CN116026772B - 基于高光谱遥感的玉米叶片氮含量预测方法 - Google Patents
基于高光谱遥感的玉米叶片氮含量预测方法 Download PDFInfo
- Publication number
- CN116026772B CN116026772B CN202310329448.7A CN202310329448A CN116026772B CN 116026772 B CN116026772 B CN 116026772B CN 202310329448 A CN202310329448 A CN 202310329448A CN 116026772 B CN116026772 B CN 116026772B
- Authority
- CN
- China
- Prior art keywords
- ndsi
- nitrogen content
- soil
- determined
- corn 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.)
- Active
Links
Classifications
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02A—TECHNOLOGIES FOR ADAPTATION TO CLIMATE CHANGE
- Y02A40/00—Adaptation technologies in agriculture, forestry, livestock or agroalimentary production
- Y02A40/10—Adaptation technologies in agriculture, forestry, livestock or agroalimentary production in agriculture
Landscapes
- Transplanting Machines (AREA)
Abstract
本发明涉及遥感分析技术领域,具体涉及一种基于高光谱遥感的玉米叶片氮含量预测方法,现有技术中在玉米含氮量预测仅采用以玉米品种作为关系模型参数的区分,这种技术估算偏差比较大,本申请先在预测上建立玉米叶片含氮量的基本函数关系进一步确定多因素判别函数,然后建立统一的多权重多因素判别函数,由多权重多因素判别函数对玉米叶片氮含量进行预测。在预测中能充分考虑土壤含氮量,土壤湿度、种植密度对玉米叶片含氮量的影响,判别偏差更小。
Description
技术领域
本发明涉及遥感分析技术领域,具体涉及一种基于高光谱遥感的玉米叶片氮含量预测方法。
背景技术
一般地,测量玉米叶片氮含量采用化学方法,这种效率比较低,通过光谱分析则为一种快速的方法,比如相关现有技术如专利文献CN102374971A即公开了一种通过高光谱遥感分析对玉米含氮量预测的技术,该技术对于较多品种的玉米含氮量预测,采用比较普遍的模型关系,尤其在玉米含氮量预测仅采用以玉米品种作为关系模型参数的区分,所以这种技术估算偏差比较大。
发明内容
本发明的目的在于提供一种基于高光谱遥感的玉米叶片氮含量预测方法,以解决上述背景技术中提出的问题。
为了解决上述技术问题,本发明提供如下技术方案:
基于高光谱遥感的玉米叶片氮含量预测方法,其包括步骤:
确定玉米的品种并初定品种参数P;对玉米叶片进行光谱测定及反射提取,确定敏感波段及两个特定的敏感波长a与b;建立两个特定的敏感波长a与b的归一化差值光谱指数与玉米叶片含氮量的基本函数关系f(NDSI(a,b));其中f()为函数关系,NDSI(a,b)为归一化差值光谱指数;
然后以种植密度、土壤湿度参数固定确定土壤含氮量单独对基本函数关系f(NDSI(a,b))的影响权重P1,然后种植密度、土壤含氮量参数固定确定土壤湿度单独对基本函数关系f(NDSI(a,b))的影响权重P2,
然后以土壤湿度、土壤含氮量参数固定确定种植密度单独对基本函数关系f(NDSI(a,b))的影响权重P3,
然后控制土壤含氮量不变,重新建立归一化差值光谱指数与玉米叶片含氮量的函数关系f1(NDSI(a,b));
然后控制土壤湿度不变,重新建立归一化差值光谱指数与玉米叶片含氮量的函数关系f2(NDSI(a,b));
然后控制种植密度不变,重新建立归一化差值光谱指数与玉米叶片含氮量的函数关系f3(NDSI(a,b));
f1(NDSI(a,b))中的具体参数由土壤含氮量确定;f2(NDSI(a,b))中的具体参数由土壤湿度确定;f3(NDSI(a,b))中的具体参数由种植密度确定,然后建立统一的多权重多因素判别函数,由多权重多因素判别函数对玉米叶片氮含量进行预测。
进一步f1(NDSI(a,b))=c1·exp(n1·(a-b)/(a+b)),c1,n1均为固定系数,c1,n1均由土壤含氮量确定。
进一步f2(NDSI(a,b))=c2·exp(n2·(a-b)/(a+b)),c2,n2均为固定系数,c2,n2均由土壤湿度确定。
进一步f3(NDSI(a,b))=c3·exp(n3·(a-b)/(a+b)),c3,n3均为固定系数,c3,n3均由种植密度确定。
进一步多权重多因素判别函数具体为,Q=(P1/P)·f1(NDSI(a,b))+(P2/P)·f2(NDSI(a,b))+(P3/P)·f3(NDSI(a,b));其中Q为预测的玉米叶片含氮量,P1/P+P2/P+P3/P=1;f1(NDSI(a,b))=c1·exp(n1·(a-b)/(a+b)),c1,n1均为固定系数,c1,n1均由土壤含氮量确定,f2(NDSI(a,b))=c2·exp(n2·(a-b)/(a+b)),c2,n2均为固定系数,c2,n2均由土壤湿度确定,f3(NDSI(a,b))=c3·exp(n3·(a-b)/(a+b)),c3,n3均为固定系数,c3,n3均由种植密度确定。
进一步由多权重多因素判别函数对玉米叶片氮含量进行预测,具体包括有,在多权重多因素判别函数中确定玉米的品种并确定品种参数P,再输入土壤含氮量单独对基本函数关系f(NDSI(a,b))的影响权重P1,土壤湿度单独对基本函数关系f(NDSI(a,b))的影响权重P2,种植密度单独对基本函数关系f(NDSI(a,b))的影响权重P3,f1(NDSI(a,b))、f2(NDSI(a,b))、f3(NDSI(a,b)),输出对玉米叶片氮含量进行预测的结果Q。
与现有技术相比,本发明的有益效果:
由多权重多因素判别函数,对玉米叶片氮含量进行预测,在预测中能充分考虑土壤含氮量,土壤湿度、种植密度对玉米叶片含氮量的影响,判别偏差更小。
具体实施方式
下面将结合本发明实施例,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,本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例,都属于本发明保护的范围。
现有技术之中对于较多品种的玉米含氮量预测,采用比较普遍的模型关系,尤其在玉米含氮量预测仅采用以玉米品种作为关系模型参数的区分,所以这种技术估算偏差比较大,比如背景技术中的技术采用比较普遍的模型关系,具体的背景技术中的农大108,先玉335,ND66几个玉米品种基本采用单一的关于e的函数的模型,农大108、先玉335和ND66的估算偏差分别为-7.2%~5.1%、-8.8%~6.1%、3.8%~ 9.3%,估算偏差比较大。
本申请公开了一种基于高光谱遥感的玉米叶片氮含量预测方法其包括步骤有:
确定玉米的品种并初定品种参数P;对玉米叶片进行光谱测定及反射提取,确定敏感波段及两个特定的敏感波长a与b;建立两个特定的敏感波长a与b的归一化差值光谱指数与玉米叶片含氮量的基本函数关系f(NDSI(a,b));其中f()为函数关系,NDSI(a,b)为归一化差值光谱指数;
然后以种植密度、土壤湿度参数固定确定土壤含氮量单独对基本函数关系f(NDSI(a,b))的影响权重P1,当以土壤含氮量做自变量以基本函数关系f(NDSI(a,b))的改变量做因变量时,影响权重P1等于因变量对自变量求导,然后种植密度、土壤含氮量参数固定确定土壤湿度单独对基本函数关系f(NDSI(a,b))的影响权重P2,当以土壤湿度量做自变量以基本函数关系f(NDSI(a,b))的改变量做因变量时,影响权重P2等于因变量对自变量求导,然后以土壤湿度、土壤含氮量参数固定确定种植密度单独对基本函数关系f(NDSI(a,b))的影响权重P3,当以种植密度量做自变量以基本函数关系f(NDSI(a,b))的改变量做因变量时,影响权重P3等于因变量对自变量求导,然后控制土壤含氮量不变,重新建立归一化差值光谱指数与玉米叶片含氮量的函数关系f1(NDSI(a,b));
然后控制土壤湿度不变,重新建立归一化差值光谱指数与玉米叶片含氮量的函数关系f2(NDSI(a,b));
然后控制种植密度不变,重新建立归一化差值光谱指数与玉米叶片含氮量的函数关系f3(NDSI(a,b));
f1(NDSI(a,b))中的具体参数由土壤含氮量确定;f2(NDSI(a,b))中的具体参数由土壤湿度确定;f3(NDSI(a,b))中的具体参数由种植密度确定,然后建立统一的多权重多因素判别函数,由多权重多因素判别函数对玉米叶片氮含量进行预测。
可见本申请由多权重多因素判别函数,对玉米叶片氮含量进行预测,在预测中能充分考虑土壤含氮量,土壤湿度、种植密度对玉米叶片含氮量的影响,判别偏差更小。
优选地f1(NDSI(a,b))=c1·exp(n1·(a-b)/(a+b)),c1,n1均为固定系数,c1,n1均由土壤含氮量确定。
优选地f2(NDSI(a,b))=c2·exp(n2·(a-b)/(a+b)),c2,n2均为固定系数,c2,n2均由土壤湿度确定。
优选地f3(NDSI(a,b))=c3·exp(n3·(a-b)/(a+b)),c3,n3均为固定系数,c3,n3均由种植密度确定。
其中的多权重多因素判别函数具体为,Q=(P1/P)·f1(NDSI(a,b))+(P2/P)·f2(NDSI(a,b))+(P3/P)·f3(NDSI(a,b));其中Q为预测的玉米叶片含氮量,P1/P+P2/P+P3/P=1;f1(NDSI(a,b))=c1·exp(n1·(a-b)/(a+b)),c1,n1均为固定系数,c1,n1均由土壤含氮量确定,f2(NDSI(a,b))=c2·exp(n2·(a-b)/(a+b)),c2,n2均为固定系数,c2,n2均由土壤湿度确定,f3(NDSI(a,b))=c3·exp(n3·(a-b)/(a+b)),c3,n3均为固定系数,c3,n3均由种植密度确定。
具体的实施中,本申请中的P1/P+P2/P+P3/P=1保障三个权重数值可以归一化,归一化之后的三个权重数值分别等于P1=7/37、P2=21/37、P3=9/37,P等于37,其中的a取值720nm,b取值606nm,c1,n1分别为0.3444与0.9556,c2,n2分别为0.3627与0.9933,c3,n3分别为0.3267与0.9152,具体的,实施中本申请对玉米叶片氮含量进行预测估算偏差在-0.02到0.04之间,判别偏差更小,一些预测估算偏差数值的统计案例如下:。
优选地由多权重多因素判别函数对玉米叶片氮含量进行预测,具体包括有,在多权重多因素判别函数中确定玉米的品种并确定品种参数P,再输入土壤含氮量单独对基本函数关系f(NDSI(a,b))的影响权重P1,土壤湿度单独对基本函数关系f(NDSI(a,b))的影响权重P2,种植密度单独对基本函数关系f(NDSI(a,b))的影响权重P3,f1(NDSI(a,b))、f2(NDSI(a,b))、f3(NDSI(a,b)),输出对玉米叶片氮含量进行预测的结果Q。
在一种具体的实施中,本申请公开了一种基于高光谱遥感的玉米叶片氮含量预测方法其包括步骤有:
确定玉米的品种并初定品种参数P;对玉米叶片进行光谱测定及反射提取,确定敏感波段及两个特定的敏感波长a与b;建立两个特定的敏感波长a与b的归一化差值光谱指数与玉米叶片含氮量的基本函数关系f(NDSI(a,b));其中f()为函数关系,NDSI(a,b)为归一化差值光谱指数;
然后以种植密度、土壤湿度参数固定确定土壤含氮量单独对基本函数关系f(NDSI(a,b))的影响权重P1,然后种植密度、土壤含氮量参数固定确定土壤湿度单独对基本函数关系f(NDSI(a,b))的影响权重P2,
然后以土壤湿度、土壤含氮量参数固定确定种植密度单独对基本函数关系f(NDSI(a,b))的影响权重P3,
然后控制土壤含氮量不变,重新建立归一化差值光谱指数与玉米叶片含氮量的函数关系f1(NDSI(a,b));f1(NDSI(a,b))=c1·exp(n1·(a-b)/(a+b)),c1,n1均为固定系数,c1,n1均由土壤含氮量确定;
然后控制土壤湿度不变,重新建立归一化差值光谱指数与玉米叶片含氮量的函数关系f2(NDSI(a,b));f2(NDSI(a,b))=c2·exp(n2·(a-b)/(a+b)),c2,n2均为固定系数,c2,n2均由土壤湿度确定;
然后控制种植密度不变,重新建立归一化差值光谱指数与玉米叶片含氮量的函数关系f3(NDSI(a,b));f3(NDSI(a,b))=c3·exp(n3·(a-b)/(a+b)),c3,n3均为固定系数,c3,n3均由种植密度确定;
f1(NDSI(a,b))中的具体参数由土壤含氮量确定;f2(NDSI(a,b))中的具体参数由土壤湿度确定;f3(NDSI(a,b))中的具体参数由种植密度确定,然后建立统一的多权重多因素判别函数,
Q=(P1/P)·f1(NDSI(a,b))+(P2/P)·f2(NDSI(a,b))+(P3/P)·f3(NDSI(a,b));其中Q为预测的玉米叶片含氮量,P1/P+P2/P+P3/P=1;由多权重多因素判别函数对玉米叶片氮含量进行预测,
即在多权重多因素判别函数中确定玉米的品种并确定品种参数P,再输入土壤含氮量单独对基本函数关系f(NDSI(a,b))的影响权重P1,土壤湿度单独对基本函数关系f(NDSI(a,b))的影响权重P2,
种植密度单独对基本函数关系f(NDSI(a,b))的影响权重P3,f1(NDSI(a,b))、f2(NDSI(a,b))、f3(NDSI(a,b)),输出对玉米叶片氮含量进行预测的结果。
Claims (1)
1.基于高光谱遥感的玉米叶片氮含量预测方法,其包括步骤:
确定玉米的品种并初定品种参数P;对玉米叶片进行光谱测定及反射提取,确定敏感波段及两个特定的敏感波长a与b;建立两个特定的敏感波长a与b的归一化差值光谱指数与玉米叶片含氮量的基本函数关系f(NDSI(a,b));其中f()为函数关系,NDSI(a,b)为归一化差值光谱指数;
然后以种植密度、土壤湿度参数固定确定土壤含氮量单独对基本函数关系f(NDSI(a,b))的影响权重P1,然后种植密度、土壤含氮量参数固定确定土壤湿度单独对基本函数关系f(NDSI(a,b))的影响权重P2,
然后以土壤湿度、土壤含氮量参数固定确定种植密度单独对基本函数关系f(NDSI(a,b))的影响权重P3,
然后控制土壤含氮量不变,重新建立归一化差值光谱指数与玉米叶片含氮量的函数关系f1(NDSI(a,b))=c1·exp(n1·(a-b)/(a+b)),c1,n1均为固定系数,c1,n1均由土壤含氮量确定;
然后控制土壤湿度不变,重新建立归一化差值光谱指数与玉米叶片含氮量的函数关系f2(NDSI(a,b))=c2·exp(n2·(a-b)/(a+b)),c2,n2均为固定系数,c2,n2均由土壤湿度确定;
然后控制种植密度不变,重新建立归一化差值光谱指数与玉米叶片含氮量的函数关系f3(NDSI(a,b))=c3·exp(n3·(a-b)/(a+b)),c3,n3均为固定系数,c3,n3均由种植密度确定;
f1(NDSI(a,b))中的具体参数由土壤含氮量确定;f2(NDSI(a,b))中的具体参数由土壤湿度确定;f3(NDSI(a,b))中的具体参数由种植密度确定,然后建立统一的多权重多因素判别函数,
由多权重多因素判别函数对玉米叶片氮含量进行预测,多权重多因素判别函数具体为,Q=(P1/P)·f1(NDSI(a,b))+(P2/P)·f2(NDSI(a,b))+(P3/P)·f3(NDSI(a,b));其中Q为预测的玉米叶片含氮量,
P1/P+P2/P+P3/P=1。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310329448.7A CN116026772B (zh) | 2023-03-30 | 2023-03-30 | 基于高光谱遥感的玉米叶片氮含量预测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310329448.7A CN116026772B (zh) | 2023-03-30 | 2023-03-30 | 基于高光谱遥感的玉米叶片氮含量预测方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN116026772A CN116026772A (zh) | 2023-04-28 |
CN116026772B true CN116026772B (zh) | 2023-06-02 |
Family
ID=86070803
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310329448.7A Active CN116026772B (zh) | 2023-03-30 | 2023-03-30 | 基于高光谱遥感的玉米叶片氮含量预测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116026772B (zh) |
Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102374971A (zh) * | 2010-08-09 | 2012-03-14 | 中国农业大学 | 一种基于高光谱技术的玉米叶片氮含量估算方法 |
CN109187398A (zh) * | 2018-11-08 | 2019-01-11 | 河南省农业科学院植物营养与资源环境研究所 | 一种小麦植株氮含量的高光谱测定方法 |
WO2019113998A1 (zh) * | 2017-12-11 | 2019-06-20 | 江苏大学 | 一种盆栽生菜的综合长势监测方法及装置 |
CN110160967A (zh) * | 2019-04-16 | 2019-08-23 | 安徽大学 | 一种作物冠层叶片的全氮含量估算方法 |
CN110376167A (zh) * | 2019-07-29 | 2019-10-25 | 北京麦飞科技有限公司 | 基于无人机高光谱的水稻叶片氮含量监测方法 |
CN110956381A (zh) * | 2019-11-22 | 2020-04-03 | 黑龙江省农业科学院农业遥感与信息研究所 | 一种远程农业信息智能分析系统及农业环境调控方法 |
CN112557393A (zh) * | 2020-11-19 | 2021-03-26 | 南京农业大学 | 基于高光谱影像融合图谱特征的小麦叶层氮含量估测方法 |
WO2021176452A1 (en) * | 2020-03-01 | 2021-09-10 | The State Of Israel, Ministry Of Agriculture & Rural Development, Agricultural Research Organization (Aro) (Volcani Center) | A method for assessing nitrogen nutritional status in plants by visible-to-shortwave infrared reflectance spectroscopy of carbohydrates |
CN115372286A (zh) * | 2022-08-20 | 2022-11-22 | 甘肃农业大学 | 一种基于无人机多光谱遥感的玉米水氮含量反演方法 |
Family Cites Families (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US10154624B2 (en) * | 2016-08-08 | 2018-12-18 | The Climate Corporation | Estimating nitrogen content using hyperspectral and multispectral images |
US20200025741A1 (en) * | 2018-07-20 | 2020-01-23 | Regents Of The University Of Minnesota | Method to predict crop nitrogen status using remote sensing |
CN110346305B (zh) * | 2019-07-17 | 2021-04-13 | 浙江大学 | 一种测量植物叶片氮含量的方法和装置 |
-
2023
- 2023-03-30 CN CN202310329448.7A patent/CN116026772B/zh active Active
Patent Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102374971A (zh) * | 2010-08-09 | 2012-03-14 | 中国农业大学 | 一种基于高光谱技术的玉米叶片氮含量估算方法 |
WO2019113998A1 (zh) * | 2017-12-11 | 2019-06-20 | 江苏大学 | 一种盆栽生菜的综合长势监测方法及装置 |
CN109187398A (zh) * | 2018-11-08 | 2019-01-11 | 河南省农业科学院植物营养与资源环境研究所 | 一种小麦植株氮含量的高光谱测定方法 |
CN110160967A (zh) * | 2019-04-16 | 2019-08-23 | 安徽大学 | 一种作物冠层叶片的全氮含量估算方法 |
CN110376167A (zh) * | 2019-07-29 | 2019-10-25 | 北京麦飞科技有限公司 | 基于无人机高光谱的水稻叶片氮含量监测方法 |
CN110956381A (zh) * | 2019-11-22 | 2020-04-03 | 黑龙江省农业科学院农业遥感与信息研究所 | 一种远程农业信息智能分析系统及农业环境调控方法 |
WO2021176452A1 (en) * | 2020-03-01 | 2021-09-10 | The State Of Israel, Ministry Of Agriculture & Rural Development, Agricultural Research Organization (Aro) (Volcani Center) | A method for assessing nitrogen nutritional status in plants by visible-to-shortwave infrared reflectance spectroscopy of carbohydrates |
CN112557393A (zh) * | 2020-11-19 | 2021-03-26 | 南京农业大学 | 基于高光谱影像融合图谱特征的小麦叶层氮含量估测方法 |
CN115372286A (zh) * | 2022-08-20 | 2022-11-22 | 甘肃农业大学 | 一种基于无人机多光谱遥感的玉米水氮含量反演方法 |
Also Published As
Publication number | Publication date |
---|---|
CN116026772A (zh) | 2023-04-28 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Payne et al. | Rapid analysis of composition and reactivity in cellulosic biomass feedstocks with near-infrared spectroscopy | |
Rahman et al. | Production of xylose from oil palm empty fruit bunch fiber using sulfuric acid | |
CN102175618B (zh) | 一种稻麦叶片氮含量光谱监测模型建模方法 | |
Ivanov et al. | Communications: On artificial frequency shifts in infrared spectra obtained from centroid molecular dynamics: Quantum liquid water | |
Wolfrum et al. | Improved multivariate calibration models for corn stover feedstock and dilute-acid pretreated corn stover | |
Zhang et al. | Predicting the formability of hybrid organic–inorganic perovskites via an interpretable machine learning strategy | |
Murthy et al. | Starch hydrolysis modeling: application to fuel ethanol production | |
CN105608334B (zh) | 一种评价烟用辅材参数影响程度的方法 | |
CN103268069A (zh) | 基于Hammerstein模型的自适应预测控制方法 | |
CN101997471B (zh) | 基于pid预测函数的励磁控制方法 | |
Huang et al. | A precise and consistent assay for major wall polymer features that distinctively determine biomass saccharification in transgenic rice by near-infrared spectroscopy | |
CN116026772B (zh) | 基于高光谱遥感的玉米叶片氮含量预测方法 | |
Égert | The quantification of structural reforms: Extending the framework to emerging market economies | |
Stoliaroff et al. | Optoelectronic properties of TiS2: a never ended story tackled by density functional theory and many-body methods | |
CN105334738A (zh) | 一种适用于烟草加工过程pid控制回路的性能评价方法 | |
Foston et al. | Variations in cellulosic ultrastructure of poplar | |
Haleem et al. | Estimation of export supply function for citrus fruit in Pakistan [with Comments] | |
CN117493778B (zh) | 一种供排水设备关联数据在线监测方法及系统 | |
CN112945881B (zh) | 一种基于高光谱特征参数的马铃薯叶片含水量监测方法 | |
Heydari et al. | The relationship between drought indicators and greenhouse gas emissions in Iran's agricultural sector | |
Hongqiang et al. | Near-infrared spectroscopy with a fiber-optic probe for state variables determination in solid-state fermentation | |
Li et al. | Study of sulfite pretreatment to prepare bamboo for enzymatic hydrolysis and ethanol fermentation | |
CN102621350B (zh) | 高g值微加速度计在不同环境下环境因子的确定方法 | |
CN115728290A (zh) | 一种土壤中铬元素的检测方法、系统、设备及存储介质 | |
CN107173844A (zh) | 一种含烟梗预处理的造纸法再造烟叶成品化学成分预测方法 |
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 |