CN112945881A - 一种基于高光谱特征参数的马铃薯叶片含水量监测方法 - Google Patents

一种基于高光谱特征参数的马铃薯叶片含水量监测方法 Download PDF

Info

Publication number
CN112945881A
CN112945881A CN202110263022.7A CN202110263022A CN112945881A CN 112945881 A CN112945881 A CN 112945881A CN 202110263022 A CN202110263022 A CN 202110263022A CN 112945881 A CN112945881 A CN 112945881A
Authority
CN
China
Prior art keywords
hyperspectral
potato
water content
monitoring
characteristic
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
Application number
CN202110263022.7A
Other languages
English (en)
Other versions
CN112945881B (zh
Inventor
苏亚拉其其格
孟勐
贾立国
祁迷
樊明寿
陈玉珍
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.)
Inner Mongolia Agricultural University
Original Assignee
Inner Mongolia Agricultural University
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 Inner Mongolia Agricultural University filed Critical Inner Mongolia Agricultural University
Priority to CN202110263022.7A priority Critical patent/CN112945881B/zh
Publication of CN112945881A publication Critical patent/CN112945881A/zh
Application granted granted Critical
Publication of CN112945881B publication Critical patent/CN112945881B/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
    • G01N21/17—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
    • G01N21/31—Investigating relative effect of material at wavelengths characteristic of specific elements or molecules, e.g. atomic absorption spectrometry
    • 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
    • G01N21/55—Specular reflectivity
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
    • G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
    • G06F16/24—Querying
    • G06F16/245—Query processing
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F30/00—Computer-aided design [CAD]
    • G06F30/20—Design optimisation, verification or simulation
    • 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
    • G06N3/084—Backpropagation, e.g. using gradient descent
    • 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

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • General Health & Medical Sciences (AREA)
  • Health & Medical Sciences (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • General Engineering & Computer Science (AREA)
  • Computational Linguistics (AREA)
  • Spectroscopy & Molecular Physics (AREA)
  • Data Mining & Analysis (AREA)
  • Pathology (AREA)
  • Immunology (AREA)
  • Evolutionary Computation (AREA)
  • Biochemistry (AREA)
  • Analytical Chemistry (AREA)
  • Chemical & Material Sciences (AREA)
  • Biophysics (AREA)
  • Artificial Intelligence (AREA)
  • Software Systems (AREA)
  • Mathematical Physics (AREA)
  • Biomedical Technology (AREA)
  • Computing Systems (AREA)
  • Molecular Biology (AREA)
  • Computer Hardware Design (AREA)
  • Geometry (AREA)
  • Databases & Information Systems (AREA)
  • Investigating Or Analysing Materials By Optical Means (AREA)

Abstract

本发明公开了一种基于高光谱特征参数的马铃薯叶片含水量监测方法，包括表征马铃薯叶片含水量的特征高光谱筛选，以及基于特征高光谱分别利用PLSR和BP神经网络构建的马铃薯叶片含水量监测模型；该模型均在不同土壤供水条件下，能够实时、快速、无损地监测出马铃薯植株叶片水分状况。其中，PLSR法构建的马铃薯叶片含水量监测模型更直观、可视化、容易推广应用；而BP神经网络构建的模型虽无可视化，但计算快速、精度高；生产中可根据不同需求选择适宜的马铃薯叶片水分监测方法；本发明是马铃薯分生育时期节水灌溉推荐的优化模型基础，同时也实现了马铃薯生产和水资源高效利用并重的农业绿色可持续发展。

Description

一种基于高光谱特征参数的马铃薯叶片含水量监测方法
技术领域
本发明涉及农作物灌溉技术与遥感领域，具体涉及一种基于高光谱特征参数的马铃薯叶片含水量监测方法。
背景技术
马铃薯，属茄科、一年生草本植物，块茎可供食用，是全球第四大重要的粮食作物，仅次于小麦、水稻和玉米，而内蒙古地区是我国马铃薯主产区之一，为了确保马铃薯能够正常生长，其需水量是比较大的，但内蒙古地区属于我国的北方地区，气候干燥降雨量少，导致该地区水资源严重匮乏，而马铃薯在缺水条件下，块茎小、数量少，会严重影响其产量。
在此背景下，如何高效利用有限水资源、节约农业用水成为人们追求的主要目标，而最为传统的方式就是灌溉，灌溉是非常浪费水资源、成本的一种方式，一般是定期灌溉，然而，北方天气干燥，日照充足，土壤水分蒸发较快，灌溉后大部分的水量会被日照蒸发消耗，对于产量的提升是非常有限的，若通过增加灌溉频率，则不仅提高作为重要粮食作物的马铃薯栽培成本，而且降低水分利用效率的同时直接影响老百姓的生活成本继续增长。
而若能有一种可实时监测出马铃薯植株水分状况，供应合理、适量水分的方法，就能保证马铃薯获得高产及优质的块茎，并对上述问题的解决具有十分重要意义。
发明内容
有鉴于此，本发明的目的在于提供一种基于高光谱特征参数的马铃薯叶片含水量监测方法，利用PLSR和BP神经网络构建的马铃薯叶片含水量监测模型；该两种方法在不同土壤供水条件下，均能实时监测出马铃薯叶片含水量，生产中可根据不同需求选择适宜的马铃薯叶片水分监测方法，从而根据其实时参数进行合理供水；本发明是马铃薯分生育时期节水灌溉推荐的优化模型基础，同时也实现了马铃薯生产和水资源高效利用并重的农业绿色可持续发展。
第一方面，本发明提供了一种基于高光谱特征参数的马铃薯叶片含水量监测方法，该方法采用偏最小二乘回归法能够实时、快速的监测出马铃薯叶片含水量，包括如下步骤：
第一步：获取马铃薯冠层叶片高光谱实测数据，既高光谱反射率，然后使用EXCEL和ORIGIN软件计算出高光谱数据的光谱指数和一阶导数；基于Matlab统计分析软件，采用连续投影算法筛选并构建由光谱反射率、光谱指数和一阶导数组成的特征高光谱数据库；
特征高光谱数据库包括：X1=R337、X2=R399、X3=R551、X4=R672、X5=R694、X6=R1009、X7=R1131、X8=R1352、X9=R1388、X10=R1411、X11=R1668、X12=R2491，X13=Ρr、X14=EVI、X15= Mr/My、X16= NDII、X17= WBI、X18= NDρg/ρr、X19= PSRI、X20= NDWI、X21= MSI、X22= SR、X23= Msr705、X24= VOG1、X25= VOG2、X26= VOG3、X27= NDVI、X28= NDVI705、X29=Dρg，X30=D461、X31=D554、X32=D585、X33=D879、X34=D991、X35=D1134、X36=D1363、X37=D1372、X38=D1395、X39=D1504、X40=D1809、X41=D2230、X42=D2394
其中，R表示该波段的高光谱反射率；D表示该波段的一阶导数；
第二步：将上述筛选的特征高光谱数据库，按序代入到下列公式中，以此构建马铃薯叶片含水量监测模型；
其中，公式为Y=134.4039-7.0688 X1+5.9064 X2-12.5501 X3-8.9370 X4-2.0837X5+0.5080 X6+0.0335 X7+0.0015 X8-0.3777 X9+0.2901 X10-0.5238 X11+0.0350 X12+5.8536 X13+60.1427 X14-3.2303 X15-1.9036 X16+87.3054 X17+69.5774 X18+987.224 X19-77.9881 X20-20.5335 X21-0.5138 X22+11.5457 X23-2.2882 X24-124.521 X25+125.8303X26-328.765 X27-50.1144 X28+13.5310 X29+89.2984 X30-79.7956 X31+16.3523 X32+4.2422X33-5.1212 X34+12.6996 X35+4.4301 X36+3.7904 X37+0.2899 X38+80.8366 X39+5.5654 X40+9.2622 X41+0.0811 X42
第三步：将第二步所构建的监测模型进行计算，计算出Y，即可得出预测的马铃薯叶片含水量值。
第二方面，本发明还提供了另一种基于特征高光谱数据库的马铃薯叶片含水量监测方法，该方法采用BP神经网络法对马铃薯的叶片含水量进行预测，其包括如下步骤：
获取马铃薯冠层叶片高光谱实测数据，既高光谱反射率，然后使用EXCEL和ORIGIN软件计算出高光谱数据的光谱指数和一阶导数；基于Matlab统计分析软件，采用连续投影算法筛选并构建由高光谱反射率、光谱指数和一阶导数组成的特征高光谱数据库；
特征高光谱数据库包括：X1=R337、X2=R399、X3=R551、X4=R672、X5=R694、X6=R1009、X7=R1131、X8=R1352、X9=R1388、X10=R1411、X11=R1668、X12=R2491，X13=Ρr、X14=EVI、X15= Mr/My、X16= NDII、X17= WBI、X18= NDρg/ρr、X19= PSRI、X20= NDWI、X21= MSI、X22= SR、X23= Msr705、X24= VOG1、X25= VOG2、X26= VOG3、X27= NDVI、X28= NDVI705、X29=Dρg，X30=D461、X31=D554、X32=D585、X33=D879、X34=D991、X35=D1134、X36=D1363、X37=D1372、X38=D1395、X39=D1504、X40=D1809、X41=D2230、X42=D2394
其中，R表示该波段的高光谱反射率；D表示该波段的一阶导数；
运用筛选的特征高光谱数据库采用BP神经网络法建模，同时运用验证数据集进行验证，获得精度（R-squared）较高的10个模型；
为了避免陷入局部异常值，使用整体数据集再次进行上述10个模型的二次验证，同时也得到相应的R-squared值；
通过两次验证的R-squared，确定最佳水分监测模型；
在METLAB环境下，利用最佳水分监测模型（即基于软件的一段程序）进行马铃薯叶片含水量的预测，预测过程包含划分数据集、数据归一化、模型计算、反归一化处理，即可获得相应的叶片含水量预测值，用于马铃薯植株水分状况的实时监测。
本发明的有益效果在于：采用本发明的技术方案，可以针对该地区水资源短缺实况，及时准确监测马铃薯植株水分状况，并根据缺水信息实施精量控制灌水，不仅对该地区马铃薯水分高效管理极具现实意义，且具有重要战略意义。
本发明提出了第一种方案是利用PLSR法构建马铃薯叶片含水量监测模型；该方法特点是直观、可视化、操作简便。
本发明提出了另一种方案是利用BP神经网络法构建马铃薯叶片含水量监测模型；该方法特点是精度高、计算快速。
附图说明
图1为本发明的叶片含水量监测模型的解释度曲线图。
图2为本发明的运用验证数据集进行验证结果。
图3为本发明的马铃薯叶片含水量预测模型验证结果。
图4为本发明的基于高光谱的马铃薯叶片含水量预测模型。
图5为本发明的BP神经网络模型的计算方法。
具体实施方式
为使本发明实施例的目的、技术方案和优点更加清楚，下面将结合附图对本发明的技术方案进行清楚、完整地描述，显然，所描述的实施例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。
目前，对于马铃薯浇灌并没有一个科学、合理的方式，导致马铃薯单产及水分利用效率均无法提高，基于此，本发明实施例提供的一种基于高光谱特征参数的马铃薯叶片含水量监测方法，该方法采用偏最小二乘回归法和BP神经网络法均能实时、快速、无损的预测出马铃薯叶片含水量，可用于马铃薯植株含水量的精准监测，从而科学灌溉，确保亩产量最大化；为便于对本实施例进行理解，首先对本发明实施例所公开的基于高光谱特征参数的马铃薯叶片含水量监测方法进行详细介绍。
本发明提供了一种基于高光谱特征参数的马铃薯叶片含水量监测方法，该方法能够实时、快速、无损的监测出马铃薯叶片含水量，包括如下步骤：
获取马铃薯冠层叶片高光谱实测数据，既高光谱反射率。对于高光谱实测数据的获取，使用地物波谱仪（SVC-1024i），选择天气晴朗无云层遮挡、无风或风速很小的天气，北京时间10：00–14：00之间进行马铃薯冠层叶片高光谱反射率。该光谱仪的工作范围为377~2521nm。测量过程中用标准白板及时对每组目标的观测前后进行校正；
然后使用EXCEL和ORIGIN软件计算出高光谱数据的光谱指数和一阶导数；基于Matlab统计分析软件，采用连续投影算法筛选并构建由高光谱反射率、光谱指数和一阶导数组成的特征高光谱数据库；
筛选得到的可实现反演马铃薯叶片含水量的特征高光谱数据库包括12个波段的高光谱反射率、表征植株水分状况的17个光谱指数和13个波段的高光谱反射率一阶导数，共42个（表1）。
表1 表征植株水分状况的特征光谱数据库
Figure DEST_PATH_IMAGE002
其中，R表示该波段的高光谱反射率，例如R337表示的是，在波段为337nm时的高光谱反射率的值；D表示该波段的一阶导数，意义同上；而指数一栏是各个波段指数的学术定义。
在此基础上，采用偏最小二乘回归（Partial least squares regression，PLSR）、BP神经网络（Back Propagation Neural Network，BP）两种方法对特征高光谱数据和叶片含水量进行建模。
第一种，采用PLSR法构建马铃薯叶片含水量监测模型
基于PLSR法的叶片含水量监测模型为：公式为Y=134.4039-7.0688 X1+5.9064 X2-12.5501 X3-8.9370 X4-2.0837 X5+0.5080 X6+0.0335 X7+0.0015 X8-0.3777 X9+0.2901X10-0.5238 X11+0.0350 X12+5.8536 X13+60.1427 X14-3.2303 X15-1.9036 X16+87.3054 X17+69.5774 X18+987.224 X19-77.9881 X20-20.5335 X21-0.5138 X22+11.5457 X23-2.2882X24-124.521 X25+125.8303 X26-328.765 X27-50.1144 X28+13.5310 X29+89.2984 X30-79.7956 X31+16.3523 X32+4.2422 X33-5.1212 X34+12.6996 X35+4.4301 X36+3.7904 X37+0.2899 X38+80.8366 X39+5.5654 X40+9.2622 X41+0.0811 X42
模型中的X1—X42分别是表1中的高光谱反射率、指数和一阶导数的顺序排列。由图1可知，随高光谱指标数量的增加，其对马铃薯叶片含水量的解释度也逐渐增大，且当高光谱指标数量达到并超过25个后，其对马铃薯叶片含水量的解释度增速明显放缓，最终的解释度达到80%，即25个特征高光谱数据构建模型能够解释马铃薯叶片含水量状况。
采用检验样本对上述模型进行验证，计算出预测值和实测值之间的决定系数（R-squared）、均方根误差（RMSE）、残差平方和（RSS）。从表2可知，该模型的R-squared为0.7311，说明马铃薯叶片含水量与高光谱反射率存在较好的线性相关，采用该方法的优势是直观、可视化、操作简便。
表2 监测模型的精度表征参数
Figure DEST_PATH_IMAGE004
第二种是利用BP神经网络法构建马铃薯叶片含水量监测模型
BP神经网络模型并非常规方程形式，而是以文件形式保存；建模方法如下：
该方法同样基于上述表1 中表征马铃薯叶片水分状况的特征高光谱数据库；
运用特征高光谱数据库采用BP神经网络法建模，同时运用验证数据集进行验证，获得精度（R-squared）较高的10个模型；各模型的计算方法如图5所示：
为了避免陷入局部异常值，使用整体数据集再次进行上述10个模型的二次验证，同时也得到相应的R-squared值；
通过两次验证的R-squared，确定最佳叶片含水量监测模型；
通过上述方法构建的BP神经网络模型，获得的最佳叶片含水量预测模型为第九个模型，其两次（验证集和整体数据集）验证的R-squared分别为0.8100、0.8062（图3）。
图2为运用验证数据集进行验证，获得精度（R-squared）最高的第九个模型。
根据上述（第9个）模型，编写代码如下。使用时将测得的特征光谱值（波段、指数、导数）整理好后带入图中 “LWC_DATA”运行（图4），获得相应的叶片含水量预测值，用于马铃薯植株水分状况的实时监测，利用该方法，优势是精度高、计算快速。
最后应说明的是：以上所述实施例，仅为本发明的具体实施方式，用以说明本发明的技术方案，而非对其限制，本发明的保护范围并不局限于此，尽管参照前述实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：任何熟悉本技术领域的技术人员在本发明揭露的技术范围内，其依然可以对前述实施例所记载的技术方案进行修改或可轻易想到变化，或者对其中部分技术特征进行等同替换；而这些修改、变化或者替换，并不使相应技术方案的本质脱离本发明实施例技术方案的精神和范围，都应涵盖在本发明的保护范围之内。因此，本发明的保护范围应所述以权利要求的保护范围为准。

Claims (2)

1.一种基于高光谱特征参数的马铃薯叶片含水量监测方法，其特征在于，包括如下步骤：
第一步：获取马铃薯冠层叶片高光谱实测数据，既高光谱反射率，然后使用EXCEL和ORIGIN软件计算出高光谱数据的光谱指数和一阶导数；基于Matlab统计分析软件，采用连续投影算法筛选并构建由高光谱反射率、光谱指数和一阶导数组成的特征高光谱数据库；
特征高光谱数据库包括：X1=R337、X2=R399、X3=R551、X4=R672、X5=R694、X6=R1009、X7=R1131、X8=R1352、X9=R1388、X10=R1411、X11=R1668、X12=R2491，X13=Ρr、X14= EVI、X15=Mr/My、X16= NDII、X17= WBI、X18= NDρg/ρr、X19= PSRI、X20= NDWI、X21= MSI、X22= SR、X23= Msr705、X24= VOG1、X25= VOG2、X26= VOG3、X27= NDVI、X28= NDVI705、X29= Dρg，X30=D461、X31=D554、X32=D585、X33=D879、X34=D991、X35=D1134、X36=D1363、X37=D1372、X38=D1395、X39=D1504、X40=D1809、X41=D2230、X42=D2394
其中，R表示该波段的高光谱反射率；D表示该波段的一阶导数；
第二步：将上述筛选的特征高光谱数据库，按序代入到下列公式中，采用偏最小二乘法构建马铃薯叶片含水量监测模型；
其中，公式为Y=134.4039-7.0688 X1+5.9064 X2-12.5501 X3-8.9370 X4-2.0837 X5+0.5080 X6+0.0335 X7+0.0015 X8-0.3777 X9+0.2901 X10-0.5238 X11+0.0350 X12+5.8536X13+60.1427 X14-3.2303 X15-1.9036 X16+87.3054 X17+69.5774 X18+987.224 X19-77.9881X20-20.5335 X21-0.5138 X22+11.5457 X23-2.2882 X24-124.521 X25+125.8303 X26-328.765X27-50.1144 X28+13.5310 X29+89.2984 X30-79.7956 X31+16.3523 X32+4.2422 X33-5.1212X34+12.6996 X35+4.4301 X36+3.7904 X37+0.2899 X38+80.8366 X39+5.5654 X40+9.2622 X41+0.0811 X42
第三步：将第二步所构建的监测模型进行计算，计算出Y，即可得出预测的马铃薯叶片含水量值。
2.根据权利要求1所述的监测方法，基于特征高光谱数据库采用BP神经网络法对马铃薯叶片含水量进行预测，其特征在于，包括如下步骤：
获取马铃薯冠层叶片高光谱实测数据，既高光谱反射率，然后使用EXCEL和ORIGIN软件计算出高光谱数据的光谱指数和一阶导数；基于Matlab统计分析软件，采用连续投影算法筛选并构建由高光谱反射率、光谱指数和一阶导数组成的特征高光谱数据库；
特征高光谱数据库包括：X1=R337、X2=R399、X3=R551、X4=R672、X5=R694、X6=R1009、X7=R1131、X8=R1352、X9=R1388、X10=R1411、X11=R1668、X12=R2491，X13=Ρr、X14= EVI、X15=Mr/My、X16= NDII、X17= WBI、X18= NDρg/ρr、X19= PSRI、X20= NDWI、X21= MSI、X22= SR、X23= Msr705、X24= VOG1、X25= VOG2、X26= VOG3、X27= NDVI、X28= NDVI705、X29= Dρg，X30=D461、X31=D554、X32=D585、X33=D879、X34=D991、X35=D1134、X36=D1363、X37=D1372、X38=D1395、X39=D1504、X40=D1809、X41=D2230、X42=D2394
其中，R表示该波段的高光谱反射率；D表示该波段的一阶导数；
运用特征高光谱数据库采用BP神经网络法建模，同时运用验证数据集进行验证，获得精度较高的10个模型；
为了避免陷入局部异常值，使用整体数据集再次进行上述10个模型的二次验证，同时也得到相应的R-squared值；
通过两次验证的R-squared，确定最佳叶片水分监测模型；
在METLAB环境下，利用最佳水分监测模型进行马铃薯叶片含水量的预测，预测过程包含划分数据集、数据归一化、模型计算、反归一化处理，即可获得相应的叶片含水量预测值，用于马铃薯植株水分状况的实时监测。
CN202110263022.7A 2021-03-11 2021-03-11 一种基于高光谱特征参数的马铃薯叶片含水量监测方法 Active CN112945881B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202110263022.7A CN112945881B (zh) 2021-03-11 2021-03-11 一种基于高光谱特征参数的马铃薯叶片含水量监测方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110263022.7A CN112945881B (zh) 2021-03-11 2021-03-11 一种基于高光谱特征参数的马铃薯叶片含水量监测方法

Publications (2)

Publication Number Publication Date
CN112945881A true CN112945881A (zh) 2021-06-11
CN112945881B CN112945881B (zh) 2022-10-25

Family

ID=76229521

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110263022.7A Active CN112945881B (zh) 2021-03-11 2021-03-11 一种基于高光谱特征参数的马铃薯叶片含水量监测方法

Country Status (1)

Country Link
CN (1) CN112945881B (zh)

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113433081A (zh) * 2021-07-06 2021-09-24 江南大学 基于动态神经网络的果蔬干燥过程中品质检测方法及系统
CN113466156A (zh) * 2021-07-30 2021-10-01 内蒙古农业大学 一种基于可见-近红外光谱的木材合法性验证方法

Citations (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102426153A (zh) * 2011-11-21 2012-04-25 南京农业大学 一种基于冠层高光谱指数的小麦植株水分监测方法
WO2013186559A2 (en) * 2012-06-13 2013-12-19 Adrok Ltd. Methods for determining material and/or subsurface composition
US20140012504A1 (en) * 2012-06-14 2014-01-09 Ramot At Tel-Aviv University Ltd. Quantitative assessment of soil contaminants, particularly hydrocarbons, using reflectance spectroscopy
WO2015195988A1 (en) * 2014-06-18 2015-12-23 Texas Tech University System Portable apparatus for soil chemical characterization
CN109060676A (zh) * 2018-07-05 2018-12-21 中国水利水电科学研究院 基于高光谱的夏玉米冠层spad值估算模型的确定方法
CN110220852A (zh) * 2019-06-25 2019-09-10 商丘师范学院 基于高光谱遥感的烟草叶片等效水厚度的监测方法
CN110470629A (zh) * 2019-08-01 2019-11-19 赣南医学院 一种油茶籽中水分和含油量的近红外定量分析方法
US10845243B1 (en) * 2019-05-20 2020-11-24 China Institute Of Water Resources And Hydropower Research Method for establishing content monitoring model of canopy water of winter wheat based on spectral parameters

Patent Citations (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102426153A (zh) * 2011-11-21 2012-04-25 南京农业大学 一种基于冠层高光谱指数的小麦植株水分监测方法
WO2013186559A2 (en) * 2012-06-13 2013-12-19 Adrok Ltd. Methods for determining material and/or subsurface composition
US20140012504A1 (en) * 2012-06-14 2014-01-09 Ramot At Tel-Aviv University Ltd. Quantitative assessment of soil contaminants, particularly hydrocarbons, using reflectance spectroscopy
WO2015195988A1 (en) * 2014-06-18 2015-12-23 Texas Tech University System Portable apparatus for soil chemical characterization
CN109060676A (zh) * 2018-07-05 2018-12-21 中国水利水电科学研究院 基于高光谱的夏玉米冠层spad值估算模型的确定方法
US10845243B1 (en) * 2019-05-20 2020-11-24 China Institute Of Water Resources And Hydropower Research Method for establishing content monitoring model of canopy water of winter wheat based on spectral parameters
CN110220852A (zh) * 2019-06-25 2019-09-10 商丘师范学院 基于高光谱遥感的烟草叶片等效水厚度的监测方法
CN110470629A (zh) * 2019-08-01 2019-11-19 赣南医学院 一种油茶籽中水分和含油量的近红外定量分析方法

Non-Patent Citations (5)

* Cited by examiner, † Cited by third party
Title
SALEEM ULLAH 等: "Retrieval of leaf water content spanning the visible to thermal infrared spectra", 《ISPRS JOURNAL OF PHOTOGRAMMETRY AND REMOTE SENSING》 *
XIANGYU GE 等: "Combining UAV-based hyperspectral imagery and machine learning algorithms for soil moisture content monitoring", 《ENVIRONMENTAL SCIENCE》 *
向佳琳 等: "基于高光谱的温室网纹甜瓜不同叶位叶片含水率监测", 《江苏农业科学》 *
苏亚拉其其格: "基于高光谱的马铃薯水分亏缺状况实时监测", 《中国马铃薯》 *
贾雯晴: "基于高光谱的小麦水分状况监测研究", 《中国优秀硕士学位论文全文数据库 农业科技辑》 *

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113433081A (zh) * 2021-07-06 2021-09-24 江南大学 基于动态神经网络的果蔬干燥过程中品质检测方法及系统
CN113433081B (zh) * 2021-07-06 2022-05-24 江南大学 基于动态神经网络的果蔬干燥过程中品质检测方法及系统
CN113466156A (zh) * 2021-07-30 2021-10-01 内蒙古农业大学 一种基于可见-近红外光谱的木材合法性验证方法

Also Published As

Publication number Publication date
CN112945881B (zh) 2022-10-25

Similar Documents

Publication Publication Date Title
CN110309985B (zh) 一种农作物产量预测方法及系统
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
CN111855589A (zh) 水稻叶片氮积累量遥感反演模型和方法
CN112945881B (zh) 一种基于高光谱特征参数的马铃薯叶片含水量监测方法
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
CN111260241B (zh) 一种指数型农业保险产品设计方法及其产品
Wang et al. Interdecadal variation of potato climate suitability in China
CN111829965A (zh) 水稻地上部淀粉积累量遥感反演模型和方法
CN110569605B (zh) 一种基于nsga2-elm的粳稻叶片氮素含量反演模型方法
CN111044516A (zh) 一种水稻叶绿素含量遥感估测方法
CN110119767A (zh) 一种基于lvq神经网络的黄瓜温室温度智能化检测装置
CN112598277A (zh) 一种评估跨区域缩小冬小麦产量差与提高氮肥效率的方法
Baigorria et al. Assessing predictability of cotton yields in the southeastern United States based on regional atmospheric circulation and surface temperatures
CN114330931A (zh) 一种基于气象条件的桂平荔枝产量大小年年型等级区域预测模型的构建方法
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
Li et al. Optimizing parameters of a non-linear accumulated temperature model and method to calculate linear accumulated temperature for spring maize in Northeast China
CN116956036A (zh) 一种基于多源数据的作物估产方法
CN112945882B (zh) 一种基于高光谱的马铃薯植株水分监测灌溉方法
CN109615150B (zh) 一种确定水稻气象产量的方法和系统
WO2023245399A1 (zh) 基于土地系统和气候变化耦合的水稻生产潜力模拟方法
Rosero-Montalvo et al. Wireless sensor networks for irrigation in crops using multivariate regression models
CN109840623B (zh) 一种确定芝麻气象产量的方法和系统
CN113052433A (zh) 基于关键时相和农田景观特征参量的作物单产估算方法
CN108416154B (zh) 一种基于遥感信息的区域作物耗水与产量的精细模拟方法
Jiao et al. [Retracted] Prediction Model of Rice Seedling Growth and Rhizosphere Fertility Based on the Improved Elman Neural Network

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