CN111751376B - 一种基于冠层图像特征衍生的水稻氮素营养估算方法 - Google Patents

一种基于冠层图像特征衍生的水稻氮素营养估算方法 Download PDF

Info

Publication number
CN111751376B
CN111751376B CN202010726385.5A CN202010726385A CN111751376B CN 111751376 B CN111751376 B CN 111751376B CN 202010726385 A CN202010726385 A CN 202010726385A CN 111751376 B CN111751376 B CN 111751376B
Authority
CN
China
Prior art keywords
rice
nitrogen
canopy
image
model
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
CN202010726385.5A
Other languages
English (en)
Other versions
CN111751376A (zh
Inventor
叶春
李艳大
曹中盛
孙滨峰
黄俊宝
舒时富
吴罗发
张结刚
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.)
Agricultural Engineering Research Institute Jiangxi Academy Of Agricultural Sciences
Original Assignee
Agricultural Engineering Research Institute Jiangxi Academy Of Agricultural Sciences
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 Agricultural Engineering Research Institute Jiangxi Academy Of Agricultural Sciences filed Critical Agricultural Engineering Research Institute Jiangxi Academy Of Agricultural Sciences
Priority to CN202010726385.5A priority Critical patent/CN111751376B/zh
Publication of CN111751376A publication Critical patent/CN111751376A/zh
Application granted granted Critical
Publication of CN111751376B publication Critical patent/CN111751376B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

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
    • G01N21/84—Systems specially adapted for particular applications
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01B—MEASURING LENGTH, THICKNESS OR SIMILAR LINEAR DIMENSIONS; MEASURING ANGLES; MEASURING AREAS; MEASURING IRREGULARITIES OF SURFACES OR CONTOURS
    • G01B11/00—Measuring arrangements characterised by the use of optical techniques
    • G01B11/28—Measuring arrangements characterised by the use of optical techniques for measuring areas
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/10—Segmentation; Edge detection
    • G06T7/11—Region-based segmentation
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/10—Segmentation; Edge detection
    • G06T7/136—Segmentation; Edge detection involving thresholding
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/60—Analysis of geometric attributes
    • G06T7/62—Analysis of geometric attributes of area, perimeter, diameter or volume
    • 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
    • G01N21/84—Systems specially adapted for particular applications
    • G01N2021/8466—Investigation of vegetal material, e.g. leaves, plants, fruits
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/10—Image acquisition modality
    • G06T2207/10004—Still image; Photographic image
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/10—Image acquisition modality
    • G06T2207/10024—Color image

Landscapes

  • Physics & Mathematics (AREA)
  • Engineering & Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • General Health & Medical Sciences (AREA)
  • Biochemistry (AREA)
  • Analytical Chemistry (AREA)
  • Immunology (AREA)
  • Pathology (AREA)
  • Chemical & Material Sciences (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Health & Medical Sciences (AREA)
  • Geometry (AREA)
  • Investigating Or Analysing Materials By Optical Means (AREA)

Abstract

本发明公开了一种基于冠层图像特征衍生的水稻氮素营养估算方法，通过成像设备在水稻冠层上方获取大田单位面积内或一定穴数植株内水稻拔节期冠层图像，利用数字图像处理方法对冠层图像进行处理，得到水稻冠层覆盖率（CC，canopy coverage），将水稻冠层覆盖率作为图像特征值，运用特征衍生，将图像冠层覆盖率进行扩充作为自变量，与水稻氮素营养指标构建回归关系式；通过采集较多的水稻冠层覆盖率及水稻氮素营养指数样本对训练的模型进行验证；本发明利用图像特征值评价水稻氮素营养，可有效提高模型的预测精度及普适性，为水稻长势及营养监测提供有效的手段。

Description

一种基于冠层图像特征衍生的水稻氮素营养估算方法
技术领域
本发明属于基于数字图像技术的作物生长状况快速无损监测领域，特别涉及一种基于冠层图像特征衍生的水稻氮素营养估算方法。
背景技术
水稻是我国最重要的粮食作物，其产量形成与养分吸收密切相关。氮素是水稻生长发育不可缺少的营养元素之一，我国水稻氮肥用量占全球水稻氮肥总用量的37%，而氮肥利用率平均只有35%。有研究表明随着水稻生产中氮肥使用量不断攀升，过高的氮肥投入降低氮肥养分利用率，氮肥损失也直接和间接地导致了一系列不良的环境反应，如土壤酸化、水体富营养化等。因此，合理施用氮肥是水稻丰产稳产和提高氮肥利用率的关键。
水稻氮素的快速精准监测是水稻生产技术研究的重要内容。目前，估算水稻营养状况的主要方法有光谱遥感诊断法，但在中国南方，水稻生育地块小，地形复杂，多云覆盖，加上卫星高昂的使用成本极大限制了卫星遥感的使用。同时，虽然高光谱设备波段范围较大、光谱分辨率高，特征波段能很好地匹配作物氮素营养指标，但高光谱设备，如常用的美国Analytical Spectral Device( ASD )公司生产的FieldSpec高光谱仪，价格高昂，且需要专业人员操作，在实际应用推广中也受到了一定限制；如SPAD叶绿素仪虽然具有较高的精度，价格相对前者也较便宜，但只能测定叶片的很小一部分，需要进行多点的测试，在大面积应用费时费力、时效性和便捷性不足。
数码相机是日常接触较多的电子设备，不仅价格低廉，操作也较为简单，可方便采集图像信息，数字图像分析技术具有发展成为新一代作物氮营养诊断手段的潜力。有研究表明利用RGB图像可进行作物实时营养诊断，图像中提取的特征参数还与植株氮浓度和氮肥施用量等指标存在显著相关关系，具有较好的综合优势。然而，图像技术诊断大多依赖于生物理化参数的预测模型，这些预测模型往往通过半经验关系建立，模型本身预测精度难以提高，普适性不强。相比于图像单因素参数建模，基于机器学习的图像特征衍生策略可有效解决特征参数不够的短板，进而得到预测能力和稳健性较好的估算模型。
发明内容
本发明的目的在于提出运用图像特征衍生策略，构建新型的水稻氮素营养估算模型，并解决构建过程中存在的技术问题，最终得到一种相比于图像特征参数估算精度高、有效缓解饱和的水稻氮素营养状况估算的模型，并基于该特征衍生构建水稻氮素营养估算模型，用于水稻生产中氮素营养的快速无损监测。
为实现上述目的，本发明提供如下技术方案：
一种基于冠层图像特征衍生的水稻氮素营养估算方法，该方法通过冠层的覆盖率计算得到单位面积或一定面积内水稻氮素营养情况。该方法通过以下步骤完成：
步骤（1）、稻田图像获取，通过数码相机设备，定点获取；
步骤（2）、同步取样，将水稻带回实验室后，获取水稻植株氮素营养指数；
步骤（3）、特征值获取，计算分割后图像黑色部分占图像总像素的比值得到水稻冠层覆盖率的值；
步骤（4）、构建水稻氮素营养估算模型；
步骤（5）、模型验证：利用独立的样本对步骤四中的模型进行验证。
按照权利要求1所述的一种基于图像特征衍生的水稻氮素营养估算方法，其特征在于：所述步骤一农田图像获取具体过程为，在水稻拔节期，选择晴朗无风的晴天，于上午10:00-14:00，将数码相机固定在距离水稻冠层约1米的位置，相机镜头与水稻冠层呈60°夹角获取水稻冠层图像。
根据权利要求1所述的基于水稻冠层图像特征衍生的水稻氮素营养估算方法，其特征在于步骤（2）中，测定水稻叶面积指数的方法为：和水稻冠层图像测定在相同样本点同步进行，采用间接测量法进行测量，使用边长1 m的正方形方框选择采样范围，以图像测定时镜头与水稻生长方向呈60°夹角下方为方框中心，保持方框其中两条平行的边框和水稻行向平行，采集采样范围内所有的水稻植株，采集后按器官分离，使用叶面积仪扫描水稻叶片面积，获得该采样范围内所有的水稻叶片面积，即为水稻叶面积指数（LAI），作为水稻氮素营养指标一。
然后将水稻样本按器官分离，装袋后放烘箱，105 ℃杀青30 min后80℃烘干至恒重，再称重以确定单位面积地上部生物量（Biomass），作为水稻氮素营养指标二。
而后将样品粉碎，用凯氏定氮法测定地上部植株的氮浓度。地上部氮含量由地上部植株的生物量与氮浓度的乘积求得。氮素积累量PNA（g N·m-2）=叶片氮含量LNC（%）×叶片干物重LDW（g DW·m-2）+茎氮含量SNC（%）×茎干物重SDW（g DW·m-2）+穗氮含量PNC（%）×穗干物重PDW（g DW·m-2）。通过不同叶位叶片重量加权求得所有绿色叶片中氮素含量，进而计算出氮素积累量（PNA），作为水稻氮素营养指标三。
根据权利要求1所述的一种基于冠层图像特征衍生的水稻氮素营养估算方法，其特征在于步骤（3）中，特征值提取的方法分两步进行：
（1）、将每个小区3次重复的图片分别运用Matlab 2016 a中的最大类间方差法（OTSU）进行分割，按照图像的灰度特性，将图像分成背景和目标2部分；
（2）、将分割后的图片，运用JAVA自编程代码提取图片目标部分像素占总图片像素的比例，即为冠层覆盖率（CC）。
根据权利要求1所述的一种基于冠层图像特征衍生的水稻氮素营养估算方法，其特征在于步骤（4）中，模型构建的方法为：
（1）、将水稻冠层覆盖率（CC）作为特征值，运用特征衍生的方法，以CC的多次方衍生为自变量依次类推（x 1表示CC一次方，x 2表示二次方，以此类推），增加自变量的个数，以水稻LAI、Biomass和PNA为因变量，运用多元回归分析的方法构建估算模型，并得到模型的线性拟合度R 2；
（2）、以逐步多元线性回归的方式逐渐增加自变量个数，一直到模型线性拟合度R 2变化值小于0.01，说明构建的估算模型基本稳定，精度不再显著提高，以此为最终构建的模型。
根据权利要求1所述的一种基于冠层图像特征衍生的水稻氮素营养评价方法，其特征在于步骤（4）中，所述的水稻叶面积指数估算模型为：y LAI = 2.273+15.662x 3；Biomass的估算模型为：y Biomass = －8.948+659.206x 1；PNA的估算模型为：y PNA=2.141+42.022x 2。
根据权利要求1所述的一种基于冠层图像特征衍生的水稻氮素营养评价方法，其特征在于步骤（5）中，检验水稻氮素营养估算模型时RMSE分别为0.261 88、20.734 9 g·m-2、2.501 7 g·m-2。
一种基于冠层图像特征衍生的水稻氮素营养评价方法，其特征在于步骤如下：
（1）、规范采集水稻冠层图像，经图像处理后获得冠层覆盖率；
（2）、通过如下公式计算水稻氮素营养监测模型：y LAI = 2.273+15.662x 3（R 2=0.874）、y Biomass =－8.948+659.206x 1（R 2=0.804）、y PNA=2.141+42.022x 2（R 2=0.843）。
和现有技术相比，本发明的有益效果是：
通过本发明构建的基于水稻冠层图像特征衍生的水稻氮素营养估算模型结构简单、精度高、适用范围广，特别是在水稻叶面积指数、地上部生物量和植株氮素积累量的估算上具有较高的精度，同时能有效地避免图像分析技术受光照、时间、天气等因素的影响，可以广泛用于水稻叶面积指数的准确估算。
附图说明
图1为本发明构建基于冠层图像特征衍生的水稻氮素营养估算模型的流程示意图。
图2为本发明中提取图像特征值的图像分割前后对比图。
图3为本发明中模型预测值与实测值之间的1:1关系图。
具体实施方式
下面通过具体实施方式对本发明的技术方案做进一步说明。
本发明基于不同年份、不同生态点、不同施氮水平处理的水稻田间试验进行。具体表述如表 1 所示：
表1 获取对照数据和检验数据的水稻试验田基本信息
Figure DEST_PATH_IMAGE001
从水稻试验田 Exp.1、Exp.2 中获得实验数据作为建模数据集，从水稻试验田Exp.3 获得实验数据作为检验数据集，以观察模型在不同环境条件和处理下的准确度和适应性。
如图 1 所示，一种基于冠层图像特征衍生的水稻氮素营养估算方法，具体步骤如下：
步骤（1）、图像数据获取
在水稻拔节期，选择晴朗无风天气，在当天中午10:00-14:00之间，用数码相机拍摄水稻冠层图像，拍摄时将相机镜头距离地面1.2m (距水稻冠层约1.0 m)，与地面呈60°夹角固定住后进行，同时将相机调至Auto模式下，以自动曝光控制色彩平衡。图片以JPEG格式存储；
步骤（2）、同步测量水稻氮素生理参数
与水稻冠层图像测定在相同样本点同步进行，采用间接测量法进行测量，使用边长1 m的正方形方框选择采样范围，以图像测定时镜头与水稻生长方向呈60°夹角下方为方框中心，保持方框其中两条平行的边框和水稻行向平行，采集采样范围内所有的水稻植株，采集后按器官分离，使用叶面积仪扫描水稻叶片面积，获得该采样范围内所有的水稻叶片面积，即为水稻叶面积指数（LAI），作为水稻氮素营养指标一；
然后将水稻样本按器官分离，装袋后放烘箱，105 ℃杀青30 min后75 ℃烘干至恒重，再称重以确定单位面积地上部生物量（Biomass），作为水稻氮素营养指标二；
而后将样品粉碎，用凯氏定氮法测定地上部植株的氮浓度。地上部氮含量由地上部植株的生物量与氮浓度的乘积求得。氮素积累量PNA（g N·m-2）=叶片氮含量LNC（%）×叶片干物重LDW（g DW·m-2）+茎氮含量SNC（%）×茎干物重SDW（g DW·m-2）+穗氮含量PNC（%）×穗干物重PDW（g DW·m-2）。通过不同叶位叶片重量加权求得所有绿色叶片中氮素含量，进而计算出氮素积累量（PNA），作为水稻氮素营养指标三；
步骤(3)：图像特征参数提取
1、将每个小区3次重复的图片分别运用Matlab 2016 a中的最大类间方差法（OTSU）进行分割，按照图像的灰度特性，将图像分成背景和目标2部分；
2、将分割后的图片，运用JAVA自编程代码提取图片目标部分像素占总图片像素的比例，即为冠层覆盖率（CC）；
步骤（4）、构建水稻氮素营养评价模型
以CC为单一变量，通过多次方实现特征衍生，进一步构建图像特征衍生与水稻氮素营养指标之间的模型。运用多元回归分析确定特征衍生至CC的7次方时，回归方程的R 2变化值小于0.01。进一步运用逐步回归分析的方法建立回归方程（分别以y表示水稻氮素营养指标，x 1表示CC值，x 2表示CC的平方，x 3表示CC的三次方，依次类推到CC的7次方），最终回归为：y LAI=2.273+15.662x 3；
步骤（5）、模型验证：利用独立的样本对步骤（4）中的模型进行验证
利用独立的数据（试验3）对图像参数特征衍生策略下所建立的水稻氮营养估算模型进行验证。如图3所示，对水稻氮素营养指标估算模型进行验证和测试；根据估算模型，通过检验数据的冠层覆盖率估算得到氮素营养指标预测值，然后通过检验数据中的实测值对预测值进行检验，计算均方根误差RMSE（Root mean square difference）：
Figure DEST_PATH_IMAGE002
其中：n为模型测试检验样本数；P i 为模型预测值；O i 为实测值。检验结果如图3所示；
采用特征衍生为自变量构建的模型观测值和预测值间的决定系数分别为0.8795、0.800 2、0.556 2（图3a、3b、3c）（P<0.01）， RMSE分别为0.261 88、20.734 9 g·m-2、2.501 7 g·m-2。
比较CC和其衍生构建的模型发现，以CC衍生构建的水稻氮素营养估算方程决定系数分别为：0.874、0.804、0.843，比以CC原值构建的方程决定系数分别高出：0.11、0.14和0.11，说明特征衍生策略有效提高了方程的预测精度。模型检验结果显示，CC衍生构建的方程RMSE值比以CC原值构建的方程小，说明特征衍生策略可显著提高方程的普适性。综合来看，采用图像CC特征衍生策略能较好预测水稻氮素营养状况。
本发明构建的基于水稻冠层图像特征衍生的水稻氮素营养估算模型结构简单、精度高、适用范围广，特别是在水稻叶面积指数、地上部生物量和植株氮素积累量的估算上具有较高的精度，同时能有效地避免图像分析技术受光照、时间、天气等因素的影响，可以广泛用于水稻叶面积指数的准确估算。
上面对本专利的较佳实施方式作了详细说明，但是本专利并不限于上述实施方式，在本领域的普通技术人员所具备的知识范围内，还可以在不脱离本专利宗旨的前提下作出各种变化。

Claims (6)

1.一种基于冠层图像特征衍生的水稻氮素营养估算方法，该方法通过冠层的覆盖率计算得到单位面积内水稻氮素营养情况；该方法通过以下步骤完成：
步骤(1)、稻田图像获取，通过数码相机设备，定点获取；
步骤(2)、同步取样，将水稻带回实验室后，获取水稻植株氮素营养指数；
步骤(3)、特征值获取，计算分割后图像黑色部分占图像总像素的比值得到水稻冠层覆盖率CC的值；
步骤(4)、构建水稻氮素营养估算模型；
模型构建的方法为：
(41)、将水稻冠层覆盖率CC作为特征值，运用特征衍生的方法，以水稻冠层覆盖率CC的多次方衍生为自变量依次类推，X1表示水稻冠层覆盖率CC的一次方，X2表示水稻冠层覆盖率CC的二次方，以此类推，增加自变量的个数，以水稻叶面积指数LAI、单位面积地上部生物量Biomass和氮素积累量PNA为因变量，运用多元回归分析的方法构建估算模型，并得到模型的线性拟合度R2；
(42)、以逐步多元线性回归的方式逐渐增加自变量个数，一直到模型线性拟合度R2变化值小于0.01，说明构建的估算模型基本稳定，精度不再显著提高，以此为最终构建的模型；
步骤(5)、模型验证：利用独立的样本对步骤(4)中的模型进行验证。
2.根据权利要求1所述的一种基于冠层图像特征衍生的水稻氮素营养估算方法，其特征在步骤(1)中，稻田图像获取具体过程为，在水稻拔节期，选择晴朗无风的晴天，于上午10:00-14:00，将数码相机固定在距离水稻冠层约1米的位置，相机镜头与水稻冠层呈60°夹角获取水稻冠层图像。
3.根据权利要求1所述的基于冠层图像特征衍生的水稻氮素营养估算方法，其特征在于步骤(2)中，测定水稻叶面积指数LAI的方法为：与水稻冠层图像测定在相同样本点同步进行，采用间接测量法进行测量，使用边长1m的正方形方框选择采样范围，以图像测定时镜头与水稻生长方向呈60°夹角下方为方框中心，保持方框其中两条平行的边框和水稻行向平行，采集采样范围内所有的水稻植株，采集后按器官分离，使用叶面积仪扫描水稻叶片面积，获得该采样范围内所有的水稻叶面积，即为水稻叶面积指数LAI，作为水稻氮素营养指标一；
然后将水稻样本按器官分离，装袋后放烘箱，105℃杀青30min后80℃烘干至恒重，再称重以确定单位面积地上部生物量Biomass，作为水稻氮素营养指标二；
而后将样品粉碎，用凯氏定氮法测定地上部植株的氮浓度；地上部氮积累量由地上部植株的生物量与氮浓度的乘积求得：氮素积累量PNA＝叶片氮含量LNC×叶片干物重LDW+茎氮含量SNC×茎干物重SDW+穗氮含量PNC×穗干物重PDW；通过不同叶位叶片重量加权求得所有绿色叶片中氮素含量，进而计算出氮素积累量PNA，作为水稻氮素营养指标三，其中，氮素积累量PNA的单位为g N·m-2，叶片干物重LDW、茎干物重SDW、穗干物重PDW的单位均为gDW·m-2，叶片氮含量LNC、茎氮含量SNC、穗氮含量PNC的单位均为％。
4.根据权利要求1所述的一种基于冠层图像特征衍生的水稻氮素营养估算方法，其特征在于步骤(3)中，特征值提取的方法分两步进行：
(1)、将每个小区3次重复的照片分别运用Matlab 2016a中的最大类间方差法进行分割，按照图像的灰度特性，将图像分成背景和目标2部分；
(2)、将分割后的照片，运用JAVA自编程代码提取照片目标部分像素占总照片像素的比例，即为水稻冠层覆盖率CC。
5.根据权利要求1所述的一种基于冠层图像特征衍生的水稻氮素营养估算方法，其特征在于步骤(4)中，所述水稻氮素营养估算模型包括水稻叶面积指数LAI的估算模型、单位面积地上部生物量Biomass的估算模型、氮素积累量PNA的估算模型，其中，水稻叶面积指数LAI的估算模型为：yLAI＝2.273+15.662x3；单位面积地上部生物量Biomass的估算模型为：yBiomass＝－8.948+659.206x1；氮素积累量PNA的估算模型为：yPNA＝2.141+42.022x2。
6.根据权利要求1所述的一种基于冠层图像特征衍生的水稻氮素营养估算方法，其特征在于步骤(5)中，检验水稻氮素营养估算模型时RMSE分别为0.26188、20.7349、2.5017。
CN202010726385.5A 2020-07-25 2020-07-25 一种基于冠层图像特征衍生的水稻氮素营养估算方法 Active CN111751376B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202010726385.5A CN111751376B (zh) 2020-07-25 2020-07-25 一种基于冠层图像特征衍生的水稻氮素营养估算方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010726385.5A CN111751376B (zh) 2020-07-25 2020-07-25 一种基于冠层图像特征衍生的水稻氮素营养估算方法

Publications (2)

Publication Number Publication Date
CN111751376A CN111751376A (zh) 2020-10-09
CN111751376B true CN111751376B (zh) 2023-06-23

Family

ID=72711880

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010726385.5A Active CN111751376B (zh) 2020-07-25 2020-07-25 一种基于冠层图像特征衍生的水稻氮素营养估算方法

Country Status (1)

Country Link
CN (1) CN111751376B (zh)

Families Citing this family (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112485204A (zh) * 2020-11-06 2021-03-12 安徽农业大学 基于高光谱的水稻穗期氮营养监测与诊断方法及应用
CN112595714B (zh) * 2020-11-26 2022-12-06 中国农业科学院农业资源与农业区划研究所 一种基于手机图像解析的烟草营养状态判别方法
CN112586347B (zh) * 2020-12-21 2023-08-22 扬州大学 一种抗旱性水稻品种的筛选方法
CN112858300A (zh) * 2021-01-25 2021-05-28 西南民族大学 一种高寒草甸不同退化梯度植物根系形态结构的测定方法
CN116453003B (zh) * 2023-06-14 2023-09-01 之江实验室 一种基于无人机监测智能识别水稻生长势的方法和系统

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2014122256A1 (en) * 2013-02-08 2014-08-14 Universita' Degli Studi Di Milano Method and electronic equipment for determining a leaf area index
CN105719320A (zh) * 2016-01-25 2016-06-29 华中农业大学 一种基于彩色数字图像植被冠层覆盖度计算方法及系统
CN110132860A (zh) * 2019-05-29 2019-08-16 安徽大学 一种基于麦穗尺度分析的冬小麦赤霉病高光谱遥感监测方法

Family Cites Families (11)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101226633B (zh) * 2008-01-30 2011-04-20 哈尔滨工程大学 基于均值漂移的农作物冠层图像分割方法
SE535144C2 (sv) * 2010-01-27 2012-04-24 Scania Cv Ab Skattning av kväveoxider och ammoniak i avgaser nedströms från en katalysator
US10520482B2 (en) * 2012-06-01 2019-12-31 Agerpoint, Inc. Systems and methods for monitoring agricultural products
GB201413566D0 (en) * 2014-07-31 2014-09-17 V Viz Ltd System for non-destructive detection of internal defects
CN106442329A (zh) * 2016-08-31 2017-02-22 青岛农业大学 一种基于冠层图像参数的冬小麦叶面积指数估算方法
CN107796764B (zh) * 2016-09-05 2020-01-24 南京农业大学 一种基于三波段植被指数的小麦叶面积指数估算模型的构建方法
EP3568689A1 (en) * 2017-01-10 2019-11-20 Sun Chemical Corporation In-line coating weight and radiant energy exposure measurement
US11823446B2 (en) * 2017-02-13 2023-11-21 Purdue Research Foundation Method of using genetic architecture of phenomic-enabled canopy coverage in Glycine max
CN106770299A (zh) * 2017-03-14 2017-05-31 中国科学院遗传与发育生物学研究所农业资源研究中心 使用无人机航拍作物冠层图片进行作物氮素分析及土壤施肥指导的方法及无人机航拍设备
US10768162B2 (en) * 2017-03-16 2020-09-08 Airscout Inc. Systems and methods for producing agricultural prescriptions
CN107464260A (zh) * 2017-07-06 2017-12-12 山东农业大学 一种采用无人机的水稻冠层图像处理方法

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2014122256A1 (en) * 2013-02-08 2014-08-14 Universita' Degli Studi Di Milano Method and electronic equipment for determining a leaf area index
CN105719320A (zh) * 2016-01-25 2016-06-29 华中农业大学 一种基于彩色数字图像植被冠层覆盖度计算方法及系统
CN110132860A (zh) * 2019-05-29 2019-08-16 安徽大学 一种基于麦穗尺度分析的冬小麦赤霉病高光谱遥感监测方法

Non-Patent Citations (4)

* Cited by examiner, † Cited by third party
Title
基于冠层高光谱信息的苹果树花量估测;刘颖;王克健;谢让金;吕强;何绍兰;易时来;郑永强;邓烈;;中国农业科学;第49卷(第18期);第3608-3617页 *
基于图像特征及衍生参数的水稻氮素营养监测研究;叶春 等;《江西省作物学会2020年学术年会论文摘要集》;第3页 *
基于高光谱的寒地水稻叶片氮素含量预测;王树文;赵越;王丽凤;王润涛;宋玉柱;张长利;苏中滨;;农业工程学报;第32卷(第20期);第187-194页 *
基于高光谱遥感的小麦叶片氮积累量;冯伟;朱艳;田永超;曹卫星;姚霞;李映雪;;生态学报;第28卷(第01期);第23-32页 *

Also Published As

Publication number Publication date
CN111751376A (zh) 2020-10-09

Similar Documents

Publication Publication Date Title
CN111751376B (zh) 一种基于冠层图像特征衍生的水稻氮素营养估算方法
CN101692037B (zh) 高光谱图像和独立分量分析植物叶面叶绿素分布的方法
CN102788752B (zh) 基于光谱技术的农作物内部信息无损检测装置及方法
CN107796764B (zh) 一种基于三波段植被指数的小麦叶面积指数估算模型的构建方法
CN112485204A (zh) 基于高光谱的水稻穗期氮营养监测与诊断方法及应用
CN101210876A (zh) 基于可见/近红外多光谱成像的水稻养分信息测量方法
CN101915738A (zh) 基于高光谱成像技术的茶树营养信息快速探测方法及装置
CN102445421B (zh) 一种用于快速诊断烤烟氮素叶色卡的制备方法
CN111044516B (zh) 一种水稻叶绿素含量遥感估测方法
CN105203464A (zh) 基于高光谱成像技术检测花生中油酸含量分布的方法
CN108520127A (zh) 一种树种叶面积指数的高光谱反演方法
CN109827957B (zh) 一种基于计算机视觉的水稻叶片spad值估测方法及系统
CN114202675A (zh) 一种基于无人机多光谱遥感影像的作物生长参数测定方法及系统
CN114140695B (zh) 一种基于无人机多光谱遥感的茶树氮素诊断及品质指标测定的预测方法和系统
CN106323880A (zh) 基于soc高光谱指数的植物叶片花青素含量估算方法及装置
Onoyama et al. Potential of hyperspectral imaging for constructing a year-invariant model to estimate the nitrogen content of rice plants at the panicle initiation stage
CN114219795A (zh) 一种基于高光谱成像系统的茶树干旱诱导成分及干旱程度评估的预测方法和系统
CN115424006A (zh) 应用于作物表型参数反演的多源多层次数据融合方法
CN102788796B (zh) 基于高光谱图像及荧光图像多信息融合的作物氮营养诊断装置及方法
CN116863341B (zh) 基于时间序列卫星遥感影像的作物分类和识别方法和系统
CN113670913A (zh) 水稻氮素含量反演高光谱植被指数构建方法
US20240167947A1 (en) CEEMDAN-based method for screening and monitoring soil moisture stress in agricultural fields
CN111595806A (zh) 一种利用中红外漫反射光谱监测土壤碳组分的方法
CN116310788A (zh) 基于图谱融合的植株叶片氮含量高光谱建模方法
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

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