CN112949681A - 基于卫星光谱的盐渍土电导率估算方法 - Google Patents

基于卫星光谱的盐渍土电导率估算方法 Download PDF

Info

Publication number
CN112949681A
CN112949681A CN202110107233.1A CN202110107233A CN112949681A CN 112949681 A CN112949681 A CN 112949681A CN 202110107233 A CN202110107233 A CN 202110107233A CN 112949681 A CN112949681 A CN 112949681A
Authority
CN
China
Prior art keywords
data
data set
spectral
conductivity
soil
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
Application number
CN202110107233.1A
Other languages
English (en)
Inventor
李晓洁
孙艺珊
姜涛
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.)
Northeast Institute of Geography and Agroecology of CAS
Original Assignee
Northeast Institute of Geography and Agroecology of CAS
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 Northeast Institute of Geography and Agroecology of CAS filed Critical Northeast Institute of Geography and Agroecology of CAS
Priority to CN202110107233.1A priority Critical patent/CN112949681A/zh
Publication of CN112949681A publication Critical patent/CN112949681A/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
    • G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
    • 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
    • G01N27/00—Investigating or analysing materials by the use of electric, electrochemical, or magnetic means
    • G01N27/02—Investigating or analysing materials by the use of electric, electrochemical, or magnetic means by investigating impedance
    • G01N27/04—Investigating or analysing materials by the use of electric, electrochemical, or magnetic means by investigating impedance by investigating resistance
    • G01N27/041—Investigating or analysing materials by the use of electric, electrochemical, or magnetic means by investigating impedance by investigating resistance of a solid body
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N20/00—Machine learning
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N20/00—Machine learning
    • G06N20/10—Machine learning using kernel methods, e.g. support vector machines [SVM]

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • Software Systems (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Artificial Intelligence (AREA)
  • Chemical & Material Sciences (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Evolutionary Computation (AREA)
  • General Engineering & Computer Science (AREA)
  • Computing Systems (AREA)
  • Pathology (AREA)
  • Mathematical Physics (AREA)
  • Medical Informatics (AREA)
  • Health & Medical Sciences (AREA)
  • Analytical Chemistry (AREA)
  • Biochemistry (AREA)
  • General Health & Medical Sciences (AREA)
  • Immunology (AREA)
  • Evolutionary Biology (AREA)
  • Electrochemistry (AREA)
  • Chemical Kinetics & Catalysis (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Spectroscopy & Molecular Physics (AREA)
  • Investigating Or Analysing Materials By Optical Means (AREA)
  • Investigating Or Analyzing Materials By The Use Of Electric Means (AREA)

Abstract

基于卫星光谱的盐渍土电导率估算方法，本发明涉及遥感图像处理及计算机领域，提供了一种基于卫星光谱的盐渍土电导率估算方法。本发明是为了解决高光谱影像数据影像覆盖面积小限制其在地区土壤盐渍化监测应用的技术问题。本方法如下：提取采样点的光谱反射率，分组为训练数据集和验证数据集；确认敏感波段；确认最优光谱指数；得到参数λ；得到训练集EC_bc和验证集EC_bc；建立机器学习模型；确认最优反演模型；基于任意卫星光谱，利用反演模型，实现盐渍土电导率的估算。本发明可实现对盐渍土含盐量的在线估算，具有重要的应用价值。该方法计算速度快、复杂度低、成本低，不需要取样测量，节约了大量的人力物力。

Description

基于卫星光谱的盐渍土电导率估算方法
技术领域
本发明涉及遥感图像处理及计算机领域，提供了一种基于卫星光谱的盐渍土电导率估算方法。
背景技术
土壤盐碱化是一个世界性难题，全世界盐碱地面积约10亿公顷。我国盐碱地面积约3460万公顷，有近1/5耕地发生盐碱化，面积达760万公顷，其中原生盐化型、次生盐化型和各种碱化型分布分别占总面积的52％、40％和8％。盐碱地的存在严重阻碍了农业和农村经济的健康发展，已经成为困扰农业发展的主要因素。
利用遥感大面积监测盐渍土，由于其实时性强、成本低等，已成为近二十年来的主流手段，在众多的遥感手段中，光谱不易受环境干扰，进行盐分定量估算的主要手段多是基于对光谱的响应特征。
孙毅等对陕西地区盐渍土壤的反射光谱进行了研究，结果表明盐渍土反射光谱与其含盐量显著相关，建立的相关方程可靠性在75％以上。Dwivedi对盐渍土监测的最佳波段组合进行了试验研究，结果指出TM数据中1、3和5波段组合所含盐渍化信息量最大，且盐渍化土壤信息的精度与遥感数据信息量的大小并不成正比关系。吴昀昭等通过实验进一步发现可见光(0.55～0.77μm)、近红外(0.9～1.03μm，1.27～1.52μm)和短波红外(1.94～2.15μm，2.15～2.31μm，2.33～2.4μm)是识别盐渍土的关键波段。亢庆针对盐渍土的光谱响应特征，分别对ASTER和SPOT数据、TM和MSS数据的可见光、近红外和短波红外的光谱响应波段进行组合并对新疆艾比湖区域进行了盐渍化程度分级的制图研究。Shrestha基于增强专题制图仪(ETM+)的8个波段，建立包含多个光谱变量的归一化植被指数(NDVI)以及归一化盐分指数(NDSI)与盐分数据的盐分预测模型，发现波段7(中红外)与波段4(近红外)与土壤电导率的相关性最高，并对大面积的土壤盐分作出预测。
在此基础上，许多学者开始对土壤盐分的定量估算进行研究，主要方法包括利用土壤盐度与光谱特征之间的定量关系建立盐度估算模型。使用的统计方法包括多元统计分析、反向传播人工神经网络、偏最小二乘回归。和支持向量机。Ben-Dor等利用DAIS-79Israel流域进行研究，通过逐步回归的方法对土壤特征进行分析并定量制作了包括土壤湿度、土壤电导率(EC)、土壤有机质等在内的专题地图。Farifthe等用高光谱数据对土壤盐渍化进行研究，得出盐渍土与非盐渍土可通过地物高光谱特性很好的进行区分，同时提出利用偏最小二乘回归与人工神经网络的方法结合标准光谱反射对土壤含盐量进行预测。丁建丽等对新疆塔里木盆地魏干-库车三角洲绿洲北缘盐渍土进行了研究和分析，发现基于综合光谱指数的盐渍化高光谱模型明显优于传统的遥感方法。王静等对野外高光谱数据进行人工神经网络训练，建立松嫩平原西部土壤盐分估算模型。Pang等利用中国民秦县获得的高光谱遥感数据，基于遗传算法提高了土壤含盐量预测精度。但高光谱影像数据仍受到数据获取、影像覆盖面积小等实际因素限制其在地区土壤盐渍化监测的应用。
发明内容
本发明的目的是为了解决高光谱影像数据影像覆盖面积小限制其在地区土壤盐渍化监测应用的技术问题，提供了一种基于卫星光谱的盐渍土电导率估算方法。
基于卫星光谱的盐渍土电导率估算方法，按照以下步骤进行：
一、下载采样点的光谱卫星影像，对影像进行剪裁、大气校正处理后，提取采样点的光谱反射率；
二、将采样点数据随机分组，选取其中的2/3作为训练数据集，剩余1/3作为验证数据集；
三、对训练数据集的数据和对应的光谱反射率进行相关分析，使用Pearson相关系数来衡量相关关系的强弱，公式如下：
Figure BDA0002918021940000021
式子中x为电导率，y为光谱反射率，根据分析结果当|r|>0.4时，为敏感波段；
四、构建光谱指数，并对光谱指数与训练数据集作相关分析，使用Pearson相关系数来衡量相关关系的强弱，采用公式(1)计算，根据分析结果选择|r|>0.4，为最优光谱指数；
五、对训练数据集的数据进行高斯-马尔科夫正则化运算，即公式2，得到参数λ；
Figure BDA0002918021940000031
其中，y是原始数据，λ为待定变化参数，通过寻找似然函数最大值Lmax(λ)确定最优的λ值；
六、对训练数据集的数据和验证数据集的数据分别进行参数为λ的Gauss-Markov正则化运算，得到新的数据集：训练集EC_bc和验证集EC_bc；
七、基于步骤四建立的最优光谱指数和步骤六的训练集EC_bc，建立机器学习模型，模型的输入为最优光谱指数，输出为训练集EC_bc；
八、利用验证集EC_bc对步骤七中的机器学习模型进行精度验证，决定系数R2最接近1的模型为最优反演模型；
九、基于任意卫星光谱，利用步骤八中的反演模型，实现盐渍土电导率的估算。
步骤四中所述光谱指数为土壤盐分指数SI1、SI2、SI3，以及归一化盐分指数NDSI和比值盐分指数SI-T，计算公式分别如下：
Figure BDA0002918021940000032
Figure BDA0002918021940000033
Figure BDA0002918021940000034
NDSI＝(R-NIR)/(R+NIR) (6)
SI-T＝R/NIR (7)
式中G为绿光波段的反射率，R为红光波段的反射率，NIR为近红外波段的反射率。
步骤七所述机器学习模型为支持向量机(Support vector machine,SVM)、回归树(Regression trees,RT)、高斯过程回归(Gaussian Process Regression,GPR)或集成树(Ensemble tree,ET)。
本发明基于卫星光谱数据，探索不同光谱参数与盐渍土电导率变换后数据间的关系，并在此基础上SVM、RT、GPR、ET四种机器学习算法构建电导率估算模型，可实现对盐渍土含盐量的在线估算，具有重要的应用价值。
该方法计算速度快、复杂度低、成本低，不需要取样测量，节约了大量的人力物力。
附图说明
图1是本发明的算法流程图；
图2是实验一中利用本方法实现吉林省西部盐渍土电导率的估算结果图。
具体实施方式
本发明技术方案不局限于以下所列举具体实施方式，还包括各具体实施方式间的任意组合。
具体实施方式一：本实施方式基于卫星光谱的盐渍土电导率估算方法，按照以下步骤进行：
一、下载采样点的光谱卫星影像，对影像进行剪裁、大气校正处理后，提取采样点的光谱反射率；
二、将采样点数据随机分组，选取其中的2/3作为训练数据集，剩余1/3作为验证数据集；
三、对训练数据集的数据和对应的光谱反射率进行相关分析，使用Pearson相关系数来衡量相关关系的强弱，公式如下：
Figure BDA0002918021940000041
式子中x为电导率，y为光谱反射率，根据分析结果当|r|>0.4时，为敏感波段；
四、构建光谱指数，并对光谱指数与训练数据集作相关分析，使用Pearson相关系数来衡量相关关系的强弱，采用公式(1)计算，根据分析结果选择|r|>0.4，为最优光谱指数；
五、对训练数据集的数据进行高斯-马尔科夫正则化运算，即公式2，得到参数λ；
Figure BDA0002918021940000042
其中，y是原始数据，λ为待定变化参数，通过寻找似然函数最大值Lmax(λ)确定最优的λ值；
六、对训练数据集的数据和验证数据集的数据分别进行参数为λ的Gauss-Markov正则化运算，得到新的数据集：训练集EC_bc和验证集EC_bc；
七、基于步骤四建立的最优光谱指数和步骤六的训练集EC_bc，建立机器学习模型，模型的输入为最优光谱指数，输出为训练集EC_bc；
八、利用验证集EC_bc对步骤七中的机器学习模型进行精度验证，决定系数R2最接近1的模型为最优反演模型；
九、基于任意卫星光谱，利用步骤八中的反演模型，实现盐渍土电导率的估算。
具体实施方式二：本实施方式与具体实施方式一不同的是步骤四中所述光谱指数为土壤盐分指数SI1、SI2、SI3，以及归一化盐分指数NDSI和比值盐分指数SI-T，计算公式分别如下：
Figure BDA0002918021940000051
Figure BDA0002918021940000052
Figure BDA0002918021940000053
NDSI＝(R-NIR)/(R+NIR) (6)
SI-T＝R/NIR (7)式中G为绿光波段的反射率，R为红光波段的反射率，NIR为近红外波段的反射率。其他与具体实施方式一相同。
具体实施方式三：本实施方式与具体实施方式一或二不同的是步骤七所述机器学习模型为支持向量机、回归树、高斯过程回归或集成树。其他与具体实施方式一或二相同。
采用下述实验验证本发明效果：
实验一：
以基于哨兵2号卫星估算吉林省西部盐渍土的电导率为例。
基于卫星光谱的盐渍土电导率估算方法，按照以下步骤进行：
步骤一、下载吉林省西部2019年6月23日的哨兵2号光谱卫星影像，对影像进行剪裁、大气校正预处理后，提取327个采样点的光谱反射率。
步骤二、将327个采样点数据随机分组，选取其中的2/3即218个作为训练数据集，剩余1/3即109作为验证数据集。
步骤三、对训练数据集的数据和对应的光谱反射率进行Pearson相关系数计算，公式如下：
Figure BDA0002918021940000054
式子中x为电导率，y为光谱反射率，根据分析结果当|r|>0.4时，选择的敏感波段为B2、B3、B4、B8。
步骤四、构建光谱指数，并对光谱指数与训练数据集作Pearson相关系数计算，公式如(1)所示。根据分析结果，选择最优光谱指数为B2*B3*B4，B2*B3*B8，B3*B4*B8，B2*B3,B3*B8,NDSI,SI2以及SI_T。
其中所述光谱指数为土壤盐分指数SI1、SI2、SI3，以及归一化盐分指数NDSI和比值盐分指数SI-T，计算公式分别如下：
Figure BDA0002918021940000061
Figure BDA0002918021940000062
Figure BDA0002918021940000063
NDSI＝(R-NIR)/(R+NIR) (6)
SI-T＝R/NIR (7)
式中G为绿光波段的反射率，R为红光波段的反射率，NIR为近红外波段的反射率。
步骤五、对训练数据集的数据进行高斯-马尔科夫正则化运算，公式如下，得到参数λ；
Figure BDA0002918021940000064
其中，y是原始数据，λ为待定变化参数。通过寻找似然函数最大值Lmax(λ)来确定最优的λ值，计算得到参数λ＝0；
步骤六、对训练数据集的数据和验证集数据集的数据分别进行参数为λ＝0的Gauss-Markov正则化运算(公式(2))，参数λ＝0，得到新的数据集：训练集EC_bc和验证集EC_bc；
步骤七、基于步骤四建立的最优光谱指数和步骤六的训练集EC_bc，建立机器学习模型SVM、RT、GPR、ET，模型的输入为最优光谱指数，输出为训练集EC_bc。
步骤八、利用验证集EC_bc对步骤七中的机器学习模型进行精度验证，得到四种机器模型SVM、RT、GPR、ET的决定系数R2分别为0.67、0.61、0.72和0.63，可见，GPR模型精度最高，选其作为最优的反演模型。
步骤九、基于整个吉林省西部的哨兵2号卫星光谱，利用步骤九中的最优反演模型，可以实现吉林省西部盐渍土电导率的估算，结果如图2所示。

Claims (3)

1.基于卫星光谱的盐渍土电导率估算方法，其特征在于所述基于卫星光谱的盐渍土电导率估算方法，按照以下步骤进行：
一、下载采样点的光谱卫星影像，对影像进行剪裁、大气校正处理后，提取采样点的光谱反射率；
二、将采样点数据随机分组，选取其中的2/3作为训练数据集，剩余1/3作为验证数据集；
三、对训练数据集的数据和对应的光谱反射率进行相关分析，使用Pearson相关系数来衡量相关关系的强弱，公式如下：
Figure FDA0002918021930000011
式子中x为电导率，y为光谱反射率，根据分析结果当|r|>0.4时，为敏感波段；
四、构建光谱指数，并对光谱指数与训练数据集作相关分析，使用Pearson相关系数来衡量相关关系的强弱，采用公式(1)计算，根据分析结果选择|r|>0.4，为最优光谱指数；
五、对训练数据集的数据进行高斯-马尔科夫正则化运算，即公式2，得到参数λ；
Figure FDA0002918021930000012
其中，y是原始数据，λ为待定变化参数，通过寻找似然函数最大值Lmax(λ)确定最优的λ值；
六、对训练数据集的数据和验证数据集的数据分别进行参数为λ的Gauss-Markov正则化运算，得到新的数据集：训练集EC_bc和验证集EC_bc；
七、基于步骤四建立的最优光谱指数和步骤六的训练集EC_bc，建立机器学习模型，模型的输入为最优光谱指数，输出为训练集EC_bc；
八、利用验证集EC_bc对步骤七中的机器学习模型进行精度验证，决定系数R2最接近1的模型为最优反演模型；
九、基于任意卫星光谱，利用步骤八中的反演模型，实现盐渍土电导率的估算。
2.根据权利要求1所述基于卫星光谱的盐渍土电导率估算方法，其特征在于步骤四中所述光谱指数为土壤盐分指数SI1、SI2、SI3，以及归一化盐分指数NDSI和比值盐分指数SI-T，计算公式分别如下：
Figure FDA0002918021930000013
Figure FDA0002918021930000021
Figure FDA0002918021930000022
NDSI＝(R-NIR)/(R+NIR) (6)
SI-T＝R/NIR (7)
式中G为绿光波段的反射率，R为红光波段的反射率，NIR为近红外波段的反射率。
3.根据权利要求1所述基于卫星光谱的盐渍土电导率估算方法，其特征在于步骤七所述机器学习模型为支持向量机、回归树、高斯过程回归或集成树。
CN202110107233.1A 2021-01-27 2021-01-27 基于卫星光谱的盐渍土电导率估算方法 Pending CN112949681A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202110107233.1A CN112949681A (zh) 2021-01-27 2021-01-27 基于卫星光谱的盐渍土电导率估算方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110107233.1A CN112949681A (zh) 2021-01-27 2021-01-27 基于卫星光谱的盐渍土电导率估算方法

Publications (1)

Publication Number Publication Date
CN112949681A true CN112949681A (zh) 2021-06-11

Family

ID=76237370

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110107233.1A Pending CN112949681A (zh) 2021-01-27 2021-01-27 基于卫星光谱的盐渍土电导率估算方法

Country Status (1)

Country Link
CN (1) CN112949681A (zh)

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114527087A (zh) * 2022-03-03 2022-05-24 东北大学 一种尾砂成分含量估测方法及系统
WO2023087630A1 (zh) * 2021-11-22 2023-05-25 浙江大学 一种利用遥感构建指数估算秸秆残留农田土壤盐分的方法

Citations (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112213287A (zh) * 2020-12-07 2021-01-12 速度时空信息科技股份有限公司 基于遥感卫星影像的沿海滩涂盐度反演的方法

Patent Citations (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112213287A (zh) * 2020-12-07 2021-01-12 速度时空信息科技股份有限公司 基于遥感卫星影像的沿海滩涂盐度反演的方法

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
YISHAN SUN: "Electrical Conductivity Inversion Method of Saline Soil based on Sentinel-2 MSI data", 《DOI：10.22541/AU.160903143.39971007/V1》 *

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2023087630A1 (zh) * 2021-11-22 2023-05-25 浙江大学 一种利用遥感构建指数估算秸秆残留农田土壤盐分的方法
CN114527087A (zh) * 2022-03-03 2022-05-24 东北大学 一种尾砂成分含量估测方法及系统

Similar Documents

Publication Publication Date Title
Garajeh et al. An automated deep learning convolutional neural network algorithm applied for soil salinity distribution mapping in Lake Urmia, Iran
Sarker et al. Improved forest biomass estimates using ALOS AVNIR-2 texture indices
Chen et al. Soil salinity inversion based on differentiated fusion of satellite image and ground spectra
Zhang et al. Estimating soil salinity with different fractional vegetation cover using remote sensing
CN109726705B (zh) 红树林信息的提取方法、装置及电子设备
CN112949681A (zh) 基于卫星光谱的盐渍土电导率估算方法
Yang et al. Effect of spring irrigation on soil salinity monitoring with UAV-borne multispectral sensor
Cheng et al. Combining multivariate method and spectral variable selection for soil total nitrogen estimation by Vis–NIR spectroscopy
CN109214591B (zh) 一种木本植物地上生物量预测方法及系统
Cui et al. Estimating soil salinity under sunflower cover in the Hetao Irrigation District based on unmanned aerial vehicle remote sensing
Yang et al. Estimating soil salinity using Gaofen-2 imagery: A novel application of combined spectral and textural features
CN116343046A (zh) 基于自优化机器学习的多源遥感城市河流水质监测方法
Peng et al. Comparisons of the prediction results of soil properties based on fuzzy c-means clustering and expert knowledge from laboratory Visible–Near-Infrared reflectance spectroscopy data
Banskota et al. Continuous wavelet analysis for spectroscopic determination of subsurface moisture and water-table height in northern peatland ecosystems
Junting et al. High spatial resolution topsoil organic matter content mapping across desertified land in northern China
Cao et al. Nondestructive detection of lead content in oilseed rape leaves based on MRF‐HHO‐SVR and hyperspectral technology
Zhang et al. Inversion models of aboveground grassland biomass in Xinjiang based on multisource data
Liu et al. Integrating multiple vegetation indices via an artificial neural network model for estimating the leaf chlorophyll content of Spartina alterniflora under interspecies competition
Zhai et al. CatBoost algorithm for estimating maize above-ground biomass using unmanned aerial vehicle-based multi-source sensor data and SPAD values
Hu et al. Retrieval of suspended sediment concentrations using remote sensing and machine learning methods: A case study of the lower Yellow River
Wang et al. Estimation of soil organic matter by in situ Vis-NIR spectroscopy using an automatically optimized hybrid model of convolutional neural network and long short-term memory network
CN114359544B (zh) 基于T-SAE农作物植株铅浓度Vis-NIR光谱深度迁移学习方法
Goudarzi et al. Calibration of SWAT and three data-driven models for monthly stream flow simulation in Maharlu Lake Basin
Li et al. Hyperspectral characterization and chlorophyll content inversion of reclaimed vegetation in rare earth mines
Lassalle et al. Distinguishing carotene and xanthophyll contents in the leaves of riparian forest species by applying machine learning algorithms to field reflectance data

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
RJ01 Rejection of invention patent application after publication
RJ01 Rejection of invention patent application after publication

Application publication date: 20210611