CN115479903A - 一种基于波长的叶绿素含量测定方法及其系统 - Google Patents
一种基于波长的叶绿素含量测定方法及其系统 Download PDFInfo
- Publication number
- CN115479903A CN115479903A CN202211100554.XA CN202211100554A CN115479903A CN 115479903 A CN115479903 A CN 115479903A CN 202211100554 A CN202211100554 A CN 202211100554A CN 115479903 A CN115479903 A CN 115479903A
- Authority
- CN
- China
- Prior art keywords
- data set
- chlorophyll content
- model
- wavelength data
- wavelength
- 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
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
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N20/00—Machine learning
Landscapes
- Physics & Mathematics (AREA)
- Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Chemical & Material Sciences (AREA)
- Analytical Chemistry (AREA)
- Pathology (AREA)
- Software Systems (AREA)
- Immunology (AREA)
- General Health & Medical Sciences (AREA)
- Biochemistry (AREA)
- Life Sciences & Earth Sciences (AREA)
- Health & Medical Sciences (AREA)
- Theoretical Computer Science (AREA)
- Mathematical Physics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Computation (AREA)
- General Engineering & Computer Science (AREA)
- Computing Systems (AREA)
- Data Mining & Analysis (AREA)
- Medical Informatics (AREA)
- Spectroscopy & Molecular Physics (AREA)
- Investigating Or Analysing Materials By Optical Means (AREA)
Abstract
本发明公开了一种基于波长的叶绿素含量测定方法、系统、设备和计算机可读存储介质,方法包括:获取待测叶片样本的波长数据;对所述待测叶片样本的波长数据进行变量筛选,得到目标波长数据作为特征波长数据;所述特征波长数据包括数据集一,数据集一包括以下一种或几种:510、558、559、713、1717、1720、1898、2031、2033、2304;将所述特征波长数据输入到构建好的叶绿素含量测定模型一中,得到叶绿素含量值。本发明基于叶片测量光谱及其波长,测定叶片样本的叶绿素含量值,测定结果准确度高,效率高,还能实现同时对大范围的叶绿素含量进行有效测定,省时省力,从深层次挖掘隐含在光谱数据背后的规律,解决相关的科学问题。
Description
技术领域
本发明涉及作物观测技术领域,更具体地,涉及一种基于波长的叶绿素含量测定方法及其系统。
背景技术
叶绿素是植物进行光合作用的主要色素,它位于植物细胞的类囊体薄膜上,在光合作用的光吸收过程中起核心作用。因此,叶绿素含量及其变化情况能够很好地反映植物的光合作用能力、生长健康状况等,在监测农作物长势、病虫害、农作物产量、预测农作物成熟期等方面有着重要意义。
目前,植物叶片叶绿素含量测定主要有化学分析法、计算机视觉法以及叶绿素仪法三种。化学分析法这种定量方法精度较高,但制取叶绿素溶液需要研磨叶片,费时费力,且破坏了叶片组织,仅适用于实验室测量。计算机视觉法可应用于车载农田诊断系统,是一种快速、非接触的测量方法,但是其实现需要上位机的参与以及大量数据库储备,整个系统体积较大,携带不方便。叶绿素仪法是通过读取植物叶片的透过光或反射光的相关信息,得出植株叶片叶绿素含量的一种方法。叶绿素仪法具有实时、快速、不破坏叶片等优点。现有便携式叶绿素仪中最具有代表性的是日本美能达公司的SPAD502。SPAD502内部有发出波长为650nm和940nm的光的LED(LightEmitting Diode,发光二级管),叶绿素对650nm的红外光具有较高的吸光度,而对940nm的红外光吸光度极低。SPAD502的工作原理是以940nm红外光为参照,测定叶片在650nm处的吸光度。因为SPAD502仅利用两个波段的光测量,得到的吸光度信息有限,所以测量精度较低。
发明内容
本发明方法通过基于叶片测量光谱及其波长,测定叶片样本的叶绿素含量值,测定结果准确度高,效率高,还能实现同时对大范围的叶绿素含量进行有效测定,省时省力,从深层次挖掘隐含在光谱数据背后的规律,解决相关的科学问题。
本申请公开一种基于波长的叶绿素含量测定方法,包括:
获取待测叶片样本的波长数据;
对所述待测叶片样本的波长数据进行变量筛选,得到目标波长数据作为特征波长数据;所述特征波长数据包括数据集一,数据集一包括以下一种或几种:510、558、559、713、1717、1720、1898、2031、2033、2304;
将所述特征波长数据输入到构建好的叶绿素含量测定模型一中,得到叶绿素含量值。
所述待测叶片样本的波长数据是经预处理后的波长数据,预处理的过程包括:获取待测叶片样本的光谱数据;对所述待测叶片样本的光谱数据进行预处理,得到经预处理后的波长数据,所述经预处理后的波长数据为所述待测叶片样本的波长数据;
可选的,所述预处理的方法包括以下一种或几种:一阶导数、二阶导数、基线校正、多元散射校正、变量标准化、倒数、倒数对数;
可选的,所述预处理的方法为:变量标准化(SNVR);
可选的,所述待测叶片样本的光谱数据是将叶片样本的原始光谱数据进行平滑处理后得到的光谱数据:可选的,所述平滑处理的方法包括但不限于以下一种:Savitzky-Golay。
所述特征波长数据还包括数据集二,数据集二包括以下一种或几种:404、503、505、507、508、510、547、548、549、550、551、553、554、555、556、557、688、689、690、693、708、709、710、711、712、713、1503、1710、1711、1712、1713、1714、1715、1716、1717、1718、1719、1720、1721、1925、1926、2304、2305、2306、2307;将数据集二输入到构建好的叶绿素含量测定模型二中,得到叶绿素含量值;
可选的,所述特征波长数据还包括数据集三,数据集三包括以下一种或几种:440、441、442、443、479、480、482、533、663、664、665、677、678、681、2211、2212、2213、2215、2216、2232、2233、2235、2236、2240、2241、2244、2245、2290、2292、2293、2294、2295、2296、2297、2298、2299、2300、2301、2302、2303、2307、2308、2309、2310、2311;将数据集三输入到构建好的叶绿素含量测定模型三中,得到叶绿素含量值;
可选的,所述特征波长数据还包括数据集四,将数据集四输入到构建好的叶绿素含量测定模型四中,得到叶绿素含量值;
可选的,所述特征波长数据还包括数据集五,将数据集五输入到构建好的叶绿素含量测定模型五中,得到叶绿素含量值;
可选的,所述特征波长数据还包括数据集六,将数据集六输入到构建好的叶绿素含量测定模型六中,得到叶绿素含量值;
可选的,所述特征波长数据还包括数据集七,将数据集七输入到构建好的叶绿素含量测定模型七中,得到叶绿素含量值;
可选的,所述特征波长数据还包括数据集八,将数据集八输入到构建好的叶绿素含量测定模型八中,得到叶绿素含量值。
采用机器学习的方式构建模型,得到叶绿素含量值;所述叶绿素含量测定模型一的确定方式包括:获取叶片样本的光谱数据集,和对应的叶绿素含量值;利用变量标准化对所述叶片样本的光谱数据集进行预处理,得到经预处理后的波长数据集;对所述经预处理后的波长数据集进行变量筛选,得到目标波长数据作为特征波长数据集;利用所述特征波长数据集构建模型,将利用模型得到的叶绿素含量预测值与所述对应的叶绿素含量值进行比较,优化模型,得到构建好的叶绿素含量测定模型一;
可选的,所述叶绿素含量测定模型二的确定方式包括:获取叶片样本的光谱数据集,和对应的叶绿素含量值;利用多元散射校正对所述叶片样本的光谱数据集进行预处理,得到经预处理后的波长数据集;对所述经预处理后的波长数据集进行变量筛选,得到目标波长数据作为特征波长数据集;利用所述特征波长数据集构建模型,将利用模型得到的叶绿素含量预测值与所述对应的叶绿素含量值进行比较,优化模型,得到构建好的叶绿素含量测定模型二。
所述叶绿素含量测定模型三的确定方式包括:获取叶片样本的光谱数据集,和对应的叶绿素含量值;利用倒数对所述叶片样本的光谱数据集进行预处理,得到经预处理后的波长数据集;对所述经预处理后的波长数据集进行变量筛选,得到目标波长数据作为特征波长数据集;利用所述特征波长数据集构建模型,将利用模型得到的叶绿素含量预测值与所述对应的叶绿素含量值进行比较,优化模型,得到构建好的叶绿素含量测定模型三;
可选的,所述叶绿素含量测定模型四的确定方式包括:获取叶片样本的光谱数据集,和对应的叶绿素含量值;对所述叶片样本的光谱数据集不做预处理,得到所述叶片样本的光谱数据集对应的波长数据集;对所述叶片样本的光谱数据集对应的波长数据集进行变量筛选,得到目标波长数据作为特征波长数据集;利用所述特征波长数据集构建模型,将利用模型得到的叶绿素含量预测值与所述对应的叶绿素含量值进行比较,优化模型,得到构建好的叶绿素含量测定模型四;
可选的,所述叶绿素含量测定模型五的确定方式包括:获取叶片样本的光谱数据集,和对应的叶绿素含量值;利用二阶导数对所述叶片样本的光谱数据集进行预处理,得到经预处理后的波长数据集;对所述经预处理后的波长数据集进行变量筛选,得到目标波长数据作为特征波长数据集;利用所述特征波长数据集构建模型,将利用模型得到的叶绿素含量预测值与所述对应的叶绿素含量值进行比较,优化模型,得到构建好的叶绿素含量测定模型五。
所述叶绿素含量测定模型六的确定方式包括:获取叶片样本的光谱数据集,和对应的叶绿素含量值;利用基线校正对所述叶片样本的光谱数据集进行预处理,得到经预处理后的波长数据集;对所述经预处理后的波长数据集进行变量筛选,得到目标波长数据作为特征波长数据集;利用所述特征波长数据集构建模型,将利用模型得到的叶绿素含量预测值与所述对应的叶绿素含量值进行比较,优化模型,得到构建好的叶绿素含量测定模型六;
可选的,所述叶绿素含量测定模型七的确定方式包括:获取叶片样本的光谱数据集,和对应的叶绿素含量值;利用倒数对数对所述叶片样本的光谱数据集进行预处理,得到经预处理后的波长数据集;对所述经预处理后的波长数据集进行变量筛选,得到目标波长数据作为特征波长数据集;利用所述特征波长数据集构建模型,将利用模型得到的叶绿素含量预测值与所述对应的叶绿素含量值进行比较,优化模型,得到构建好的叶绿素含量测定模型七;
可选的,所述叶绿素含量测定模型八的确定方式包括:获取叶片样本的光谱数据集,和对应的叶绿素含量值;利用一阶导数对所述叶片样本的光谱数据集进行预处理,得到经预处理后的波长数据集;对所述经预处理后的波长数据集进行变量筛选,得到目标波长数据作为特征波长数据集;利用所述特征波长数据集构建模型,将利用模型得到的叶绿素含量预测值与所述对应的叶绿素含量值进行比较,优化模型,得到构建好的叶绿素含量测定模型八。
所述机器学习的方法包括以下一种或几种:偏最小二乘法回归法、最小二乘支持向量机、神经网络、随机森林法、线性回归、Logistic回归、线性判别分析、分类与回归树、朴素贝叶斯、KNN、学习向量量化、支持向量机、LightGBM、极限梯度提升;可选的,所述机器学习的方法为:偏最小二乘法回归法(PLSR)。
一种基于波长的叶绿素含量测定设备,所述设备包括:存储器和处理器;
所述存储器用于存储程序指令;
所述处理器用于调用程序指令,当程序指令被执行时,用于执行上述的基于波长的叶绿素含量测定方法。
一种基于波长的叶绿素含量测定系统,包括:
获取单元,用于获取待测叶片样本的波长数据;
处理单元,用于对所述待测叶片样本的波长数据进行变量筛选,得到目标波长数据作为特征波长数据;所述特征波长数据包括以下一种或几种:510、558、559、713、1717、1720、1898、2031、2033、2304;
输出单元,用于将所述特征波长数据输入到构建好的叶绿素含量测定模型中,得到叶绿素含量值。
一种计算机可读存储介质,其上存储有计算机程序,所述计算机程序被处理器执行时实现上述的基于波长的叶绿素含量测定方法。
本申请具有以下有益效果:
1、本申请创新性的公开一种基于波长的叶绿素含量测定方法,该方法利用构建好的叶绿素含量测定模型进行待测叶片样本中叶绿素含量的测定,并依据对光谱数据预处理方法的不同,得到不同的经预处理后的波长数据集,建立不同的叶绿素含量测定模型,适用于对不同品种的叶片样本的处理,保证对不同叶片样本叶绿素含量测定值的精确性,充分利用了现有的群体数据,适用于多种作物;
2、本申请创新性的提出针对不同品种的叶片样本的光谱数据分别进行不同的预处理,从品种种类、预处理方式等多种维度、多个层面深度全面分析处理叶片的光谱数据背后的规律,不仅得到精度好、处理效率高的叶绿素含量测定模型,既能测定常见辣椒品种的叶绿素含量,也能保证对独特少见辣椒品种的叶绿素含量的有效测定。
附图说明
为了更清楚地说明本发明实施例中的技术方案,下面将对实施例描述中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图仅仅是本发明的一些实施例,对于本领域技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图获取其他的附图。
图1是本发明实施例提供的基于波长的叶绿素含量测定方法示意流程图;
图2是本发明实施例提供的基于波长的叶绿素含量测定方法使用流程图;
图3是本发明实施例提供的基于波长的叶绿素含量测定设备示意图;
图4是本发明实施例提供的基于波长的叶绿素含量测定系统示意流程图;
图5是本发明实施例提供的目标波长数据波段筛选结果表;
图6是本发明实施例提供的辣椒叶片叶绿素含量特征波段PLSR建模精度对照表;
图7是本发明实施例提供的辣椒叶片叶绿素含量全波段PLSR建模精度对照表。
具体实施方式
为了使本技术领域的人员更好地理解本发明方案,下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整地描述。
在本发明的说明书和权利要求书及上述附图中的描述的一些流程中,包含了按照特定顺序出现的多个操作,但是应该清楚了解,这些操作可以不按照其在本文中出现的顺序来执行或并行执行,操作的序号如101、102等,仅仅是用于区分开各个不同的操作,序号本身不代表任何的执行顺序。另外,这些流程可以包括更多或更少的操作,并且这些操作可以按顺序执行或并行执行。需要说明的是,本文中的“第一”、“第二”等描述,是用于区分不同的消息、设备、模块等,不代表先后顺序,也不限定“第一”和“第二”是不同的类型。
下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例仅仅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,本领域技术人员在没有做出创造性劳动前提下所获取的所有其他实施例,都属于本发明保护的范围。
图1是本发明实施例提供的基于波长的叶绿素含量测定方法示意流程图,图2是本发明实施例提供的基于波长的叶绿素含量测定方法使用流程图,具体地,所述测定方法包括如下步骤:
101:获取待测叶片样本的波长数据;
在一个实施例中,待测叶片样本的波长数据是经预处理后的波长数据,预处理的过程包括:获取待测叶片样本的光谱数据;对待测叶片样本的光谱数据进行预处理,得到经预处理后的波长数据,经预处理后的波长数据为待测叶片样本的波长数据;
可选的,预处理的方法包括以下一种或几种:一阶导数(FR、步长7)、二阶导数(SR、步长7)、基线校正(BLR)、多元散射校正(MSCR)、变量标准化(SNVR)、倒数(1/R)、倒数对数(LR);预处理的方法优选为:变量标准化(SNVR);
在一个实施例中,待测叶片样本的光谱数据是将叶片样本的原始光谱数据进行平滑处理后得到的光谱数据:可选的,平滑处理的方法包括但不限于以下一种:Savitzky-Golay(平滑窗口为9);Savitzky-Golay滤波拟合法是根据NDVI时间序列曲线的平均趋势,确定合适的滤波参数,用多项式实现滑动窗内的最小二乘拟合,用于数据预处理,降低背景噪声。
102:对待测叶片样本的波长数据进行变量筛选,得到目标波长数据作为特征波长数据;特征波长数据包括数据集一,数据集一包括以下一种或几种:510、558、559、713、1717、1720、1898、2031、2033、2304;
在一个实施例中,变量筛选的过程包括:采用经预处理后的波长数据集构建模型,得到构建好的初代模型;保留初代模型中回归系数绝对值权重大于或大于等于第一阈值的点作为新的子集,并去掉权重小于等于或小于第一阈值的点,得到经初次变量筛选后的二次迭代子集;基于第二次迭代子集建立第二次迭代模型,得到第三次迭代子集;经历N次循环,分别基于N次迭代子集建立N次迭代模型,分别得到N+1次迭代子集;分别计算N次迭代模型所对应的N组均方根误差值,确定均方根误差值的最小值对应的迭代子集作为特征波长数据集;N为自然整数。
在一个实施例中,特征波长数据的单位为nm。
103:将特征波长数据输入到构建好的叶绿素含量测定模型一中,得到叶绿素含量值;
在一个实施例中,采用机器学习的方式构建模型,得到叶绿素含量值;机器学习的方法包括以下一种或几种:偏最小二乘法回归法、最小二乘支持向量机、神经网络、随机森林法、线性回归、Logistic回归、线性判别分析、分类与回归树、朴素贝叶斯、KNN、学习向量量化、支持向量机、LightGBM、极限梯度提升;可选的,机器学习的方法为:偏最小二乘法回归法(PLSR);PLSR在建模过程中集中了主成分分析,典型相关分析和线性回归分析方法的特点,因此在分析结果中,除了可以提供一个更为合理的回归模型外,还可以同时完成一些类似于主成分分析和典型相关分析的研究内容,提供更丰富、深入的一些信息。
精度验证采用RMSEv、R2 v、RMSEp、R2 p和RPD5个指标。当RPD<1.4时表明模型无法对样品进行预测;当1.4<RPD<2时表明模型可对样品作粗略估测,并且可以通过改进建模方法来提高该模型的预测能力;而当RPD>2时表明模型具有极好的预测能力。R2(决定系数)越接近1,RMSE值(均方根误差)越小,RPD值(相对分析误差)越大模型越好。
其中,叶绿素含量测定模型一的确定方式包括:获取叶片样本的光谱数据集,和对应的叶绿素含量值;利用变量标准化对叶片样本的光谱数据集进行预处理,得到经预处理后的波长数据集;对经预处理后的波长数据集进行变量筛选,得到目标波长数据作为特征波长数据集;利用特征波长数据集构建模型,将利用模型得到的叶绿素含量预测值与对应的叶绿素含量值进行比较,优化模型,得到构建好的叶绿素含量测定模型一;
在一个实施例中,特征波长数据还包括数据集二,数据集二包括以下一种或几种:404、503、505、507、508、510、547、548、549、550、551、553、554、555、556、557、688、689、690、693、708、709、710、711、712、713、1503、1710、1711、1712、1713、1714、1715、1716、1717、1718、1719、1720、1721、1925、1926、2304、2305、2306、2307;将数据集二输入到构建好的叶绿素含量测定模型二中,得到叶绿素含量值;
可选的,叶绿素含量测定模型二的确定方式包括:获取叶片样本的光谱数据集,和对应的叶绿素含量值;利用多元散射校正对叶片样本的光谱数据集进行预处理,得到经预处理后的波长数据集;对经预处理后的波长数据集进行变量筛选,得到目标波长数据作为特征波长数据集;利用特征波长数据集构建模型,将利用模型得到的叶绿素含量预测值与对应的叶绿素含量值进行比较,优化模型,得到构建好的叶绿素含量测定模型二。
可选的,特征波长数据还包括数据集三,数据集三包括以下一种或几种:440、441、442、443、479、480、482、533、663、664、665、677、678、681、2211、2212、2213、2215、2216、2232、2233、2235、2236、2240、2241、2244、2245、2290、2292、2293、2294、2295、2296、2297、2298、2299、2300、2301、2302、2303、2307、2308、2309、2310、2311;将数据集三输入到构建好的叶绿素含量测定模型三中,得到叶绿素含量值;
可选的,叶绿素含量测定模型三的确定方式包括:获取叶片样本的光谱数据集,和对应的叶绿素含量值;利用倒数对叶片样本的光谱数据集进行预处理,得到经预处理后的波长数据集;对经预处理后的波长数据集进行变量筛选,得到目标波长数据作为特征波长数据集;利用特征波长数据集构建模型,将利用模型得到的叶绿素含量预测值与对应的叶绿素含量值进行比较,优化模型,得到构建好的叶绿素含量测定模型三;
在一个实施例中,特征波长数据还包括数据集四,数据集四包括以下一种或几种:525、529、540、542、544、546、547、548、557、558、559、560、561、562、563、578、579、580、685、837、945、1143、1258、1333、1383、1384、1385、1402、1403、1404、1405、1406、1407、1435、1436、1438、1578、1579、1580、1584、1585、1648、1649、1657、1658、1692、1693、1766、1767、1813、1814、1815;将数据集四输入到构建好的叶绿素含量测定模型四中,得到叶绿素含量值;
可选的,叶绿素含量测定模型四的确定方式包括:获取叶片样本的光谱数据集,和对应的叶绿素含量值;对所述叶片样本的光谱数据集(记做R)不做预处理,得到所述叶片样本的光谱数据集对应的波长数据集;对所述叶片样本的光谱数据集对应的波长数据集进行变量筛选,得到目标波长数据作为特征波长数据集;利用特征波长数据集构建模型,将利用模型得到的叶绿素含量预测值与对应的叶绿素含量值进行比较,优化模型,得到构建好的叶绿素含量测定模型四;
在一个实施例中,特征波长数据还包括数据集五,数据集五包括以下一种或几种:408、422、426、427、512、513、514、542、543、544、545、546、547、548、558、559、560、561、562、585、609、610、656、657、688、703、748、1044、1152、1200、1201、1202、1203、1407、1408、1410、1411、1659、1660、1661、1689、1690、1691、1692、1694、1703、1704、1705、1706、1707、1708、1709、1725、1726、1727、1793、1794、1795、1804、1805、1806、1861、1865、1885、2236、2237、2238、2239;将数据集五输入到构建好的叶绿素含量测定模型五中,得到叶绿素含量值;
可选的,叶绿素含量测定模型五的确定方式包括:获取叶片样本的光谱数据集,和对应的叶绿素含量值;利用二阶导数对叶片样本的光谱数据集进行预处理,得到经预处理后的波长数据集;对经预处理后的波长数据集进行变量筛选,得到目标波长数据作为特征波长数据集;利用特征波长数据集构建模型,将利用模型得到的叶绿素含量预测值与对应的叶绿素含量值进行比较,优化模型,得到构建好的叶绿素含量测定模型五。
在一个实施例中,特征波长数据还包括数据集六,数据集六包括以下一种或几种:404、502、504、505、506、507、540、542、558、559、560、561、562、697、711、836、838、839、854、926、928、931、1149、1150、1151、1152、1155、1156、1158、1160、1257、1258、1259、1260、1261、1262、1263、1264、1265、1332、1333、1335、1378、1379、1399、1402、1403、1404、1407、1409、1410、1443、1444、1447、1449、1450、1452、1453、1454、1550、1557、1585、1590、1647、1648、1649、1650、1651、1653、1654、1655、1656、1658、1659、1665、1691、1692、1693、1694、1695、1696、1697、1698、1699、1700、1701、1703、1704、1705、1706、1707、1810、1811、1812、1813、1814、1868、2231、2232、2233、2282、2283、2284、2285;将数据集六输入到构建好的叶绿素含量测定模型六中,得到叶绿素含量值;
可选的,叶绿素含量测定模型六的确定方式包括:获取叶片样本的光谱数据集,和对应的叶绿素含量值;利用基线校正对叶片样本的光谱数据集进行预处理,得到经预处理后的波长数据集;对经预处理后的波长数据集进行变量筛选,得到目标波长数据作为特征波长数据集;利用特征波长数据集构建模型,将利用模型得到的叶绿素含量预测值与对应的叶绿素含量值进行比较,优化模型,得到构建好的叶绿素含量测定模型六;
在一个实施例中,特征波长数据还包括数据集七,数据集七包括以下一种或几种:504、505、506、507、508、509、556、557、558、560、561、562、563、566、567、568、709、710、712、713、766、767、1326、1327、1328、1334、1336、1338、1342、1343、1345、1346、1347、1352、1356、1358、1702、1704、1705、1706、1707、1708、1709、1710、1711、1712、1713、1714、1715、1716、1718、1719、1720、1721、1722、1723、1724、1725、1901、1902、2042、2043、2044、2045、2046、2047、2048、2049、2050、2052、2053、2220、2221、2228、2229、2231、2233、2234、2235、2237、2238、2241、2242、2243、2284、2285、2287、2288、2289、2290、2291、2292、2294、2295、2296、2297、2298、2299、2300、2301、2302、2303、2304、2305、2306、2307、2308、2309、2310、2311、2312、2378、2379、2380、2381、2386、2387、2391、2392、2393;将数据集七输入到构建好的叶绿素含量测定模型七中,得到叶绿素含量值;
可选的,叶绿素含量测定模型七的确定方式包括:获取叶片样本的光谱数据集,和对应的叶绿素含量值;利用倒数对数对叶片样本的光谱数据集进行预处理,得到经预处理后的波长数据集;对经预处理后的波长数据集进行变量筛选,得到目标波长数据作为特征波长数据集;利用特征波长数据集构建模型,将利用模型得到的叶绿素含量预测值与对应的叶绿素含量值进行比较,优化模型,得到构建好的叶绿素含量测定模型七;
在一个实施例中,特征波长数据还包括数据集八,数据集八包括以下一种或几种:403、422、423、426、446、451、452、482、483、484、485、486、488、508、523、525、535、536、537、538、539、540、541、552、553、554、555、556、557、558、559、567、568、569、570、571、575、576、589、590、591、592、632、633、738、739、746、793、805、846、892、893、894、981、990、991、1047、1048、1049、1050、1125、1160、1161、1165、1166、1192、1193、1195、1198、1225、1228、1230、1246、1303、1304、1307、1308、1375、1389、1390、1392、1415、1416、1417、1418、1503、1505、1507、1591、1592、1593、1594、1638、1662、1663、1665、1666、1667、1668、1670、1671、1672、1673、1674、1675、1676、1705、1706、1707、1708、1709、1710、1758、1760、1762、1764、1787、1789、1790、1792、1793、1806、1807、1808、1858、1860、1862、1870、1871、1872、1936、1937、1986、1987、1988、2008、2009、2010、2020、2023、2025、2029、2035、2037、2079、2110、2115、2116、2118、2121、2267、2282、2284、2285、2311、2339、2341、2390、2393;将数据集八输入到构建好的叶绿素含量测定模型八中,得到叶绿素含量值。
可选的,叶绿素含量测定模型八的确定方式包括:获取叶片样本的光谱数据集,和对应的叶绿素含量值;利用一阶导数对叶片样本的光谱数据集进行预处理,得到经预处理后的波长数据集;对经预处理后的波长数据集进行变量筛选,得到目标波长数据作为特征波长数据集;利用特征波长数据集构建模型,将利用模型得到的叶绿素含量预测值与对应的叶绿素含量值进行比较,优化模型,得到构建好的叶绿素含量测定模型八。
在一个实施例中,叶片样本的试验区位于遵义市新蒲新区贵州省农业科学院辣椒研究所官庄示范基地(E107°2′27″、N27°44′5″),海拔835m,属亚热带季风气候,年均气温14.7℃,年均降水量1200毫米,无霜期270天。土壤类型为黄壤,整地前进行土壤基础指标测定,具体理化性质为:pH值5.21,有机质11.36g/kg、全氮1.78g/kg、有效磷29.68mg/kg、速效钾109.59mg/kg。
在一个实施例中,叶片样本的种类包括:黔椒8号(线椒)、红辣18号(线椒)、辣研101号(朝天椒)、红全球(朝天椒);所用肥料包括:尿素(硫酸铵)、过磷酸钙、硫酸钾。
在一个实施例中,叶片样本的试验区采用两因素裂区设计,以上述4个辣椒品种为主区,以氮肥施用量为副区,施用4种不同氮肥用量,分别为0kg/hm2、200kg/hm2、350kg/hm2、500kg/hm2,按基追肥1:1分别于基肥、初花期进行。试验共16个水平组合,重复3次,共计48个小区,每小区面积28.8m2。各处理磷肥、钾肥施肥量一致,磷肥(P2O5)施用量为150kg/hm2,作基肥一次性施入;钾肥(K2O)施用量为300kg/hm2,按基追肥1:1进行,追肥在初花期施用。有机肥按照100kg/亩用量一次性基施。其中,氮肥为尿素(46.4%),磷肥为过磷酸钙(16%),钾肥为硫酸钾(50%)。试验区肥料施用设计如下表所示:
注:有机肥:100kg/亩=4.3kg/小区,小区面积28.8m2。
试验采用软盘基质育苗,于2021年4月9日播种,移栽前按照1.2m厢宽起垄,在椒苗达到8片真叶时以株行距0.3×0.6m进行定植。四周设保护行,厢间留0.3m过道便于田间调查,田间管理同大田生产。
在一个实施例中,共采集叶片样本的光谱数据集(光谱反射率)叶绿素含量值(SPAD)数据3699组,用以叶片叶绿素的均值±3倍标准差来对异常值进行识别,共识别异常值19条,删除异常值后保留数据3680组,其中V1(黔辣8号)698组、V2(红辣18号)856组、V3(辣研101号)580组、V4(红全球)1546组。
在一个实施例中,本申请中的样本划分方法采用SPXY法。该法是最近由等首先提出,它是在KS法基础上发展而来,实验证明SPXY法能够有效地用于NIR定量模型的建立。SPXY在样品间距离计算时将x变量和y变量同时考虑在内。其优点在于能够有效地覆盖多维向量空间,从而改善所建模型的预测能力。校正集和预测集的样本比例为3:1。
图3是本发明实施例提供的基于波长的叶绿素含量测定设备,设备包括:存储器和处理器;
存储器用于存储程序指令;
处理器用于调用程序指令,当程序指令被执行时,用于执行上述的基于波长的叶绿素含量测定方法。
图4是本发明实施例提供的基于波长的叶绿素含量测定系统,包括:
获取单元301,用于获取待测叶片样本的波长数据;
处理单元302,用于对待测叶片样本的波长数据进行变量筛选,得到目标波长数据作为特征波长数据;特征波长数据包括以下一种或几种:510、558、559、713、1717、1720、1898、2031、2033、2304;
输出单元303,将特征波长数据输入到构建好的叶绿素含量测定模型中,得到叶绿素含量值。
一种计算机可读存储介质,其上存储有计算机程序,计算机程序被处理器执行时实现上述的基于波长的叶绿素含量测定方法。
图5是本发明实施例提供的目标波长数据波段筛选结果表;
分别对个品种、各光谱预处理方法进行变量筛选,不同品种和光谱预处理方法下的特征波段数量结果呈现差异性,数量少的是V3-R(4个)、V2-LR(8个)、V2-BLR(10个)、全样本-SNVR(10个),有较高的压缩率,分别达到99.80%、99.60%、99.50%和99.50%,数量多的是V4-R(210个)、全样本-FR(159个)、V4-LR(158个)、V1-R(138个)、V3-SNVR(138个)、V3-LR(138个),压缩率分别为89.51%、92.05%、92.10%、93.10%、93.10%、93.10%。总体上来看,压缩率较高,达到89%以上。全样本是4个被试品种的总和,增加了样本的复杂性。
图6是本发明实施例提供的辣椒叶片叶绿素含量特征波段PLSR建模精度对照表;
在品种间和光谱预处理间也均存在一定差异。总体上来讲模型精度也较高,RMSEv在3.56-6.59之间,R2 v在0.6557-0.8697之间,RMSEp在2.03-4.75之间,R2 p在0.6908-0.9242之间,RPD在2.46-4.52之间,预测集精度也高于校正集精度。
从品种上来看,效果相对好的是V4(RMSEv:4.46±0.57,R2 v:0.7925±0.0530,RMSEp:2.58±0.35,R2 p:0.8662±0.0386,RPD:3.62±0.51),效果相对最低的也是全样本(RMSEv:5.57±0.59,R2 v:0.7804±0.0507,RMSEp:3.43±0.46,R2 p:0.8177±0.0534,RPD:3.28±0.38)。总体上,全样本建模也表现了较好的精度。
从光谱预处理方法上来看,效果最好的是SR(RMSEv:4.84±0.75,R2 v:0.8260±0.0400,RMSEp:2.92±0.55,R2 p:0.8965±0.0353,RPD:3.87±0.49),效果相对最低的仍是1/R(RMSEv:6.10±0.97,R2 v:0.7257±0.0665,RMSEp:4.00±0.72,R2 p:0.7905±0.0630,RPD:2.82±0.28)。
图7是本发明实施例提供的辣椒叶片叶绿素含量全波段PLSR建模精度对照表。
用PLSR对400-2400nm全波段建模,结果在品种间和光谱预处理间均存在一定差异。总体上来讲模型精度较高,RMSEv在4.18-7.67之间,R2 v在0.6363-0.8561之间,RMSEp在2.28-5.62之间,R2 p在0.6937-0.9096之间,RPD在2.38-4.02之间,预测集精度高于校正集精度。
从品种上来看,效果相对好的是V2(RMSEv:5.91±0.69,R2 v:0.8298±0.0475,RMSEp:3.98±0.63,R2 p:0.8803±0.0342,RPD:3.52±0.43)和V4(RMSEv:4.49±0.22,R2 v:0.7936±0.0200,RMSEp:2.48±0.12,R2 p:0.8725±0.0182,RPD:3.72±0.18),效果相对最低的是全样本(RMSEv:5.80±0.56,R2 v:0.7618±0.0508,RMSEp:3.53±0.48,R2 p:0.8110±0.0478,RPD:3.18±0.36)。这是由于品种差异会对光谱特征产生影响,全样本是4个被试品种的总和,增加了样本的复杂性,而是建模精度略微降低,总体上,全样本建模仍表现了较好的精度。
从光谱预处理方法上来看,效果相对好的是FD(RMSEv:5.46±0.41,R2 v:0.7778±0.0511,RMSEp:3.05±0.44,R2 p:0.8773±0.0319,RPD:3.66±0.18)和SNVR(RMSEv:5.25±0.50,R2 v:0.7923±0.0406,RMSEp:3.22±0.45,R2 p:0.8811±0.0177,RPD:3.48±0.36),效果相对最低的是1/R(RMSEv:5.51±0.76,R2 v:0.7761±0.0461,RMSEp:3.50±0.65,R2 p:0.8480±0.0355,RPD:3.23±0.40)。
本验证实施例的验证结果表明,为适应症分配固有权重相对于默认设置来说可以适度改善本方法的性能。
所属领域的技术人员可以清楚地了解到,为描述的方便和简洁,上述描述的系统,装置和单元的具体工作过程,可以参考前述方法实施例中的对应过程,在此不再赘述。
在本申请所提供的几个实施例中,应该理解到,所揭露的系统,装置和方法,可以通过其它的方式实现。例如,以上所描述的装置实施例仅仅是示意性的,例如,单元的划分,仅仅为一种逻辑功能划分,实际实现时可以有另外的划分方式,例如多个单元或组件可以结合或者可以集成到另一个系统,或一些特征可以忽略,或不执行。另一点,所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些接口,装置或单元的间接耦合或通信连接,可以是电性,机械或其它的形式。
作为分离部件说明的单元可以是或者也可以不是物理上分开的,作为单元显示的部件可以是或者也可以不是物理单元,即可以位于一个地方,或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施例方案的目的。
另外,在本发明各个实施例中的各功能单元可以集成在一个处理单元中,也可以是各个单元单独物理存在,也可以两个或两个以上单元集成在一个单元中。上述集成的单元既可以采用硬件的形式实现,也可以采用软件功能单元的形式实现。
本领域普通技术人员可以理解上述实施例的各种方法中的全部或部分步骤是可以通过程序来指令相关的硬件来完成,该程序可以存储于一计算机可读存储介质中,存储介质可以包括:只读存储器(ROM,Read Only Memory)、随机存取存储器(RAM,RandomAccess Memory)、磁盘或光盘等。
本领域普通技术人员可以理解实现上述实施例方法中的全部或部分步骤是可以通过程序来指令相关的硬件完成,的程序可以存储于一种计算机可读存储介质中,上述提到的存储介质可以是只读存储器,磁盘或光盘等。
以上对本发明所提供的一种计算机设备进行了详细介绍,对于本领域的一般技术人员,依据本发明实施例的思想,在具体实施方式及应用范围上均会有改变之处,综上,本说明书内容不应理解为对本发明的限制。
Claims (10)
1.一种基于波长的叶绿素含量测定方法,包括:
获取待测叶片样本的波长数据;
对所述待测叶片样本的波长数据进行变量筛选,得到目标波长数据作为特征波长数据;所述特征波长数据包括数据集一,数据集一包括以下一种或几种:510、558、559、713、1717、1720、1898、2031、2033、2304;
将所述特征波长数据输入到构建好的叶绿素含量测定模型一中,得到叶绿素含量值。
2.根据权利要求1所述的基于波长的叶绿素含量测定方法,其特征在于,所述待测叶片样本的波长数据是经预处理后的波长数据,预处理的过程包括:获取待测叶片样本的光谱数据;对所述待测叶片样本的光谱数据进行预处理,得到经预处理后的波长数据,所述经预处理后的波长数据为所述待测叶片样本的波长数据;
可选的,所述预处理的方法包括以下一种或几种:一阶导数、二阶导数、基线校正、多元散射校正、变量标准化、倒数、倒数对数;
可选的,所述预处理的方法为:变量标准化;
可选的,所述待测叶片样本的光谱数据是将叶片样本的原始光谱数据进行平滑处理后得到的光谱数据:可选的,所述平滑处理的方法包括但不限于以下一种:Savitzky-Golay。
3.根据权利要求1所述的基于波长的叶绿素含量测定方法,其特征在于,所述特征波长数据还包括数据集二,数据集二包括以下一种或几种:404、503、505、507、508、510、547、548、549、550、551、553、554、555、556、557、688、689、690、693、708、709、710、711、712、713、1503、1710、1711、1712、1713、1714、1715、1716、1717、1718、1719、1720、1721、1925、1926、2304、2305、2306、2307;将数据集二输入到构建好的叶绿素含量测定模型二中,得到叶绿素含量值;
可选的,所述特征波长数据还包括数据集三,数据集三包括以下一种或几种:440、441、442、443、479、480、482、533、663、664、665、677、678、681、2211、2212、2213、2215、2216、2232、2233、2235、2236、2240、2241、2244、2245、2290、2292、2293、2294、2295、2296、2297、2298、2299、2300、2301、2302、2303、2307、2308、2309、2310、2311;将数据集三输入到构建好的叶绿素含量测定模型三中,得到叶绿素含量值;
可选的,所述特征波长数据还包括数据集四,将数据集四输入到构建好的叶绿素含量测定模型四中,得到叶绿素含量值;
可选的,所述特征波长数据还包括数据集五,将数据集五输入到构建好的叶绿素含量测定模型五中,得到叶绿素含量值;
可选的,所述特征波长数据还包括数据集六,将数据集六输入到构建好的叶绿素含量测定模型六中,得到叶绿素含量值;
可选的,所述特征波长数据还包括数据集七,将数据集七输入到构建好的叶绿素含量测定模型七中,得到叶绿素含量值;
可选的,所述特征波长数据还包括数据集八,将数据集八输入到构建好的叶绿素含量测定模型八中,得到叶绿素含量值。
4.根据权利要求1所述的基于波长的叶绿素含量测定方法,其特征在于,采用机器学习的方式构建模型,得到叶绿素含量值;所述叶绿素含量测定模型一的确定方式包括:获取叶片样本的光谱数据集,和对应的叶绿素含量值;利用变量标准化对所述叶片样本的光谱数据集进行预处理,得到经预处理后的波长数据集;对所述经预处理后的波长数据集进行变量筛选,得到目标波长数据作为特征波长数据集;利用所述特征波长数据集构建模型,将利用模型得到的叶绿素含量预测值与所述对应的叶绿素含量值进行比较,优化模型,得到构建好的叶绿素含量测定模型一;
可选的,所述叶绿素含量测定模型二的确定方式包括:获取叶片样本的光谱数据集,和对应的叶绿素含量值;利用多元散射校正对所述叶片样本的光谱数据集进行预处理,得到经预处理后的波长数据集;对所述经预处理后的波长数据集进行变量筛选,得到目标波长数据作为特征波长数据集;利用所述特征波长数据集构建模型,将利用模型得到的叶绿素含量预测值与所述对应的叶绿素含量值进行比较,优化模型,得到构建好的叶绿素含量测定模型二。
5.根据权利要求1所述的基于波长的叶绿素含量测定方法,其特征在于,所述叶绿素含量测定模型三的确定方式包括:获取叶片样本的光谱数据集,和对应的叶绿素含量值;利用倒数对所述叶片样本的光谱数据集进行预处理,得到经预处理后的波长数据集;对所述经预处理后的波长数据集进行变量筛选,得到目标波长数据作为特征波长数据集;利用所述特征波长数据集构建模型,将利用模型得到的叶绿素含量预测值与所述对应的叶绿素含量值进行比较,优化模型,得到构建好的叶绿素含量测定模型三;
可选的,所述叶绿素含量测定模型四的确定方式包括:获取叶片样本的光谱数据集,和对应的叶绿素含量值;对所述叶片样本的光谱数据集不做预处理,得到所述叶片样本的光谱数据集对应的波长数据集;对所述叶片样本的光谱数据集对应的波长数据集进行变量筛选,得到目标波长数据作为特征波长数据集;利用所述特征波长数据集构建模型,将利用模型得到的叶绿素含量预测值与所述对应的叶绿素含量值进行比较,优化模型,得到构建好的叶绿素含量测定模型四;
可选的,所述叶绿素含量测定模型五的确定方式包括:获取叶片样本的光谱数据集,和对应的叶绿素含量值;利用二阶导数对所述叶片样本的光谱数据集进行预处理,得到经预处理后的波长数据集;对所述经预处理后的波长数据集进行变量筛选,得到目标波长数据作为特征波长数据集;利用所述特征波长数据集构建模型,将利用模型得到的叶绿素含量预测值与所述对应的叶绿素含量值进行比较,优化模型,得到构建好的叶绿素含量测定模型五。
6.根据权利要求1所述的基于波长的叶绿素含量测定方法,其特征在于,所述叶绿素含量测定模型六的确定方式包括:获取叶片样本的光谱数据集,和对应的叶绿素含量值;利用基线校正对所述叶片样本的光谱数据集进行预处理,得到经预处理后的波长数据集;对所述经预处理后的波长数据集进行变量筛选,得到目标波长数据作为特征波长数据集;利用所述特征波长数据集构建模型,将利用模型得到的叶绿素含量预测值与所述对应的叶绿素含量值进行比较,优化模型,得到构建好的叶绿素含量测定模型六;
可选的,所述叶绿素含量测定模型七的确定方式包括:获取叶片样本的光谱数据集,和对应的叶绿素含量值;利用倒数对数对所述叶片样本的光谱数据集进行预处理,得到经预处理后的波长数据集;对所述经预处理后的波长数据集进行变量筛选,得到目标波长数据作为特征波长数据集;利用所述特征波长数据集构建模型,将利用模型得到的叶绿素含量预测值与所述对应的叶绿素含量值进行比较,优化模型,得到构建好的叶绿素含量测定模型七;
可选的,所述叶绿素含量测定模型八的确定方式包括:获取叶片样本的光谱数据集,和对应的叶绿素含量值;利用一阶导数对所述叶片样本的光谱数据集进行预处理,得到经预处理后的波长数据集;对所述经预处理后的波长数据集进行变量筛选,得到目标波长数据作为特征波长数据集;利用所述特征波长数据集构建模型,将利用模型得到的叶绿素含量预测值与所述对应的叶绿素含量值进行比较,优化模型,得到构建好的叶绿素含量测定模型八。
7.根据权利要求5所述的基于波长的叶绿素含量测定方法,其特征在于,所述机器学习的方法包括以下一种或几种:偏最小二乘法回归法、最小二乘支持向量机、神经网络、随机森林法、线性回归、Logistic回归、线性判别分析、分类与回归树、朴素贝叶斯、KNN、学习向量量化、支持向量机、LightGBM、极限梯度提升;
可选的,所述机器学习的方法为:偏最小二乘法回归法(PLSR)。
8.一种基于波长的叶绿素含量测定设备,所述设备包括:存储器和处理器;
所述存储器用于存储程序指令;
所述处理器用于调用程序指令,当程序指令被执行时,用于执行权利要求1-7任意一项所述的基于波长的叶绿素含量测定方法。
9.一种基于波长的叶绿素含量测定系统,包括:
获取单元,获取待测叶片样本的波长数据;
处理单元,对所述待测叶片样本的波长数据进行变量筛选,得到目标波长数据作为特征波长数据;所述特征波长数据包括以下一种或几种:510、558、559、713、1717、1720、1898、2031、2033、2304;
输出单元,将所述特征波长数据输入到构建好的叶绿素含量测定模型中,得到叶绿素含量值。
10.一种计算机可读存储介质,其上存储有计算机程序,所述计算机程序被处理器执行时实现上述的权利要求1-7任意一项所述的基于波长的叶绿素含量测定方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211100554.XA CN115479903A (zh) | 2022-09-08 | 2022-09-08 | 一种基于波长的叶绿素含量测定方法及其系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211100554.XA CN115479903A (zh) | 2022-09-08 | 2022-09-08 | 一种基于波长的叶绿素含量测定方法及其系统 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN115479903A true CN115479903A (zh) | 2022-12-16 |
Family
ID=84423538
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202211100554.XA Pending CN115479903A (zh) | 2022-09-08 | 2022-09-08 | 一种基于波长的叶绿素含量测定方法及其系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115479903A (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116660206A (zh) * | 2023-05-31 | 2023-08-29 | 浙江省农业科学院 | 一种作物产量预估方法及系统 |
CN116660206B (zh) * | 2023-05-31 | 2024-05-28 | 浙江省农业科学院 | 一种作物产量预估方法及系统 |
-
2022
- 2022-09-08 CN CN202211100554.XA patent/CN115479903A/zh active Pending
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116660206A (zh) * | 2023-05-31 | 2023-08-29 | 浙江省农业科学院 | 一种作物产量预估方法及系统 |
CN116660206B (zh) * | 2023-05-31 | 2024-05-28 | 浙江省农业科学院 | 一种作物产量预估方法及系统 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110082300B (zh) | 基于光谱参量的冬小麦冠层含水率监测模型建立方法 | |
Zhang et al. | Rapid determination of leaf water content using VIS/NIR spectroscopy analysis with wavelength selection | |
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 | |
Li et al. | Discriminating varieties of tea plant based on Vis/NIR spectral characteristics and using artificial neural networks | |
Christenson et al. | Predicting soybean relative maturity and seed yield using canopy reflectance | |
CN110376167A (zh) | 基于无人机高光谱的水稻叶片氮含量监测方法 | |
Li et al. | Assessing leaf nitrogen concentration of winter oilseed rape with canopy hyperspectral technique considering a non-uniform vertical nitrogen distribution | |
Brunetto et al. | Use of the SPAD-502 in estimating nitrogen content in leaves and grape yield in grapevines in soils with different texture. | |
CN107271382A (zh) | 一种不同生育期油菜叶片spad值遥感估算方法 | |
CN110069895B (zh) | 冬小麦含氮量全生育时段光谱监测模型建立方法 | |
Rubio-Delgado et al. | Predicting leaf nitrogen content in olive trees using hyperspectral data for precision agriculture | |
CN110082309B (zh) | 冬小麦冠层spad值综合光谱监测模型建立方法 | |
Yu et al. | A study of nitrogen deficiency inversion in rice leaves based on the hyperspectral reflectance differential | |
US20230078617A1 (en) | A method for assessing nitrogen nutritional status in plants by visible-to-shortwave infrared reflectance spectroscopy of carbohydrates | |
Guo et al. | A robust method to estimate foliar phosphorus of rubber trees with hyperspectral reflectance | |
Zaeen et al. | In‐season potato yield prediction with active optical sensors | |
Wen et al. | Estimation of the vertically integrated leaf nitrogen content in maize using canopy hyperspectral red edge parameters | |
Chivasa et al. | Phenology-based discrimination of maize (Zea mays L.) varieties using multitemporal hyperspectral data | |
Yu et al. | An entirely new approach based on remote sensing data to calculate the nitrogen nutrition index of winter wheat | |
Peng et al. | Winter wheat canopy water content monitoring based on spectral transforms and “three-edge” parameters | |
Liu et al. | Detection of chlorophyll content in growth potato based on spectral variable analysis | |
Rubo et al. | Exploring hyperspectral reflectance indices for the estimation of water and nitrogen status of spinach | |
Wang et al. | Prediction of N, P, and K contents in sugarcane leaves by VIS-NIR spectroscopy and modeling of NPK interaction effects | |
CN115479902A (zh) | 基于波长的叶绿素含量测定模型构建方法及其系统 | |
Ong et al. | Visible and near-infrared spectroscopic determination of sugarcane chlorophyll content using a modified wavelength selection method for multivariate calibration |
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 |