CN114460015A - 一种用于预测寒地水稻冠层叶绿素含量的方法及模型 - Google Patents

一种用于预测寒地水稻冠层叶绿素含量的方法及模型 Download PDF

Info

Publication number
CN114460015A
CN114460015A CN202111272521.9A CN202111272521A CN114460015A CN 114460015 A CN114460015 A CN 114460015A CN 202111272521 A CN202111272521 A CN 202111272521A CN 114460015 A CN114460015 A CN 114460015A
Authority
CN
China
Prior art keywords
model
rice
canopy
chlorophyll content
cold region
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
CN202111272521.9A
Other languages
English (en)
Inventor
贾银江
张怀景
兰浩
付康
苏中滨
董守田
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 Agricultural University
Original Assignee
Northeast 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 Northeast Agricultural University filed Critical Northeast Agricultural University
Priority to CN202111272521.9A priority Critical patent/CN114460015A/zh
Publication of CN114460015A publication Critical patent/CN114460015A/zh
Pending legal-status Critical Current

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
    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B64—AIRCRAFT; AVIATION; COSMONAUTICS
    • B64C—AEROPLANES; HELICOPTERS
    • B64C39/00—Aircraft not otherwise provided for
    • B64C39/02—Aircraft not otherwise provided for characterised by special use
    • B64C39/028—Micro-sized aircraft
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
    • G01N33/00—Investigating or analysing materials by specific methods not covered by groups G01N1/00 - G01N31/00
    • G01N33/0098—Plants or trees
    • 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
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/044—Recurrent networks, e.g. Hopfield networks
    • 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
    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B64—AIRCRAFT; AVIATION; COSMONAUTICS
    • B64U—UNMANNED AERIAL VEHICLES [UAV]; EQUIPMENT THEREFOR
    • B64U2101/00—UAVs specially adapted for particular uses or applications
    • B64U2101/30—UAVs specially adapted for particular uses or applications for imaging, photography or videography
    • 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
    • G01N2021/8466—Investigation of vegetal material, e.g. leaves, plants, fruits

Landscapes

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

Abstract

一种用于预测寒地水稻冠层叶绿素含量的方法及模型，属于寒地水稻检测技术领域。本发明为了提高寒地水稻冠层叶绿素含量预测的准确度，首先利用无信息变量消除法和连续投影算法对获取的寒地水稻冠层地面高光谱数据进行筛选，获得特征波段，然后基于神经网络方法，以特征波段的地面光谱数据作为模型输入，以水稻冠层SPAD含量作为模型输出，获得能够准确预测寒地水稻冠层叶绿素含量的模型，再将寒地水稻冠层无人机高光谱影像每个像元点提取到的特征波段作为模型的输入，就得到了寒地水稻冠层叶绿素含量的空间分布。本发明获得的模型具有很好的决定系数和较小的均方根误差，可以基于无人机影像实现寒地水稻冠层叶绿素含量的精确预测。

Description

一种用于预测寒地水稻冠层叶绿素含量的方法及模型
技术领域
本发明属于寒地水稻检测技术领域，具体涉及一种用于预测寒地水稻冠层叶绿素含量的方法及模型。
背景技术
叶绿素含量SPAD(Soil and PlantAnalyzer Development)反映了作物叶绿素含量的相对高低，尤其是冠层叶绿素含量可以反映作物群体的性状，常用来评价作物长势状况、植被营养胁迫和叶片氮素含量等。因此，作物冠层叶绿素的精准估测对于农业施肥、灌溉具有重要的指导意义。
近地光谱技术是探测和获取作物营养状态和长势信息的有效手段。杨福芹等人根据苹果叶片高光谱的吸收和反射特征，提取光谱特征参数，实现了对不同品种苹果LNC的高光谱监测(杨福芹,冯海宽,李振海,杨贵军,戴华阳.基于可见光-近红外光谱特征参数的苹果叶片氮含量预测[J].农业机械学报,2017,48(09):143-151.)。唐延林等人研究了不同供氮水平的水稻冠层和叶片的高光谱及红边特征，发现水稻生物物理参数及色素含量与R1200/R550，R990/R550，R800/R550，R750/R550，λred，Sred之间有极显著相关，促进高光谱遥感技术在水稻长势监测和估产中的应用(唐延林,王人潮,黄敬峰,孔维姝,程乾.不同供氮水平下水稻高光谱及其红边特征研究[J].遥感学报,2004(02):185-192.)。宋晓等人基于不同品种、年份及生育期的大田实验数据，将0.045 x R550引入NDRE(790,720)构建新的光谱指数NEW-NDRE，试验结果优于传统指数(宋晓,许端阳,黄绍敏,黄晨晨,张水清,郭斗斗,张珂珂,岳克.基于地面观测光谱数据的冬小麦冠层叶片氮含量反演模型[J].应用生态学报,2020,31(05):1636-1644.)。姜海玲等人利用PSR-3500光谱仪获取冬小麦冠层光谱数据，选取叶绿素含量反演常用的3种光谱指数并加入通用光谱指数VI-UPD建立回归模型，获得了较好的精度及稳定性(姜海玲,杨杭,陈小平,王树东,李雪轲,刘凯,岑奕.利用光谱指数反演植被叶绿素含量的精度及稳定性研究[J].光谱学与光谱分析,2015,35(04):975-981.)。许童羽等人采用离散小波多尺度分解得到的小波近似系数建立GA-ELM模型，为准确检测粳稻叶片缺氮量提供一种新的思路(许童羽,郭忠辉,于丰华,徐博,冯帅.采用GA-ELM的寒地水稻缺氮量诊断方法[J].农业工程学报,2020,36(02):209-218.)。李旭青等人基于改进的随机森林算法构建水稻冠层含量反演点模型，决定系数达到0.81，模型精度高且具有普适性，并为点模型区域化应用提供了一个新方法(李旭青,刘湘南,刘美玲,吴伶.水稻冠层氮素含量光谱反演的随机森林算法及区域应用[J].遥感学报,2014,18(04):923-945.)。另外，随着无人机遥感技术的发展，基于光谱技术的遥感检测在农业上也取得了广泛的应用。Wanxue Zhu等人利用S185机载成像光谱仪获取不同生长周期、不同尺度、不同作物的高光谱信息，分别基于多变量线性回归、随机森林、反向传播神经网络和支持向量机四种算法进行建模，该研究对无人机传感器在特定作物表型和物候期叶绿素含量估算具有重要意义，并进一步促进无人机在精准农业中的应用(Wanxue Zhu,Zhigang Sun,etal.Estimating leaf chlorophyll content of crops via optimal unmanned aerialvehicle hyperspectral data at multi-scales[J].Computers and Electronics inAgriculture,2020,178(105786))。Haiying Liu等人利用UHD185机载成像光谱仪研究不同生育阶段和不同氮素营养指标(NNI)的高光谱特征，获取表征波段建立高光谱模型并进行遥感估算，其中多元统计回归模型对冬小麦不同生育期的NNI值具有较好的预测结果(Quantitative analysis and hyperspectral remote sensing of the nitrogennutrition index in winter wheat[J].International Journal of Remote Sensing,2020,41:858-881.)。秦占飞等人通过德国Cubert公司生产的UHD185机载成像光谱仪获得高光谱影像，利用组合波段738和522nm光谱反射率的一阶导数构成的比值光谱指数作为输入参数构建线性模型LNC＝0.201(D738/D522)+1.185，为区域尺度水稻氮素含量的空间反演提供科学和技术依据(秦占飞,常庆瑞,谢宝妮,申健.基于无人机高光谱影像的引黄灌区水稻叶片全氮含量估测[J].农业工程学报,2016,32(23):77-85.)。王玉娜等人利用无人机搭载UHD185成像光谱仪对2016～2017年关中地区的冬小麦进行遥感监测，利用718和738nm波段反射率构建比值光谱指数，并基于随机森林回归构建多变量冬小麦氮素营养指数估算模型，决定系数达到0.79，实现了区域范围的小麦氮素反演(王玉娜,李粉玲,王伟东,陈晓凯,常庆瑞.基于无人机高光谱的冬小麦氮素营养监测[J].农业工程学报,2020,36(22):31-39.)。
地处东北的黑龙江省自然条件优越，是全国最大的水稻生产区。水稻SPAD含量的精准评估，对于指导水稻生产，实现提质丰产增效具有重要意义。目前，水稻SPAD含量估测大多来源于单一光谱数据源，基于地面非成像光谱数据的“点”或者低空无人机光谱影像数据的“面”，致使估测效果不够准确，而将两种尺度进行结合的反演研究鲜有涉及。
发明内容
为了解决上述技术问题，获得更加准确的寒地水稻冠层叶绿素含量预测方法，本发明提供了一种用于预测寒地水稻冠层叶绿素含量的方法，具体步骤如下：
S1、采集寒地水稻冠层无人机高光谱影像数据以及与所述无人机高光谱影像数据对应的地面高光谱数据，并且同步测定寒地水稻冠层叶片的叶绿素含量；
S2、采用SNV算法对S1获得的地面高光谱数据进行预处理，然后采用无信息变量消除法和连续投影算法对预处理后的地面高光谱数据依次进行筛选，获得特征波段；
S3、采用神经网络方法，将地面高光谱数据的特征波段作为模型输入，寒地水稻冠层叶绿素含量作为模型输出，然后通过调整模型参数，以模型的决定系数和均方根误差为评价精准度的指标，确定模型参数，获得基于神经网络方法的预测寒地水稻冠层叶绿素含量的模型；
S4、将S1获取的无人机高光谱影像每个像元点提取到的特征波段作为S3获得的模型的输入，得到寒地水稻冠层叶绿素含量的空间分布。
进一步地限定，S1所述无人机高光谱数据由大疆经纬M300无人机同步搭载S185成像光谱仪进行数据采集。
进一步地限定，所述无人机的飞行高度120m，航向重叠度设置为80％，旁向重叠设置为70％。
进一步地限定，S1所述地面高光谱数据由PSR-1100f手持式地物光谱仪获取。
进一步地限定，S1所述寒地水稻冠层叶片的叶绿素含量由SPAD-502Plus叶绿素仪测量获得。
进一步地限定，所述测量在每个样本的顶三页均匀的测取10个叶绿素含量值，取平均值作为该样本的叶绿素含量值。
进一步地限定，S1、S2和S3所述的特征波段均为505nm、549nm、551nm、555nm、557nm、559nm、563nm、571nm、573nm、575nm、577nm和625nm。
进一步地限定，所述决定系数表示拟值与实测值的拟合程度，决定系数越接近1，表明拟合曲线精度越高；所述均方根误差反应了模型值与实测值的偏离程度，均方根误差值越小，模型精度越高。
进一步地限定，S3获得的模型的参数如下：训练函数为Trainlm，输出层的传递函数为Purelin，激活函数为Sigmoid，交叉概率为0.5，变异概率为0.3，进化次数为100，隐含层神经节点个数为15，训练最大迭代次数为10000次，学习速率为0.0001。
本发明还提供了上述用于预测寒地水稻冠层叶绿素含量的方法构建的寒地水稻冠层叶绿素含量预测模型。
本发明的有益效果：
本发明首先利用无信息变量消除法和连续投影算法对获取的寒地水稻冠层地面高光谱数据进行筛选，获得特征波段，提高了模型精度，缩短了建模时间，并降低了模型复杂度。然后基于神经网络方法，以特征波段的地面光谱数据作为模型输入，以水稻冠层SPAD含量作为模型输出，通过调整模型参数，以模型的决定系数和均方根误差为评价精准度的指标，确定模型参数，获得能够准确预测寒地水稻冠层叶绿素含量的模型。将寒地水稻冠层地面高光谱数据用于该模型时，模型决定系数R2达到0.818，均方根误差RMSE为0.847；寒地水稻叶绿素含量的预测范围为33.1～41.2，与水稻叶绿素含量实测值(32.7～40.6)具有较高的吻合度。将寒地水稻冠层无人机高光谱影像每个像元点提取到的特征波段作为模型的输入，得到寒地水稻冠层叶绿素含量的空间分布，将地面SPAD实测值与空间分布图上同名点的预测值进行拟合分析，拟合方程的R2达0.789，RMSE为0.986，证实了该模型可以根据无人机影像精确预测寒地水稻冠层叶绿素含量。
附图说明
图1为试验区域位置图；
图2为不同施氮量水平下的水稻冠层平均光谱反射率图；
图3为基于UVE算法的水稻冠层特征变量选择结果图；
图4为基于SPA算法的水稻冠层特征变量选择结果图；
图5为GA-BP神经网络流程图；
图6为基于地面非成像光谱数据的GA-BP神经网络建模结果图；
图7为试验区寒地水稻冠层拔节期SPAD含量反演图；
图8为基于无人机高光谱数据的GA-BP神经网络建模获得的SPAD实测值与预测值比较结果图。
具体实施方式
实施例1：用于预测寒地水稻冠层叶绿素含量的方法
(一)数据采集
选择阿城地区的寒地水稻种植区为试验区域(位置如图1所示)，寒地水稻实验样区设置四种施氮水平，分别为N0(正常施氮量)、N1(正常施氮量的75％)、N2(正常施氮量的50％)、N3(正常施氮量的25％)。各实验小区之间采取隔离措施，防止小区之间水肥互相渗透。水稻插秧时间为2021年5月20号，数据采集时间为2021年7月1日～8月10日，提取水稻冠层分蘖期、拔节期和灌浆期的无人机高光谱影像数据及与之对应的同步测量的地面高光谱数据，同时测定水稻冠层叶片的SPAD含量值。不同施氮量水平下的水稻冠层平均光谱反射率如图2所示。
采用PSR-1100f手持式地物光谱仪(下文简称PSR-1100f)获取寒地水稻冠层高谱数据，即为地面高光谱数据。冠层非成像光谱测定选择在无云晴朗、无风或风速较小的天气进行。测量时仪器垂直向下，保持与水平面的法线夹角在±10°之内，探头距离冠层高度在50cm左右。试验于2021年7月1日～8月10日10:00～14:00共进行3次试验，所对应的生育期分别为分蘖期，拔节期，灌浆期。
采用大疆经纬M300无人机同步搭载S185成像光谱仪(下文简称S185)进行无人机高光谱影像数据采集。试验选择在晴朗、无云、风力较小的天气下进行，飞行高度120m，航向重叠度设置为80％，旁向重叠度设置为70％。采集时间与地面高光谱数据采集时间同步。
采用日本美能达公司生产的SPAD-502Plus叶绿素仪同步测定水稻冠层叶片的SPAD值。为了减少误差，在每个样本的顶三页均匀的测取10个SPAD值，取平均值作为该样本的SPAD值。试验共采集水稻样本120个，采集时间与地面高光谱数据采集时间同步。
(二)获取地面高光谱数据的特征波段
原始高光谱数据具有波段多、数据量大、冗余性强等特点，若直接用全波段数据进行数据建模就会导致建模效率低、模型性能差，因此必须对高光谱数据进行降维处理。
为提高模型精度，降低建模时间和模型复杂度，首先采用SNV算法对获得的地面高光谱数据进行预处理，然后采用无信息变量消除法(UVE)对预处理后的地面高光谱数据进行特征波段的选择，图3为基于UVE算法的水稻冠层特征变量选择结果图，图中垂直竖实线为波长变量和随机噪声变量的分割线，左边是波长变量，右边是随机噪声变量。两条水平虚线分别表示波长变量稳定性的上下阈值，由随机噪音变量确定变量稳定阈值，处于两阈值之间的变量可认为是无用信息变量，需要被剔除；而变量稳定性值处于两阈值之外的波长变量为有用信息波长变量，将被保留。经过UVE波长变量优选后，共有163个波长变量被选择。
再利用SPA算法对上述163个波长变量进行筛选，结果如图4所示，从450～950nm的波段中挑选出12个特征波段，分别为505nm、549nm、551nm、555nm、557nm、559nm、563nm、571nm、573nm、575nm、577nm、625nm。
(三)建模神经网络模型
本研究采用GA-BP(genetic algorithm-back propagation，GA-BP)神经网络方法(GA-BP神经网络流程图如图5所示)，构建水稻冠层叶片SPAD含量预测模型，具体是将地面高光谱数据的特征波段作为模型输入，寒地水稻冠层叶绿素含量作为模型输出构建GA-BP模型。然后通过调整模型参数，以模型的决定系数和均方根误差为评价精准度的指标，确定模型参数。
选取决定系数(R2)、均方根误差(RMSE)作为评价建模与验证精度的指标。R2表示模拟值与实测值的拟合程度，R2越接近于1，表明该拟合曲线精度越高；RMSE反映了模拟值与实测值的偏离程度，其值越小，模型精度越高。
经过反复试验确定GA-BP的参数：训练函数为Trainlm，输出层的传递函数为Purelin，激活函数为Sigmoid，交叉概率为0.5，变异概率为0.3，进化次数为100。同时，通过逐步试验得出隐含层神经节点个数为15，训练最大迭代次数为10000次，学习速率为0.0001。此时，GA-BP建模效果最好(如图6)，模型决定系数R2达到0.818，均方根误差RMSE为0.847；寒地水稻叶绿素含量的预测范围为33.1～41.2，与水稻叶绿素含量实测值(32.7～40.6)具有较高的吻合度。
(四)利用无人机高光谱影像数据获取寒地水稻冠层SPAD含量空间分布
选取GA-BP模型结合无人机高光谱影像进行寒地水稻拔节期SPAD遥感反演填图。将步骤(一)获取的无人机高光谱影像每个像元点提取到的特征波段作为步骤(三)获得的模型的输入，得到寒地水稻冠层叶绿素含量的空间分布(如图7)，其中，特征波段为步骤(二)获得的特征波段。
为验证填图精度，根据地面采集的30个样本点的经纬度坐标，在图中找到同名地物点，将该30个采样点的地面SPAD实测值与空间分布图上同名点的预测值进行拟合分析，结果如图8所示，拟合方程的R2达0.789，RMSE为0.986，与利用地面光谱信息建立GA-BP模型(图6)相比，精度有所降低，主要原因在于该模型的建立基于地面非成像光谱数据，而无人机验证数据采用的是成像光谱数据，二者传感器不同，导致光谱信息存在差异；并且进行验证时，地面实测值与影像同名点的对应关系存在一定误差，导致模型验证的精度有所降低。总体而言，结合地面光谱信息和无人机影像可以实现较高精度的区域水稻SPAD反演。

Claims (10)

1.一种用于预测寒地水稻冠层叶绿素含量的方法，其特征在于，包括如下步骤：
S1、采集寒地水稻冠层无人机高光谱影像数据以及与所述无人机高光谱影像数据对应的地面高光谱数据，并且同步测定寒地水稻冠层叶片的叶绿素含量；
S2、采用SNV算法对S1获得的地面高光谱数据进行预处理，然后采用无信息变量消除法和连续投影算法对预处理后的地面高光谱数据依次进行筛选，获得特征波段；
S3、采用神经网络方法，将地面高光谱数据的特征波段作为模型输入，寒地水稻冠层叶绿素含量作为模型输出，然后通过调整模型参数，以模型的决定系数和均方根误差为评价精准度的指标，确定模型参数，获得基于神经网络方法的预测寒地水稻冠层叶绿素含量的模型；
S4、将S1获取的无人机高光谱影像每个像元点提取到的特征波段作为S3获得的模型的输入，得到寒地水稻冠层叶绿素含量的空间分布。
2.根据权利要求1所述的方法，其特征在于，S1所述无人机高光谱数据由大疆经纬M300无人机同步搭载S185成像光谱仪进行数据采集。
3.根据权利要求2所述的方法，其特征在于，所述无人机的飞行高度120m，航向重叠度设置为80％，旁向重叠设置为70％。
4.根据权利要求1所述的方法，其特征在于，S1所述地面高光谱数据由PSR-1100f手持式地物光谱仪获取。
5.根据权利要求1所述的方法，其特征在于，S1所述寒地水稻冠层叶片的叶绿素含量由SPAD-502Plus叶绿素仪测量获得。
6.根据权利要求5所述的方法，其特征在于，所述测量在每个样本的顶三页均匀的测取10个叶绿素含量值，取平均值作为该样本的叶绿素含量值。
7.根据权利要求1所述的方法，其特征在于，S1、S2和S3所述的特征波段均为505nm、549nm、551nm、555nm、557nm、559nm、563nm、571nm、573nm、575nm、577nm和625nm。
8.根据权利要求7所述的方法，其特征在于，所述决定系数表示拟值与实测值的拟合程度，决定系数越接近1，表明拟合曲线精度越高；所述均方根误差反应了模型值与实测值的偏离程度，均方根误差值越小，模型精度越高。
9.根据权利要8所述的方法，其特征在于，S3获得的模型的参数如下：训练函数为Trainlm，输出层的传递函数为Purelin，激活函数为Sigmoid，交叉概率为0.5，变异概率为0.3，进化次数为100，隐含层神经节点个数为15，训练最大迭代次数为10000次，学习速率为0.0001。
10.根据权利要求1-9所述的用于预测寒地水稻冠层叶绿素含量的方法构建的寒地水稻冠层叶绿素含量预测模型。
CN202111272521.9A 2021-10-29 2021-10-29 一种用于预测寒地水稻冠层叶绿素含量的方法及模型 Pending CN114460015A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202111272521.9A CN114460015A (zh) 2021-10-29 2021-10-29 一种用于预测寒地水稻冠层叶绿素含量的方法及模型

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202111272521.9A CN114460015A (zh) 2021-10-29 2021-10-29 一种用于预测寒地水稻冠层叶绿素含量的方法及模型

Publications (1)

Publication Number Publication Date
CN114460015A true CN114460015A (zh) 2022-05-10

Family

ID=81406131

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202111272521.9A Pending CN114460015A (zh) 2021-10-29 2021-10-29 一种用于预测寒地水稻冠层叶绿素含量的方法及模型

Country Status (1)

Country Link
CN (1) CN114460015A (zh)

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117523433A (zh) * 2023-11-27 2024-02-06 广东华茂高科种业有限公司 一种水稻不同生长周期的叶绿素含量监测方法
WO2024055783A1 (zh) * 2022-09-13 2024-03-21 苏州得墨忒耳科技有限公司 马铃薯产量的预测方法、装置、电子设备及存储介质

Citations (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN105021617A (zh) * 2015-07-14 2015-11-04 华中农业大学 基于高光谱成像的整株水稻叶绿素含量测量装置及方法
CN106290197A (zh) * 2016-09-06 2017-01-04 西北农林科技大学 水稻叶片全氮含量高光谱估测及估测模型构建方法
CN107024439A (zh) * 2017-03-23 2017-08-08 西北农林科技大学 一种水稻不同生育期叶绿素含量高光谱估测方法
CN109030378A (zh) * 2018-06-04 2018-12-18 沈阳农业大学 基于pso-elm的粳稻冠层叶绿素含量反演模型方法
US20190313570A1 (en) * 2018-04-17 2019-10-17 Hrl Laboratories, Llc System and method for determining crop residue fraction using blind source separation of color images
CN110987830A (zh) * 2019-12-23 2020-04-10 陕西地建土地工程技术研究院有限责任公司 植物冠层叶片叶绿素含量快速测定模型、测定方法及应用
CN113063739A (zh) * 2021-02-25 2021-07-02 北京麦飞科技有限公司 一种基于机载高光谱传感器的水稻冠层氮含量监测方法
CN113514402A (zh) * 2021-04-12 2021-10-19 新疆农业大学 一种冬小麦叶绿素含量的预测系统及方法

Patent Citations (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN105021617A (zh) * 2015-07-14 2015-11-04 华中农业大学 基于高光谱成像的整株水稻叶绿素含量测量装置及方法
CN106290197A (zh) * 2016-09-06 2017-01-04 西北农林科技大学 水稻叶片全氮含量高光谱估测及估测模型构建方法
CN107024439A (zh) * 2017-03-23 2017-08-08 西北农林科技大学 一种水稻不同生育期叶绿素含量高光谱估测方法
US20190313570A1 (en) * 2018-04-17 2019-10-17 Hrl Laboratories, Llc System and method for determining crop residue fraction using blind source separation of color images
CN109030378A (zh) * 2018-06-04 2018-12-18 沈阳农业大学 基于pso-elm的粳稻冠层叶绿素含量反演模型方法
CN110987830A (zh) * 2019-12-23 2020-04-10 陕西地建土地工程技术研究院有限责任公司 植物冠层叶片叶绿素含量快速测定模型、测定方法及应用
CN113063739A (zh) * 2021-02-25 2021-07-02 北京麦飞科技有限公司 一种基于机载高光谱传感器的水稻冠层氮含量监测方法
CN113514402A (zh) * 2021-04-12 2021-10-19 新疆农业大学 一种冬小麦叶绿素含量的预测系统及方法

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
JIA，YJ: "QUANTITATIVE ANALYSIS AND HYPERSPECTRAL REMOTE SENSING INVERSION OF RICE CANOPY SPAD IN A COLD REGION", 《ENGENHARIA AGRICOLA》 *
赵依然: "寒地水稻冠层叶绿素含量高光谱快速检测方法研究", 《中国优秀硕士论文库-农业科技辑》 *

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2024055783A1 (zh) * 2022-09-13 2024-03-21 苏州得墨忒耳科技有限公司 马铃薯产量的预测方法、装置、电子设备及存储介质
CN117523433A (zh) * 2023-11-27 2024-02-06 广东华茂高科种业有限公司 一种水稻不同生长周期的叶绿素含量监测方法
CN117523433B (zh) * 2023-11-27 2024-04-19 广东华茂高科种业有限公司 一种水稻不同生长周期的叶绿素含量监测方法

Similar Documents

Publication Publication Date Title
CN107796764B (zh) 一种基于三波段植被指数的小麦叶面积指数估算模型的构建方法
CN105608293B (zh) 融合光谱与纹理特征的森林地上生物量反演方法及系统
CN110376167A (zh) 基于无人机高光谱的水稻叶片氮含量监测方法
CN113268923B (zh) 一种基于模拟多光谱的夏玉米产量估算方法
CN109459392A (zh) 一种基于无人机多光谱影像的水稻地上部生物量估测方法
CN107505271B (zh) 基于氮素组分辐射传输模型的植株氮素估算方法和系统
CN110222475A (zh) 一种基于无人机多光谱遥感反演冬小麦植株含水率的方法
Zhang et al. Estimating wheat yield by integrating the WheatGrow and PROSAIL models
CN111855589A (zh) 水稻叶片氮积累量遥感反演模型和方法
CN103345707A (zh) 一种基于多源遥感数据的农作物成熟期遥感预测方法
CN111855591A (zh) 水稻地上部碳氮比遥感反演模型和方法
CN111044516B (zh) 一种水稻叶绿素含量遥感估测方法
CN103868880A (zh) 基于光谱双峰指数的小麦叶片氮含量监测方法及其监测模型的构建方法
CN114460015A (zh) 一种用于预测寒地水稻冠层叶绿素含量的方法及模型
CN109543654B (zh) 一种反映农作物生长状况的改进型植被指数的构建方法
Wang et al. Winter wheat chlorophyll content retrieval based on machine learning using in situ hyperspectral data
CN113252583B (zh) 一种基于枯草植被指数计算高寒枯草覆盖度的方法
CN113298859B (zh) 一种基于无人机影像的作物氮肥变量管理方法
CN106485345A (zh) 棉花全生育期冠层spad值遥感估算及估算模型构建方法
CN109060676A (zh) 基于高光谱的夏玉米冠层spad值估算模型的确定方法
Du et al. Combining a crop growth model with CNN for underground natural gas leakage detection using hyperspectral imagery
CN116485757A (zh) 一种冬小麦全氮含量预测方法
Atzberger Inverting the PROSAIL canopy reflectance model using neural nets trained on streamlined databases
CN114140695A (zh) 一种基于无人机多光谱遥感的茶树氮素诊断及品质指标测定的预测方法和系统
Karakoc et al. Ratio-based vegetation indices for biomass estimation depending on grassland characteristics

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