CN112161938A - 一种基于高光谱技术测定油菜产量的方法 - Google Patents
一种基于高光谱技术测定油菜产量的方法 Download PDFInfo
- Publication number
- CN112161938A CN112161938A CN202011225779.9A CN202011225779A CN112161938A CN 112161938 A CN112161938 A CN 112161938A CN 202011225779 A CN202011225779 A CN 202011225779A CN 112161938 A CN112161938 A CN 112161938A
- Authority
- CN
- China
- Prior art keywords
- rape
- yield
- predicted
- sample
- hyperspectral
- 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
- 238000000034 method Methods 0.000 title claims abstract description 31
- 230000003595 spectral effect Effects 0.000 claims abstract description 39
- 238000012795 verification Methods 0.000 claims description 11
- 239000000463 material Substances 0.000 claims description 7
- 238000012216 screening Methods 0.000 claims description 5
- 238000002310 reflectometry Methods 0.000 claims description 4
- 230000017260 vegetative to reproductive phase transition of meristem Effects 0.000 claims description 4
- 230000000694 effects Effects 0.000 claims description 3
- 238000010219 correlation analysis Methods 0.000 claims description 2
- 238000010200 validation analysis Methods 0.000 claims description 2
- 238000009395 breeding Methods 0.000 abstract description 7
- 230000001488 breeding effect Effects 0.000 abstract description 7
- 244000188595 Brassica sinapistrum Species 0.000 abstract 1
- 235000004977 Brassica sinapistrum Nutrition 0.000 abstract 1
- 239000003337 fertilizer Substances 0.000 description 9
- ZLMJMSJWJFRBEC-UHFFFAOYSA-N Potassium Chemical compound [K] ZLMJMSJWJFRBEC-UHFFFAOYSA-N 0.000 description 3
- 239000011591 potassium Substances 0.000 description 3
- 229910052700 potassium Inorganic materials 0.000 description 3
- IJGRMHOSHXDMSA-UHFFFAOYSA-N Atomic nitrogen Chemical compound N#N IJGRMHOSHXDMSA-UHFFFAOYSA-N 0.000 description 2
- 229910021538 borax Inorganic materials 0.000 description 2
- 239000003153 chemical reaction reagent Substances 0.000 description 2
- 239000008157 edible vegetable oil Substances 0.000 description 2
- 238000005259 measurement Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000010899 nucleation Methods 0.000 description 2
- 239000004328 sodium tetraborate Substances 0.000 description 2
- 235000010339 sodium tetraborate Nutrition 0.000 description 2
- 238000001228 spectrum Methods 0.000 description 2
- 238000012360 testing method Methods 0.000 description 2
- ZOXJGFHDIHLPTG-UHFFFAOYSA-N Boron Chemical compound [B] ZOXJGFHDIHLPTG-UHFFFAOYSA-N 0.000 description 1
- OAICVXFJPJFONN-UHFFFAOYSA-N Phosphorus Chemical compound [P] OAICVXFJPJFONN-UHFFFAOYSA-N 0.000 description 1
- RDXARWSSOJYNLI-UHFFFAOYSA-N [P].[K] Chemical compound [P].[K] RDXARWSSOJYNLI-UHFFFAOYSA-N 0.000 description 1
- 229910052796 boron Inorganic materials 0.000 description 1
- 230000005200 bud stage Effects 0.000 description 1
- 238000012937 correction Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 230000003203 everyday effect Effects 0.000 description 1
- 229910052757 nitrogen Inorganic materials 0.000 description 1
- 239000000618 nitrogen fertilizer Substances 0.000 description 1
- 239000002686 phosphate fertilizer Substances 0.000 description 1
- 229910052698 phosphorus Inorganic materials 0.000 description 1
- 239000011574 phosphorus Substances 0.000 description 1
- 230000001737 promoting effect Effects 0.000 description 1
- 238000009331 sowing Methods 0.000 description 1
- 235000015112 vegetable and seed oil Nutrition 0.000 description 1
- 239000008158 vegetable oil Substances 0.000 description 1
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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
- G06Q50/02—Agriculture; Fishing; Forestry; Mining
-
- 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
- G01N2021/4764—Special kinds of physical applications
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Business, Economics & Management (AREA)
- General Physics & Mathematics (AREA)
- Human Resources & Organizations (AREA)
- Life Sciences & Earth Sciences (AREA)
- Strategic Management (AREA)
- Health & Medical Sciences (AREA)
- Economics (AREA)
- General Health & Medical Sciences (AREA)
- Tourism & Hospitality (AREA)
- Analytical Chemistry (AREA)
- Pathology (AREA)
- Immunology (AREA)
- Biochemistry (AREA)
- Marketing (AREA)
- General Business, Economics & Management (AREA)
- Chemical & Material Sciences (AREA)
- Theoretical Computer Science (AREA)
- Development Economics (AREA)
- Game Theory and Decision Science (AREA)
- Entrepreneurship & Innovation (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Spectroscopy & Molecular Physics (AREA)
- Agronomy & Crop Science (AREA)
- Animal Husbandry (AREA)
- Marine Sciences & Fisheries (AREA)
- Mining & Mineral Resources (AREA)
- Primary Health Care (AREA)
- Investigating Or Analysing Materials By Optical Means (AREA)
Abstract
本发明涉及油菜种植领域,具体涉及一种基于高光谱技术测定油菜产量的方法,包括以下步骤:获取样本油菜不同生育期时的光谱特征参数NHPi,测定样本油菜的产量;选出与样本油菜产量相关性最高时的NHPi,建立油菜产量预测模型;获取待预测油菜生育期的冠层高光谱图像数据,并计算获得待预测油菜的冠层光谱特征参数;根据油菜产量预测模型与待预测油菜的冠层光谱特征参数预测待预测油菜的产量。本发明提供的基于高光谱技术测定油菜产量的方法,高光谱具有分辨率高,包含波段数量多,光谱信息丰富的特点,通过利用高光谱对油菜产量进行预测,实现了简单、快速、高效和无损地估测油菜的产量,从而大大降低油菜选育的成本,加快育种进程。
Description
技术领域
本发明涉及油菜种植领域,具体涉及一种基于高光谱技术测定油菜产量的方法。
背景技术
油菜作为食用油主要来源之一,在世界范围内均有较大面积种植,中国是世界第一油菜种植大国,其种植面积和总产量均已接近世界四分之一,但是,目前,由于缺乏高产优质品种,加上栽培管理粗放,使得我国的植物油自给率还不足40%,为缓解当前我国食用油供给不足的局面,提高油菜的产量是十分必要的。
其中,选育优良种质资源是推动油菜高产栽培的重要手段,而为评价新品种的优劣,产量是一个关键性的指标。传统的油菜新品种选育过程中,一般要在油菜成熟期时进行收获、脱粒,再晾干称重从而获得油菜的产量,耗时耗力,阻碍了油菜育种进程的推进,因此,急需一种简单、快速、精确的方法来测定油菜产量。
发明内容
因此,本发明要解决的技术问题在于克服现有技术中的传统的油菜产量测定方法耗时耗力的缺陷,从而提供一种基于高光谱技术测定油菜产量的方法。
为解决上述技术问题,本发明采用的技术方案为:
一种基于高光谱技术预测油菜产量的方法,包括以下步骤:
获取样本油菜不同生育期时的冠层高光谱图像数据;
计算样本油菜不同生育期时的光谱特征参数NHPi,
其中,i表示波长,Rλi表示波长为i处的光谱反射率,RCi、RSi、REi分别为反射特征中心点、起点和结束点的光谱反射率,λCi、λSi、λEi分别为反射特征中心点、起点和结束点的波长;
测定样本油菜的产量;
对样本油菜产量与不同生育期时的冠层光谱特征参数NHPi进行相关性分析,选出相关性最高时的NHPi,
根据所述相关性最高时的光谱特征参数NHPi与所述样本油菜的产量建立油菜产量预测模型;
获取待预测油菜生育期的冠层高光谱图像数据,并计算获得待预测油菜的冠层光谱特征参数;
根据所述油菜产量预测模型与待预测油菜的冠层光谱特征参数预测待预测油菜的产量。
进一步的,所述测定样本油菜的产量包括:
油菜成熟后,每个材料分别收获、脱粒,晾干后称重,获得各材料的产量。
进一步的,相关性最高时,对应的光谱特征参数为油菜终花后第10天时的光谱特征参数NHPi。
进一步的,根据所述相关性最高时的光谱特征参数NHPi与所述样本油菜的产量建立油菜产量预测模型包括:
将样本油菜分为建模集以及验证集;
建立预测模型:Y=ax+b、Y=aebx、Y=alnx+b、Y=axb、Y=ax2+bx+c,其中,Y表示油菜产量,x表示相关性最高时的光谱特征参数NHPi,a、b、c表示油菜产量与光谱特征参数之间的相关参数,所述a、b、c由建模集的样本油菜产量及光谱特征参数计算得到;
采用验证集对预测模型进行验证,筛选出预测能力最好的模型。
进一步的,所述采用验证集对预测模型进行验证,筛选出预测能力最好的模型包括:
获取验证集决定系数Rval 2、预测标准偏差比率RPD以及预测均方根误差RMSEP,Rval 2及RPD越大,RMSEP越小,说明模型预测效果越好;Rval 2>0.75且RPD>2.0,说明模型预测能力较好;0.5≦Rval 2≦0.75且1.4≦RPD≦2.0,说明模型预测能力一般;Rval 2<0.5且RPD<1.4,说明模型预测能力较差。
进一步的,所述油菜产量预测模型为:Y=2941.5-176345.2×NPH1280,Y表示油菜产量,NPH1280表示波长为1280nm时的光谱特征参数。
进一步的,所述获取待预测油菜生育期的冠层高光谱图像数据包括获取待预测油菜终花后第10天时的冠层高光谱图像数据。
本发明技术方案,具有如下优点:
1.本发明提供的基于高光谱技术预测油菜产量的方法,高光谱具有分辨率高,包含波段数量多,光谱信息丰富的特点,通过利用高光谱在生育期时就对油菜产量进行预测,实现了简单、快速、高效和无损地估测油菜的产量,从而大大降低油菜选育的成本,加快育种进程,另外,相较于传统的产量测定方法,本发明还能避免人工测量标准不统一的问题,确保了数据的时效性和统一性,测定准确率更高。
具体实施方式
提供下述实施例是为了更好地进一步理解本发明,并不局限于所述最佳实施方式,不对本发明的内容和保护范围构成限制,任何人在本发明的启示下或是将本发明与其他现有技术的特征进行组合而得出的任何与本发明相同或相近似的产品,均落在本发明的保护范围之内。
实施例中未注明具体实验步骤或条件者,按照本领域内的文献所描述的常规实验步骤的操作或条件即可进行。所用试剂或仪器未注明生产厂商者,均为可以通过市购获得的常规试剂产品。
实施例1
本实施例涉及一种基于高光谱技术预测油菜产量的方法,具体包括以下步骤:
1.样本油菜种植
选择育种资源,按常规栽培技术种植于试验田:在9月上旬-10月上旬播种,大田施肥按重施底肥、增施磷钾肥、必施硼肥的原则进行,每亩施纯氮10-12kg,磷(P2O5)5-6kg,钾(K2O)5-6kg,硼砂1.0-1.5kg。其中,氮肥60%底施,苗肥和薹肥各20%;磷肥全部底施;钾肥70%底施,30%作薹肥;硼砂0.9-1.35kg底施,100-150g薹期叶面喷施。将基肥施入大田后,用油菜播种机(型号:2BYD-6型,未加种子),一次性完成试验田的翻耕、开沟、作厢等工作,厢面宽1.5m,行距30cm。采用人工播种,每个材料播20行。确保播种均匀、出苗整齐,定苗每行15株。
2、获取样本油菜不同生育期时的冠层高光谱图像数据
分别在苗期(5-6叶期)、蕾苔期、盛花期和角果期选择无云、无风晴朗天气,在每日10:00-14:00,利用无人机载多光谱仪获取油菜冠层高光谱反射率率数据,并及时根据天气进行标准白板校正,飞行高度50m,获取全部样本油菜的冠层影像。
3、计算样本油菜不同生育期时的光谱特征参数NHPi
利用Matlab2015b中的UAVTool工具获取样本油菜冠层高光谱各波段影像,以小区几何中心为中心,由高光谱影像提取冠层高光谱反射率曲线,并计算光谱特征参数NHPi:
其中,i表示波长,Rλi表示波长为i处的光谱反射率,RCi、RSi、REi分别为反射特征中心点、起点和结束点的光谱反射率,λCi、λSi、λEi分别为反射特征中心点、起点和结束点的波长。
4、样本油菜产量测定
样本油菜成熟后,每个材料分别选取20株,分别收获、脱粒,晾干后称重,获得各材料的产量。
5、筛选光谱特征参数NHPi
分析样本油菜不同生育期时的冠层光谱反射值与产量的相关性,选出相关性最高时的NHPi,其中,根据分析结果,样本油菜终花后第10天时的光谱特征参数NHP1280与产量的相关性最高。NPH1280表示波长为1280nm时的光谱特征参数。
6、建立油菜产量预测模型
6.1、将样本油菜分为建模集和验证集,其中,建模集占三分之二,验证集占三分之一。
6.2、建立5种预测模型:Y=ax+b、Y=aebx、Y=alnx+b、Y=axb、Y=ax2+bx+c,其中,Y表示油菜产量,x表示NPH1280,a、b、c表示油菜产量与光谱特征参数之间的相关参数,所述a、b、c由建模集的样本油菜产量及光谱特征参数计算得到;
6.3、采用验证集对预测模型进行验证,获取验证集决定系数Rval 2、预测标准偏差比率RPD以及预测均方根误差RMSEP,Rval 2及RPD越大,RMSEP越小,说明模型预测效果越好;Rval 2>0.75且RPD>2.0,说明模型预测能力较好;0.5≦Rval 2≦0.75且1.4≦RPD≦2.0,说明模型预测能力一般;Rval 2<0.5且RPD<1.4,说明模型预测能力较差,经验证,最终得到预测能力最好的模型:Y=2941.5-176345.2×NPH1280
7、测定待预测油菜终花后第10天时的冠层高光谱图像数据,并计算获得待预测油菜的冠层光谱特征参数;
8、将待预测油菜的冠层光谱特征参数代入至产量预测模型内,计算得到预测产量。
结果验证:针对油菜新品种赣油杂8号,采用产量预测模型得到的预测产量为201.35kg/亩,而经实际测量得到的产量为195.16kg/亩,说明本实施例给出的产量预测模型精度较高。
显然,上述实施例仅仅是为清楚地说明所作的举例,而并非对实施方式的限定。对于所属领域的普通技术人员来说,在上述说明的基础上还可以做出其它不同形式的变化或变动。这里无需也无法对所有的实施方式予以穷举。而由此所引伸出的显而易见的变化或变动仍处于本发明创造的保护范围之中。
Claims (7)
1.一种基于高光谱技术预测油菜产量的方法,其特征在于,包括以下步骤:
获取样本油菜不同生育期时的冠层高光谱图像数据;
计算样本油菜不同生育期时的光谱特征参数NHPi,
其中,i表示波长,Rλi表示波长为i处的光谱反射率,RCi、RSi、REi分别为反射特征中心点、起点和结束点的光谱反射率,λCi、λSi、λEi分别为反射特征中心点、起点和结束点的波长;
测定样本油菜的产量;
对样本油菜产量与不同生育期时的冠层光谱特征参数NHPi进行相关性分析,选出相关性最高时的NHPi,
根据所述相关性最高时的光谱特征参数NHPi与所述样本油菜的产量建立油菜产量预测模型;
获取待预测油菜生育期的冠层高光谱图像数据,并计算获得待预测油菜的冠层光谱特征参数;
根据所述油菜产量预测模型与待预测油菜的冠层光谱特征参数预测待预测油菜的产量。
2.根据权利要求1所述的基于高光谱技术预测油菜产量的方法,其特征在于,所述测定样本油菜的产量包括:
油菜成熟后,每个材料分别收获、脱粒,晾干后称重,获得各材料的产量。
3.根据权利要求1或2所述的基于高光谱技术预测油菜产量的方法,其特征在于,相关性最高时,对应的光谱特征参数为油菜终花后第10天时的光谱特征参数NHPi。
4.根据权利要求1-3中任一项所述的基于高光谱技术预测油菜产量的方法,其特征在于,根据所述相关性最高时的光谱特征参数NHPi与所述样本油菜的产量建立油菜产量预测模型包括:
将样本油菜分为建模集以及验证集;
建立预测模型:Y=ax+b、Y=aebx、Y=alnx+b、Y=axb、Y=ax2+bx+c,其中,Y表示油菜产量,x表示相关性最高时的光谱特征参数NHPi,a、b、c表示油菜产量与光谱特征参数之间的相关参数,所述a、b、c由建模集的样本油菜产量及光谱特征参数计算得到;
采用验证集对预测模型进行验证,筛选出预测能力最好的模型。
5.根据权利要求4所述的基于高光谱技术预测油菜产量的方法,其特征在于,所述采用验证集对预测模型进行验证,筛选出预测能力最好的模型包括:
获取验证集决定系数Rval 2、预测标准偏差比率RPD以及预测均方根误差RMSEP,Rval 2及RPD越大,RMSEP越小,说明模型预测效果越好;Rval 2>0.75且RPD>2.0,说明模型预测能力较好;0.5≦Rval 2≦0.75且1.4≦RPD≦2.0,说明模型预测能力一般;Rval 2<0.5且RPD<1.4,说明模型预测能力较差。
6.根据权利要求5所述的基于高光谱技术预测油菜产量的方法,其特征在于,所述油菜产量预测模型为:Y=2941.5-176345.2×NPH1280,Y表示油菜产量,NPH1280表示波长为1280nm时的光谱特征参数。
7.根据权利要求3所述的基于高光谱技术预测油菜产量的方法,其特征在于,所述获取待预测油菜生育期的冠层高光谱图像数据包括获取待预测油菜终花后第10天时的冠层高光谱图像数据。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011225779.9A CN112161938A (zh) | 2020-11-05 | 2020-11-05 | 一种基于高光谱技术测定油菜产量的方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011225779.9A CN112161938A (zh) | 2020-11-05 | 2020-11-05 | 一种基于高光谱技术测定油菜产量的方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN112161938A true CN112161938A (zh) | 2021-01-01 |
Family
ID=73865590
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202011225779.9A Pending CN112161938A (zh) | 2020-11-05 | 2020-11-05 | 一种基于高光谱技术测定油菜产量的方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112161938A (zh) |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104502283A (zh) * | 2014-12-15 | 2015-04-08 | 南京农业大学 | 估测大豆产量和地上部干重的一套两波段高光谱指数和预测模型 |
CN110927082A (zh) * | 2019-11-25 | 2020-03-27 | 北京大学 | 一种基于无人机成像高光谱遥感的冬小麦产量预测方法 |
CN111191543A (zh) * | 2019-12-20 | 2020-05-22 | 湖南城市学院 | 油菜产量估测方法 |
CN111798327A (zh) * | 2020-06-24 | 2020-10-20 | 安徽大学 | 基于高光谱影像的小麦产量计算模型的构建方法及其应用 |
-
2020
- 2020-11-05 CN CN202011225779.9A patent/CN112161938A/zh active Pending
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104502283A (zh) * | 2014-12-15 | 2015-04-08 | 南京农业大学 | 估测大豆产量和地上部干重的一套两波段高光谱指数和预测模型 |
CN110927082A (zh) * | 2019-11-25 | 2020-03-27 | 北京大学 | 一种基于无人机成像高光谱遥感的冬小麦产量预测方法 |
CN111191543A (zh) * | 2019-12-20 | 2020-05-22 | 湖南城市学院 | 油菜产量估测方法 |
CN111798327A (zh) * | 2020-06-24 | 2020-10-20 | 安徽大学 | 基于高光谱影像的小麦产量计算模型的构建方法及其应用 |
Non-Patent Citations (3)
Title |
---|
樊科研: "基于冠层高光谱的加工番茄单产估算模型的研究", 中国优秀硕士学位论文全文数据库 农业科技辑, no. 1, pages 15 - 21 * |
白丽: "基于冠层光谱的棉花单产估算模型的研究", 中国优秀博硕士学位论文全文数据库 (硕士)农业科技辑, no. 11 * |
郑雅之: "基于地面高光谱的柑橘产量估算模型的研究", 中国优秀硕士学位论文全文数据库 农业科技辑, no. 12 * |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109187441B (zh) | 基于冠层光谱信息的夏玉米含氮量监测模型的构建方法 | |
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 | |
CN105675821B (zh) | 一种作物氮素营养无损诊断的图像评价指标的建立方法 | |
CN102318466B (zh) | 一种基于氮素光谱指数法的水稻追氮调控方法 | |
CN107505271B (zh) | 基于氮素组分辐射传输模型的植株氮素估算方法和系统 | |
CN110189793B (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 | |
CN110567892B (zh) | 一种基于临界氮浓度的夏玉米氮素高光谱预测方法 | |
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 | |
CN109916838A (zh) | 一种基于高光谱成像和人工神经网络的水稻种子发芽能力的检测方法 | |
CN110082309B (zh) | 冬小麦冠层spad值综合光谱监测模型建立方法 | |
CN116187100B (zh) | 一种结合作物生长模型估算玉米籽粒蛋白质含量的方法 | |
CN112816618A (zh) | 一种氮高效小麦品种的筛选方法 | |
CN115577866A (zh) | 物候期预测方法、装置、电子设备和存储介质 | |
CN107202784B (zh) | 一种水稻浸种催芽过程中工艺节点的检测方法 | |
CN113984964B (zh) | 基于多源数据监测抗旱性分析的玉米品种筛选方法及系统 | |
CN109615150B (zh) | 一种确定水稻气象产量的方法和系统 | |
CN114549881B (zh) | 一种基于区域渐变植被指数的小麦早期茎蘖数估测方法 | |
CN111426645A (zh) | 一种快速测定植株不同器官氮含量的方法 | |
CN115439402A (zh) | 基于SAFY-Sugar模型的糖料蔗单产遥感估算方法和装置 | |
CN114219227A (zh) | 一种精准施肥决策及地块级展示方法和系统 | |
CN112161938A (zh) | 一种基于高光谱技术测定油菜产量的方法 | |
CN117236070A (zh) | 基于最佳产量的区域玉米植株磷需求量定量化获取方法 | |
Thakur et al. | Evaluation of some grape varieties in the arid irrigated region of northwest India | |
CN102445276B (zh) | 一种用于烤烟氮肥管理叶色卡的制备方法 | |
CN112285062B (zh) | 一种高nue水稻筛选标志及筛选方法 |
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 |