：
有m个自变量X1，X2,…，Xm,n个因变量Y1，Y2,…,Yp，共n个观测值数据集；T和U分别是从自变量和因变量中提取的成分，这里的成分也称为偏最小二乘因子；从原始变量集中提取第一对成分T1,U1的线性组合为：
T1＝ω11X1+,…,+ω1mXm＝ω1′X
U1＝υ11Y1+,…,+υ1pXp＝υ1′’Y
其中ω1＝(ω11,…,ω1m)′为模型效应权重(model Effect Weights)。T1＝(T11,…,T1p)′为因变量权重(Dependent variable Weights).为保证T1，U1各自尽可能多提取所在变量组的变异信息，同时保证两者之间的相关程度达到最大，据成分的协方差可由相应成分的得分向量的内积来计算的性质，上述提取第一成分的问题转化为条件极值问题。
Figure BDA0002502568130000031
t1,u1是由样本求得的第一对成分的得分向量，X0和Y0为初始变量。利用拉个朗日算子，上述问题转化为求单位向量ω1和υ1，使得Θ1＝ω1′X0′Y0υ1趋于最大，即求矩阵X0'Y0Y0'X0的特征值和特征向量，其最大特征值为Θ1 2，相应的单位特征向量就是所求的解ω1。
接下来建立回归方程：
首先建立初始变量对T1的方程：
Figure BDA0002502568130000032
其中，t1意义同前，α1′＝(α11,…,α1m)，β1′＝(β11,…,β1p)是自变量为t1的参数向量，E1，F1分别为n*m和n*p残差矩阵。按照普通最小二乘法可求得系数向量α1和β1。
106、将预测集数据输入至叶片镁含量预测模型中，得到预测集叶片镁含量预测结果。具体如图2所示。
由此可见，本实施例提供的荔枝叶片镁含量的预测方法是一种快速、便捷的荔枝叶片镁含量快速预测方法，能够有效准确地测量出一大片需测量的荔枝叶片集的镁含量。
具体地，上述对降维处理后的光谱数据进行正交信号校正处理包括：
降维处理后的光谱数据矩阵为X(I×J),I为测试集样本数，J为波段数，该矩阵中的某一元素xij(i＝1,2,……,I；j＝1,2,.......,J)的含义是第i个样本在第j个波段处的反射率，荔枝叶片中镁含量实测值向量为y(I×1)；
1)计算第一权重向量w:描述为max(wTXTXw),wTXTY＝1式中T表示向量或者矩阵的转置；
2)计算得分向量t:t＝Xw；
3)计算载荷向量p:p＝XTt/(tTt)；
4)计算从原始光谱矩阵X中滤除第一OSCI因子后的矩阵Xo,1,Xo,1＝X-tpT；
5)以Xo,1代替X，重复上述步骤1)-4)，计算滤除第二个OSC因子后的矩阵Xo,2；如此循环，可求出Xo,3，Xo,4……；
6)预测集光谱数据矩阵Xun的OSC较正则利用测试集OSC因子的权重与载荷向量进行；
7)tun＝Xunwi,wi为测试集第i个OSC因子的权重向量；
8)Xun,o＝Xun-tunpi为测试集第i个OSC因子的载荷向量，Xun,o为正交信号较正处理的光谱数据。
通过上述步骤即可以有效准确地对降维处理后的光谱数据进行正交信号校正处理。
优选地，在获得叶片镁含量预测模型后还可以地该模型进行评价：
模型确定系数R2和均方根误差RMSE来评价建模模型的精度：
Figure BDA0002502568130000041
Figure BDA0002502568130000051
yi，
Figure BDA0002502568130000052
分别是观测值，观测值的预测值，观测值均值，n为样本数量，具体如图3所示。
具体地，上述去除水分和噪声影响波段范围的反射信息包括:波段1350-1450nm，1800-1960nm，2350-2500nm范围的反射信息。
而上述利用波段平均方法对预处理后的光谱数据进行降维处理包括：
进行10波段平均的光谱数据降维，降维后的光谱数据反射率范围为：354～1344，1453～1793，1962～2342nm。
实施例2：
参阅图4所示，本实施例提供的一荔枝叶片镁含量的预测系统，包括：
数据存储器401，其存储有光谱仪对荔枝冠层测量所获得荔枝冠层反射光谱数据以及存储有光谱仪所测量的那一荔枝冠层的叶片样本的叶片镁含量数据；也就是说，光谱仪所测量到的光谱数据以及通过实验分析得到的叶片镁含量数据都预先存储记录在数据存储器301中。
第一数据处理器402，则用于对数据存储器所存储的光谱数据进行预处理，去除水分和噪声影响波段范围的反射信息，获得预处理后的光谱数据；并利用波段平均方法对预处理后的光谱数据进行降维处理，获得降维处理后的光谱数据；并对降维处理后的光谱数据进行正交信号校正处理，获得正交信号较正处理后的光谱数据；
第二数据处理器403，则用于查找接收数据存储器所存储的叶片样本的叶片镁含量数据以及接收第一数据处理器所传输来的正交信号较正处理后的光谱数据，以将所获得的正交信号较正处理后的光谱数据和叶片样本的叶片镁含量进行偏最小二乘算法回归建模，获得叶片镁含量预测模型；还用于接收预测集数据，并将预测集数据输入至叶片镁含量预测模型中，得到预测集叶片镁含量预测结果。
由此可见，通过采用本系统能够快速、有效准确地测量出需要测量的荔枝叶片集的镁含量。
本实施中的数据存储器401的具体工作原理和实施例1中的步骤101相对应，第一数据处理器402的运算处理过程和实施例1中的步骤102-104相对应，第二数据处理器403的运算处理过程和实施例1中的步骤105-106相对应，因此在本实施例中就不再详细赘述数据存储器401、第一数据处理器402以第二及数据处理器403的工作原理和运算处理过程。
作为本实施例荔枝叶片镁含量的测量的一种优选，该系统还包括客户端，该客户端用于接收第二数据处理器403所得到预测集叶片镁含量预测结果，该客户端可以为手机、电脑或平板电脑，如此，工作人员可以远程、实时地得知运算的最终结果。
上述实施例只是为了说明本发明的技术构思及特点，其目的是在于让本领域内的普通技术人员能够了解本发明的内容并据以实施，并不能以此限制本发明的保护范围。凡是根据本发明内容的实质所做出的等效的变化或修饰，都应涵盖在本发明的保护范围内。

Claims (10)

1.一种荔枝叶片镁含量的预测方法，其特征在于，包括：
利用光谱仪对荔枝冠层测量，获得荔枝冠层反射光谱数据；并同步采集荔枝冠层叶片样本，并对叶片样本进行化学分析，获得叶片样本的叶片镁含量数据；
对所获取到的光谱数据进行预处理，去除水分和噪声影响波段范围的反射信息，获得预处理后的光谱数据；
利用波段平均方法对预处理后的光谱数据进行降维处理，获得降维处理后的光谱数据；
对降维处理后的光谱数据进行正交信号校正处理，获得正交信号较正处理后的光谱数据；
将所获得的正交信号较正处理后的光谱数据和叶片样本的叶片镁含量进行偏最小二乘算法回归建模，获得叶片镁含量预测模型；
将预测集数据输入至叶片镁含量预测模型中，得到预测集叶片镁含量预测结果。
2.如权利要求1所述的荔枝叶片镁含量的预测方法，其特征在于，所述对降维处理后的光谱数据进行正交信号校正处理包括：
降维处理后的光谱数据矩阵为X(I×J)，I为测试集样本数，J为波段数，该矩阵中的某一元素xij(i＝1，2，......，I；j＝1，2，.......，J)的含义是第i个样本在第j个波段处的反射率，荔枝叶片中镁含量实测值向量为y(I×1)；
1)计算第一权重向量w：描述为max(wTXTXw)，wTXTy＝1式中T表示向量或者矩阵的转置；
2)计算得分向量t：t＝Xw；
3)计算载荷向量p：p＝XTt/(tTt)；
4)计算从原始光谱矩阵X中滤除第一OSCI因子后的矩阵Xo，1，Xo，1＝X-tpT；
5)以Xo，1代替X，重复上述步骤1)-4)，计算滤除第二个OSC因子后的矩阵Xo，2；如此循环，可求出Xo，3，Xo，4......；
6)预测集光谱数据矩阵Xun的OSC较正则利用测试集OSC因子的权重与载荷向量进行；
7)tun＝Xunwi，wi为测试集第i个OSC因子的权重向量；
8)Xun，o＝Xun-tunpi为测试集第i个OSC因子的载荷向量，Xun，o为正交信号较正处理的光谱数据。
3.如权利要求1或2所述的荔枝叶片镁含量的预测方法，其特征在于，在获得叶片镁含量预测模型还包括：模型精度评价步骤：
模型确定系数R2和均方根误差RMSE来评价建模模型的精度：
Figure FDA0002502568120000021
Figure FDA0002502568120000022
yi，
Figure FDA0002502568120000023
分别是观测值，观测值的预测值，观测值均值，n为样本数量。
4.如权利要求1所述的荔枝叶片镁含量的预测方法，其特征在于，所述去除水分和噪声影响波段范围的反射信息包括：波段1350-1450nm，1800-1960nm，2350-2500nm范围的反射信息。
5.如权利要求1所述的荔枝叶片镁含量的预测方法，其特征在于，所述利用波段平均方法对预处理后的光谱数据进行降维处理包括：
进行10波段平均的光谱数据降维，降维后的光谱数据反射率范围为：354～1344，1453～1793，1962～2342nm。
6.一种荔枝叶片镁含量的预测系统，其特征在于，包括：
数据存储器，其存储有光谱仪对荔枝冠层测量所获得荔枝冠层反射光谱数据以及存储有光谱仪所测量的那一荔枝冠层的叶片样本的叶片镁含量数据；
第一数据处理器，其用于对数据存储器所存储的光谱数据进行预处理，去除水分和噪声影响波段范围的反射信息，获得预处理后的光谱数据；并利用波段平均方法对预处理后的光谱数据进行降维处理，获得降维处理后的光谱数据；并对降维处理后的光谱数据进行正交信号校正处理，获得正交信号较正处理后的光谱数据；
第二数据处理器，其用于查找接收数据存储器所存储的叶片样本的叶片镁含量数据以及接收第一数据处理器所传输来的正交信号较正处理后的光谱数据，以将所获得的正交信号较正处理后的光谱数据和叶片样本的叶片镁含量进行偏最小二乘算法回归建模，获得叶片镁含量预测模型；还用于接收预测集数据，并将预测集数据输入至叶片镁含量预测模型中，得到预测集叶片镁含量预测结果。
7.如权利要求6所述的荔枝叶片镁含量的预测系统，其特征在于，还包括：
客户端，其用于接收第二数据处理器所传输来的预测集叶片镁含量预测结果。
8.如权利要求6或7所述的荔枝叶片镁含量的预测系统，其特征在于，所述第一数据处理器对降维处理后的光谱数据进行正交信号校正处理包括：
降维处理后的光谱数据矩阵为X(I×J)，I为测试集样本数，J为波段数，该矩阵中的某一元素xij(i＝1，2，......，I；j＝1，2，.......，J)的含义是第i个样本在第j个波段处的反射率，荔枝叶片中镁含量实测值向量为y(I×1)；
1)计算第一权重向量w：描述为max(wTXTXw)，wTXTy＝1式中T表示向量或者矩阵的转置；
2)计算得分向量t：t＝Xw；
3)计算载荷向量p：p＝XTt/(tTt)；
4)计算从原始光谱矩阵X中滤除第一OSCI因子后的矩阵Xo，1，Xo，1＝X-tpT；
5)以Xo，1代替X，重复上述步骤1)-4)，计算滤除第二个OSC因子后的矩阵Xo，2；如此循环，可求出Xo，3，Xo，4......；
6)预测集光谱数据矩阵Xun的OSC较正则利用测试集OSC因子的权重与载荷向量进行；
7)tun＝Xunwi，wi为测试集第i个OSC因子的权重向量；
8)Xun，o＝Xun-tunpi为测试集第i个OSC因子的载荷向量，Xun，o为正交信号较正处理的光谱数据。
9.如权利要求6或7所述的荔枝叶片镁含量的预测系统，其特征在于，所述去除水分和噪声影响波段范围的反射信息包括：波段1350-1450nm，1800-1960nm，2350-2500nm范围的反射信息。
10.如权利要求6或7所述的荔枝叶片镁含量的预测系统，其特征在于，所述第一数据处理器利用波段平均方法对预处理后的光谱数据进行降维处理包括：
进行10波段平均的光谱数据降维，降维后的光谱数据反射率范围为：354～1344，1453～1793，1962～2342nm。
CN202010436748.1A 2020-03-05 2020-05-21 一种荔枝叶片镁含量的预测方法及预测系统 Pending CN111650130A (zh)

Applications Claiming Priority (2)

Application Number Priority Date Filing Date Title
CN2020101457310 2020-03-05
CN202010145731 2020-03-05

Publications (1)

Publication Number Publication Date
CN111650130A true CN111650130A (zh) 2020-09-11

Family

ID=72350736

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010436748.1A Pending CN111650130A (zh) 2020-03-05 2020-05-21 一种荔枝叶片镁含量的预测方法及预测系统

Country Status (1)

Country Link
CN (1) CN111650130A (zh)

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113340815A (zh) * 2021-06-01 2021-09-03 安徽大学 基于二波段组合指数的冠层尺度小麦赤霉病病情指数评估方法
CN114486761A (zh) * 2022-01-24 2022-05-13 云南省热带作物科学研究所 一种橡胶树叶片镁含量快速估算方法

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN105241822A (zh) * 2015-08-28 2016-01-13 河南科技大学 基于高光谱的牡丹叶片花青素含量测定方法
CN105608296A (zh) * 2016-01-29 2016-05-25 广州地理研究所 一种基于荔枝冠层光谱的叶片钾浓度反演方法
CN107064053A (zh) * 2017-02-23 2017-08-18 浙江大学 基于近红外高光谱技术无损检测杨梅中多酚含量的方法

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN105241822A (zh) * 2015-08-28 2016-01-13 河南科技大学 基于高光谱的牡丹叶片花青素含量测定方法
CN105608296A (zh) * 2016-01-29 2016-05-25 广州地理研究所 一种基于荔枝冠层光谱的叶片钾浓度反演方法
CN107064053A (zh) * 2017-02-23 2017-08-18 浙江大学 基于近红外高光谱技术无损检测杨梅中多酚含量的方法

Non-Patent Citations (8)

* Cited by examiner, † Cited by third party
Title
刘彦姝 等: "基于可见/近红外光谱技术的林地土壤氮含量测定", 《光谱实验室》 *
孙伟伟 等: "《基于流形学习的高光谱遥感影像降维理论与方法研究》", 31 May 2017, 同济大学出版社 *
崔峻岭 等: "《土壤水地下水联合管理技术》", 31 May 2016, 中国海洋大学出版社 *
成忠等: "POSC-PLS方法及其在电子吸收光谱定量分析中的应用", 《光谱学与光谱分析》 *
桂江生 等: "高光谱成像技术在农业中的应用概述", 《浙江农业科学》 *
王彬等: "基于可见-近红外光谱及随机森林的鸡蛋产地溯源", 《食品工业科技》 *
王立国 等: "《高光谱图像处理技术》", 31 May 2013, 国防工业出版社 *
赵杰文等: "基于OSC/PLS的茶叶中EGCG含量的近红外光谱法测定", 《食品与生物技术学报》 *

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113340815A (zh) * 2021-06-01 2021-09-03 安徽大学 基于二波段组合指数的冠层尺度小麦赤霉病病情指数评估方法
CN114486761A (zh) * 2022-01-24 2022-05-13 云南省热带作物科学研究所 一种橡胶树叶片镁含量快速估算方法
CN114486761B (zh) * 2022-01-24 2024-04-12 云南省热带作物科学研究所 一种橡胶树叶片镁含量快速估算方法

Similar Documents

Publication Publication Date Title
Clevers et al. Estimating grassland biomass using SVM band shaving of hyperspectral data
Guo et al. Hyperspectral assessment of leaf nitrogen accumulation for winter wheat using different regression modeling
Sharabian et al. Significant wavelengths for prediction of winter wheat growth status and grain yield using multivariate analysis
CN110333195A (zh) 植物叶片水分含量检测方法及装置
CN111650130A (zh) 一种荔枝叶片镁含量的预测方法及预测系统
Fassio et al. Determination of oil content in whole corn (Zea mays L.) seeds by means of near infrared reflectance spectroscopy
CN110363119A (zh) 基于小波变换-随机森林算法的烟叶霉变快速识别方法
Yang et al. Hyperspectral indices optimization algorithms for estimating canopy nitrogen concentration in potato (Solanum tuberosum L.)
Yang et al. Machine learning models fed with optimized spectral indices to advance crop nitrogen monitoring
Shu et al. Assessing maize lodging severity using multitemporal UAV-based digital images
Fernandes et al. Sex type determination in papaya seeds and leaves using near infrared spectroscopy combined with multivariate techniques and machine learning
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
Yao et al. Image-based plant nutrient status analysis: An overview
CN115049902B (zh) 柑橘叶片含水量可视化预测方法、系统、设备及存储介质
CN111650129B (zh) 一种荔枝叶片钙含量预测方法及预测装置
CN110609011A (zh) 单籽粒玉米种子淀粉含量近红外高光谱检测方法及系统
CN113049526B (zh) 一种基于太赫兹衰减全反射的玉米种子水分含量测定方法
CN112924410B (zh) 发芽葵花籽的太赫兹光谱快速识别方法
Anderson et al. Detection of wine grape nutrient levels using visible and near infrared 1nm spectral resolution remote sensing
CN114527082A (zh) 甜玉米种子萌发预测方法及装置
Zhang et al. A comparative study on wheat leaf area index by different measurement methods
Chen et al. Quality detection and variety classification of pecan seeds using hyperspectral imaging technology combined with machine learning
CN116401508B (zh) 基于PlanetScope卫星影像的田间小麦籽粒含水率监测方法
Gadhe et al. Jowar (Sorghum) Crop Health Assessment Using Hyperspectral Data
Dinu et al. Image-based Appraisal of Woody Starch Reserves in Grapevine

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
CB02 Change of applicant information
CB02 Change of applicant information

Address after: 510070 No. 100 martyrs Middle Road, Guangzhou, Guangdong, Yuexiu District

Applicant after: Guangzhou Institute of geography, Guangdong Academy of Sciences

Address before: 510070 No. 100 martyrs Middle Road, Guangzhou, Guangdong, Yuexiu District

Applicant before: GUANGZHOU INSTITUTE OF GEOGRAPHY

RJ01 Rejection of invention patent application after publication
RJ01 Rejection of invention patent application after publication

Application publication date: 20200911