CN112557393A - 基于高光谱影像融合图谱特征的小麦叶层氮含量估测方法 - Google Patents
基于高光谱影像融合图谱特征的小麦叶层氮含量估测方法 Download PDFInfo
- Publication number
- CN112557393A CN112557393A CN202011303981.9A CN202011303981A CN112557393A CN 112557393 A CN112557393 A CN 112557393A CN 202011303981 A CN202011303981 A CN 202011303981A CN 112557393 A CN112557393 A CN 112557393A
- Authority
- CN
- China
- Prior art keywords
- wheat
- nitrogen content
- layer
- vegetation index
- hyperspectral image
- 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
- IJGRMHOSHXDMSA-UHFFFAOYSA-N Atomic nitrogen Chemical compound N#N IJGRMHOSHXDMSA-UHFFFAOYSA-N 0.000 title claims abstract description 184
- 241000209140 Triticum Species 0.000 title claims abstract description 150
- 235000021307 Triticum Nutrition 0.000 title claims abstract description 124
- 229910052757 nitrogen Inorganic materials 0.000 title claims abstract description 92
- 238000000034 method Methods 0.000 title claims abstract description 55
- 230000004927 fusion Effects 0.000 title claims abstract description 48
- 230000012010 growth Effects 0.000 claims abstract description 28
- 238000002310 reflectometry Methods 0.000 claims abstract description 27
- 238000013527 convolutional neural network Methods 0.000 claims abstract description 17
- 238000005457 optimization Methods 0.000 claims abstract description 14
- 238000007637 random forest analysis Methods 0.000 claims abstract description 13
- 230000003595 spectral effect Effects 0.000 claims abstract description 13
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 9
- 238000007781 pre-processing Methods 0.000 claims abstract description 8
- 238000004458 analytical method Methods 0.000 claims abstract description 7
- 239000002245 particle Substances 0.000 claims abstract description 4
- 238000012360 testing method Methods 0.000 claims description 29
- 238000012545 processing Methods 0.000 claims description 25
- 238000010521 absorption reaction Methods 0.000 claims description 19
- 238000011282 treatment Methods 0.000 claims description 16
- 238000011176 pooling Methods 0.000 claims description 14
- 238000005070 sampling Methods 0.000 claims description 13
- 239000002689 soil Substances 0.000 claims description 11
- 238000004364 calculation method Methods 0.000 claims description 9
- 238000012795 verification Methods 0.000 claims description 8
- 238000005259 measurement Methods 0.000 claims description 6
- 229930002875 chlorophyll Natural products 0.000 claims description 5
- 235000019804 chlorophyll Nutrition 0.000 claims description 5
- ATNHDLDRLWWWCB-AENOIHSZSA-M chlorophyll a Chemical compound C1([C@@H](C(=O)OC)C(=O)C2=C3C)=C2N2C3=CC(C(CC)=C3C)=[N+]4C3=CC3=C(C=C)C(C)=C5N3[Mg-2]42[N+]2=C1[C@@H](CCC(=O)OC\C=C(/C)CCC[C@H](C)CCC[C@H](C)CCCC(C)C)[C@H](C)C2=C5 ATNHDLDRLWWWCB-AENOIHSZSA-M 0.000 claims description 5
- 238000001035 drying Methods 0.000 claims description 5
- 238000000605 extraction Methods 0.000 claims description 5
- 239000000049 pigment Substances 0.000 claims description 5
- 230000009466 transformation Effects 0.000 claims description 5
- 238000003705 background correction Methods 0.000 claims description 4
- 238000012937 correction Methods 0.000 claims description 4
- 230000001066 destructive effect Effects 0.000 claims description 4
- 238000007696 Kjeldahl method Methods 0.000 claims description 3
- 238000004140 cleaning Methods 0.000 claims description 3
- 238000005520 cutting process Methods 0.000 claims description 3
- 239000011159 matrix material Substances 0.000 claims description 3
- 210000000056 organ Anatomy 0.000 claims description 3
- 230000017260 vegetative to reproductive phase transition of meristem Effects 0.000 claims description 3
- 230000000007 visual effect Effects 0.000 claims description 3
- 238000005303 weighing Methods 0.000 claims description 3
- 102000004190 Enzymes Human genes 0.000 claims description 2
- 108090000790 Enzymes Proteins 0.000 claims description 2
- 208000027066 STING-associated vasculopathy with onset in infancy Diseases 0.000 claims description 2
- 230000002902 bimodal effect Effects 0.000 claims description 2
- 238000006243 chemical reaction Methods 0.000 claims description 2
- 230000003750 conditioning effect Effects 0.000 claims description 2
- 238000010219 correlation analysis Methods 0.000 claims description 2
- 230000002708 enhancing effect Effects 0.000 claims description 2
- 238000000926 separation method Methods 0.000 claims description 2
- 230000002087 whitening effect Effects 0.000 claims description 2
- 238000012544 monitoring process Methods 0.000 description 9
- 238000013135 deep learning Methods 0.000 description 3
- 238000010586 diagram Methods 0.000 description 3
- 230000000694 effects Effects 0.000 description 3
- 230000006870 function Effects 0.000 description 3
- 238000012800 visualization Methods 0.000 description 3
- 235000013339 cereals Nutrition 0.000 description 2
- 238000011161 development Methods 0.000 description 2
- 230000018109 developmental process Effects 0.000 description 2
- 230000014509 gene expression Effects 0.000 description 2
- 239000005648 plant growth regulator Substances 0.000 description 2
- 238000011160 research Methods 0.000 description 2
- 239000002028 Biomass Substances 0.000 description 1
- 238000012271 agricultural production Methods 0.000 description 1
- 230000009418 agronomic effect Effects 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 210000005069 ears Anatomy 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 230000004720 fertilization Effects 0.000 description 1
- 238000003384 imaging method Methods 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 238000003062 neural network model Methods 0.000 description 1
- 239000000618 nitrogen fertilizer Substances 0.000 description 1
- 235000015097 nutrients Nutrition 0.000 description 1
- 230000001737 promoting effect Effects 0.000 description 1
- 238000004611 spectroscopical analysis Methods 0.000 description 1
- 238000001228 spectrum Methods 0.000 description 1
- 238000003860 storage Methods 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
- G01N21/84—Systems specially adapted for particular applications
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02A—TECHNOLOGIES FOR ADAPTATION TO CLIMATE CHANGE
- Y02A40/00—Adaptation technologies in agriculture, forestry, livestock or agroalimentary production
- Y02A40/10—Adaptation technologies in agriculture, forestry, livestock or agroalimentary production in agriculture
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)
- Image Processing (AREA)
- Investigating Or Analysing Materials By Optical Means (AREA)
Abstract
本发明提出基于高光谱影像融合图谱特征的小麦叶层氮含量估测方法，步骤包括：采集小麦冠层高光谱影像数据和实测小麦叶层氮含量；首先，进行影像预处理，提取光谱反射率，计算植被指数、位置和形状特征，利用卷积神经网络提取深层特征。其次，通过相关系数分析、随机森林算法进行特征优选，利用并行融合策略构建新的融合图谱特征。最后，利用粒子群优化支持向量回归方法，构建基于融合图谱特征的小麦叶层氮含量估测模型。本发明的方法估测精度高、特征鲁棒性强，适用于小麦全生育期，同时也是目前第一次提出综合高光谱影像的植被指数、位置和形状特征、深层特征构建融合图谱特征估测小麦叶层氮含量的方法。
Description
技术领域
本发明属于作物生长监测领域，尤其是基于高光谱影像融合图谱特征的小麦叶层氮含量估测方法。
背景技术
小麦作为中国重要的粮食作物，在农业生产和战略性粮食储备中占有重要地位。氮素是小麦生育期内重要的营养元素，是决定小麦品质和产量的重要基础。定量监测氮素已成为当前农业遥感领域的一个重要研究方向，是智慧农业发展中作物生长监测、精确农作管理及精准施肥实施的关键。尤其是高光谱影像监测，不仅提供了有关植被冠层反射率的空间和光谱信息，还提供了丰富的空间和位置特征。因此，基于高光谱影像的作物生长监测可以准确评估作物的氮素状况，对于指导季节内定时定点定量的氮肥推荐，优化作物栽培、减施增效、促进农业可持续发展具有重要意义。
高光谱影像兼有经典光谱学和数字成像性质，在连续空间内表现为高光谱分辨率光谱信息、高空间分辨率空间结构信息，在小麦的分类、检测和识别中取得了很好的效果。尽管高光谱影像的光谱特征在预测作物生物量中具有较大潜力，但高光谱影像信息在数量和质量上爆炸性增长，产生了极高的计算成本，进而增加了特征提取的难度。因此，有学者提出利用高光谱影像的图谱特征可以改善小麦氮含量估测模型的精度，其中基于高光谱影像的波段深度分析已经被成功地用于多种植被的生理生化参数估算。尽管各种图谱特征提取方法层出不穷，但传统方法依赖于简单线性或非线性模型，大部分仅提取影像的传统图谱特征，降低了特征表达能力，导致构建的预测模型普适性较差。因此，有必要提取小麦高光谱影像的深层特征来弥补传统图谱特征的局限性。
目前，深度学习是机器学习领域中值得关注的研究热点，其本质就是利用深层网络结构自动提取隐藏在数据内部具有可识别和鲁棒性的深层特征的过程。尤其在遥感领域应用中，许多研究表明通过不同的深层神经网络模型可以成功提取深层特征。但很少研究利用深度学习方法提取冠层高光谱影像的深层特征来定量估算小麦叶层氮含量，另外，传统图谱特征在高氮水平下监测效果不理想，易出现饱和现象，导致估测模型过拟合。考虑到这些限制因素，非常有必要研发基于鲁棒性特征监测叶层氮含量的技术。
发明内容
本发明所解决的技术问题在于提供基于高光谱影像融合图谱特征的小麦叶层氮含量估测方法，结合高光谱影像的植被指数、位置和形状特征、深层特征来估测小麦叶层氮含量，适用于小麦全生育期，估测精度高。
实现本发明目的的技术解决方案为：
基于高光谱影像融合图谱特征的小麦叶层氮含量估测方法，包括以下步骤：
步骤1：利用高光谱成像仪采集获取小麦冠层高光谱影像数据，同时对小麦植株进行随机破坏性取样，得到小麦植株样本；
步骤2：对小麦冠层高光谱影像数据进行预处理，包括去除噪声及暗背景校正，得到预处理后的小麦冠层高光谱影像数据；
步骤3：提取小麦冠层高光谱影像反射率数据并进行数据处理，计算植被指数、位置和形状特征，同时测定小麦植株样本的叶层氮含量数据；
步骤3-1：利用ENVI软件根据高光谱图像中感兴趣区域ROI提取试验小区的反射率，其中，小区的定义为5m×6m的区域；
步骤3-2：根据步骤3-1中的反射率计算与小麦叶层氮含量估测相关的植被指数；
步骤3-3：根据试验小区的反射率提取位置和形状特征，利用连续统去除方法处理反射率，将反射率归一化为0～1.0；计算与小麦叶层氮含量估测相关的光谱位置和形状特征，包括557-754nm波长的吸收深度A_Depth1、557-754nm波长的吸收面积A_Area1、557-754nm波长的归一化吸收深度A_ND1、900-1030nm波长的吸收深度A_Depth2、900-1030nm波长的吸收面积A_Area2、900-1030nm波长的归一化吸收深度A_ND2、500-675nm波长的反射深度R_Depth1、500-675nm波长的反射面积R_Area1、500-675nm波长的归一化反射深度R_ND1、754-960nm波长的反射深度R_Depth2、754-960nm波长的反射面积R_Area2、754-960nm波长的归一化反射深度R_ND2；
步骤3-4：根据步骤3-1中的反射率计算与小麦叶层氮含量估测相关的波段位置和形状特征，包括：蓝边490–530nm内一阶导数最大值Db、蓝边位置λb、黄边560–640nm内一阶导数最大值Dy、黄边位置λy、红边680–760nm内一阶导数最大值Dr、红边位置λr、绿峰510-560nm内最大反射率值Rg、绿峰位置λg、红谷650–690nm内最低反射率Ro、红谷位置λo、蓝边490–530nm内一阶微分总和SDb、黄边560–640nm内一阶微分总和SDy、红边680–760nm内一阶微分总和SDr；
步骤3-5：将小麦植株样本去根洗净、分离，在烘箱中进行杀青、烘干、称重、测定，得到小麦植株样本的叶层氮含量数据；
步骤4：利用卷积神经网络对小麦冠层高光谱影像提取深层特征；
步骤4-1：以图像中的小麦长势均匀为原则，根据试验小区不同的氮素水平、种植方式和种植密度，裁剪成尺寸为227×227pixel的图像；
步骤4-2：以步骤4-1中裁剪后的高光谱图像作为卷积神经网络的输入，利用卷积神经网络提取256个深层特征，所述卷积神经网络包括五层卷积层、三层池化层和两层全连接层，卷积层提取更多的局部深层特征，池化层提取小麦冠层高光谱影像的显著特征，全连接层进行特征扁平化和输出深层特征；
步骤5：将植被指数、位置和形状特征、深层特征与小麦叶层氮含量数据进行相关分析，利用随机森林算法、相关系数分析法确定优选的特征，所述位置和形状特征包括光谱位置和形状特征、波段位置和形状特征；
步骤5-1：利用随机森林算法RF进行植被指数优选，计算植被指数的相对重要性，确定优选的植被指数，包括：归一化植被指数NDVIg-b #、结构不敏感色素指数SIPI、叶绿素归一化植被指数NPCI、红边指数3VOG3、红边指数2VOG2、比值植被指数ⅠRVII、土壤调节植被指数ⅡSAVIII、多时相植被指数2MTVI2；
步骤5-2：利用相关系数分析方法进行位置和形状特征优选，通过计算位置和形状特征与小麦叶层氮含量的相关系数，确定优选的位置和形状特征，包括：绿峰510-560nm内最大反射率值Rg、500-675nm波长的反射深度R_Depth1、500-675nm波长的反射面积R_Area1、500-675nm波长的归一化反射深度R_ND1、557-754nm波长的吸收深度A_Depth1、557-754nm波长的吸收面积A_Area1、557-754nm波长的归一化吸收深度A_ND1；
步骤5-3：利用随机森林算法进行256维深层特征优选，通过计算深层特征的相对重要性，确定相对重要性由高到低排序前8％的深层特征为优选的深层特征；
步骤6：将优选的植被指数、优选的位置和形状特征、优选的深层特征及融合图谱特征作为输入变量，小麦叶层氮含量作为目标变量，建立基于粒子群优化支持向量回归小麦叶层氮含量估测模型，所述融合图谱特征就是按照并行融合策略将优选的植被指数、优选的位置和形状特征、优选的深层特征集成在一起生成新的融合特征；
计算校正集的决定系数R2和均方根误差RMSE，评定该估测模型在小麦叶层氮含量估测上的表现；
步骤7：根据田间试验数据，采用留一交叉验证法对小麦叶层氮含量估测模型进行精度验证，并计算测试集的决定系数R2和剩余预测偏差RPD；
通过比较不同估测模型测试集的决定系数R2和剩余预测偏差RPD，得到基于融合图谱特征的PSO-SVR模型为最佳小麦叶层氮含量估测模型。
进一步的，本发明的基于高光谱影像融合图谱特征的小麦叶层氮含量估测方法，步骤1中的小麦冠层高光谱影像数据来自不同生育期、不同施氮水平、不同种植密度处理、不同小麦品种类型的小麦田，其中生育期包括拔节期、抽穗期、开花期、灌浆期。
进一步的，本发明的基于高光谱影像融合图谱特征的小麦叶层氮含量估测方法，步骤1中对小麦植株进行随机破坏性取样具体为：在每个试验小区随机选取六株小麦植株，连根拔起装入水桶中。
进一步的，本发明的基于高光谱影像融合图谱特征的小麦叶层氮含量估测方法，步骤2中对小麦冠层高光谱影像数据进行预处理具体为：
步骤2-1：对数据中的噪声进行正变换分离和重新调节，使噪声数据只有最小的方差且没有波段间的相关，对噪声白化数据进行标准主成分变换；
步骤2-2：将高光谱成像仪空白扫描时记录的影像DN值作为系统误差值，对高光谱影像进行暗背景校正。
进一步的，本发明的基于高光谱影像融合图谱特征的小麦叶层氮含量估测方法，步骤3-2中的植被指数的计算公式如下：
归一化植被指数：NDVIg-b #＝(R573-R440)/(R573+R440)
双峰冠层氮素指数：DCNI#＝(R720-R700)/(R700-R670)/(R720-R670+0.03)
归一化植被指数Ⅰ：NDVIⅠ＝(R800-R670)/(R800+R670)
差值植被指数Ⅰ：DVIⅠ＝R800-R670
比值植被指数Ⅰ：RVIⅠ＝R800/R670
土壤调节植被指数Ⅰ：SAVIⅠ＝1.5×(R800-R670)/(R800+R670+0.5)
归一化红边植被指数：NDRE＝(R790-R720)/(R790+R720)
差值植被指数Ⅱ：DVIⅡ＝RNIR-RR
增强植被指数：
归一化植被指数Ⅱ：NDVIⅡ＝(RNIR-RR)/(RNIR+RR)
调整型土壤调节植被指数2：MSAVI2＝(2RNIR+1-sqrt((2RNIR+1)2-8(RNIR-RR)))/2
优化型土壤调节植被指数：
比值植被指数Ⅱ：RVIⅡ＝RNIR/RR
土壤调节植被指数Ⅱ：
转换型植被指数：TVI＝60×(RNIR-RG)-100×(RR-RG)
多时相植被指数2：
绿光归一化差值植被指数：GNDVI＝(RNIR-RR)/(RNIR+RR)
改进红边比值植被指数：MSR＝(RNIR/RR-1)/(RNIR/RR+1)
大气阻抗植被指数：
红边指数1：VOG1＝R740/R720
红边指数2：VOG2＝(R734-R747)/(R715+R726)
红边指数3：VOG3＝(R734-R747)/(R715+R720)
光化学反射指数：PRI＝(R531-R570)/(R530+R570)
叶绿素归一化植被指数：NPCI＝(R680-R430)/(R680+R430)
结构不敏感色素指数：SIPI＝(R800-R445)/(R800-R680)
植被衰减指数：PSRI＝(R680-R500)/R750
其中，R表示反射率，下标表示波长，Ⅰ、Ⅱ、Ⅲ、Ⅳ、Ⅴ仅用于区分不同波段的相同种植被指数，RNIR表示近红外824nm波长的反射率，RR表示651nm波长的反射率，RG表示491nm波长的反射率，RB表示430nm波长的反射率。
进一步的，本发明的基于高光谱图像融合图谱特征的小麦叶层氮含量估测方法，其特征在于，步骤4-2中的卷积神经网络的参数设置：第一个卷积层的卷积核大小为11×11，滑动步长为4，填充为2，经过第一个卷积层处理得到64个55×55大小的特征图；第一个池化层采用最大值下采样处理，大小为3×3，滑动步长为2，边界不做填充处理；第二个卷积层的卷积核大小为5×5，滑动步长为1，填充为2，经过第二个卷积层处理得到192个13×13大小的特征图；第二个池化层采用最大值下采样处理，大小为3×3，滑动步长为2，边界不做填充处理；第三个卷积层的卷积核大小为3×3，滑动步长为1，填充为1，经过第三个卷积层处理得到384个13×13大小的特征图；第四个卷积层的卷积核大小为3×3，滑动步长为1，填充为1，经过第四个卷积层处理得到256个13×13大小的特征图；第五个卷积层的卷积核大小为3×3，滑动步长为1，填充为1，经过第五个卷积层处理得到256个13×13大小的特征图；第三个池化层采用最大值下采样处理，大小为3×3，滑动步长为2，边界不做填充处理；特征图经过第一个全连接层处理被扁平化为1000维的全局特征，经过第二个全连接层降维后输出256维的深层特征。其中卷积核即感受视野中的权重w矩阵的方式获得不同性质的特征来实现特征提取功能，它与上一层的连接方式为局部连接，其计算公式为：
其中
是卷积层l的输入张量，fm,n是维度为H×W的卷积核，
是该卷积层的输出张量，i,j是张量的坐标，m,n是卷积核的坐标值。
进一步的，本发明的基于高光谱影像融合图谱特征的小麦叶层氮含量估测方法，步骤3-5中测定小麦植株样本的叶层氮含量数据具体为：
将小麦植株样本去根洗净，按照小麦不同器官进行分离，并将所有样品放在105℃的烘箱中30分钟，然后在80℃干燥20h以上，随后称重以获得每个样品的干重。将样品粉碎，利用凯氏定氮法测定小麦植株样本的叶层氮含量数据。
进一步的，本发明的基于高光谱影像融合图谱特征的小麦叶层氮含量估测方法，步骤5中的决定系数R2、均方根误差RMSE的计算公式分别为：
其中，xi为实测值，
为实测值的均值，yi为预测值，
为预测值的均值，n为建模选择的样本数量；
其中，xi为实测值，yi为预测值，n是样本总数。
进一步的，本发明的基于高光谱影像融合图谱特征的小麦叶层氮含量估测方法，步骤6中的剩余预测偏差RPD的计算公式为：
其中，xi为实测值，
为实测值均值，n为样本数量，RMSEP表示测试集的均方根误差。
本发明采用以上技术方案与现有技术相比，具有以下技术效果：
1、本发明的基于高光谱影像融合图谱特征的小麦叶层氮含量估测方法结合高光谱影像的植被指数、位置和形状特征、深层特征来估测小麦叶层氮含量，适用于小麦全生育期。
2、本发明的基于高光谱影像融合图谱特征的小麦叶层氮含量估测方法估测精度高，特征鲁棒性强，可广泛用于遥感监测作物长势。
3、本发明的基于高光谱影像融合图谱特征的小麦叶层氮含量估测方法实现仅用一个模型来准确监测全生育期小麦叶层氮含量，并为作物长势监测提供有用参考。
附图说明
图1为小麦全生育期基于随机森林方法的植被指数优选。
图2为小麦全生育期基于位置和形状特征的相关系数关系图。
图3为卷积神经网络结构图。
图4为卷积神经网络每层卷积层输出的特征可视化。
图5为小麦全生育期基于随机森林方法的深层特征优选。
图6为基于小麦全生育期优选的植被指数、优选的位置和形状特征、优选的深层特征和融合图谱特征的PSO-SVR回归模型检验图。
具体实施方式
下面详细描述本发明的实施方式，所述实施方式的示例在附图中示出，其中自始至终相同或类似的标号表示相同或类似的元件或具有相同或类似功能的元件。下面通过参考附图描述的实施方式是示例性的，仅用于解释本发明，而不能解释为对本发明的限制。
实施例1
本发明基于不同生育期、不同施氮水平、不同种植密度处理的小麦田间试验进行，具体表述如表1及表2所示。
表1小麦试验田基本信息
表2小麦冠层影像及农学参数数据采集
从小麦试验田Exp.1、Exp.2获得小麦冠层高光谱影像数据，数据获取系统性强、涵盖了主要的两个小麦品种、包含主要生育时期且样本数量大、处理因素多，可以有效地验证本发明的识别方法在不同环境条件和处理下的准确度和适应性。
基于高光谱影像融合图谱特征的小麦叶层氮含量估测方法，具体步骤如下：
步骤1、数据采集：
通过安装在电动导轨上的推扫式CCD(Charge Coupled Device)摄像机(V10E-PS,SpecIm,奥卢,芬兰)收集小麦试验区域的高光谱影像，CDD距离小麦冠层上方约1.0m。CCD相机的像元数为1392×1040，光谱范围从360到1025nm，共520个波段(光谱分辨率为2.8nm)。影像数据来自不同生育期、不同施氮水平、不同种植密度处理、不同小麦品种类型的小麦田，其中生育期包括拔节期、抽穗期、开花期、灌浆期。
同时在每个小区随机选取六穴小麦植株样本，连根拔起装入水桶中，运到室内进行叶层氮含量测定。
步骤2、对影像数据预处理主要分以下两步进行：
1)利用正变换分离和重新调节数据中的噪声，使变换后的噪声数据只有最小的方差且没有波段间的相关，对噪声白化数据(Noise-whitened)的标准主成分变换。
2)通过高光谱成像仪没有对作物进行扫描时影像记录的DN值为系统误差值，进行高光谱影像的暗背景校正，校正仪器系统误差。
步骤3、对高光谱影像处理主要分以下五步进行：
1)将小麦植株样本去根洗净，按照小麦不同器官(叶、茎和穗)进行分离，并将所有样品放在105℃的烘箱中30分钟，然后在80℃干燥20h以上，随后称重以获得每个样品的干重。将样品粉碎，利用凯氏定氮法测定小麦植株样本的叶层氮含量数据。
2)以高光谱影像中感兴趣区域(Region of intersect，ROI)提取光谱反射率的平均值作为试验小区的反射率，其中，小区的定义为5m×6m的区域。
3)利用反射率计算与小麦叶层氮含量估测相关的植被指数，并利用随机森林算法优选植被指数，计算植被指数的相对重要性，选取相对重要性排序在前30％的植被指数作为优选的植被指数，包括：归一化植被指数NDVIg-b #、结构不敏感色素指数SIPI、叶绿素归一化植被指数NPCI、红边指数3VOG3、红边指数2VOG2、比值植被指数ⅠRVII、土壤调节植被指数ⅡSAVIII、多时相植被指数2MTVI2。
如图1所示为小麦全生育期基于随机森林方法的植被指数优选。
4)利用试验小区的反射率计算位置和形状特征，包括光谱位置和形状特征、波段位置和形状特征，其中，利用ENVI软件采用连续统去除方法处理反射率，将反射率归一化为0～1.0，计算光谱位置和形状特征，包括：557-754nm波长的吸收深度A_Depth1、557-754nm波长的吸收面积A_Area1、557-754nm波长的归一化吸收深度A_ND1、900-1030nm波长的吸收深度A_Depth2、900-1030nm波长的吸收面积A_Area2、900-1030nm波长的归一化吸收深度A_ND2、500-675nm波长的反射深度R_Depth1、500-675nm波长的反射面积R_Area1、500-675nm波长的归一化反射深度R_ND1、754-960nm波长的反射深度R_Depth2、754-960nm波长的反射面积R_Area2、754-960nm波长的归一化反射深度R_ND2；
利用反射率计算与小麦叶层氮含量估测相关的波段位置和形状特征，包括：蓝边490–530nm内一阶导数最大值Db、蓝边位置λb、黄边560–640nm内一阶导数最大值Dy、黄边位置λy、红边680–760nm内一阶导数最大值Dr、红边位置λr、绿峰510-560nm内最大反射率值Rg、绿峰位置λg、红谷650–690nm内最低反射率Ro、红谷位置λo、蓝边490–530nm内一阶微分总和SDb、黄边560–640nm内一阶微分总和SDy、红边680–760nm内一阶微分总和SDr。
最后，利用相关系数分析法提取优选的位置和形状特征，通过计算位置和形状特征与小麦叶层氮含量的相关系数r，选取相关系数绝对值|r|大于0.7的位置和形状特征，得到：绿峰510-560nm内最大反射率值Rg、500-675nm波长的反射深度R_Depth1、500-675nm波长的反射面积R_Area1、500-675nm波长的归一化反射深度R_ND1、557-754nm波长的吸收深度A_Depth1、557-754nm波长的吸收面积A_Area1、557-754nm波长的归一化吸收深度A_ND1。
如图2所示为小麦全生育期基于位置和形状特征的相关系数关系图。
5)将预处理高光谱影像切割成尺寸为227×227pixel后作为卷积神经网络输入层，经过卷积层、池化层和全连接层获取扁平化的深层特征，通过可视化每层卷积层输出特征，最后通过全连接层获得256个深层特征，利用随机森林算法进行深层特征优选，通过计算深层特征的相对重要性，确定相对重要性由高到低排序前8％的深层特征为优选的深层特征。
其中，卷积神经网络的参数设置为：第一个卷积层的卷积核大小为11×11，滑动步长为4，填充为2，经过第一个卷积层处理得到64个55×55大小的特征图；第一个池化层采用最大值下采样处理，大小为3×3，滑动步长为2，边界不做填充处理；第二个卷积层的卷积核大小为5×5，滑动步长为1，填充为2，经过第二个卷积层处理得到192个13×13大小的特征图；第二个池化层采用最大值下采样处理，大小为3×3，滑动步长为2，边界不做填充处理；第三个卷积层的卷积核大小为3×3，滑动步长为1，填充为1，经过第三个卷积层处理得到384个13×13大小的特征图；第四个卷积层的卷积核大小为3×3，滑动步长为1，填充为1，经过第四个卷积层处理得到256个13×13大小的特征图；第五个卷积层的卷积核大小为3×3，滑动步长为1，填充为1，经过第五个卷积层处理得到256个13×13大小的特征图；第三个池化层采用最大值下采样处理，大小为3×3，滑动步长为2，边界不做填充处理；特征图经过第一个全连接层处理被扁平化为1000维的全局特征，经过第二个全连接层降维后输出256维的深层特征。其中卷积核即感受视野中的权重w矩阵的方式获得不同性质的特征来实现特征提取功能，它与上一层的连接方式为局部连接，其计算公式为：
其中
是卷积层l的输入张量，fm,n是维度为H×W的卷积核，
是该卷积层的输出张量，i,j是张量的坐标，m,n是卷积核的坐标值。
如图3所示为卷积神经网络结构图，如图4为每层卷积层输出的特征可视化，如图5所示为小麦全生育期基于随机森林方法的深层特征优选。
步骤4、利用8个优选的植被指数、7个优选的位置和形状特征、20个优选的深层特征依据并行策略构建融合图谱特征。
步骤5、将8个优选的植被指数、7个优选的位置和形状特征、20个优选的深层特征及融合图谱特征(融合了优选的植被指数、优选的位置和形状特征、优选的深层特征)作为PSO-SVR模型的输入变量，小麦叶层氮含量作为目标变量，建立基于融合图谱特征的粒子群优化支持向量回归小麦叶层氮含量估测模型；
计算校正集的决定系数R2和均方根误差RMSE，来评定该估测模型在小麦叶层氮含量估测上的表现：
其中，xi为实测值，
为实测值的均值，yi为预测值，
为预测值的均值，n为建模选择的样本数量；
其中，xi为实测值，yi为预测值，n为建模选择的样本数量。
步骤6、根据田间试验数据，采用留一交叉验证法对小麦叶层氮含量估测模型进行精度验证，计算测试集的决定系数R2和剩余预测偏差RPD；
其中，xi为实测值，
为实测值均值，n为样本数量，RMSEP表示测试集的均方根误差。
如图6所示为基于小麦全生育期优选的植被指数、优选的位置和形状特征、优选的深层特征和融合图谱特征的PSO-SVR回归模型检验图。
通过比较不同估测模型测试集的决定系数R2、均方根误差RMSE和剩余预测偏差RPD，得到基于融合图谱特征的PSO-SVR模型为最佳小麦叶层氮含量估测模型，校正集R2达到0.975，测试集R2达到0.861，RPD达到5.417。
所述融合图谱特征包含8个植被指数、7个位置和形状特征、20个深层特征。
如下表所示为全生育时期的小麦叶层氮含估测模型：
表基于不同特征的小麦叶层氮含量PSO-SVR估测模型
以上所述仅是本发明的部分实施方式，应当指出，对于本技术领域的普通技术人员来说，在不脱离本发明原理的前提下，还可以做出若干改进，这些改进应视为本发明的保护范围。
Claims (12)
1.基于高光谱影像融合图谱特征的小麦叶层氮含量估测方法，其特征在于，包括以下步骤：
步骤1：利用高光谱成像仪采集获取小麦冠层高光谱影像数据，同时对小麦植株进行随机破坏性取样，得到小麦植株样本；
步骤2：对小麦冠层高光谱影像数据进行预处理，包括去除噪声及暗背景校正，得到预处理后的小麦冠层高光谱影像数据；
步骤3：提取小麦冠层高光谱影像反射率数据并进行数据处理，计算植被指数、位置和形状特征，同时测定小麦植株样本的叶层氮含量数据；
步骤3-1：利用ENVI软件根据高光谱图像中感兴趣区域ROI提取试验小区的反射率，其中，小区的定义为5m×6m的区域；
步骤3-2：根据试验小区的反射率计算与小麦叶层氮含量估测相关的植被指数；
步骤3-3：根据试验小区的反射率提取位置和形状特征，利用连续统去除方法处理反射率，将反射率归一化为0～1.0；计算与小麦叶层氮含量估测相关的光谱位置和形状特征；
步骤3-4：根据试验小区的反射率计算与小麦叶层氮含量估测相关的波段位置和形状特征；
步骤3-5：将小麦植株样本去根洗净、分离，在烘箱中进行杀青、烘干、称重、测定，得到小麦植株样本的叶层氮含量数据；
步骤4：利用卷积神经网络对小麦冠层高光谱影像提取深层特征；
步骤4-1：以图像中的小麦长势均匀为原则，根据试验小区不同的氮素水平、种植方式和种植密度，裁剪成尺寸为227×227pixel的图像；
步骤4-2：以步骤4-1中裁剪后的高光谱图像作为卷积神经网络的输入，利用卷积神经网络提取深层特征，所述卷积神经网络包括五层卷积层、三层池化层和两层全连接层，卷积层提取更多的局部深层特征，池化层提取小麦冠层高光谱影像的显著特征，全连接层进行特征扁平化和输出深层特征；
步骤5：将植被指数、位置和形状特征、深层特征与小麦叶层氮含量数据进行相关分析，利用随机森林算法、相关系数分析法确定优选的特征，所述位置和形状特征包括光谱位置和形状特征、波段位置和形状特征；
步骤5-1：利用随机森林算法进行植被指数优选：计算植被指数的相对重要性，确定优选的植被指数；
步骤5-2：利用相关系数分析方法进行位置和形状特征优选：通过计算位置和形状特征与小麦叶层氮含量的相关系数，确定优选的位置和形状特征；
步骤5-3：利用随机森林算法进行深层特征优选：通过计算深层特征的相对重要性，确定优选的深层特征；
步骤6：将优选的植被指数、优选的位置和形状特征、优选的深层特征及融合图谱特征作为输入变量，小麦叶层氮含量作为目标变量，建立基于粒子群优化支持向量回归PSO-SVR的小麦叶层氮含量估测模型，所述融合图谱特征是通过并行融合策略融合了优选的植被指数、优选的位置和形状特征、优选的深层特征；
计算校正集的决定系数R2和均方根误差RMSE，评定该估测模型在小麦叶层氮含量估测上的表现；
步骤7：根据田间试验数据，采用留一交叉验证法对小麦叶层氮含量估测模型进行精度验证，并计算测试集的决定系数R2和剩余预测偏差RPD；
通过比较不同估测模型测试集的决定系数R2和剩余预测偏差RPD，得到基于融合图谱特征的PSO-SVR模型为最佳小麦叶层氮含量估测模型。
2.根据权利要求1所述的基于高光谱影像融合图谱特征的小麦叶层氮含量估测方法，其特征在于，步骤1中的小麦冠层高光谱影像数据来自不同生育期、不同施氮水平、不同种植密度处理、不同小麦品种类型的小麦田，其中生育期包括拔节期、抽穗期、开花期、灌浆期。
3.根据权利要求1所述的基于高光谱影像融合图谱特征的小麦叶层氮含量估测方法，其特征在于，步骤1中对小麦植株进行随机破坏性取样具体为：在每个试验小区随机选取六株小麦植株，连根拔起装入水桶中。
4.根据权利要求1所述的基于高光谱影像融合图谱特征的小麦叶层氮含量估测方法，其特征在于，步骤2中对小麦冠层高光谱影像数据进行预处理具体为：
步骤2-1：对数据中的噪声进行正变换分离和重新调节，使噪声数据只有最小的方差且没有波段间的相关，对噪声白化数据进行标准主成分变换；
步骤2-2：将高光谱成像仪空白扫描时记录的影像DN值作为系统误差值，对高光谱影像进行暗背景校正。
5.根据权利要求1所述的基于高光谱影像融合图谱特征的小麦叶层氮含量估测方法，其特征在于，步骤3-2中的植被指数的计算公式如下：
归一化植被指数：NDVIg-b #＝(R573-R440)/(R573+R440)
双峰冠层氮素指数：DCNI#＝(R720-R700)/(R700-R670)/(R720-R670+0.03)
归一化植被指数Ⅰ：NDVI Ⅰ＝(R800-R670)/(R800+R670)
差值植被指数Ⅰ：DVI Ⅰ＝R800-R670
比值植被指数Ⅰ：RVI Ⅰ＝R800/R670
土壤调节植被指数Ⅰ：SAVI Ⅰ＝1.5×(R800-R670)/(R800+R670+0.5)
归一化红边植被指数：NDRE＝(R790-R720)/(R790+R720)
差值植被指数Ⅱ：DVI Ⅱ＝RNIR-RR
增强植被指数：
归一化植被指数Ⅱ：NDVI Ⅱ＝(RNIR-RR)/(RNIR+RR)
调整型土壤调节植被指数2：MSAVI2＝(2RNIR+1-sqrt((2RNIR+1)2-8(RNIR-RR)))/2
优化型土壤调节植被指数：
比值植被指数Ⅱ：RVI Ⅱ＝RNIR/RR
土壤调节植被指数Ⅱ：
转换型植被指数：TVI＝60×(RNIR-RG)-100×(RR-RG)
多时相植被指数2：
绿光归一化差值植被指数：GNDVI＝(RNIR-RR)/(RNIR+RR)
改进红边比值植被指数：MSR＝(RNIR/RR-1)/(RNIR/RR+1)
大气阻抗植被指数：
红边指数1：VOG1＝R740/R720
红边指数2：VOG2＝(R734-R747)/(R715+R726)
红边指数3：VOG3＝(R734-R747)/(R715+R720)
光化学反射指数：PRI＝(R531-R570)/(R530+R570)
叶绿素归一化植被指数：NPCI＝(R680-R430)/(R680+R430)
结构不敏感色素指数：SIPI＝(R800-R445)/(R800-R680)
植被衰减指数：PSRI＝(R680-R500)/R750
其中，为R表示反射率，下标表示波长，Ⅰ、Ⅱ、Ⅲ、Ⅳ、Ⅴ仅用于区分不同波段的相同种植被指数，RNIR表示近红外824nm波长的反射率，RR表示651nm波长的反射率，RG表示491nm波长的反射率，RB表示430nm波长的反射率。
6.根据权利要求1所述的基于高光谱影像融合图谱特征的小麦叶层氮含量估测方法，其特征在于，步骤3-3中与小麦叶层氮含量估测相关的光谱位置和形状特征包括：557-754nm波长的吸收深度、557-754nm波长的吸收面积、557-754nm波长的归一化吸收深度、900-1030nm波长的吸收深度、900-1030nm波长的吸收面积、900-1030nm波长的归一化吸收深度、500-675nm波长的反射深度、500-675nm波长的反射面积、500-675nm波长的归一化反射深度、754-960nm波长的反射深度、754-960nm波长的反射面积、754-960nm波长的归一化反射深度。
7.根据权利要求1所述的基于高光谱影像融合图谱特征的小麦叶层氮含量估测方法，其特征在于，步骤3-4中与小麦叶层氮含量估测相关的波段位置和形状特征，包括：蓝边490–530nm内一阶导数最大值、蓝边位置、黄边560–640nm内一阶导数最大值、黄边位置、红边680–760nm内一阶导数最大值、红边位置、绿峰510-560nm内最大反射率值、绿峰位置、红谷650–690nm内最低反射率、红谷位置、蓝边490–530nm内一阶微分总和、黄边560–640nm内一阶微分总和、红边680–760nm内一阶微分总和。
8.根据权利要求1所述的基于高光谱影像融合图谱特征的小麦叶层氮含量估测方法，其特征在于，步骤3-5中测定小麦植株样本的叶层氮含量数据具体为：
将小麦植株样本去根洗净，按照小麦不同器官进行分离，并将所有样品放在105℃的烘箱中30分钟，然后在80℃干燥20h以上，随后称重以获得每个样品的干重，将样品粉碎，利用凯氏定氮法测定小麦植株样本的叶层氮含量数据。
9.根据权利要求1所述的基于高光谱影像融合图谱特征的小麦叶层氮含量估测方法，其特征在于，步骤4-2通过卷积神经网络提取256维深层特征；其中，卷积神经网络的参数设置：第一个卷积层的卷积核大小为11×11，滑动步长为4，填充为2，经过第一个卷积层处理得到64个55×55大小的特征图；第一个池化层采用最大值下采样处理，大小为3×3，滑动步长为2，边界不做填充处理；第二个卷积层的卷积核大小为5×5，滑动步长为1，填充为2，经过第二个卷积层处理得到192个13×13大小的特征图；第二个池化层采用最大值下采样处理，大小为3×3，滑动步长为2，边界不做填充处理；第三个卷积层的卷积核大小为3×3，滑动步长为1，填充为1，经过第三个卷积层处理得到384个13×13大小的特征图；第四个卷积层的卷积核大小为3×3，滑动步长为1，填充为1，经过第四个卷积层处理得到256个13×13大小的特征图；第五个卷积层的卷积核大小为3×3，滑动步长为1，填充为1，经过第五个卷积层处理得到256个13×13大小的特征图；第三个池化层采用最大值下采样处理，大小为3×3，滑动步长为2，边界不做填充处理；特征图经过第一个全连接层处理被扁平化为1000维的全局特征，经过第二个全连接层降维后输出256维的深层特征；其中卷积核即感受视野中的权重w矩阵的方式获得不同性质的特征来实现特征提取功能，它与上一层的连接方式为局部连接，其计算公式为：
其中
是卷积层l的输入张量，fm,n是维度为H×W的卷积核，
是该卷积层的输出张量，i,j是张量的坐标，m,n是卷积核的坐标值。
10.根据权利要求1所述的基于高光谱影像融合图谱特征的小麦叶层氮含量估测方法，其特征在于，步骤5-1中优选的植被指数包括：归一化植被指数、结构不敏感色素指数、叶绿素归一化植被指数、红边指数3、红边指数2、比值植被指数Ⅰ、土壤调节植被指数Ⅱ、多时相植被指数2；
步骤5-2中优选的位置和形状特征包括：绿峰510-560nm内最大反射率值、500-675nm波长的反射深度、500-675nm波长的反射面积、500-675nm波长的归一化反射深度、557-754nm波长的吸收深度、557-754nm波长的吸收面积、557-754nm波长的归一化吸收深度；
步骤5-3中优选的深层特征包括：相对重要性由高到低排序前8％的深层特征为优选的深层特征。
11.根据权利要求1所述的基于高光谱影像融合图谱特征的小麦叶层氮含量估测方法，其特征在于，步骤6中的决定系数R2、均方根误差RMSE的计算公式分别为：
其中，xi为实测值，
为实测值的均值，yi为预测值，
为预测值的均值，n为建模选择的样本数量；
其中，xi为实测值，yi为预测值，n是样本总数。
12.根据权利要求1所述的基于高光谱影像融合图谱特征的小麦叶层氮含量估测方法，其特征在于，步骤7中的剩余预测偏差RPD的计算公式为：
其中，xi为实测值，
为实测值均值，n为样本数量，RMSEP表示测试集的均方根误差。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202011303981.9A CN112557393B (zh) | 2020-11-19 | 2020-11-19 | 基于高光谱影像融合图谱特征的小麦叶层氮含量估测方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202011303981.9A CN112557393B (zh) | 2020-11-19 | 2020-11-19 | 基于高光谱影像融合图谱特征的小麦叶层氮含量估测方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN112557393A true CN112557393A (zh) | 2021-03-26 |
| CN112557393B CN112557393B (zh) | 2024-02-20 |
Family
ID=75044001
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202011303981.9A Active CN112557393B (zh) | 2020-11-19 | 2020-11-19 | 基于高光谱影像融合图谱特征的小麦叶层氮含量估测方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN112557393B (zh) |
Cited By (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN114019082A (zh) * | 2021-11-19 | 2022-02-08 | 安徽省农业科学院土壤肥料研究所 | 一种土壤有机质含量监测方法和系统 |
| CN114169106A (zh) * | 2021-12-13 | 2022-03-11 | 汕头大学 | 基于改进随机森林模型的评估旋喷桩引起侧向位移的方法 |
| CN114494854A (zh) * | 2021-12-28 | 2022-05-13 | 农业农村部大数据发展中心 | 基于遥感的低矮湿地植被地上生物量估算方法和系统 |
| CN114529838A (zh) * | 2022-04-24 | 2022-05-24 | 江西农业大学 | 基于卷积神经网络的土壤含氮量反演模型构建方法及系统 |
| CN115266720A (zh) * | 2022-08-09 | 2022-11-01 | 黑龙江八一农垦大学 | 多尺度光谱成像的玉米生长期养分信息检测方法 |
| CN116026772A (zh) * | 2023-03-30 | 2023-04-28 | 黑龙江省农业科学院农业遥感与信息研究所 | 基于高光谱遥感的玉米叶片氮含量预测方法 |
Citations (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN106295714A (zh) * | 2016-08-22 | 2017-01-04 | 中国科学院电子学研究所 | 一种基于深度学习的多源遥感图像融合方法 |
| 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 |
-
2020
- 2020-11-19 CN CN202011303981.9A patent/CN112557393B/zh active Active
Patent Citations (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN106295714A (zh) * | 2016-08-22 | 2017-01-04 | 中国科学院电子学研究所 | 一种基于深度学习的多源遥感图像融合方法 |
| 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 |
Non-Patent Citations (3)
| Title |
|---|
| RAYNER HAROLD MONTES CONDORI ET AL: "Comparison Between Traditional Texture Methods and Deep Learning Descriptorsfor Detection of Nitrogen Deficiency in Maize Crops", 《2017 WORKSHOP OF COMPUTER VISION (WVC)》, pages 7 - 12 * |
| 范玲玲: "基于多源遥感数据的夏玉米冠层氮素遥感监测研究", 《中国优秀硕士论文全文数据库工程科技Ⅱ辑》, no. 7, pages 9 - 31 * |
| 魏鹏飞 等: "基于无人机多光谱影像的夏玉米叶片氮含量遥感估测", 《农业工程学报》, vol. 35, no. 8, pages 128 * |
Cited By (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN114019082A (zh) * | 2021-11-19 | 2022-02-08 | 安徽省农业科学院土壤肥料研究所 | 一种土壤有机质含量监测方法和系统 |
| CN114019082B (zh) * | 2021-11-19 | 2024-05-14 | 安徽省农业科学院土壤肥料研究所 | 一种土壤有机质含量监测方法和系统 |
| CN114169106A (zh) * | 2021-12-13 | 2022-03-11 | 汕头大学 | 基于改进随机森林模型的评估旋喷桩引起侧向位移的方法 |
| CN114494854A (zh) * | 2021-12-28 | 2022-05-13 | 农业农村部大数据发展中心 | 基于遥感的低矮湿地植被地上生物量估算方法和系统 |
| CN114529838A (zh) * | 2022-04-24 | 2022-05-24 | 江西农业大学 | 基于卷积神经网络的土壤含氮量反演模型构建方法及系统 |
| CN115266720A (zh) * | 2022-08-09 | 2022-11-01 | 黑龙江八一农垦大学 | 多尺度光谱成像的玉米生长期养分信息检测方法 |
| CN116026772A (zh) * | 2023-03-30 | 2023-04-28 | 黑龙江省农业科学院农业遥感与信息研究所 | 基于高光谱遥感的玉米叶片氮含量预测方法 |
| CN116026772B (zh) * | 2023-03-30 | 2023-06-02 | 黑龙江省农业科学院农业遥感与信息研究所 | 基于高光谱遥感的玉米叶片氮含量预测方法 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN112557393B (zh) | 2024-02-20 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN112557393B (zh) | 基于高光谱影像融合图谱特征的小麦叶层氮含量估测方法 | |
| Qiao et al. | UAV-based chlorophyll content estimation by evaluating vegetation index responses under different crop coverages | |
| CN110287944B (zh) | 基于深度学习的多光谱遥感影像的农作物虫害监测方法 | |
| CN112287886B (zh) | 基于高光谱图像融合图谱特征的小麦植株氮含量估测方法 | |
| Noland et al. | Estimating alfalfa yield and nutritive value using remote sensing and air temperature | |
| CN103940748B (zh) | 基于高光谱技术的柑橘冠层含氮量预测与可视化的方法 | |
| ElManawy et al. | HSI-PP: A flexible open-source software for hyperspectral imaging-based plant phenotyping | |
| CN114821362A (zh) | 一种基于多源数据的水稻种植面积提取方法 | |
| CN112834442A (zh) | 基于多光谱数据的大区域尺度作物生长实时监测方法 | |
| Hall | Remote sensing applications for viticultural terroir analysis | |
| Zhao et al. | Study on the classification method of rice leaf blast levels based on fusion features and adaptive-weight immune particle swarm optimization extreme learning machine algorithm | |
| Meng et al. | Fine hyperspectral classification of rice varieties based on attention module 3D-2DCNN | |
| Appeltans et al. | Potential of laboratory hyperspectral data for in-field detection of Phytophthora infestans on potato | |
| Gao et al. | In-field chlorophyll estimation based on hyperspectral images segmentation and pixel-wise spectra clustering of wheat canopy | |
| Shu et al. | Assessing maize lodging severity using multitemporal UAV-based digital images | |
| CN117197668A (zh) | 基于深度学习的作物倒伏级别的预测方法及系统 | |
| Liu et al. | UAV multispectral images for accurate estimation of the maize LAI considering the effect of soil background | |
| CN117589767B (zh) | 一种烟叶采收时间确定方法、电子设备和存储介质 | |
| CN108846370B (zh) | 一种小麦白粉病中晚期病害严重度自动分析方法 | |
| CN111242934A (zh) | 基于无人机影像光谱与纹理特征的小麦氮浓度反演方法 | |
| Azizi et al. | Comprehensive wheat lodging detection after initial lodging using UAV RGB images | |
| Li et al. | Soybean leaf estimation based on RGB images and machine learning methods | |
| 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 | |
| Xu et al. | A Band Math-ROC operation for early differentiation between sclerotinia sclerotiorum and botrytis cinerea in oilseed rape | |
| CN115063690A (zh) | 一种基于ndvi时序特征的植被分类方法 |
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 | ||
| CB03 | Change of inventor or designer information |
Inventor after: Zhu Yan Inventor after: Yang Baohua Inventor after: Yao Xia Inventor after: Qiu Xiaolei Inventor after: Cao Weixing Inventor after: Tian Yongchao Inventor after: Cheng Tao Inventor after: Zheng Hengbiao Inventor after: Ma Jifeng Inventor before: Zhu Yan Inventor before: Yang Baohua Inventor before: Yao Xia Inventor before: Qiu Xiaolei Inventor before: Cao Weixing Inventor before: Tian Yongchao Inventor before: Cheng Tao Inventor before: Zheng Hengbiao Inventor before: Ma Jifeng |
|
| CB03 | Change of inventor or designer information | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant |