CN112129709A - 一种苹果树冠层尺度氮含量诊断方法 - Google Patents
一种苹果树冠层尺度氮含量诊断方法 Download PDFInfo
- Publication number
- CN112129709A CN112129709A CN202010970961.0A CN202010970961A CN112129709A CN 112129709 A CN112129709 A CN 112129709A CN 202010970961 A CN202010970961 A CN 202010970961A CN 112129709 A CN112129709 A CN 112129709A
- Authority
- CN
- China
- Prior art keywords
- apple tree
- nitrogen content
- canopy
- tree canopy
- scale
- 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
Links
- IJGRMHOSHXDMSA-UHFFFAOYSA-N Atomic nitrogen Chemical compound N#N IJGRMHOSHXDMSA-UHFFFAOYSA-N 0.000 title claims abstract description 78
- 238000000034 method Methods 0.000 title claims abstract description 54
- 235000011430 Malus pumila Nutrition 0.000 title claims abstract description 49
- 235000015103 Malus silvestris Nutrition 0.000 title claims abstract description 49
- 244000141359 Malus pumila Species 0.000 title claims abstract description 43
- 229910052757 nitrogen Inorganic materials 0.000 title claims abstract description 39
- 238000003745 diagnosis Methods 0.000 title claims abstract description 12
- 230000002159 abnormal effect Effects 0.000 claims abstract description 18
- 238000002310 reflectometry Methods 0.000 claims abstract description 14
- 238000010238 partial least squares regression Methods 0.000 claims abstract description 13
- 238000001514 detection method Methods 0.000 claims abstract description 7
- 230000008569 process Effects 0.000 claims abstract description 7
- 238000004458 analytical method Methods 0.000 claims abstract description 5
- 238000012795 verification Methods 0.000 claims description 18
- 230000003595 spectral effect Effects 0.000 claims description 13
- 210000002569 neuron Anatomy 0.000 claims description 12
- 238000005070 sampling Methods 0.000 claims description 12
- 238000002790 cross-validation Methods 0.000 claims description 9
- 238000010200 validation analysis Methods 0.000 claims description 8
- 230000006870 function Effects 0.000 claims description 6
- 238000012937 correction Methods 0.000 claims description 5
- 238000009499 grossing Methods 0.000 claims description 4
- 239000013307 optical fiber Substances 0.000 claims description 4
- 230000004913 activation Effects 0.000 claims description 3
- 238000012545 processing Methods 0.000 claims description 3
- 238000012549 training Methods 0.000 claims description 3
- 238000001914 filtration Methods 0.000 claims description 2
- 238000001228 spectrum Methods 0.000 abstract description 7
- 238000007781 pre-processing Methods 0.000 abstract description 3
- 239000000523 sample Substances 0.000 description 15
- 241000220225 Malus Species 0.000 description 8
- 239000000618 nitrogen fertilizer Substances 0.000 description 7
- 238000012360 testing method Methods 0.000 description 6
- 230000001186 cumulative effect Effects 0.000 description 5
- 235000013399 edible fruits Nutrition 0.000 description 5
- 238000005259 measurement Methods 0.000 description 5
- 241000196324 Embryophyta Species 0.000 description 4
- 239000002689 soil Substances 0.000 description 4
- 230000009286 beneficial effect Effects 0.000 description 3
- 230000000694 effects Effects 0.000 description 3
- 239000002420 orchard Substances 0.000 description 3
- 230000009467 reduction Effects 0.000 description 3
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 3
- 102000004190 Enzymes Human genes 0.000 description 2
- 108090000790 Enzymes Proteins 0.000 description 2
- 241000238631 Hexapoda Species 0.000 description 2
- 241000607479 Yersinia pestis Species 0.000 description 2
- 238000010521 absorption reaction Methods 0.000 description 2
- 235000021016 apples Nutrition 0.000 description 2
- 210000004027 cell Anatomy 0.000 description 2
- 230000009849 deactivation Effects 0.000 description 2
- 201000010099 disease Diseases 0.000 description 2
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 description 2
- 238000000605 extraction Methods 0.000 description 2
- 238000012614 Monte-Carlo sampling Methods 0.000 description 1
- 235000010724 Wisteria floribunda Nutrition 0.000 description 1
- 230000008901 benefit Effects 0.000 description 1
- 238000009614 chemical analysis method Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 230000001066 destructive effect Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000008030 elimination Effects 0.000 description 1
- 238000003379 elimination reaction Methods 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 239000003337 fertilizer Substances 0.000 description 1
- 235000021022 fresh fruits Nutrition 0.000 description 1
- 229910052500 inorganic mineral Inorganic materials 0.000 description 1
- 239000003041 laboratory chemical Substances 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 239000011707 mineral Substances 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 235000021049 nutrient content Nutrition 0.000 description 1
- 238000002203 pretreatment Methods 0.000 description 1
- 230000005855 radiation Effects 0.000 description 1
- 230000004044 response Effects 0.000 description 1
- 230000000717 retained effect Effects 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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/048—Activation functions
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Health & Medical Sciences (AREA)
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- General Physics & Mathematics (AREA)
- Computing Systems (AREA)
- Software Systems (AREA)
- Evolutionary Computation (AREA)
- Computational Linguistics (AREA)
- Molecular Biology (AREA)
- Biophysics (AREA)
- General Engineering & Computer Science (AREA)
- Biomedical Technology (AREA)
- Mathematical Physics (AREA)
- Data Mining & Analysis (AREA)
- Artificial Intelligence (AREA)
- Spectroscopy & Molecular Physics (AREA)
- Chemical & Material Sciences (AREA)
- Analytical Chemistry (AREA)
- Biochemistry (AREA)
- Immunology (AREA)
- Pathology (AREA)
- Investigating Or Analysing Materials By Optical Means (AREA)
Abstract
本发明公开了一种苹果树冠层尺度氮含量诊断方法，包括以下步骤：采用高光谱仪测定苹果树冠层尺度的反射率；选取苹果树冠层叶片样品；测定苹果树冠层叶片样品全氮含量；利用蒙特卡洛二次检测法识别反射率数据集和全氮含量数据集中的异常样本；反射率数据集预处理；针对所得1326个波段的反射率数据集基于偏最小二乘回归分析过程中潜在变量方法提取变量；采用极限学习机将所提取的变量建立模型；利用建立的模型进行苹果树冠层叶片氮含量的预测。本发明采集冠层尺度光谱信息进行氮素状况诊断，有效避免现有叶片尺度诊断造成的样本随机性带来的误差，诊断结果能够衡量苹果树冠层氮素整体状况。
Description
技术领域
本发明属于苹果栽培技术领域，更具体的说是涉及一种苹果树冠层尺度氮含量诊断方法。
背景技术
我国是苹果种植面积最大的国家，分别占世界种植面积和鲜果产量的45％和49％。氮肥的投入与苹果产量和品质关系密切，加之苹果的经济效益较高也导致种植者大量的投入氮肥。我国苹果园氮肥投入在726-1720kg/ha，平均1220kg/ha，但是氮肥的盲目投入让氮肥利用率低下，较大部分矿质氮进入下层土壤，难以被果树利用。
目前主要以实验室化学分析方法检测植物氮含量，该方法准确度高，但是需要局部破坏性取样，且时效性低。因此，研发一种对苹果树冠层进行快速、无损、准确的氮含量诊断方法是本领域技术人员亟需解决的问题。
发明内容
有鉴于此，本发明提供了一种苹果树冠层氮含量诊断方法。
为了实现上述目的，本发明采用如下技术方案：
一种苹果树冠层尺度氮含量诊断方法，包括以下步骤：
(1)采用高光谱仪测定苹果树冠层尺度的反射率；
(2)选取苹果树冠层叶片样品；
(3)测定苹果树冠层叶片样品全氮含量；
(4)利用蒙特卡洛二次检测法识别反射率数据集和全氮含量数据集中的异常样本，利用光谱-理化值共生距离法对剔除异常样本后的反射率数据集划分校正集和验证集；
(5)保留测定反射率数据集中350-1349nm、1451-1800nm波段的数据并采用卷积平滑滤波处理后的一阶导数共1326个波段参与建模；
(6)针对所得1326个波段的反射率数据集基于偏最小二乘回归分析过程中潜在变量方法提取变量；
(7)采用极限学习机将所提取的变量建立模型；
(8)利用建立的模型进行苹果树冠层叶片氮含量的预测。
进一步，步骤(1)-(2)上述高光谱仪的波段范围为350-1850nm，其350-1000nm光谱分辨率为3nm，采样间隔为1.4nm；其1000-1850nm分辨率为10nm，采样间隔为2nm，仪器将采样数据自动插值为1nm间隔，光纤长度1.5m，视场角为25度。
采用上述进一步的有益效果是：该仪器波段范围、光谱分辨率及测样间隔参数能够覆盖及识别苹果树冠层的光谱特征，可以分辨不同冠层氮素含量引起的差异。
进一步，步骤(3)上述测定苹果树冠层叶片样品全氮含量的方法为开氏法。
进一步，上述苹果树冠层叶片样品为苹果树冠层上下部及其四周当年延长枝中部无病虫害及机械损伤的去叶柄成熟叶25片以上，测定前将叶片在105℃条件下杀青30分钟，然后在75℃条件下干燥至恒重。
进一步，步骤(4)上述校正集：验证集的数据对的数量之比为2:1。
采用上述进一步的有益效果是：使验证集具有一定的代表性，提高模型预测精度。
进一步，步骤(6)上述变量的数量确定方法为：通过内部验证和外部验证来确定变量数量，内部验证用于获得交叉验证均方根误差，外部验证用于获得预测均方根误差。
进一步，步骤(7)上述极限学习机建模的方法为：极限学习机输入层与隐含层之间的连接权值和隐含层神经元的阈值随机生成，隐含层神经元的激活函数采用默认的sigmoid函数，隐含层神经元的数量以5为初始值，并以1为步长逐步增加到100，每个模型结构进行10000次运算，以模型训练最优结果确定隐含层神经元个数。
本发明的有益效果是：
本发明采集冠层尺度光谱信息进行氮素状况诊断，有效避免现有叶片尺度诊断造成的样本随机性带来的误差，诊断结果能够衡量苹果树冠层氮素整体状况；
本发明采用偏最小二乘提取潜在变量的方法对高光谱数据进行降维，偏最小二乘回归属于线性模型，具有很强的可重复性，有效避免现有方法随机采样带来的误差以及能够改善方法移植能力弱的缺点。本发明用于高光谱降维后的建模变量少，能够简化机器学习的模型结构，而且能够获得较好的诊断效果。该方法对高光谱数据降维效果较好，且具有良好的稳定性和可移植性。
附图说明
图1为本发明最优潜在变量数量确定过程中交叉验证均方根误差图；
图2为本发明最优潜在变量数量确定过程中预测均方根误差图；
图3为本发明最优潜在变量数量确定过程中不同数量的潜在变量在X和Y中解释的累计方差图。
具体实施方式
下面将对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
实施例1
本实施例大田试验于2018年和2019年在西北农林科技大学洛川苹果试验站开展，试验站位于109°21′40″E，35°47′8″N。该站点地处渭北黄土高原，属暖温带半湿润大陆性季风气候，平均海拔1072m，年降平均水量610mm，年均气温9.2℃，日照2525h，日照率达58％，无霜期为180天，年总辐射量554KJ/cm2，>10℃的积温为3040℃，土壤质地为黑垆土。
苹果树冠层氮含量诊断方法的具体步骤如下：
(1)试验苹果树品种为富士，2012年种植，种植模式为矮砧密植，树形为纺锤形，株行距2m×4m，株高约4m。试验设定4个氮肥水平，分别为0、120、240、360kg/hm2，氮肥由水肥一体化方式施入，每个处理两次重复，共8个小区，每个小区选择3棵苹果树进行测定，每次测定24棵树；
(2)采用ASD Field Spec3便携式野外高光谱仪(Analytical Spectral Devices,Inc.,St,Boulder,CO,USA)测定苹果树冠层反射率：便携式野外高光谱仪的波段范围为350-1850nm，其350-1000nm光谱分辨率为3nm，采样间隔为1.4nm；其1000-1850nm分辨率为10nm，采样间隔为2nm，仪器将采样数据自动插值为1nm间隔，光纤长度1.5m，视场角25°；在晴朗无风的天气，于当地时间10:00-14:00选择具有代表性的果树进行测定；测定时借助专用平台，保证光纤探头垂直向下，距树冠顶部约1m。具有代表性的果树能够代表果园中果树的平均长势，避免将长势过分旺盛，或长势衰弱的果树作为测定对象。专用平台为带有4轮、能在果园中行走、测定者能在上面站立、具有足够高度进行光谱测定的平台。
(3)采用开氏法测定苹果树冠层叶片全氮含量：测样树体为光谱信息采集对应的苹果树；每一株选其冠层上下部及其四周当年延长枝中部无病虫害及机械损伤的去叶柄成熟叶25片以上；将叶片在105℃条件下杀青30分钟，然后在75℃条件下干燥至恒重，最后采用开氏法测定样品全氮。
(4)样本划分前，利用蒙特卡洛二次检测法识别数据集中的异常样本：
蒙特卡洛二次检测法具体分为两步：
第一步，蒙特卡洛交叉验证：1)将数据中心化处理；2)通过10折交叉验证确定最佳主成分数量；3)设定蒙特卡洛抽样次数N为2500(N≥2500，越大检验精度越高)；4)抽样比例为0.8，将抽取的80％数据建立偏最小二乘回归模型(基于2设定的主成分)，剩余20％进行验证；5)选择2500次循环，得到每个样本的预测残差；6)计算每个样本预测残差的均值(MEAN)和标准差(STD)，绘制MEAN-STD分布图；7)分别以MEAN均值的2.5倍和STD均值的2.5倍作为X轴和Y轴异常值判别的临界值，远离临界值线的定义为显著异常值，临界值线附近的定义为可疑异常值。
第二步，对可疑异常值进行二次判别：1)将某个可疑异常值剔除；2)剩余样本采用10折交叉验证建立PLS回归模型，获得交叉验证决定系数R2 CV和交叉验证均方根误差RMSECV；3)对比可疑异常样本剔除前的所建模型的R2 CV和RMSECV，若剔除后模型的R2 CV增大，RMSECV减小，则模型性能增强，说明1)剔除的可疑异常值是异常样本，予以剔除，反之则保留样本；4)如此重复步骤1)、2)、3)对所有的可疑异常值进行判别。
基于蒙特卡洛二次检测法识别数据集中的异常样本，其结果如表1所示。
表1蒙特卡洛二次检测法异常值识别过程和结果
对异常样本剔除后的数据集进行划分，为了使验证集具有一定的代表性，提高模型预测精度，采用广泛应用的光谱-理化值共生距离法(Sample set Partitioning basedonjoint X-Y distance,SPXY)划分校正集和验证集，校正集：验证集＝2：1；
SPXY在划分样本时，首先计算样本p和q之间x(光谱)信息间的距离，和样本间y(响应值)的距离，计算式如下：
式中：I为光谱中波长的数目；N为样本数量。
为了确保样本在x和y空间拥有相同的权重，将dx(p,q)和dy(p,q)除以它所在数据集中的最大值，即得到标准化的距离公式：
最后依据标准化距离，使校正集和验证集覆盖的空间相同，其结果如表2所示。
表2冠层氮含量描述性统计
(5)数据预处理：
由于1400nm附近存在水分强吸收带，1830nm处存在较强的边缘噪声，所以本发明原始数据保留350-1349nm、1451-1800nm波段；高光谱数据受冠层几何结构、土壤覆盖、叶片含水量、大气吸收等影响，本发明使用MATLAB 2017a采用Savitzky-Golay(SG，7点2次)平滑与一阶导数(First-order Derivative,FD,gap＝5)的组合方法(SG-FD)对原始数据进行预处理，SG平滑方法通过设定一个n＝2m+1个数据点的窗口，n个数据点编号为[-m,m]，将n个数据点的y坐标(反射率ρ)进行k次拟合(k<n):
取拟合结果中心点(n＝0)处的值作为窗口中心点处平滑后的值，按此方法沿光谱曲线从左至右平移即可获得平滑后的光谱曲线。
将平滑后的光谱曲线求一阶导数，首先设定一个2m+1个数据的窗口，编号为[-m,m]，i所在编号为0，其一阶导数的计算式为：
gap＝2m-1。将该窗口沿平滑后的光谱曲线从左至右平移即可获得SG-FD光谱曲线。
经SG-FD处理后，剔除边缘无效信息共获得1326个波段的一阶导数数据参与建模。
对原始光谱数据采用Savitzky-Golay(SG，7点2次)平滑，以及SG与一阶导数(First-order Derivative,FD,gap＝5)和二阶导数(Second-order Derivative,SD,gap＝5)的组合(SG-FD,SG-SD)进行预处理，其结果如表3所示，表明SG-FD处理结果最优。
表3不同预处理方法的苹果树冠层氮含量PLS回归模型
(6)变量提取方法：
基于PLS回归分析过程中潜在变量(LVs)提取变量；PLS模型中一个重要的问题是确定LVs的数量，本发明通过内部验证和外部验证来确定最佳的LVs数量；内部验证用于获得交叉验证均方根误差(RMSECV)，外部验证用于获得预测均方根误差(RMSEP)。内部验证由验证集10折交叉验证完成，获得采用不同数量的潜在变量建立偏最小二乘回归的交叉验证均方根误差，记录最小交叉验证均方根误差对应的潜在变量数量；外部验证由验证集和预测集共同完成，采用由验证集不同数量潜在变量建立偏最小二乘回归并对预测集进行预测，记录最小预测均方根误差对应的潜在变量数量。
图1和图2显示了前10个LVs对应的RMSECV和RMSEP的变化过程。图1显示，当PLS回归模型包含5个变量时，RMSECV最小；图2显示，当PLS回归模型包含6个LVs时，RMSEP最小。图3显示前15个潜在变量解释的累积方差百分比。前6个LVs分别解释了建模集X(SG_FD处理后光谱信息)和Y(氮含量)变量的95.4％和79.2％，前6个LVs对Y变量解释的累积方差百分比相对于前5个LVs增加5.74％，前7个LVs对Y变量解释的累积方差百分比相对于前6个LVs增加4.54％。为了避免冗余的LVs加入导致PLS回归出现过度拟合，增加某一LVs时，若对应Y变量的解释累积方差百分比相对增量能够大于或等于5％，则PLS回归模型即可加入该LVs，所以本研究确定最佳LVs数量为6是合理的。
(7)建模方法：
采用极限学习机(extreme learning machine,ELM)建模；ELM模型以步骤(6)所得LVs作为输入层，隐含层神经元的数量(number ofhidden layer nodes，NHLs)以5为初始值，并以1为步长逐步增加到100，每个模型结构进行10000次运算，以模型训练最优结果确定隐含层神经元个数，并保留模型运行参数。ELM模型的输入层与隐含层之间的连接权值和隐含层神经元的阈值随机生成，隐含层神经元的激活函数采用默认的“sigmoid函数”；
(8)利用建立的模型进行苹果树冠层叶片氮含量的预测：
选择决定系数(determination coefficients,R2)、均方根误差(root meansquared error,RMSE)和相对分析误差(relative percent deviation,RPD)共3个参数进行模型评价；
将所提取的变量建立PLS回归和ELM模型，从而确定基于PLS提取变量的最优方法和建模方法，其结果如表4所示。
表4基于变量提取的模型结果
PLS-LVs所提取变量为6个，建立ELM模型验证集R2为0.837，RMSE为2.393，RPD为2.220，R2、RPD分别较SG-FD全波段所建立的PLS回归模型提高5.82％，1.19％，RMSE降低1.16％。可见PLS-LVs建模变量较全波段减少99.55％的变量，能够保持模型较好的预测效果。本发明借助高光谱技术能够较好的诊断苹果树冠层氮素营养含量，可为苹果氮素精准管理进行预测和提供参考。
对所公开的实施例的说明，使本领域专业技术人员能够实现或使用本发明。对这些实施例的多种修改对本领域的专业技术人员来说将是显而易见的，本文中所定义的一般原理可以在不脱离本发明的精神或范围的情况下，在其它实施例中实现。因此，本发明将不会被限制于本文所示的这些实施例，而是要符合与本文所公开的原理和新颖特点相一致的最宽的范围。
Claims (6)
1.一种苹果树冠层尺度氮含量诊断方法，其特征在于，包括以下步骤：
(1)采用高光谱仪测定苹果树冠层尺度反射率；
(2)选取苹果树冠层叶片样品；
(3)测定苹果树冠层叶片样品全氮含量；
(4)利用蒙特卡洛二次检测法识别反射率数据集和全氮含量数据集中的异常样本，利用光谱-理化值共生距离法对剔除异常样本后的反射率数据集划分校正集和验证集；
(5)保留测定反射率数据集中350-1349nm、1451-1800nm波段的数据，并采用卷积平滑滤波处理后的一阶导数共1326个波段参与建模；
(6)针对所得1326个波段的反射率数据集基于偏最小二乘回归分析过程中潜在变量方法提取变量；
(7)采用极限学习机将所提取的变量建立模型；
(8)利用建立的模型进行苹果树冠层叶片氮含量的预测。
2.根据权利要求1所述一种苹果树冠层尺度氮含量诊断方法，其特征在于，步骤(1)-(2)所述高光谱仪的波段范围为350-1850nm，其350-1000nm光谱分辨率为3nm，采样间隔为1.4nm；其1000-1850nm分辨率为10nm，采样间隔为2nm，仪器将采样数据自动插值为1nm间隔，光纤长度1.5m，视场角为25度。
3.根据权利要求1所述一种苹果树冠层尺度氮含量诊断方法，其特征在于，步骤(3)所述测定苹果树冠层叶片样品全氮含量的方法为开氏法。
4.根据权利要求1所述一种苹果树冠层尺度氮含量诊断方法，其特征在于，步骤(4)所述校正集：验证集的数据对的数量之比为2:1。
5.根据权利要求1所述一种苹果树冠层尺度氮含量诊断方法，其特征在于，步骤(6)所述变量的数量确定方法为：通过内部验证和外部验证来确定变量数量，内部验证用于获得交叉验证均方根误差，外部验证用于获得预测均方根误差。
6.根据权利要求1所述一种苹果树冠层尺度氮含量诊断方法，其特征在于，步骤(7)所述极限学习机建模的方法为：极限学习机输入层与隐含层之间的连接权值和隐含层神经元的阈值随机生成，隐含层神经元的激活函数采用默认的sigmoid函数，隐含层神经元的数量以5为初始值，并以1为步长逐步增加到100，每个模型结构进行10000次运算，以模型训练最优结果确定隐含层神经元个数。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010970961.0A CN112129709A (zh) | 2020-09-16 | 2020-09-16 | 一种苹果树冠层尺度氮含量诊断方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010970961.0A CN112129709A (zh) | 2020-09-16 | 2020-09-16 | 一种苹果树冠层尺度氮含量诊断方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN112129709A true CN112129709A (zh) | 2020-12-25 |
Family
ID=73845817
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202010970961.0A Pending CN112129709A (zh) | 2020-09-16 | 2020-09-16 | 一种苹果树冠层尺度氮含量诊断方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN112129709A (zh) |
Cited By (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN112179853A (zh) * | 2020-09-29 | 2021-01-05 | 山东农业大学 | 基于影像阴影去除的果树冠层氮素含量遥感反演方法及系统 |
| CN114199793A (zh) * | 2021-12-17 | 2022-03-18 | 青岛农业大学 | 一种基于高光谱的苹果叶片含氮量检测方法 |
| CN114199790A (zh) * | 2021-12-13 | 2022-03-18 | 华南农业大学 | 一种光谱检测果茶树营养状况的检测方法及系统 |
Citations (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN102072884A (zh) * | 2010-11-12 | 2011-05-25 | 南京农业大学 | 一种基于光谱技术的小麦叶片糖氮比快速检测方法 |
| CN106290197A (zh) * | 2016-09-06 | 2017-01-04 | 西北农林科技大学 | 水稻叶片全氮含量高光谱估测及估测模型构建方法 |
| WO2018054091A1 (zh) * | 2016-09-23 | 2018-03-29 | 广州道地南药技术研究有限公司 | 化橘红成分鉴定方法 |
| CN110160967A (zh) * | 2019-04-16 | 2019-08-23 | 安徽大学 | 一种作物冠层叶片的全氮含量估算方法 |
| CN110376167A (zh) * | 2019-07-29 | 2019-10-25 | 北京麦飞科技有限公司 | 基于无人机高光谱的水稻叶片氮含量监测方法 |
| US20200025741A1 (en) * | 2018-07-20 | 2020-01-23 | Regents Of The University Of Minnesota | Method to predict crop nitrogen status using remote sensing |
| CN110987830A (zh) * | 2019-12-23 | 2020-04-10 | 陕西地建土地工程技术研究院有限责任公司 | 植物冠层叶片叶绿素含量快速测定模型、测定方法及应用 |
| US20200141877A1 (en) * | 2018-11-06 | 2020-05-07 | Nanjing Agricultural University | Method for estimating aboveground biomass of rice based on multi-spectral images of unmanned aerial vehicle |
-
2020
- 2020-09-16 CN CN202010970961.0A patent/CN112129709A/zh active Pending
Patent Citations (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN102072884A (zh) * | 2010-11-12 | 2011-05-25 | 南京农业大学 | 一种基于光谱技术的小麦叶片糖氮比快速检测方法 |
| CN106290197A (zh) * | 2016-09-06 | 2017-01-04 | 西北农林科技大学 | 水稻叶片全氮含量高光谱估测及估测模型构建方法 |
| WO2018054091A1 (zh) * | 2016-09-23 | 2018-03-29 | 广州道地南药技术研究有限公司 | 化橘红成分鉴定方法 |
| US20200025741A1 (en) * | 2018-07-20 | 2020-01-23 | Regents Of The University Of Minnesota | Method to predict crop nitrogen status using remote sensing |
| US20200141877A1 (en) * | 2018-11-06 | 2020-05-07 | Nanjing Agricultural University | Method for estimating aboveground biomass of rice based on multi-spectral images of unmanned aerial vehicle |
| CN110160967A (zh) * | 2019-04-16 | 2019-08-23 | 安徽大学 | 一种作物冠层叶片的全氮含量估算方法 |
| CN110376167A (zh) * | 2019-07-29 | 2019-10-25 | 北京麦飞科技有限公司 | 基于无人机高光谱的水稻叶片氮含量监测方法 |
| CN110987830A (zh) * | 2019-12-23 | 2020-04-10 | 陕西地建土地工程技术研究院有限责任公司 | 植物冠层叶片叶绿素含量快速测定模型、测定方法及应用 |
Non-Patent Citations (1)
| Title |
|---|
| 高洪燕;毛罕平;张晓东;: "光谱技术结合BiPLS-GA-SPA和ELM算法的生菜冠层氮素含量检测研究", 光谱学与光谱分析, vol. 36, no. 02, 29 February 2016 (2016-02-29), pages 491 * |
Cited By (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN112179853A (zh) * | 2020-09-29 | 2021-01-05 | 山东农业大学 | 基于影像阴影去除的果树冠层氮素含量遥感反演方法及系统 |
| CN114199790A (zh) * | 2021-12-13 | 2022-03-18 | 华南农业大学 | 一种光谱检测果茶树营养状况的检测方法及系统 |
| CN114199793A (zh) * | 2021-12-17 | 2022-03-18 | 青岛农业大学 | 一种基于高光谱的苹果叶片含氮量检测方法 |
| CN114199793B (zh) * | 2021-12-17 | 2023-10-27 | 青岛农业大学 | 一种基于高光谱的苹果叶片含氮量检测方法 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN110082300B (zh) | 基于光谱参量的冬小麦冠层含水率监测模型建立方法 | |
| CN112129709A (zh) | 一种苹果树冠层尺度氮含量诊断方法 | |
| CN110376167A (zh) | 基于无人机高光谱的水稻叶片氮含量监测方法 | |
| CN110160967A (zh) | 一种作物冠层叶片的全氮含量估算方法 | |
| CN111855589A (zh) | 水稻叶片氮积累量遥感反演模型和方法 | |
| CN111044516B (zh) | 一种水稻叶绿素含量遥感估测方法 | |
| CN110069895B (zh) | 冬小麦含氮量全生育时段光谱监测模型建立方法 | |
| CN112348812A (zh) | 林分年龄信息测量方法及装置 | |
| CN108732137B (zh) | 基于高光谱遥感数据估算植物物种多样性的模型及方法 | |
| CN113111799B (zh) | 一种基于集合经验模态分解的耕地土壤肥力水平监测方法 | |
| CN110987830A (zh) | 植物冠层叶片叶绿素含量快速测定模型、测定方法及应用 | |
| CN107328735A (zh) | 基于太赫兹光谱技术的油菜种类鉴别方法 | |
| CN107561032A (zh) | 基于太赫兹吸收系数光谱检测油菜叶片水分状态的方法 | |
| 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 | |
| CN112270131A (zh) | 基于ard回归算法的水稻叶面积指数遥感反演模型和方法 | |
| CN109142238B (zh) | 一种棉花磷素营养快速诊断方法 | |
| CN113065230B (zh) | 基于优化光谱指数建立水稻叶片spad的高光谱反演模型 | |
| CN113267458A (zh) | 甘薯可溶性蛋白质含量定量预测模型的建立方法 | |
| CN113552096A (zh) | 一种基于光谱的菠萝叶片氮含量估算方法 | |
| Wang et al. | Monitoring model for predicting maize grain moisture at the filling stage using NIRS and a small sample size | |
| CN112924410B (zh) | 发芽葵花籽的太赫兹光谱快速识别方法 | |
| CN114324215A (zh) | 一种柠檬叶片叶绿素含量及其二维分布检测方法 | |
| CN114199793B (zh) | 一种基于高光谱的苹果叶片含氮量检测方法 | |
| CN111223002A (zh) | 一种玉米区域干物质产量或青储产量评估方法和系统 | |
| Li et al. | Hyper-spectral estimation of soil organic matter in apple orchard based on CWT |
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 |