CN114235715A - 一种喀斯特植物叶片全磷含量无损监测方法 - Google Patents
一种喀斯特植物叶片全磷含量无损监测方法 Download PDFInfo
- Publication number
- CN114235715A CN114235715A CN202111329128.9A CN202111329128A CN114235715A CN 114235715 A CN114235715 A CN 114235715A CN 202111329128 A CN202111329128 A CN 202111329128A CN 114235715 A CN114235715 A CN 114235715A
- Authority
- CN
- China
- Prior art keywords
- model
- total phosphorus
- phosphorus content
- plant leaves
- leaves
- 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
- 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
- G01N21/55—Specular reflectivity
-
- 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
- G06F2119/00—Details relating to the type or aim of the analysis or the optimisation
- G06F2119/02—Reliability analysis or reliability optimisation; Failure analysis, e.g. worst case scenario performance, failure mode and effects analysis [FMEA]
Landscapes
- Physics & Mathematics (AREA)
- Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Analytical Chemistry (AREA)
- Biochemistry (AREA)
- Pathology (AREA)
- Evolutionary Computation (AREA)
- Immunology (AREA)
- General Health & Medical Sciences (AREA)
- Chemical & Material Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Theoretical Computer Science (AREA)
- Health & Medical Sciences (AREA)
- Computer Vision & Pattern Recognition (AREA)
- General Engineering & Computer Science (AREA)
- Artificial Intelligence (AREA)
- Medical Informatics (AREA)
- Geometry (AREA)
- Computer Hardware Design (AREA)
- Software Systems (AREA)
- Spectroscopy & Molecular Physics (AREA)
- Investigating Or Analysing Materials By Optical Means (AREA)
Abstract
本发明公开了一种喀斯特植物叶片全磷含量无损监测方法。采集植物叶片的光谱反射率数据和测定对应植物叶片的全磷含量,运用分数阶微分技术对光谱反射率进行预处理,将预处理的数据与植物叶片的全磷含量数据进行皮尔逊(Pearson’s)相关性检验,剔除相关性不显著的光谱波段,将传统回归分析方法与人工神经网络相结合,建立人工智能模型;模型建好后,将光谱反射率数据输入到人工智能模型中反推出相应植物叶片的全磷含量。本发明相比于实验室化学提取植物叶片全磷的方法,本方法不仅速度快而且对叶片本身无伤害,此外,相较于传统回归模型(如偏最小二乘回归模型(PLSR)),预测精度约提高30%。
Description
技术领域
本发明涉及生态遥感技术领域,尤其涉及一种喀斯特植物叶片全磷含量无损监测方法。
背景技术
中国喀斯特地貌广布,喀斯特植被丰富多样。但喀斯特生态环境十分脆弱,植被的恢复和保育工作尤为重要。植物全磷含量是评价植被生长好坏的重要指标,但一直以来全磷含量都是通过实验室化学提取的方式获得。虽然这种方式虽然精度较高,但费时费力,难以满足对大面积植被区域快速监测的需求。
近年来,高光谱遥感技术的发展,为快速提取植物叶片全磷含量提供了新的思路和方法。但已有的研究主要解决特定的物种或者相对单一的植被类型的快速提取。比如对小麦、水稻、苹果等单一物种,或者对草地等较为简单的植被类型的监测。对广大喀斯特区而言,现有的这些方法与技术适用性不高。
对混合植物而言,提取的精度问题一直是通过高光谱遥感技术提取植物叶片全磷含量的关键问题。通过简单的光谱指数法、逐步回归法、偏最小二乘法等线性回归方法来实现对喀斯特区植物叶片全磷含量的快速估算,在精度上难以满足要求。通过机器学习等拟合能力较高的非线性模型来拟合光谱反射率与植物叶片全磷含量的关系,在精度上可以满足。但由于光谱数据具有高维、复杂的特点,所建立的机器学习模型通常会具有过拟合现象。因此如何解决过拟合的问题成为了喀斯特植物叶片全磷含量快速提取难题的关键。
另一方面,光谱微分技术已被证明在提高植物叶片全磷含量提取精度方面有帮助。但整数阶微分(通常指一阶微分和二阶微分)会使光谱在几何形状上发生跳跃性变化,不能充分挖掘光谱数据对植物叶片全磷含量快速提取的潜力。而分数阶微分很好的弥补了整数阶微分的这个不足。
现有技术缺点为,化学提取方法需要经过烘干、碾磨、消煮等多种多样的步骤,费时费力。现有高光谱技术提取植物叶片全磷含量的方法主要针对单一植物,对喀斯特区复杂多样的植被类型难以适应,预测精度较低。
发明内容
本发明的目的在于提供一种喀斯特植物叶片全磷含量无损监测方法,解决背景技术提到的技术问题;融合光谱分数阶微分、回归、机器学习等技术实现对喀斯特区混合植物叶片全磷含量的快速无损监测。
具体步骤为:
(1)运用地物光谱仪到野外采集植物叶片的光谱,对于高大乔木,用高枝剪剪下枝条,再进行测量,但间隔的时间不能太久,最好在枝条剪下后10分钟内完成光谱反射率测量,以免枝条离体后,叶片内部生理生化特征发生太大变化,影响叶片光谱反射率的测量精度;叶片测完光谱后,收集起来,带回实验室,运用钼锑抗比色法或钒钼黄吸光光度法提取植物叶片的全磷含量。
(2)运用分数阶微分技术对步骤(1)所得光谱反射率数据进行预处理;对叶片光谱反射率从0到3阶进行微分,间隔为0.1;所述的分数阶微分技术为Grünwald-Letnikov算法、Caputo算法和Riemann-Liouville算法中的一种。
(3)将步骤(2)预处理后的数据与步骤(1)植物叶片的全磷含量数据进行皮尔逊相关性检验,将光谱与叶片全磷含量之间相关性不显著的光谱波段剔除;相关性不显著的光谱波段为皮尔逊相关性显著性检验p值大于0.05的光谱波段。
(4)将步骤(3)处理后的光谱波段作为自变量,步骤(1)所得的植物叶片全磷含量作为因变量,运用PLSR模型进行建模,然后将PLSR模型运行过程中提取的主成分作为GRNN模型的输入变量,建立PLSR+GRNN模型;最后对PLSR+GRNN模型进行精度验证和稳定性验证,若建立的模型精度较高,且运行稳定,则建模完成,若精度不能满足要求,则增加建模样本,重复步骤1至步骤4,直至模型稳定。
(5)运用模型:将按步骤(1)获取的植物叶片光谱反射率数据输入到步骤(4)所建立的模型中,快速得出相应植物叶片的全磷含量。
植物叶片的全磷含量不同,对光的反射能力也会有所差异,根据这一特性,在人工智能模型的帮助下,即能建立两者间的联系,构建数学模型。模型建成后,只需要测量植物叶片的光谱,即能根据模型快速反推出植物叶片全磷的含量。
本发明的有益效果:
(1)本发明相比于实验室化学提取植物叶片全磷的方法,本方法不仅速度快而且对叶片本身无伤害。
(2)本方法实现对复杂的植物样本进行监测,克服了由单一植物样本建立的模型可转移性差的缺点。比如基于对小麦监测建立的模型,迁移应用到水稻上,预测的性能可能会大幅下降,而本方法基于广西喀斯特区采集的301个样本(包含37个科,59个属,68个种)进行试验,模型运行稳定,运用效果良好。
(3)本发明PLSR模型对喀斯特区混合植物叶片全磷含量的预测性能略显不足。GRNN模型具有很好的预测能力,但由于光谱数据具有波段数量多,维度高的特点,GRNN模型在预测时很容易出现过拟合现象,通过将PLSR模型与GRNN模型进行结合,既能保证预测的精度(相较于传统回归模型,如PLSR模型,预测精度约提高30%),又能减小过拟合的发生。
附图说明
图1是本发明方法流程图。
图2是本发明实施例样本全磷含量频率分布直方图。
图3是本发明实施例分数阶微分(Grünwald-Letnikov算法)光谱图。
图4是本发明实施例整数阶微分光谱图。
图5是本发明实施例中各分数阶微分光谱与植物叶片全磷含量的相关系数分布图。
图6是本发明实施例PLSR模型在各分数阶微分时的决定性系数(R2)分布图。
图7是本发明实施例GRNN模型在各分数阶微分时的决定性系数(R2)分布图。
图8是本发明实施例PLSR+GRNN模型在各分数阶微分时的决定性系数(R2)分布图。
具体实施方式
为使本发明的目的、技术方案及优点更加清楚明白,以下参照附图并举出优选实施例,对本发明进一步详细说明。然而,需要说明的是,说明书中列出的许多细节仅仅是为了使读者对本发明的一个或多个方面有一个透彻的理解,即便没有这些特定的细节也可以实现本发明的这些方面。
实施例:
如图1所示,一种喀斯特植物叶片全磷含量无损监测方法,具体步骤如下,方法共分4部分,首先是采集数据,即采集植物叶片的光谱反射率和测定对应植物叶片的全磷含量。然后对采集的光谱数据进行预处理,一方面消除数据噪声,另一方面提高光谱对植物叶片全磷含量的预测潜力。之后,寻找适合的模型来解析光谱与植物叶片全磷含量之间的关系。最后运用建立好的模型,实现对喀斯特区植物叶片全磷含量的快速无损监测。
(1)数据采集:运用ASD地物光谱仪到野外采集植物叶片的光谱,对于高大乔木,用高枝剪剪下枝条,再进行测量;在10分钟内完成光谱反射率测量,以免枝条离体后,叶片内部生理生化特征发生太大变化。在广西喀斯特区采集了301个样本,包含37个科,59个属,68个种,科、属、种情况如表1所示;叶片测完光谱后,收集起来,带回实验室,运用钼锑抗比色法提取植物叶片的全磷含量。植物叶片光谱(均值)如图3中FD(0.0)所示,植物全磷的基本分布情况如图2所示。
(2)光谱预处理:运用分数阶微分技术(本实施例中采用Grünwald-Letnikov算法),对叶片光谱反射率从0到3阶进行微分,间隔为0.1,结果如图3所示。与图4所示的整数阶微分光谱相比,图3所示的分数阶微分光谱变化更为连续,展现出叶片光谱的更多信息,具有更高的潜力。
(3)将步骤(2)预处理后的数据与步骤(1)植物叶片的全磷含量数据进行皮尔逊(Pearson’s)相关性检验,将光谱与叶片全磷含量之间相关性不显著(p>0.05)的光谱波段剔除,结果如图5所示(图中空白部分为光谱与叶片全磷含量之间相关性显著性检验p>0.05的部分)。
(4)建模:将步骤(3)处理后的光谱波段作为自变量,步骤(1)所得的植物叶片全磷含量作为因变量,运用PLSR模型进行建模,然后将PLSR模型运行过程中提取的主成分作为GRNN模型的输入变量,建立PLSR+GRNN模型。然后对建立的模型进行精度验证,和稳定性验证。图6、图7和图8分别为建立的PLSR模型、GRNN模型和PLSR+GRNN模型的精度验证结果。
(5)运用模型:将按步骤(1)获取的植物叶片光谱反射率数据输入到步骤(4)所建立的模型中,快速得出相应植物叶片的全磷含量。
表1:广西喀斯特区采集的301个样本科、属、种一览表
原理说明:
光谱是物体本身的固有属性。除绝对黑体外,任何物体都有反射光的能力。通常情况下,不同的物质对光的反射能力也不同。同一物质的密度或者浓度不同,对相同强度的光的反射也会有一定的差别。根据这一原理,如果能够分出叶片不同浓度全磷含量的光谱反射率差异,则可以通过这差异,运用一定的方法,反推出植物叶片全磷的含量。
在实际的操作中,植物叶片中全磷的含量差异很小,对应的光谱反射率差异也非常的小,直接运用光谱反射率的这些差异对植物叶片的全磷含量进行推测往往效果不会特别理想,尤其是当植物的类型多种多样时,效果更差。因此,需要运用一定的方法对光谱的这些差异进行放大,其中光谱微分变换就是一种很好的办法。各分数阶微分光谱,如图3所示,FD表示分数阶(下同),FD(0.0)是原始光谱。
当光谱信号的差异足够明显,只要有适合的方法或模型来拟合光谱与全磷之间的关系,就能通过这一方法或者模型,实现运用光谱反算出植物叶片的全磷含量。我们通过在广西喀斯特区采集301个植物样本,通过反复试验,发现将PLSR模型提取主成分作为GRNN模型的输入变量的方式,能够实现对喀斯特区植被叶片全磷含量的快速预测(附图8的结果可以证明),换言之,通过这种方式,我们只要收集植物叶片的光谱反射率就能实现快速监测喀斯特植被叶片的全磷含量。
如图8所示,PLSR+GRNN模型在各分数阶微分时的决定性系数R2取值在0-1之间,值越大表示模型的拟合能力越好,当建模集和验证集的R2都大时,表示模型的精度高,而且运行稳定。此次试验的最好结果出现在FD(2.9),此时建模集R2为0.83,验证集R2为0.71,此时建模集与验证集R2均较高,且差异较小。
除此之外,还可以使用另外的模型进行检测,运用BP神经网络(BPNN)代替GRNN,建立PLSR+BPNN模型同样能够实现对喀斯特植被叶片全磷含量快速无损监测,但在我们的试验中发现,虽然PLSR+BPNN模型和PLSR+GRNN模型在预测的性能上相近,但PLSR+BPNN模型的时间运行成本要远高于PLSR+GRNN模型,因此我们认为PLSR+GRNN模型要更有推广应用的价值。
本方法实现对复杂的植物样本进行监测,克服了由单一植物样本建立的模型可转移性差的缺点。比如基于对小麦监测建立的模型,迁移应用到水稻上,预测的性能可能会大幅下降,而本方法基于广西喀斯特区采集的301个样本(包含37个科,59个属,68个种)进行试验,模型运行稳定,运用效果良好。PLSR模型对喀斯特区混合植物叶片全磷含量的预测性能略显不足。GRNN模型具有很好的预测能力,但由于光谱数据复杂、高维的特点,GRNN模型在预测时很容易出现过拟合现象,通过将PLSR模型与GRNN模型进行结合,既能保证预测的精度,又能减小过拟合的发生。
以上所述仅是本发明的优选实施方式,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和润饰,这些改进和润饰也应视为本发明的保护范围。
Claims (1)
1.一种喀斯特植物叶片全磷含量无损监测方法,其特征在于具体步骤为:
(1)运用地物光谱仪到野外采集植物叶片的光谱,对于高大乔木,用高枝剪剪下枝条,再进行测量,在枝条剪下后10分钟内完成光谱反射率测量;叶片测完光谱后,运用钼锑抗比色法或钒钼黄吸光光度法提取植物叶片的全磷含量;
(2)运用分数阶微分技术对步骤(1)所得光谱反射率数据进行预处理;对叶片光谱反射率从0到3阶进行微分,间隔为0.1;所述的分数阶微分技术为Grünwald-Letnikov算法、Caputo算法和Riemann-Liouville算法中的一种;
(3)将步骤(2)预处理后的数据与步骤(1)植物叶片的全磷含量数据进行皮尔逊相关性检验,将光谱与叶片全磷含量之间相关性不显著的光谱波段剔除;相关性不显著的光谱波段为皮尔逊相关性显著性检验p值大于0.05的光谱波段;
(4)将步骤(3)处理后的光谱波段作为自变量,步骤(1)所得的植物叶片全磷含量作为因变量,运用PLSR模型进行建模,然后将PLSR模型运行过程中提取的主成分作为GRNN模型的输入变量,建立PLSR+GRNN模型;最后对PLSR+GRNN模型进行精度验证和稳定性验证,若建立的模型精度较高,且运行稳定,则建模完成,若精度不能满足要求,则增加建模样本,重复步骤1至步骤4,直至模型稳定;
(5)运用模型:将按步骤(1)获取的植物叶片光谱反射率数据输入到步骤(4)所建立的模型中,快速得出相应植物叶片的全磷含量。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111329128.9A CN114235715B (zh) | 2021-11-10 | 2021-11-10 | 一种喀斯特植物叶片全磷含量无损监测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111329128.9A CN114235715B (zh) | 2021-11-10 | 2021-11-10 | 一种喀斯特植物叶片全磷含量无损监测方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN114235715A true CN114235715A (zh) | 2022-03-25 |
CN114235715B CN114235715B (zh) | 2023-10-13 |
Family
ID=80749007
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202111329128.9A Active CN114235715B (zh) | 2021-11-10 | 2021-11-10 | 一种喀斯特植物叶片全磷含量无损监测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114235715B (zh) |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110455722A (zh) * | 2019-08-20 | 2019-11-15 | 中国热带农业科学院橡胶研究所 | 橡胶树叶片磷含量高光谱反演方法和系统 |
CN113049499A (zh) * | 2021-03-16 | 2021-06-29 | 深圳大学 | 水体总氮浓度间接遥感反演方法、存储介质和终端设备 |
-
2021
- 2021-11-10 CN CN202111329128.9A patent/CN114235715B/zh active Active
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110455722A (zh) * | 2019-08-20 | 2019-11-15 | 中国热带农业科学院橡胶研究所 | 橡胶树叶片磷含量高光谱反演方法和系统 |
US20210056424A1 (en) * | 2019-08-20 | 2021-02-25 | Rubber Research Institute, Chinese Academy Of Tropical Agricultural Sciences | Method and system for hyperspectral inversion of phosphorus content of rubber tree leaves |
CN113049499A (zh) * | 2021-03-16 | 2021-06-29 | 深圳大学 | 水体总氮浓度间接遥感反演方法、存储介质和终端设备 |
Non-Patent Citations (13)
Title |
---|
乔璐;陈立新;董诚明;: "基于高光谱遥感技术对土壤氮磷钾的估算", 森林工程, no. 06 * |
刘炜;常庆瑞;郭曼;邢东兴;员永生;: "夏玉米可见/近红外光小波主成分提取与氮素含量神经网络检测", 红外与毫米波学报, no. 01 * |
孙焱鑫;王纪华;李保国;刘良云;黄文江;赵春江;: "基于BP和GRNN神经网络的冬小麦冠层叶绿素高光谱反演建模研究", 遥感技术与应用, no. 04 * |
孙焱鑫;王纪华;李保国;刘良云;黄文江;赵春江;: "基于GA的GRNN高光谱遥感反演冬小麦叶片氮含量模型的建立与验证", 土壤通报, no. 03, pages 06 * |
岳学军;凌康杰;洪添胜;甘海明;刘永鑫;王林惠;: "基于高光谱图像的龙眼叶片叶绿素含量分布模型", 农业机械学报, no. 08 * |
张亚坤;罗斌;潘大宇;宋鹏;路文超;王成;赵春江;: "基于分数阶微分算法的大豆冠层氮素含量估测研究", 光谱学与光谱分析, no. 10 * |
文锡梅;兰安军;易兴松;张吟;李洋;秦志佳;: "基于高光谱的喀斯特地区典型农田土壤有机质含量反演", 西南农业学报, no. 08 * |
李媛媛;常庆瑞;刘秀英;严林;罗丹;王烁;: "基于高光谱和BP神经网络的玉米叶片SPAD值遥感估算", 农业工程学报, no. 16 * |
李岚涛;汪善勤;任涛;马驿;魏全全;高雯晗;鲁剑巍;: "基于高光谱的冬油菜叶片磷含量诊断模型", 农业工程学报, no. 14 * |
杨仁欣;杨燕;原晶晶;: "高光谱图像预处理方法研究及进展", 广西师范学院学报(自然科学版), no. 01 * |
郑人文,李子波,唐荣年: "基于分数阶微分的橡胶树割胶期氮素含量定量检测", 南方农业学报, vol. 50, no. 4, pages 02 - 03 * |
郭澎涛;苏艺;茶正早;林清火;罗微;林钊沐;: "基于BP神经网络的橡胶苗叶片磷含量高光谱预测", 农业工程学报, no. 1, pages 08 - 10 * |
陶培峰;王建华;李志忠;周萍;杨佳佳;高樊琦;: "基于高光谱的土壤养分含量反演模型研究", 地质与资源, no. 01 * |
Also Published As
Publication number | Publication date |
---|---|
CN114235715B (zh) | 2023-10-13 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN101430276B (zh) | 光谱分析中波长变量优选的方法 | |
CN109187392B (zh) | 一种基于分区建模的锌液痕量金属离子浓度预测方法 | |
CN107271382A (zh) | 一种不同生育期油菜叶片spad值遥感估算方法 | |
Stephanopoulos et al. | Fermentation database mining by pattern recognition | |
CN112525869A (zh) | 一种农药残留的分段式检测方法 | |
WO2020248961A1 (zh) | 一种无参考值的光谱波数选择方法 | |
Wang et al. | Simultaneous detection of different properties of diesel fuel by near infrared spectroscopy and chemometrics | |
CN106092893A (zh) | 一种光谱判别分析的波长优选方法 | |
CN112630180B (zh) | 水体中有机磷农药浓度检测的紫外/可见光吸收光谱模型 | |
CN113267458A (zh) | 甘薯可溶性蛋白质含量定量预测模型的建立方法 | |
CN114235715B (zh) | 一种喀斯特植物叶片全磷含量无损监测方法 | |
CN113310943A (zh) | 一种基于机器学习的藕粉掺假鉴别方法 | |
CN102072884B (zh) | 一种基于光谱技术的小麦叶片糖氮比快速检测方法 | |
CN113686821B (zh) | 一种喀斯特植物叶片tn含量无损监测方法 | |
CN112858208A (zh) | 基于红外光谱主成分和神经网络的生物质钾含量测量与建模方法 | |
Wang et al. | Monitoring model for predicting maize grain moisture at the filling stage using NIRS and a small sample size | |
CN115015161A (zh) | 一种煤质成分预测方法 | |
CN114878508A (zh) | 一种基于高光谱成像土遗址文物表面含水量检测方法 | |
Chen et al. | Feature selecting based on fourier series fitting | |
CN112949038A (zh) | 一种计算海洋水体不同浮游植物种群比吸收系数的方法 | |
CN111521568A (zh) | 一种基于光谱角的土壤含水量预测方法 | |
CN113358584B (zh) | 一种利用光谱估算土壤有机质含量的方法 | |
Yan et al. | Application of Successive Projection Algorithm in Nondestructive Detection of Soluble Solid Content in Apple | |
Gao et al. | Effects of different pretreatment and modeling methods on soil moisture content detected by near infrared spectroscopy | |
CN112345487B (zh) | 一种基于近红外光谱技术的单体香原料溶液浓度的判定方法 |
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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant |