CN113722990A - 基于植被指数三维矩阵的叶片干物质含量反演方法及系统 - Google Patents
基于植被指数三维矩阵的叶片干物质含量反演方法及系统 Download PDFInfo
- Publication number
- CN113722990A CN113722990A CN202110966595.6A CN202110966595A CN113722990A CN 113722990 A CN113722990 A CN 113722990A CN 202110966595 A CN202110966595 A CN 202110966595A CN 113722990 A CN113722990 A CN 113722990A
- Authority
- CN
- China
- Prior art keywords
- sample
- inversion
- vegetation index
- dimensional matrix
- leaf
- 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
Images
Classifications
-
- 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
- G06F30/27—Design optimisation, verification or simulation using machine learning, e.g. artificial intelligence, neural networks, support vector machines [SVM] or training a model
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
- G06F17/10—Complex mathematical operations
- G06F17/16—Matrix or vector computation, e.g. matrix-matrix or matrix-vector multiplication, matrix factorization
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Mathematical Analysis (AREA)
- Data Mining & Analysis (AREA)
- Pure & Applied Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Evolutionary Computation (AREA)
- Mathematical Optimization (AREA)
- Computational Mathematics (AREA)
- Computing Systems (AREA)
- Medical Informatics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Artificial Intelligence (AREA)
- Geometry (AREA)
- Algebra (AREA)
- Computer Hardware Design (AREA)
- Databases & Information Systems (AREA)
- Investigating Or Analysing Materials By Optical Means (AREA)
Abstract
本发明涉及生化参数反演领域,提供一种基于植被指数三维矩阵的叶片干物质含量反演方法及系统,包括:S1:将训练样本的叶片参数输入PROSPECT‑D辐射传输模型进行正向运算,获得训练样本的叶片反射率谱;S2:通过训练样本的叶片反射率谱构建三维矩阵空间;S3:获取待测样本数据集;S4:计算获得各待测样本的反演坐标,将各待测样本的反演坐标输入三维矩阵空间,获得各待测样本的反演值;S5:将各待测样本的反演值与各待测样本的干物质含量LMA2进行对比,获得反演的精确度。本发明相对于单一植被指数法可以显著提升叶片干物质反演的精度,通过使用PROSPECT‑D模型的大范围模拟而具有一定的泛化能力,使用时十分高效,简单,适用于较大尺度的LMA研究。
Description
技术领域
本发明涉及生化参数反演领域,尤其涉及一种基于植被指数三维矩阵的叶片干物质含量反演方法及系统。
背景技术
叶片干物质含量(LMA)通常是指单位面积的叶片干重,传统的测量方式耗时耗力,且往往具有破坏性,随着农业机械化的脚步逼近,发展更高效的测量方式迫在眉睫。随着遥感技术的飞速发展,遥感数据的可用性也大大提高。至今为止,通过检测遥感反射率信号的变化来间接获取LMA变化的方法正逐渐被接受。根据机理模式可以将这些方法分为经验方法和物理方法。对于经验方法,运用起来简单、高时效,但反射率信号与目标参数之间的统计关系往往因为区域和物种的变化而表现出较强的差异性,因此这类方法缺乏好的泛化能力,比如植被指数(VI),多元回归等。对于物理方法,它们有可解释性更强的物理基础,所以在泛化能力上是具有优势的,但在反解目标参数时由于未知参数远多于已知参数而产生了难以消除的“病态”反演问题,比如PROSPECT、SAIL、DART模型等。
上述内容仅用于辅助理解本发明的技术方案,并不代表承认上述内容是现有技术。
发明内容
本发明的主要目的在于,解决现有技术中,缺乏具有高精度,高时效,以及较好泛化能力的方法的问题。
为实现上述目的,本发明提供一种基于植被指数三维矩阵的叶片干物质含量反演方法,包括:
S1:获取训练样本的叶片参数,所述训练样本的叶片参数包括:结构参数N、叶绿素含量、类胡萝卜素含量、叶片水含量和干物质含量LMA,将所述训练样本的叶片参数输入PROSPECT-D辐射传输模型进行正向运算,获得训练样本的叶片反射率谱;
S2:通过所述训练样本的叶片反射率谱计算获得三维矩阵各坐标轴对应的植被指数,通过所述植被指数和对应的所述LMA构建三维矩阵空间,所述三维矩阵空间包括n×n×n个矩阵单元;
S3:获取待测样本数据集,所述待测样本数据集包括:各待测样本的叶片反射率谱和干物质含量LMA2;
S4:通过所述待测样本的叶片反射率谱计算获得各待测样本的反演坐标,将各所述待测样本的反演坐标输入所述三维矩阵空间,获得各待测样本的反演值;
S5:将各所述待测样本的反演值与各所述待测样本的干物质含量LMA2进行对比,获得反演的精确度。
优选地,步骤S2具体为:
S21:选取对所述LMA敏感的植被指数VI1、植被指数VI2和植被指数VI3作为所述三维矩阵的坐标轴;其中所述植被指数VI1作为所述三维矩阵的x轴,植被指数VI2作为所述三维矩阵的y轴,植被指数VI3作为所述三维矩阵的z轴;
S22:通过各所述训练样本的叶片反射率谱,计算获取所述植被指数VI1、所述植被指数VI2和所述植被指数VI3的数值范围;
S23:将所述植被指数VI1、所述植被指数VI2和所述植被指数VI3的数值范围均等分成n份,将所述三维矩阵分为n×n×n的所述矩阵单元,n为大于0的整数;
S24:在各所述矩阵单元内填充对应的所述LMA,获得所述三维矩阵空间。
优选地,步骤S4具体为:
S41:通过待测样本i的叶片反射率谱,计算获得待测样本i的植被指数VIi1,植被指数VIi2和植被指数VIi3,其中i表示待测样本的编号,0<i≤m,m表示待测样本的总数m;将(VIi1,VIi2,VIi3)作为待测样本i的反演坐标;
S42:将反演坐标(VIi1,VIi2,VIi3)输入所述三维矩阵空间,反演坐标(VIi1,VIi2,VIi3)所在的矩阵单元为待测单元,判断该待测单元是否为NaN;若是,则将最临近该待测单元的所有非NaN矩阵单元的LMA平均值作为待测样本i的反演值;否则,将该待测单元的LMA作为待测样本i的反演值;
S43:重复步骤S41-S42共m次,获得各待测样本的反演值。
一种基于植被指数三维矩阵的叶片干物质含量反演系统,包括:
训练样本叶片反射率谱获取模块,用于获取训练样本的叶片参数,所述训练样本的叶片参数包括:结构参数N、叶绿素含量、类胡萝卜素含量、叶片水含量和干物质含量LMA,将所述训练样本的叶片参数输入PROSPECT-D辐射传输模型进行正向运算,获得训练样本的叶片反射率谱;
三维矩阵空间构建模块,用于通过所述训练样本的叶片反射率谱计算获得三维矩阵各坐标轴对应的植被指数,通过所述植被指数和对应的所述LMA构建三维矩阵空间,所述三维矩阵空间包括n×n×n个矩阵单元;
待测样本数据集获取模块,用于获取待测样本数据集,所述待测样本数据集包括:各待测样本的叶片反射率谱和干物质含量LMA2;
待测样本反演值计算模块,用于通过所述待测样本的叶片反射率谱计算获得各待测样本的反演坐标,将各所述待测样本的反演坐标输入所述三维矩阵空间,获得各待测样本的反演值;
反演精确度计算模块,用于将各所述待测样本的反演值与各所述待测样本的干物质含量LMA2进行对比,获得反演的精确度。
本发明具有以下有益效果:
1、3个对LMA敏感的植被指数被联系在一个三维矩阵空间,如此获得的三维矩阵对LMA的敏感性更好,进而显著提高了利用叶片反射率反演叶片干物质的精度;
2、通过使用PROSPECT-D模型的大范围模拟而具有一定的泛化能力,使用时十分高效,简单,适用于较大尺度的LMA研究。
附图说明
图1为本发明实施例方法流程图;
图2为本发明训练样本的叶片反射率谱;
图3为本发明的第一种三维矩阵空间;
图4为本发明的第二种三维矩阵空间;
图5为本发明实施例系统结构图;
本发明目的的实现、功能特点及优点将结合实施例,参照附图做进一步说明。
具体实施方式
应当理解,此处所描述的具体实施例仅仅用以解释本发明,并不用于限定本发明。
参照图1,本发明提供一种基于植被指数三维矩阵的叶片干物质含量反演方法,包括:
S1:获取训练样本的叶片参数,所述训练样本的叶片参数包括:结构参数N、叶绿素含量、类胡萝卜素含量、叶片水含量和干物质含量LMA,将所述训练样本的叶片参数输入PROSPECT-D辐射传输模型进行正向运算,获得训练样本的叶片反射率谱;
具体实现中,需要统计训练样本的叶片参数中各参数的最小值、最大值、平均值和标准差,如表一所示:
表一
S2:通过所述训练样本的叶片反射率谱计算获得三维矩阵各坐标轴对应的植被指数,通过所述植被指数和对应的所述LMA构建三维矩阵空间,所述三维矩阵空间包括n×n×n个矩阵单元;
S3:获取待测样本数据集,所述待测样本数据集包括:各待测样本的叶片反射率谱和干物质含量LMA2;
S4:通过所述待测样本的叶片反射率谱计算获得各待测样本的反演坐标,将各所述待测样本的反演坐标输入所述三维矩阵空间,获得各待测样本的反演值;
S5:将各所述待测样本的反演值与各所述待测样本的干物质含量LMA2进行对比,获得反演的精确度。
本实施例中,步骤S2具体为:
S21:选取对所述LMA敏感的植被指数VI1、植被指数VI2和植被指数VI3作为所述三维矩阵的坐标轴;其中所述植被指数VI1作为所述三维矩阵的x轴,植被指数VI2作为所述三维矩阵的y轴,植被指数VI3作为所述三维矩阵的z轴;
S22:通过各所述训练样本的叶片反射率谱,计算获取所述植被指数VI1、所述植被指数VI2和所述植被指数VI3的数值范围;
具体实现中参考图2,根据训练样本的叶片反射率谱,可以找到各特定波长处对应的叶片反射率,植被指数由一个或多个特定波长处的叶片反射率以对应组合式运算得到,参考表二和表三;
表二
表三
其中,R代表了指定波长处的叶片反射率,例如R1800表示在位于1800nm波长处的叶片反射率;
S23:将所述植被指数VI1、所述植被指数VI2和所述植被指数VI3的数值范围均等分成n份,将所述三维矩阵分为n×n×n的所述矩阵单元,n为大于0的整数;n的值优选地设置为100;
S24:在各所述矩阵单元内填充对应的所述LMA,获得所述三维矩阵空间。
本实施例中,步骤S4具体为:
S41:通过待测样本i的叶片反射率谱,计算获得待测样本i的植被指数VIi1,植被指数VIi2和植被指数VIi3,其中i表示待测样本的编号,0<i≤m,m表示待测样本的总数m;将(VIi1,VIi2,VIi3)作为待测样本i的反演坐标;
S42:将反演坐标(VIi1,VIi2,VIi3)输入所述三维矩阵空间,反演坐标(VIi1,VIi2,VIi3)所在的矩阵单元为待测单元,判断该待测单元是否为NaN(not a number的缩写);若是,则将最临近该待测单元的所有非NaN矩阵单元的LMA平均值作为待测样本i的反演值;否则,将该待测单元的LMA作为待测样本i的反演值;
S43:重复步骤S41-S42共m次,获得各待测样本的反演值。
实施本发明后的效果:
运用本发明开发出了两个三维矩阵用于LMA反演,如图3和4所示,构建三维矩阵所使用的植被指数如表2和3所示,在模型可视化结果中不同LMA值的样本被很好的区分开来,十分有利于LMA的反演;为了更好地说明这两个三维矩阵的性能,这里包含了在模拟数据集(1000组样本)和实测数据集上(LOPEX,MA数据集,共1143组样本)的应用实例,并且将三维矩阵与对应的单一植被指数和二维矩阵的反演结果进行了比较;
如表4所示,为在模拟数据集中三维矩阵反演结果与对应的单一植被指数以及二维矩阵反演结果的精度对比;
表4
如表5所示,为在模拟数据集中三维矩阵反演结果与对应单一植被指数指数以及二维矩阵反演结果的精度对比;
表5
如表6所示,为在实测数据集中三维矩阵反演结果与对应单一植被指数以及二维矩阵反演结果的精度对比;
表6
如表7所示,为在实测数据集中三维矩阵反演结果与对应单一植被指数以及二维矩阵反演结果的精度对比;
表7
无论是在模拟数据或实测数据集中,三维矩阵的精度都是最高的,并且在不同的数据集中表现相对稳定,本发明建立的LMA反演模型有潜力运用于较大尺度的LMA研究,运算成本低,反演精度好。
参考图5,本发明提供一种基于植被指数三维矩阵的叶片干物质含量反演系统,包括:
训练样本叶片反射率谱获取模块10,用于获取训练样本的叶片参数,所述训练样本的叶片参数包括:结构参数N、叶绿素含量、类胡萝卜素含量、叶片水含量和干物质含量LMA,将所述训练样本的叶片参数输入PROSPECT-D辐射传输模型进行正向运算,获得训练样本的叶片反射率谱;
三维矩阵空间构建模块20,用于通过所述训练样本的叶片反射率谱计算获得三维矩阵各坐标轴对应的植被指数,通过所述植被指数和对应的所述LMA构建三维矩阵空间,所述三维矩阵空间包括n×n×n个矩阵单元;
待测样本数据集获取模块30,用于获取待测样本数据集,所述待测样本数据集包括:各待测样本的叶片反射率谱和干物质含量LMA2;
待测样本反演值计算模块40,用于通过所述待测样本的叶片反射率谱计算获得各待测样本的反演坐标,将各所述待测样本的反演坐标输入所述三维矩阵空间,获得各待测样本的反演值;
反演精确度计算模块50,用于将各所述待测样本的反演值与各所述待测样本的干物质含量LMA2进行对比,获得反演的精确度。
需要说明的是,在本文中,术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含,从而使得包括一系列要素的过程、方法、物品或者系统不仅包括那些要素,而且还包括没有明确列出的其他要素,或者是还包括为这种过程、方法、物品或者系统所固有的要素。在没有更多限制的情况下,由语句“包括一个……”限定的要素,并不排除在包括该要素的过程、方法、物品或者系统中还存在另外的相同要素。
上述本发明实施例序号仅仅为了描述,不代表实施例的优劣。在列举了若干装置的单元权利要求中,这些装置中的若干个可以是通过同一个硬件项来具体体现。词语第一、第二、以及第三等的使用不表示任何顺序,可将这些词语解释为标识。
以上仅为本发明的优选实施例,并非因此限制本发明的专利范围,凡是利用本发明说明书及附图内容所作的等效结构或等效流程变换,或直接或间接运用在其他相关的技术领域,均同理包括在本发明的专利保护范围内。
Claims (4)
1.一种基于植被指数三维矩阵的叶片干物质含量反演方法,其特征在于,包括:
S1:获取训练样本的叶片参数,所述训练样本的叶片参数包括:结构参数N、叶绿素含量、类胡萝卜素含量、叶片水含量和干物质含量LMA,将所述训练样本的叶片参数输入PROSPECT-D辐射传输模型进行正向运算,获得训练样本的叶片反射率谱;
S2:通过所述训练样本的叶片反射率谱计算获得三维矩阵各坐标轴对应的植被指数,通过所述植被指数和对应的所述LMA构建三维矩阵空间,所述三维矩阵空间包括n×n×n个矩阵单元;
S3:获取待测样本数据集,所述待测样本数据集包括:各待测样本的叶片反射率谱和干物质含量LMA2;
S4:通过所述待测样本的叶片反射率谱计算获得各待测样本的反演坐标,将各所述待测样本的反演坐标输入所述三维矩阵空间,获得各待测样本的反演值;
S5:将各所述待测样本的反演值与各所述待测样本的干物质含量LMA2进行对比,获得反演的精确度。
2.根据权利要求1所述的基于植被指数三维矩阵的叶片干物质含量反演方法,其特征在于,步骤S2具体为:
S21:选取对所述LMA敏感的植被指数VI1、植被指数VI2和植被指数VI3作为所述三维矩阵的坐标轴;其中所述植被指数VI1作为所述三维矩阵的x轴,植被指数VI2作为所述三维矩阵的y轴,植被指数VI3作为所述三维矩阵的z轴;
S22:通过各所述训练样本的叶片反射率谱,计算获取所述植被指数VI1、所述植被指数VI2和所述植被指数VI3的数值范围;
S23:将所述植被指数VI1、所述植被指数VI2和所述植被指数VI3的数值范围均等分成n份,将所述三维矩阵分为n×n×n的所述矩阵单元,n为大于0的整数;
S24:在各所述矩阵单元内填充对应的所述LMA,获得所述三维矩阵空间。
3.根据权利要求1所述的基于植被指数三维矩阵的叶片干物质含量反演方法,其特征在于,步骤S4具体为:
S41:通过待测样本i的叶片反射率谱,计算获得待测样本i的植被指数VIi1,植被指数VIi2和植被指数VIi3,其中i表示待测样本的编号,0<i≤m,m表示待测样本的总数m;将(VIi1,VIi2,VIi3)作为待测样本i的反演坐标;
S42:将反演坐标(VIi1,VIi2,VIi3)输入所述三维矩阵空间,反演坐标(VIi1,VIi2,VIi3)所在的矩阵单元为待测单元,判断该待测单元是否为NaN;若是,则将最临近该待测单元的所有非NaN矩阵单元的LMA平均值作为待测样本i的反演值;否则,将该待测单元的LMA作为待测样本i的反演值;
S43:重复步骤S41-S42共m次,获得各待测样本的反演值。
4.一种基于植被指数三维矩阵的叶片干物质含量反演系统,其特征在于,包括:
训练样本叶片反射率谱获取模块,用于获取训练样本的叶片参数,所述训练样本的叶片参数包括:结构参数N、叶绿素含量、类胡萝卜素含量、叶片水含量和干物质含量LMA,将所述训练样本的叶片参数输入PROSPECT-D辐射传输模型进行正向运算,获得训练样本的叶片反射率谱;
三维矩阵空间构建模块,用于通过所述训练样本的叶片反射率谱计算获得三维矩阵各坐标轴对应的植被指数,通过所述植被指数和对应的所述LMA构建三维矩阵空间,所述三维矩阵空间包括n×n×n个矩阵单元;
待测样本数据集获取模块,用于获取待测样本数据集,所述待测样本数据集包括:各待测样本的叶片反射率谱和干物质含量LMA2;
待测样本反演值计算模块,用于通过所述待测样本的叶片反射率谱计算获得各待测样本的反演坐标,将各所述待测样本的反演坐标输入所述三维矩阵空间,获得各待测样本的反演值;
反演精确度计算模块,用于将各所述待测样本的反演值与各所述待测样本的干物质含量LMA2进行对比,获得反演的精确度。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110966595.6A CN113722990B (zh) | 2021-08-23 | 2021-08-23 | 基于植被指数三维矩阵的叶片干物质含量反演方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110966595.6A CN113722990B (zh) | 2021-08-23 | 2021-08-23 | 基于植被指数三维矩阵的叶片干物质含量反演方法及系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113722990A true CN113722990A (zh) | 2021-11-30 |
CN113722990B CN113722990B (zh) | 2023-10-10 |
Family
ID=78677294
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110966595.6A Active CN113722990B (zh) | 2021-08-23 | 2021-08-23 | 基于植被指数三维矩阵的叶片干物质含量反演方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113722990B (zh) |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104899394A (zh) * | 2015-06-23 | 2015-09-09 | 中国科学院遥感与数字地球研究所 | 一种实用的叶面积指数遥感反演方法 |
CN105004320A (zh) * | 2015-06-09 | 2015-10-28 | 北京师范大学 | 一种高分卫星数据陆表植被覆盖度反演方法及系统 |
CN107437267A (zh) * | 2016-05-26 | 2017-12-05 | 中国科学院遥感与数字地球研究所 | 植被区高光谱图像模拟方法 |
CN109521437A (zh) * | 2018-12-05 | 2019-03-26 | 武汉大学 | 面向植被生化参数探测的多光谱激光雷达波长选择方法 |
AU2020101095A4 (en) * | 2020-06-23 | 2020-07-23 | Tarim University | A Satellite Remote Sensing Monitoring Method for the Content of Chlorophyll A in the Canopy of Jujube Trees |
GB202101106D0 (en) * | 2020-07-14 | 2021-03-10 | Aerospace Information Research Institute Chinese Academy Of Sciences | Method and device for performing inversion of crop leaf area index |
-
2021
- 2021-08-23 CN CN202110966595.6A patent/CN113722990B/zh active Active
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105004320A (zh) * | 2015-06-09 | 2015-10-28 | 北京师范大学 | 一种高分卫星数据陆表植被覆盖度反演方法及系统 |
CN104899394A (zh) * | 2015-06-23 | 2015-09-09 | 中国科学院遥感与数字地球研究所 | 一种实用的叶面积指数遥感反演方法 |
CN107437267A (zh) * | 2016-05-26 | 2017-12-05 | 中国科学院遥感与数字地球研究所 | 植被区高光谱图像模拟方法 |
CN109521437A (zh) * | 2018-12-05 | 2019-03-26 | 武汉大学 | 面向植被生化参数探测的多光谱激光雷达波长选择方法 |
AU2020101095A4 (en) * | 2020-06-23 | 2020-07-23 | Tarim University | A Satellite Remote Sensing Monitoring Method for the Content of Chlorophyll A in the Canopy of Jujube Trees |
GB202101106D0 (en) * | 2020-07-14 | 2021-03-10 | Aerospace Information Research Institute Chinese Academy Of Sciences | Method and device for performing inversion of crop leaf area index |
Non-Patent Citations (1)
Title |
---|
YUWEN CHEN: "Optimized Estimation of Leaf Mass per Area with a 3D Matrix of Vegetation Indices", REMOTE SENSING, vol. 13, no. 18, pages 1 - 15 * |
Also Published As
Publication number | Publication date |
---|---|
CN113722990B (zh) | 2023-10-10 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111007021A (zh) | 基于一维卷积神经网络的高光谱水质参数反演系统及方法 | |
Wu et al. | Application of MODIS satellite data in monitoring water quality parameters of Chaohu Lake in China | |
CN103868860B (zh) | 一种基于高光谱植被指数监测湿地植被冠层氮浓度的方法 | |
CN105486655B (zh) | 基于红外光谱智能鉴定模型的土壤有机质快速检测方法 | |
CN103759725B (zh) | 一种基于六通道光电传感器的偏振方位角确定方法 | |
CN113866102B (zh) | 一种基于光谱的土壤健康调查监测方法 | |
CN109521437B (zh) | 面向植被生化参数探测的多光谱激光雷达波长选择方法 | |
CN106560699A (zh) | 用于武夷岩茶产地鉴别的联合检测方法 | |
CN108846200B (zh) | 一种基于迭代法的准静态桥梁影响线识别方法 | |
Zhu et al. | Prediction of soil shear Strength parameters using combined data and different machine learning models | |
CN108896456B (zh) | 基于反馈型rbf神经网络的气溶胶消光系数反演方法 | |
CN113049500A (zh) | 水质检测模型训练和水质检测方法、电子设备及存储介质 | |
Ettalbi et al. | Soil Moisture Retrieval in Bare Agricultural Areas Using Sentinel-1 Images | |
CN102207453A (zh) | 一种基于冠层多光谱的烤烟地上鲜生物量测定方法 | |
CN114383528A (zh) | 计数池深度标定方法及系统、智能终端与存储介质 | |
CN115457756A (zh) | 传感器校准的方法及装置 | |
CN113722990A (zh) | 基于植被指数三维矩阵的叶片干物质含量反演方法及系统 | |
CN111256745A (zh) | 一种便携式空气质量监测仪数据校准方法 | |
Xiaojuan et al. | Remote sensing inversion of lake water quality parameters based on ensemble modelling | |
Sales et al. | Estimation of the commercial height of trees with laser meter: a viable alternative for forest management in the Brazilian Amazon | |
CN109444055A (zh) | 一种盐碱地土壤盐分含量的高光谱计算方法 | |
CN113609449B (zh) | 惯性测量装置加速试验数据有效性评估方法 | |
CN105092523A (zh) | 一种基于近红外技术的水质中磷的检测 | |
CN109101759A (zh) | 一种基于正逆响应面法的参数识别方法 | |
CN116067905A (zh) | 用于检测油液掺混的方法及设备 |
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 |