CN116738153A - 基于光谱分析的有机肥利用效果评价方法 - Google Patents
基于光谱分析的有机肥利用效果评价方法 Download PDFInfo
- Publication number
- CN116738153A CN116738153A CN202311024569.7A CN202311024569A CN116738153A CN 116738153 A CN116738153 A CN 116738153A CN 202311024569 A CN202311024569 A CN 202311024569A CN 116738153 A CN116738153 A CN 116738153A
- Authority
- CN
- China
- Prior art keywords
- signal
- extreme point
- point
- extreme
- infrared spectrum
- 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
- 239000003895 organic fertilizer Substances 0.000 title claims abstract description 75
- 230000000694 effects Effects 0.000 title claims abstract description 55
- 238000010183 spectrum analysis Methods 0.000 title claims abstract description 33
- 238000011156 evaluation Methods 0.000 title claims abstract description 24
- 238000002329 infrared spectrum Methods 0.000 claims abstract description 101
- 238000000034 method Methods 0.000 claims abstract description 37
- 238000012216 screening Methods 0.000 claims abstract description 9
- 239000002689 soil Substances 0.000 claims description 41
- 230000009471 action Effects 0.000 claims description 6
- 238000010606 normalization Methods 0.000 claims description 3
- 238000001228 spectrum Methods 0.000 abstract description 12
- 238000012545 processing Methods 0.000 abstract description 3
- 238000000354 decomposition reaction Methods 0.000 description 12
- 235000015097 nutrients Nutrition 0.000 description 8
- 230000003595 spectral effect Effects 0.000 description 7
- IJGRMHOSHXDMSA-UHFFFAOYSA-N Atomic nitrogen Chemical compound N#N IJGRMHOSHXDMSA-UHFFFAOYSA-N 0.000 description 6
- 230000008859 change Effects 0.000 description 6
- 238000005516 engineering process Methods 0.000 description 6
- 239000000126 substance Substances 0.000 description 6
- 238000004364 calculation method Methods 0.000 description 5
- 238000010521 absorption reaction Methods 0.000 description 4
- 238000004458 analytical method Methods 0.000 description 4
- 230000008569 process Effects 0.000 description 4
- OAICVXFJPJFONN-UHFFFAOYSA-N Phosphorus Chemical compound [P] OAICVXFJPJFONN-UHFFFAOYSA-N 0.000 description 3
- ZLMJMSJWJFRBEC-UHFFFAOYSA-N Potassium Chemical compound [K] ZLMJMSJWJFRBEC-UHFFFAOYSA-N 0.000 description 3
- 238000009826 distribution Methods 0.000 description 3
- 229910052757 nitrogen Inorganic materials 0.000 description 3
- 229910052698 phosphorus Inorganic materials 0.000 description 3
- 239000011574 phosphorus Substances 0.000 description 3
- 239000011591 potassium Substances 0.000 description 3
- 229910052700 potassium Inorganic materials 0.000 description 3
- 230000004044 response Effects 0.000 description 3
- 230000002159 abnormal effect Effects 0.000 description 2
- 238000009614 chemical analysis method Methods 0.000 description 2
- 230000012010 growth Effects 0.000 description 2
- 238000012544 monitoring process Methods 0.000 description 2
- 239000000047 product Substances 0.000 description 2
- 238000004611 spectroscopical analysis Methods 0.000 description 2
- 238000002835 absorbance Methods 0.000 description 1
- 238000012271 agricultural production Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 239000007795 chemical reaction product Substances 0.000 description 1
- 239000000356 contaminant Substances 0.000 description 1
- 238000007796 conventional method Methods 0.000 description 1
- 239000013078 crystal Substances 0.000 description 1
- 238000007405 data analysis Methods 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 230000001627 detrimental effect Effects 0.000 description 1
- 239000003337 fertilizer Substances 0.000 description 1
- 238000009499 grossing Methods 0.000 description 1
- 239000012535 impurity Substances 0.000 description 1
- 150000002500 ions Chemical class 0.000 description 1
- 230000000813 microbial effect Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 235000021049 nutrient content Nutrition 0.000 description 1
- 235000016709 nutrition Nutrition 0.000 description 1
- 230000035764 nutrition Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000005192 partition Methods 0.000 description 1
- 230000008635 plant growth Effects 0.000 description 1
- 230000001737 promoting effect Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 239000013557 residual solvent Substances 0.000 description 1
- 230000017260 vegetative to reproductive phase transition of meristem Effects 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/10—Pre-processing; Data cleansing
-
- 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
- G01N21/01—Arrangements or apparatus for facilitating the optical investigation
-
- 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
- G01N21/31—Investigating relative effect of material at wavelengths characteristic of specific elements or molecules, e.g. atomic absorption spectrometry
- G01N21/35—Investigating relative effect of material at wavelengths characteristic of specific elements or molecules, e.g. atomic absorption spectrometry using infrared light
- G01N21/3563—Investigating relative effect of material at wavelengths characteristic of specific elements or molecules, e.g. atomic absorption spectrometry using infrared light for analysing solids; Preparation of samples therefor
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/213—Feature extraction, e.g. by transforming the feature space; Summarisation; Mappings, e.g. subspace methods
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/243—Classification techniques relating to the number of classes
- G06F18/2433—Single-class perspective, e.g. one-against-all classification; Novelty detection; Outlier detection
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2218/00—Aspects of pattern recognition specially adapted for signal processing
- G06F2218/02—Preprocessing
- G06F2218/04—Denoising
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2218/00—Aspects of pattern recognition specially adapted for signal processing
- G06F2218/08—Feature extraction
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Data Mining & Analysis (AREA)
- Computer Vision & Pattern Recognition (AREA)
- General Engineering & Computer Science (AREA)
- Evolutionary Computation (AREA)
- Evolutionary Biology (AREA)
- Bioinformatics & Computational Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Artificial Intelligence (AREA)
- Health & Medical Sciences (AREA)
- Spectroscopy & Molecular Physics (AREA)
- Chemical & Material Sciences (AREA)
- Analytical Chemistry (AREA)
- Biochemistry (AREA)
- General Health & Medical Sciences (AREA)
- Immunology (AREA)
- Pathology (AREA)
- Investigating Or Analysing Materials By Optical Means (AREA)
Abstract
本发明涉及数据处理技术领域，具体涉及基于光谱分析的有机肥利用效果评价方法。方法包括：获取红外光谱信号；根据红外光谱信号中各极值点和与其距离最近的局部极值点之间的幅值差异，获得各分量信号以及最后一个余量信号；根据各分量信号中极值点的幅值、各分量信号中数据点与最后一个余量信号中对应数据点之间的幅值差异、各分量信号与红外光谱信号的相似性，确定各分量信号的噪声影响程度，进而筛选目标分量信号；基于所有的目标分量信号获得去噪后的信号，进而对有机肥利用效果进行评价。本发明提高了光谱信号的去噪效果，使得有机肥利用效果的评价结果的准确度更高。
Description
技术领域
本发明涉及数据处理技术领域，具体涉及基于光谱分析的有机肥利用效果评价方法。
背景技术
有机肥料广泛应用于农业生产中，其作用不仅仅是为植物提供营养，还能改善土壤结构、促进微生物活动等。然而，在实际使用过程中，如何准确评估有机肥料的利用效果是一个重要的问题。传统的有机肥利用效果评价方法存在一些局限性，如耗时、费力、样品数量有限等，因此可以借助光谱分析技术来评估有机肥利用效果。光谱分析技术可以通过测量物质在不同波长下的吸收、反射、发射等光谱特征，获取与物质性质相关的信息。在有机肥利用效果评价中，光谱分析可以提供非破坏性、快速获取大量数据的优势，并通过与参考数据的比对和分析，实现对有机肥利用效果的定量或定性评估。研究表明，土壤养分含量与其吸收、反射或发射的光谱特征有一定的关联。利用光谱分析技术，可以根据土壤的光谱特征来推断土壤中氮、磷、钾等养分的含量情况，从而评估有机肥料对土壤养分的供给效果。相比传统的化学分析方法，光谱分析技术具有快速获取数据、非破坏样品等优势，这使得基于光谱分析的有机肥利用效果评价方法更加高效、经济，并且适用于大规模应用和实时监测。但是在通过红外光谱仪来采集土壤的光谱数据时，因为环境的影响使得获得的光谱数据存在噪声，因此需要对获得的光谱数据进行去噪处理。
在现有的信号去噪算法中，经验模态分解（Empirical Mode Decomposition，EMD）算法能够将原始含有噪声的信号进行分解，获得各分量信号，再根据分量信号的变化情况来确定噪声的影响，从而来对原始信号进行去噪处理。该算法在进行信号分解时，将极值点作为辅助划分分量信号的标准，在实际应用中，信号可能存在局部极值点，这可能导致最终生成的分量信号不稳定，影响有机肥利用效果评价的准确性。
发明内容
为了解决现有方法在对含有噪声的信号进行分解时生成的分量信号不稳定，影响有机肥利用效果评价的准确性的问题，本发明的目的在于提供一种基于光谱分析的有机肥利用效果评价方法，所采用的技术方案具体如下：
本发明提供了一种基于光谱分析的有机肥利用效果评价方法，该方法包括以下步骤：
获取有机肥作用的土壤的红外光谱信号；
根据所述红外光谱信号中各极值点与其同类极值点的幅值差异、各极值点与其相邻的极值点的幅值差异以及位置差异，获得局部极值点，其中极值点分为两类，分别为极大值点和极小值点；根据所述红外光谱信号中各极值点和与其距离最近的局部极值点之间的幅值差异，获得各分量信号以及最后一个余量信号；
根据各分量信号中极值点的幅值、各分量信号中数据点与最后一个余量信号中对应数据点之间的幅值差异、各分量信号与所述红外光谱信号的相似性，确定各分量信号的噪声影响程度；基于所述噪声影响程度从所有分量信号中筛选目标分量信号；
基于所有的所述目标分量信号获得去噪后的信号；基于所述去噪后的信号对有机肥利用效果进行评价。
优选的，所述根据所述红外光谱信号中各极值点与其同类极值点的幅值差异、各极值点与其相邻的极值点的幅值差异以及位置差异，获得局部极值点，包括：
根据所述红外光谱信号中各极值点与其同类极值点的幅值差异、各极值点与其相邻的极值点的幅值差异以及位置差异，得到所述红外光谱信号中各极值点为局部极值点的概率；
基于所述概率筛选局部极值点。
优选的，采用如下公式计算所述红外光谱信号中各极值点为局部极值点的概率：
、
其中，表示所述红外光谱信号中第j个极值点为局部极值点的概率，/>表示第j个极值点的幅值，/>表示所述红外光谱信号中与第j个极值点同类的所有极值点的平均幅值，/>表示所述红外光谱信号中与第j个极值点相邻的极值点的平均幅值，为与第j个极值点相邻的极值点的幅值，/>表示第j-1、第j、第j+1三个极值点中的最大幅值，/>表示第j个极值点与其相邻的所有极值点的平均距离，e表示自然常数，max( )表示取最大值函数，norm( )表示归一化函数。
优选的，基于所述概率筛选局部极值点，包括：
将所述概率大于预设概率阈值的极值点，确定为局部极值点。
优选的，所述根据所述红外光谱信号中各极值点和与其距离最近的局部极值点之间的幅值差异，获得各分量信号以及最后一个余量信号，包括：
根据所述红外光谱信号中各极值点和与其距离最近的局部极值点之间的幅值差异，获得所述红外光谱信号中各极值点对应的差异值；
基于所述红外光谱信号中所有极值点对应的差异值获得第一分量信号；将所述红外光谱信号与所述第一分量信号做差获得第一余量信号；
若所述第一余量信号满足设定条件，则将所述第一余量信号作为最后一个余量信号；
若所述第一余量信号不满足设定条件，则根据所述第一余量信号中各极值点与其同类极值点的幅值差异、各极值点与其相邻的极值点的幅值差异以及位置差异，获得新的局部极值点，根据所述第一余量信号中各极值点和与其距离最近的新的局部极值点之间的幅值差异，获得所述第一余量信号中各极值点对应的差异值；基于所述第一余量信号中所有极值点对应的差异值获得第二分量信号，将所述第一余量信号与所述第二分量信号做差获得第二余量信号；若所述第二余量信号满足设定条件，则将所述第二余量信号作为最后一个余量信号；以此类推，直到获得的余量信号满足设定条件，获得最后一个余量信号。
优选的，设定条件的获取方法为：
计算余量信号中数据点的幅值的方差；将所述方差与余量信号中极值点的数量的乘积记为余量信号对应的特征指标；
所述设定条件为：余量信号对应的特征指标小于预设特征指标阈值。
优选的，采用如下公式计算各分量信号的噪声影响程度：
、
其中，为第n个分量信号的噪声影响程度，/>为第n个分量信号，/>为第n个分量信号中所有极大值点的幅值的均值，/>为第n个分量信号中所有极小值点的幅值的均值，m为第n个分量信号中数据点的数量，/>为第n个分量信号中第i个数据点的幅值，为最后一个余量信号中第i个数据点的幅值，Y为有机肥作用的土壤的红外光谱信号，为第n个分量信号与有机肥作用的土壤的红外光谱信号的相似性，e为自然常数，| |为取绝对值符号。
优选的，根据所述红外光谱信号中各极值点和与其距离最近的局部极值点之间的幅值差异，获得所述红外光谱信号中各极值点对应的差异值，包括：
对于所述红外光谱信号中的任一极值点：将该极值点的幅值和与其距离最近的局部极值点的幅值的差值绝对值，确定为该极值点对应的差异值。
优选的，基于所述噪声影响程度从所有分量信号中筛选目标分量信号，包括：
分别判断各分量信号的噪声影响程度是否小于影响程度阈值，若小于，则将对应分量信号作为目标分量信号。
优选的，所述基于所有的所述目标分量信号获得去噪后的信号，包括：
对所有的所述目标分量信号进行叠加，获得去噪后的信号。
本发明至少具有如下有益效果：
本发明考虑到现有的信号分解算法在对光谱信号进行分解去噪时，将原始信号中的极值点作为辅助划分的标准，但是考虑到原始信号可能存在局部极值点，这可能导致最终获得的分量信号不稳定，影响分解结果的准确性，因此本发明通过分析红外光谱信号中每个极值点与其同类极值点的幅值差异、每个极值点与其相邻的极值点的幅值差异以及位置差异，从红外光谱信号中筛选出了局部极值点，然后根据红外光谱信号中每个极值点和与其距离最近的局部极值点之间的幅值差异，来对红外光谱信号进行分解，获得分量信号与余量信号，考虑到不同分量信号受噪声干扰的程度不同，为了降低噪声对有机肥利用效果的评价结果的干扰，本发明根据每个分量信号中极值点的幅值、每个分量信号中数据点与最后一个余量信号中对应数据点之间的幅值差异、每个分量信号与红外光谱信号的相似性，确定了每个分量信号的噪声影响程度，并基于噪声影响程度从所有分量信号中筛选出了受噪声影响程度较小的分量信号，也即目标分量信号，进一步地，基于所有的目标分量信号获得去噪后的信号。本发明提供的方法能够避免局部极值点导致红外光谱信号在进行分解时获得的分量信号不稳定的问题，使得光谱信号的去噪效果更好，从而根据去噪后的信号来对有机肥的利用效果进行评价时的准确度更高。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案和优点，下面将对实施例或现有技术描述中所需要使用的附图作简单的介绍，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，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其它附图。
图1为本发明实施例所提供的一种基于光谱分析的有机肥利用效果评价方法的流程图。
具体实施方式
为了更进一步阐述本发明为达成预定发明目的所采取的技术手段及功效，以下结合附图及较佳实施例，对依据本发明提出的一种基于光谱分析的有机肥利用效果评价方法进行详细说明如下。
除非另有定义，本文所使用的所有的技术和科学术语与属于本发明的技术领域的技术人员通常理解的含义相同。
下面结合附图具体的说明本发明所提供的一种基于光谱分析的有机肥利用效果评价方法的具体方案。
基于光谱分析的有机肥利用效果评价方法实施例：
本实施例所针对的具体场景为：在有机肥利用效果评价中，光谱分析可以提供非破坏性、快速获取大量数据的优势，并通过与参考数据的比对和分析，实现对有机肥利用效果的定量或定性评估。土壤养分含量与其吸收、反射或发射的光谱特征有一定的关联，利用光谱分析技术，可以根据土壤的光谱特征来推断土壤中氮、磷、钾等养分的含量情况，从而评估有机肥料对土壤养分的供给效果。相比传统的化学分析方法，光谱分析技术具有快速获取数据、非破坏样品等优势，这使得基于光谱分析的有机肥利用效果评价方法更加高效、经济，并且适用于大规模应用和实时监测，但是在通过红外光谱仪来采集土壤的红外光谱信号时，因为环境的影响使得获得的红外光谱信号存在噪声，因此本实施例将对获得的光谱数据进行去噪处理，以提高后续分析结果的准确度和可信度。
本实施例提出了基于光谱分析的有机肥利用效果评价方法，如图1所示，本实施例的基于光谱分析的有机肥利用效果评价方法包括以下步骤：
步骤S1，获取有机肥作用的土壤的红外光谱信号。
光谱法测量有机肥作用的土壤中的成分的原理是利用物质对特定波长或一定范围内的光的吸收、散射或发射特性来分析其组成，当光通过待检测土壤样品时，与样品中的分子、离子或晶体相互作用，不同化学物质的分子结构和化学键会导致它们对特定波长的光有不同的响应，那么表现在光谱数据中就是在不同的波数区间会产生不同的吸光度。在采用光谱分析法来分析有机肥作用的土壤中营养元素的含量以及分布情况时，因为土壤中的成分较为复杂，可能引入杂质或者发生不完全的反应，从而导致光谱数据中出现噪声。例如，残留的溶剂、污染物或反应产物都可能在光谱信号中表现为噪声，并且因为检测光源的波动、仪器的电子噪声以及传感器的不确定性，形成叠加噪声，使得各波数段上的响应产生异常，不利于对土壤中营养成分的分析，因此需要对获得的光谱数据进行去噪处理。
本实施例首先使用IT2000红外光谱仪获取有机肥作用的土壤的红外光谱信号，然后将获得的有机肥作用的土壤的红外光谱信号传输到数据分析系统中，后续将对其进行去噪处理，以消除光谱信号中的噪声，提高有机肥利用效果评价结果的准确度和可信度。
步骤S2，根据所述红外光谱信号中各极值点与其同类极值点的幅值差异、各极值点与其相邻的极值点的幅值差异以及位置差异，获得局部极值点，其中极值点分为两类，分别为极大值点和极小值点；根据所述红外光谱信号中各极值点和与距离最近的局部极值点之间的幅值差异，获得各分量信号以及最后一个余量信号。
在对红外光谱信号进行去噪时，主要是通过分析数据的变化来去除无关数据点，也即去除会影响数据整体趋势变化的数据点。但是通常情况下数据产生的噪声多为高频噪声，高频噪声的特点为振幅通常会在短时间内发生剧烈的变化，即振幅波动大，并且可以在较宽的频带内存在，这意味着它具有较大的频谱范围，宽带高频噪声可以覆盖多个频率分量，对信号和系统产生更广泛的影响。因此为了能够对不同频率的信号进行识别，本实施例结合经验模态分解（EMD）算法来对红外光谱信号进行分解，但是因为EMD算法在进行信号分解时是通过用极值点作为辅助划分分量信号的标准，在实际应用中，信号可能存在局部极值点，这可能导致EMD生成的分量信号不稳定，影响分解结果的准确性。因此本实施例通过对红外光谱信号进行特征提取，来获得参考信号，再通过参考信号对原始信号进行分解，获得分量信号，从而避免因为局部极值点造成的分解信号不稳定的问题。本实施例通过找到有机肥作用的土壤的红外光谱信号存在的局部极值点来获得参考信号，根据参考信号对红外光谱信号进行分解，获得第一个分量信号，进而不断进行迭代，获得多个分量信号和多个余量信号，再对每个分量信号进行分析，获得噪声影响程度。
具体的，本实施例首先根据红外光谱信号中各极值点与其同类极值点的幅值差异、各极值点与其相邻的极值点的幅值差异以及位置差异，得到所述红外光谱信号中各极值点为局部极值点的概率。红外光谱信号中第j个极值点为局部极值点的概率的具体计算公式为：
、
其中，表示所述红外光谱信号中第j个极值点为局部极值点的概率，/>表示第j个极值点的幅值，/>表示所述红外光谱信号中与第j个极值点同类的所有极值点的平均幅值，/>表示所述红外光谱信号中与第j个极值点相邻的极值点的平均幅值，为与第j个极值点相邻的极值点的幅值，/>为与第j个极值点相邻的极值点的幅值，/>表示第j-1、第j、第j+1三个极值点中的最大幅值，/>表示第j个极值点与其相邻的所有极值点的平均距离，e表示自然常数，max( )表示取最大值函数，norm( )表示归一化函数。
本实施例中的极值点分为两类，分别为极大值点和极小值点，若第j个极值点为极大值点，则为红外光谱信号中所有极大值点的平均幅值；若第j个极值点为极小值点，则/>为红外光谱信号中所有极小值点的平均幅值。
能够反映第j个极值点与所有同类极值点的整体幅值的差异，第j个极值点的幅值越大，说明第j个极值点越可能是异常数据点，那么其作为局部极值点的概率就越大。/>表示第j个极值点与其相邻极值点的幅值差异，/>表示第j个极值点和与其相邻极值点的距离差异，在较短的数据区间内，幅值越大的极值点对原始数据曲线的影响程度越大。当第j个极值点的幅值越大、第j个极值点与其相邻极值点的幅值差异越大且距离越远时，第j个极值点与其相邻的极值点分布的越分散，第j个极值点作为局部极值点的可能性越大，即第j个极值点为局部极值点的概率越大。
采用上述方法，能够获得红外光谱信号中每个极值点为局部极值点的概率，概率越大，说明对应极值点为局部极值点的可能性越大，因此本实施例将概率大于预设概率阈值的极值点，确定为局部极值点。至此，采用本实施例提供的方法从红外光谱信号的所有极值点中筛选出了局部极值点。本实施例中的预设概率阈值为0.73，在具体应用中，实施者可根据具体情况进行设置。
本实施例根据筛选获得的局部极值点来获得有机肥作用的土壤的红外光谱信号的上下包络线，因为存在极大值与极小值，也即局部极值点中包含部分极大值点和部分极小值点，因此会获得两条包络线，将其作为参考信号，然后根据参考信号对有机肥作用的土壤的红外光谱信号进行分解。本实施例在对有机肥作用的土壤的红外光谱信号进行分解时，不同于原始EMD算法的分解规则，本实施例是根据获得的参考信号来求所有极值点与其邻域局部极值点的差异，然后将差异作为输出，绘制成拟合输出信号。因此有机肥作用的土壤的红外光谱信号存在多少个极值点，那么第一次输出信号也会存在多少个数据点，这样做是因为极值点很有可能是噪声数据点，而求局部极值点是因为原始数据也可能存在极值点，因此避免因为选取的极值点数据量过多，造成原始数据损失，从而减小对原始数据的影响。而计算极值点与局部极值点的差异，是因为在求局部极值点时，是筛选对局部影响程度最大的极值点，因此若某个极值点和与其距离最近的局部极值点的差异越小，则说明其变化程度也是越大，该极值点的邻域内数据的变化程度越大，因此其噪声影响程度有可能是较大的。对于所述红外光谱信号中的任一极值点：将该极值点的幅值与其距离最近的局部极值点的幅值的差值绝对值，确定为该极值点对应的差异值。第j个极值点对应的差异值的具体计算公式为：
、
其中，表示所述红外光谱信号中第j个极值点对应的差异值，/>表示第j个极值点的幅值，/>表示与第j个极值点距离最近的局部极值点的幅值，| |为取绝对值符号。
采用上述方法，获得有机肥作用的土壤的红外光谱信号中每个极值点对应的差异值，对有机肥作用的土壤的红外光谱信号中所有极值点对应的差异值进行拟合，将此时获得的信号作为第一分量信号；将所述红外光谱信号与所述第一分量信号做差获得第一余量信号，第一余量信号为剔除了部分极值点之后的信号；若所述第一余量信号满足设定条件，则将所述第一余量信号作为最后一个余量信号；若所述第一余量信号不满足设定条件，则根据所述第一余量信号中各极值点与其同类极值点的幅值差异、各极值点与其相邻的极值点的幅值差异以及位置差异，获得新的局部极值点，根据所述第一余量信号中各极值点和与其距离最近的新的局部极值点之间的幅值差异，获得所述第一余量信号中各极值点对应的差异值；基于所述第一余量信号中所有极值点对应的差异值获得第二分量信号，将所述第一余量信号与所述第二分量信号做差获得第二余量信号；若所述第二余量信号满足设定条件，则将所述第二余量信号作为最后一个余量信号；以此类推，直到获得的余量信号满足设定条件，也即余量信号收敛，获得最后一个余量信号。其中，设定条件的具体获取方法为：计算余量信号中数据点的幅值的方差；将所述方差与余量信号中极值点的数量的乘积记为余量信号对应的特征指标；其他分量信号的获取方法与第一分量信号的获取方法类似，其他余量信号的获取方法与第一余量信号的获取方法类似，此处不再对其他分量信号和其他余量信号的获取方法进行说明；所述设定条件为：余量信号对应的特征指标小于预设特征指标阈值。余量信号对应的特征指标的具体计算公式为：
、
其中，表示第n个余量信号对应的特征指标，/>表示第n个余量信号中极值点的数量，/>表示第n个余量信号中第i个数据点的幅值，/>表示第n个余量信号中所有数据点的平均幅值，L表示第n个余量信号中数据点的数量。
表示余量信号中数据点的幅值的方差。余量信号中极值点的数量越少、数据点的幅值的方差越小时，说明余量信号的波动程度越小，噪声对其影响程度是越小的，也即余量信号对应的特征指标越小。
余量信号对应的特征指标越小，说明噪声对其影响程度越小，因此当余量信号对应的特征指标小于预设特征指标阈值时，不再向下进行分解。本实施例中的预设特征指标阈值为2.3，当余量信号对应的特征指标小于2.3时，不再继续向下迭代，在具体应用中，实施者可根据具体情况进行设置。
至此，采用上述方法对有机肥作用的土壤的红外光谱信号进行了分解，获得了多个分量信号和多个余量信号。
步骤S3，根据各分量信号中极值点的幅值、各分量信号中数据点与最后一个余量信号中对应数据点之间的幅值差异、各分量信号与所述红外光谱信号的相似性，确定各分量信号的噪声影响程度；基于所述噪声影响程度从所有分量信号中筛选目标分量信号。
不同的分量信号能够反映有机肥作用的土壤的红外光谱信号中不同频率极值点的分布情况，越靠前的分量信号包含的数据点受到的噪声影响程度越大，并且其幅值的变化程度越大，而越靠后的分量信号越趋于平缓，并且越靠后的余量信号越接近不存在噪声干扰的信号，信号的分解过程以及余量信号的获取过程类似于对曲线进行平滑的过程。基于此，本实施例将根据每个分量信号中极值点的幅值、每个分量信号中数据点与最后一个余量信号中对应数据点之间的幅值差异、每个分量信号与所述红外光谱信号的相似性，对每个分量信号中存在的噪声进行评价，也即确定每个分量信号的噪声影响程度，第n个分量信号的噪声影响程度的具体计算公式为：
、
其中，为第n个分量信号的噪声影响程度，/>为第n个分量信号，/>为第n个分量信号中所有极大值点的幅值的均值，/>为第n个分量信号中所有极小值点的幅值的均值，m为第n个分量信号中数据点的数量，/>为第n个分量信号中第i个数据点的幅值，/>为最后一个余量信号中第i个数据点的幅值，Y为有机肥作用的土壤的红外光谱信号，/>为第n个分量信号与有机肥作用的土壤的红外光谱信号的相似性，e为自然常数，| |为取绝对值符号。
皮尔逊相关系数表示的是两个数据序列之间的相似程度，相似性越大，本实施例中用皮尔逊相关系数来表征相似性，也即表示第n个分量信号与有机肥作用的土壤的红外光谱信号的皮尔逊相关系数。本实施例用分量信号中所有极大值点的幅值的均值和所有极小值点的幅值的均值来准确地描述数据的分布情况。/>用于反映第n个分量信号与最后一个余量信号的幅值差异，最后一个余量信号的极值点的分布数量少，并且受到噪声的影响程度小，因此将其作为参考信号，第n个分量信号与最后一个余量信号的幅值差异越大，说明第n个分量信号受到的噪声影响越大。当第n个分量信号中所有极值点的幅值越大、第n个分量信号与有机肥作用的土壤的红外光谱信号的相似性越小、第n个分量信号与最后一个余量信号的幅值差异越大时，说明第n个分量信号受到的噪声影响程度越大，即第n个分量信号的噪声影响程度越大。当第n个分量信号中所有极值点的幅值越小、第n个分量信号与有机肥作用的土壤的红外光谱信号的相似性越大、第n个分量信号与最后一个余量信号的幅值差异越小时，说明第n个分量信号受到的噪声影响程度越小，即第n个分量信号的噪声影响程度越小。
采用上述方法，能够获得每个分量信号的噪声影响程度，噪声影响程度越大，说明对应的分量信号受噪声的影响越大，因此本实施例分别判断各分量信号的噪声影响程度是否小于影响程度阈值，若小于，则将对应分量信号作为目标分量信号。本实施例将所有分量信号的噪声影响程度的标准差作为影响程度阈值，作为其他实施方式，实施者也可根据具体情况自行设置影响程度阈值。标准差的计算方法为现有技术，此处不再过多赘述。
至此，采用本实施例提供的方法，从所有的分量信号中筛选出了目标分量信号。
步骤S4，基于所有的所述目标分量信号获得去噪后的信号；基于所述去噪后的信号对有机肥利用效果进行评价。
本实施例已经对所有的分量信号进行了筛选，获得了多个目标分量信号，本实施例对所有的目标分量信号进行叠加，获得新的信号，新的信号也即为去噪后的信号。需要说明的是：在这里进行叠加时，直接将筛选出来目标分量信号对应的数据点进行叠加即可。
去噪后的信号消除了噪声的影响，因此去噪后的信号将用于对有机肥的利用效果进行评价，由于植物生长的必需元素为氮、磷、钾，而光谱曲线不同的波数段对应的是不同的元素响应，因此首先使用已知的有机肥利用效果数据，将去噪后的信号与这些数据进行关联，判断有无对应的元素以及相应的含量，进而在通过结合植物的生长指标，如：植株高度、叶片面积、开花和结实情况等来判断植物的生长情况，进而综合得到有机肥的利用效果。
至此，采用本实施例提供的方法完成了对有机肥利用效果的评价。
本实施例考虑到现有的信号分解算法在对信号进行分解去噪时，将原始信号中的极值点作为辅助划分的标准，但是考虑到原始信号可能存在局部极值点，这可能导致最终获得的分量信号不稳定，影响分解结果的准确性，因此本实施例通过分析红外光谱信号中每个极值点与其同类极值点的幅值差异、每个极值点与其相邻的极值点的幅值差异以及位置差异，从红外光谱信号中筛选出了局部极值点，然后根据红外光谱信号中每个极值点和与其距离最近的局部极值点之间的幅值差异，来对红外光谱信号进行分解，获得分量信号与余量信号，考虑到不同分量信号受噪声干扰的程度不同，为了降低噪声对有机肥利用效果的评价结果的干扰，本实施例根据每个分量信号中极值点的幅值、每个分量信号中数据点与最后一个余量信号中对应数据点之间的幅值差异、每个分量信号与红外光谱信号的相似性，确定了每个分量信号的噪声影响程度，并基于噪声影响程度从所有分量信号中筛选出了受噪声影响程度较小的分量信号，也即目标分量信号，进一步地，基于所有的目标分量信号获得去噪后的信号。本实施例提供的方法能够避免局部极值点导致红外光谱信号在进行分解时获得的分量信号不稳定的问题，使得光谱信号的去噪效果更好，从而根据去噪后的信号来对有机肥的利用效果进行评价时的准确度更高。
需要说明的是：以上所述仅为本发明的较佳实施例，并不用以限制本发明，凡在本发明的原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。
Claims (10)
1.一种基于光谱分析的有机肥利用效果评价方法，其特征在于，该方法包括以下步骤：
获取有机肥作用的土壤的红外光谱信号；
根据所述红外光谱信号中各极值点与其同类极值点的幅值差异、各极值点与其相邻的极值点的幅值差异以及位置差异，获得局部极值点，其中极值点分为两类，分别为极大值点和极小值点；根据所述红外光谱信号中各极值点和与其距离最近的局部极值点之间的幅值差异，获得各分量信号以及最后一个余量信号；
根据各分量信号中极值点的幅值、各分量信号中数据点与最后一个余量信号中对应数据点之间的幅值差异、各分量信号与所述红外光谱信号的相似性，确定各分量信号的噪声影响程度；基于所述噪声影响程度从所有分量信号中筛选目标分量信号；
基于所有的所述目标分量信号获得去噪后的信号；基于所述去噪后的信号对有机肥利用效果进行评价。
2.根据权利要求1所述的基于光谱分析的有机肥利用效果评价方法，其特征在于，所述根据所述红外光谱信号中各极值点与其同类极值点的幅值差异、各极值点与其相邻的极值点的幅值差异以及位置差异，获得局部极值点，包括：
根据所述红外光谱信号中各极值点与其同类极值点的幅值差异、各极值点与其相邻的极值点的幅值差异以及位置差异，得到所述红外光谱信号中各极值点为局部极值点的概率；
基于所述概率筛选局部极值点。
3.根据权利要求2所述的基于光谱分析的有机肥利用效果评价方法，其特征在于，采用如下公式计算所述红外光谱信号中各极值点为局部极值点的概率：
、
其中，表示所述红外光谱信号中第j个极值点为局部极值点的概率，/>表示第j个极值点的幅值，/>表示所述红外光谱信号中与第j个极值点同类的所有极值点的平均幅值，/>表示所述红外光谱信号中与第j个极值点相邻的极值点的平均幅值，/>为与第j个极值点相邻的极值点的幅值，/>表示第j-1、第j、第j+1三个极值点中的最大幅值，/>表示第j个极值点与其相邻的所有极值点的平均距离，e表示自然常数，max( )表示取最大值函数，norm( )表示归一化函数。
4.根据权利要求2所述的基于光谱分析的有机肥利用效果评价方法，其特征在于，基于所述概率筛选局部极值点，包括：
将所述概率大于预设概率阈值的极值点，确定为局部极值点。
5.根据权利要求1所述的基于光谱分析的有机肥利用效果评价方法，其特征在于，所述根据所述红外光谱信号中各极值点和与其距离最近的局部极值点之间的幅值差异，获得各分量信号以及最后一个余量信号，包括：
根据所述红外光谱信号中各极值点和与其距离最近的局部极值点之间的幅值差异，获得所述红外光谱信号中各极值点对应的差异值；
基于所述红外光谱信号中所有极值点对应的差异值获得第一分量信号；将所述红外光谱信号与所述第一分量信号做差获得第一余量信号；
若所述第一余量信号满足设定条件，则将所述第一余量信号作为最后一个余量信号；
若所述第一余量信号不满足设定条件，则根据所述第一余量信号中各极值点与其同类极值点的幅值差异、各极值点与其相邻的极值点的幅值差异以及位置差异，获得新的局部极值点，根据所述第一余量信号中各极值点和与其距离最近的新的局部极值点之间的幅值差异，获得所述第一余量信号中各极值点对应的差异值；基于所述第一余量信号中所有极值点对应的差异值获得第二分量信号，将所述第一余量信号与所述第二分量信号做差获得第二余量信号；若所述第二余量信号满足设定条件，则将所述第二余量信号作为最后一个余量信号；以此类推，直到获得的余量信号满足设定条件，获得最后一个余量信号。
6.根据权利要求5所述的基于光谱分析的有机肥利用效果评价方法，其特征在于，设定条件的获取方法为：
计算余量信号中数据点的幅值的方差；将所述方差与余量信号中极值点的数量的乘积记为余量信号对应的特征指标；
所述设定条件为：余量信号对应的特征指标小于预设特征指标阈值。
7.根据权利要求1所述的基于光谱分析的有机肥利用效果评价方法，其特征在于，采用如下公式计算各分量信号的噪声影响程度：
其中，为第n个分量信号的噪声影响程度，/>为第n个分量信号，/>为第n个分量信号中所有极大值点的幅值的均值，/>为第n个分量信号中所有极小值点的幅值的均值，m为第n个分量信号中数据点的数量，/>为第n个分量信号中第i个数据点的幅值，/>为最后一个余量信号中第i个数据点的幅值，Y为有机肥作用的土壤的红外光谱信号，为第n个分量信号与有机肥作用的土壤的红外光谱信号的相似性，e为自然常数，| |为取绝对值符号。
8.根据权利要求5所述的基于光谱分析的有机肥利用效果评价方法，其特征在于，根据所述红外光谱信号中各极值点和与其距离最近的局部极值点之间的幅值差异，获得所述红外光谱信号中各极值点对应的差异值，包括：
对于所述红外光谱信号中的任一极值点：将该极值点的幅值和与其距离最近的局部极值点的幅值的差值绝对值，确定为该极值点对应的差异值。
9.根据权利要求1所述的基于光谱分析的有机肥利用效果评价方法，其特征在于，基于所述噪声影响程度从所有分量信号中筛选目标分量信号，包括：
分别判断各分量信号的噪声影响程度是否小于影响程度阈值，若小于，则将对应分量信号作为目标分量信号。
10.根据权利要求1所述的基于光谱分析的有机肥利用效果评价方法，其特征在于，所述基于所有的所述目标分量信号获得去噪后的信号，包括：
对所有的所述目标分量信号进行叠加，获得去噪后的信号。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311024569.7A CN116738153B (zh) | 2023-08-15 | 2023-08-15 | 基于光谱分析的有机肥利用效果评价方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311024569.7A CN116738153B (zh) | 2023-08-15 | 2023-08-15 | 基于光谱分析的有机肥利用效果评价方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN116738153A true CN116738153A (zh) | 2023-09-12 |
| CN116738153B CN116738153B (zh) | 2023-10-17 |
Family
ID=87904793
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202311024569.7A Active CN116738153B (zh) | 2023-08-15 | 2023-08-15 | 基于光谱分析的有机肥利用效果评价方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN116738153B (zh) |
Cited By (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN116976684A (zh) * | 2023-09-25 | 2023-10-31 | 尚古智造(山东)智能装备有限公司 | 用于物流输送机的风险模型预测控制方法及系统 |
| CN117373471A (zh) * | 2023-12-05 | 2024-01-09 | 鸿福泰电子科技（深圳）有限公司 | 一种音频数据优化降噪方法及系统 |
| CN117405622A (zh) * | 2023-12-14 | 2024-01-16 | 广东伊茗药业有限公司 | 一种燕窝中亚硝酸盐含量智能检测方法 |
| CN117847021A (zh) * | 2024-03-08 | 2024-04-09 | 苏州众志新环冷却设备有限公司 | 一种离心风机风轮噪声降噪方法 |
| CN118013258A (zh) * | 2024-04-08 | 2024-05-10 | 山东星芭克生物科技有限公司 | 一种智能化水溶肥生产线的信息采集方法 |
| CN118262820A (zh) * | 2024-05-29 | 2024-06-28 | 球豹阀门有限公司 | 基于光谱技术的球阀阀芯生产材料化学成分检测方法 |
Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN108051425A (zh) * | 2018-01-10 | 2018-05-18 | 南京简智仪器设备有限公司 | 一种拉曼光谱信噪比评估方法 |
| US20180174274A1 (en) * | 2016-05-19 | 2018-06-21 | Shenzhen University | Method and System for Eliminating Stripe Noise in Infrared Images |
| WO2021042591A1 (zh) * | 2019-09-06 | 2021-03-11 | 江苏华康信息技术有限公司 | 一种基于极值能量分解法的心率变异性信号分析方法 |
| CN113505703A (zh) * | 2021-07-13 | 2021-10-15 | 天津工业大学 | 一种用于噪声分布不均匀的光谱信号去噪方法 |
| CN116071881A (zh) * | 2023-03-24 | 2023-05-05 | 光谷技术有限公司 | 基于地波和视频的多模态入侵探测系统 |
-
2023
- 2023-08-15 CN CN202311024569.7A patent/CN116738153B/zh active Active
Patent Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20180174274A1 (en) * | 2016-05-19 | 2018-06-21 | Shenzhen University | Method and System for Eliminating Stripe Noise in Infrared Images |
| CN108051425A (zh) * | 2018-01-10 | 2018-05-18 | 南京简智仪器设备有限公司 | 一种拉曼光谱信噪比评估方法 |
| WO2021042591A1 (zh) * | 2019-09-06 | 2021-03-11 | 江苏华康信息技术有限公司 | 一种基于极值能量分解法的心率变异性信号分析方法 |
| CN113505703A (zh) * | 2021-07-13 | 2021-10-15 | 天津工业大学 | 一种用于噪声分布不均匀的光谱信号去噪方法 |
| CN116071881A (zh) * | 2023-03-24 | 2023-05-05 | 光谷技术有限公司 | 基于地波和视频的多模态入侵探测系统 |
Non-Patent Citations (2)
| Title |
|---|
| MENGYANG YOU ET AL.: "Changes in Soil Organic Carbon and Carbon Fractions Under Different Land Use and Management Practices After Development From Parent Material of Mollisols", 《SOIL SCIENCE》, pages 205 - 210 * |
| 王文波 等: "噪声模态单元预判的经验模态分解脉冲星信号消噪", 《物理学报》, vol. 62, no. 20, pages 1 - 10 * |
Cited By (10)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN116976684A (zh) * | 2023-09-25 | 2023-10-31 | 尚古智造(山东)智能装备有限公司 | 用于物流输送机的风险模型预测控制方法及系统 |
| CN116976684B (zh) * | 2023-09-25 | 2024-01-02 | 尚古智造(山东)智能装备有限公司 | 用于物流输送机的风险模型预测控制方法及系统 |
| CN117373471A (zh) * | 2023-12-05 | 2024-01-09 | 鸿福泰电子科技（深圳）有限公司 | 一种音频数据优化降噪方法及系统 |
| CN117373471B (zh) * | 2023-12-05 | 2024-02-27 | 鸿福泰电子科技（深圳）有限公司 | 一种音频数据优化降噪方法及系统 |
| CN117405622A (zh) * | 2023-12-14 | 2024-01-16 | 广东伊茗药业有限公司 | 一种燕窝中亚硝酸盐含量智能检测方法 |
| CN117405622B (zh) * | 2023-12-14 | 2024-03-22 | 广东伊茗药业有限公司 | 一种燕窝中亚硝酸盐含量智能检测方法 |
| CN117847021A (zh) * | 2024-03-08 | 2024-04-09 | 苏州众志新环冷却设备有限公司 | 一种离心风机风轮噪声降噪方法 |
| CN117847021B (zh) * | 2024-03-08 | 2024-05-24 | 苏州众志新环冷却设备有限公司 | 一种离心风机风轮噪声降噪方法 |
| CN118013258A (zh) * | 2024-04-08 | 2024-05-10 | 山东星芭克生物科技有限公司 | 一种智能化水溶肥生产线的信息采集方法 |
| CN118262820A (zh) * | 2024-05-29 | 2024-06-28 | 球豹阀门有限公司 | 基于光谱技术的球阀阀芯生产材料化学成分检测方法 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN116738153B (zh) | 2023-10-17 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN116738153B (zh) | 基于光谱分析的有机肥利用效果评价方法 | |
| Musingarabwi et al. | A rapid qualitative and quantitative evaluation of grape berries at various stages of development using Fourier-transform infrared spectroscopy and multivariate data analysis | |
| CN101915744B (zh) | 物质成分含量的近红外光谱无损检测方法及装置 | |
| CN116842326B (zh) | 一种基于光学手段的畜牧养殖水质监测系统 | |
| CN107421911A (zh) | 一种基于便携式近红外光谱仪的土壤氮素检测的预处理方法 | |
| CN110779875A (zh) | 一种基于高光谱技术检测冬小麦麦穗水分含量的方法 | |
| CN116578851A (zh) | 一种高光谱土壤有效硼含量预测方法 | |
| Liu et al. | Estimation of chlorophyll content in maize canopy using wavelet denoising and SVR method | |
| Zhang et al. | A novel non-integer order Savitzky–Golay derivative function of visible and near-infrared spectra for improving prediction accuracy of phosphorus in pig manure | |
| Liu et al. | Research on the online rapid sensing method of moisture content in famous green tea spreading | |
| Smith et al. | Measurement of the concentration of nutrients in grapevine petioles by attenuated total reflectance F ourier transform infrared spectroscopy and chemometrics | |
| CN109670531A (zh) | 一种基于Hodrick-Prescott滤波器的近红外光谱信号的去噪方法 | |
| XIA et al. | Application of wavelet transform in the prediction of navel orange vitamin C content by near-infrared spectroscopy | |
| CN106970042B (zh) | 一种卡拉胶杂质、水分含量检测方法 | |
| Liu et al. | A novel wavelength selection strategy for chlorophyll prediction by MWPLS and GA | |
| CN114509404A (zh) | 一种高光谱土壤有效硼含量预测方法 | |
| Ferwerda et al. | Continuous wavelet transformations for hyperspectral feature detection | |
| CN113295674B (zh) | 一种基于s变换的激光诱导击穿光谱特征非线性处理方法 | |
| CN109324017B (zh) | 一种提高近红外光谱分析技术建模光谱质量的方法 | |
| CN112763448A (zh) | 一种基于atr-ftir技术的米糠中多糖含量的快速检测方法 | |
| CN112229817A (zh) | 一种苏打盐碱地重金属定量反演模型建立方法 | |
| Liu et al. | PCA based model on chlorophyll content diagnosis of winter wheat | |
| Weindorf et al. | Advanced modeling of soil biological properties using visible near infrared diffuse reflectance spectroscopy | |
| CN112945899B (zh) | 一种聚谷氨酸复合肥鉴别方法 | |
| CN116660207B (zh) | 一种油品快检中特征谱段确定方法和辛烷含量检测系统 |
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 |