CN117457066A - 一种省域尺度的冬小麦籽粒蛋白质含量预测方法 - Google Patents

一种省域尺度的冬小麦籽粒蛋白质含量预测方法 Download PDF

Info

Publication number
CN117457066A
CN117457066A CN202311800546.0A CN202311800546A CN117457066A CN 117457066 A CN117457066 A CN 117457066A CN 202311800546 A CN202311800546 A CN 202311800546A CN 117457066 A CN117457066 A CN 117457066A
Authority
CN
China
Prior art keywords
protein content
grain protein
model
pixel
winter wheat
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
Application number
CN202311800546.0A
Other languages
English (en)
Other versions
CN117457066B (zh
Inventor
李振海
许晓斌
许冀斌
周丽丽
朱红春
魏诗哲
张小康
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.)
Shandong University of Science and Technology
Original Assignee
Shandong University of Science and Technology
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 Shandong University of Science and Technology filed Critical Shandong University of Science and Technology
Priority to CN202311800546.0A priority Critical patent/CN117457066B/zh
Publication of CN117457066A publication Critical patent/CN117457066A/zh
Application granted granted Critical
Publication of CN117457066B publication Critical patent/CN117457066B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

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
    • G06F18/00—Pattern recognition
    • G06F18/10—Pre-processing; Data cleansing
    • G06F18/15—Statistical pre-processing, e.g. techniques for normalisation or restoring missing data
    • 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
    • G06F18/27—Regression, e.g. linear or logistic regression
    • G—PHYSICS
    • G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
    • G16B—BIOINFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR GENETIC OR PROTEIN-RELATED DATA PROCESSING IN COMPUTATIONAL MOLECULAR BIOLOGY
    • G16B20/00—ICT specially adapted for functional genomics or proteomics, e.g. genotype-phenotype associations
    • G—PHYSICS
    • G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
    • G16B—BIOINFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR GENETIC OR PROTEIN-RELATED DATA PROCESSING IN COMPUTATIONAL MOLECULAR BIOLOGY
    • G16B40/00—ICT specially adapted for biostatistics; ICT specially adapted for bioinformatics-related machine learning or data mining, e.g. knowledge discovery or pattern finding
    • 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
    • Y02A90/00—Technologies having an indirect contribution to adaptation to climate change
    • Y02A90/10—Information and communication technologies [ICT] supporting adaptation to climate change, e.g. for weather forecasting or climate simulation

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Theoretical Computer Science (AREA)
  • Data Mining & Analysis (AREA)
  • Health & Medical Sciences (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • General Physics & Mathematics (AREA)
  • Evolutionary Biology (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Artificial Intelligence (AREA)
  • General Health & Medical Sciences (AREA)
  • Evolutionary Computation (AREA)
  • Medical Informatics (AREA)
  • General Engineering & Computer Science (AREA)
  • Chemical & Material Sciences (AREA)
  • Analytical Chemistry (AREA)
  • Spectroscopy & Molecular Physics (AREA)
  • Biophysics (AREA)
  • Biochemistry (AREA)
  • Biotechnology (AREA)
  • Pathology (AREA)
  • Immunology (AREA)
  • Genetics & Genomics (AREA)
  • Bioethics (AREA)
  • Databases & Information Systems (AREA)
  • Epidemiology (AREA)
  • Proteomics, Peptides & Aminoacids (AREA)
  • Public Health (AREA)
  • Software Systems (AREA)
  • Probability & Statistics with Applications (AREA)
  • Molecular Biology (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

本发明公开一种省域尺度的冬小麦籽粒蛋白质含量预测方法，属于数据预测技术领域，用于冬小麦籽粒蛋白质含量预测，包括获得小麦生长期不同空间分辨率和光谱分辨率的作物冠层光谱信息，进行光谱信息的预处理，基于逐像素物候匹配法进行特征选择，逐像素计算每个像素成熟期90天内光谱植被指数的最大值，选择与籽粒蛋白质含量相关性最强的植被指数进行相关性分析，构建分层线性模型，进行冬小麦籽粒蛋白质含量预测。本发明综合考虑遥感信息、气候信息与籽粒蛋白质含量关系的物候差异，引入逐像素物候匹配和分层线性模型，以关键环境因子为区域籽粒蛋白质模型的差异因子，构建面前全国的籽粒蛋白质含量预测的嵌套模型。

Description

一种省域尺度的冬小麦籽粒蛋白质含量预测方法
技术领域
本发明公开一种省域尺度的冬小麦籽粒蛋白质含量预测方法，属于数据预测技术领域。
背景技术
基于遥感技术进行作物蛋白质含量预测的研究，主要可归结为四类：以“遥感信息-籽粒蛋白质含量”模式的经验模型，以“遥感信息-农学参数-籽粒蛋白质含量”模式的定量模型，基于遥感信息和生态因子的籽粒蛋白质含量半机理模型，和基于遥感信息和作物生长模型同化的机理解释模型。前两类模型研究较多，操作简单且易实现，但机理解释性不强，在区域间和年际间扩展应用过程中偏差较大；同化模型方法考虑过多的输入变量，并且复杂的同化算法、合适的品质生长模型选择及本地化和运算时间问题，限制了该类方法的区域应用。因此，发展以遥感信息与生态因子结合的籽粒蛋白质含量预测方法，利用生态因子考虑年际及空间的异质性以及遥感信息与籽粒蛋白质含量的半机理模型，为构建普适性及适用于时空扩展的籽粒蛋白质遥感预测模型提供了切实可行的方案。
发明内容
本发明的目的在于提供一种省域尺度的冬小麦籽粒蛋白质含量预测方法，以解决现有技术中，蛋白质含量预测精度低的问题。
一种省域尺度的冬小麦籽粒蛋白质含量预测方法，包括：
S1.获得小麦生长期不同空间分辨率和光谱分辨率的作物冠层光谱信息，进行光谱信息的预处理，卫星影像数据进行辐射定标、大气校正及正射校正，地面冠层高光谱要通过目标反射强度和已知反射率的参考白板进行比值转化得到冠层反射率；
S2.下载收获期前3个月的四种数据：每日蒸散发ET、辐射量Rad、温度T、降水量Pre，并对四种数据进行投影转换，转换为与S1中卫星影像数据的投影一致的栅格数据；
S3.基于逐像素物候匹配法进行特征选择，特征选择包括选择气象建模特征和遥感建模特征；
S4.逐像素计算每个像素成熟期90天内光谱植被指数的最大值，选择与籽粒蛋白质含量相关性最强的植被指数VI进行相关性分析；
S5.逐像素的选择成熟期前三个时间段的气候因子求和，气候因子共有12个，分别为每日蒸散发ET、辐射量Rad、温度T、降水量Pre各自在三个时间段内的分量；
将求和结果作为全国小麦籽粒蛋白质含量预测模型的气候特征；
S6.构建分层线性模型，进行冬小麦籽粒蛋白质含量预测。
S3包括：
S3.1.获取全国小麦的物候数据集，将物候数据集与栅格数据匹配，分别从每个像素成熟期的年积日开始往前推三个30天，在成熟期之前90天的总周期内，以30天的间隔计算各个气象变量的累积值，得到三个累积值分别记为T1，T2和T3，将T1，T2和T3作为气象建模特征；
S3.2.选择这90天的遥感变量最大值作为遥感建模特征。
S6包括：
分层线性模型的第一层为籽粒蛋白质含量GPC与VI的线性模型：
；
式中，GPC为籽粒蛋白质含量，r为第一层模型中的残差项，为第一层模型的截距，/>为第一层模型的回归系数。
S6包括：
截距和回归系数的值由第二层计算得到：
；
式中，为截距或回归系数的值，i=0或1，/>为第二层模型的截距，/>、/>、/>、/>分别为第二层模型的回归系数，μ表示第二层模型中的残差项，n表示时间段，/>表示第n个时间段的ET，/>表示第n个时间段的T，/>表示第n个时间段的Pre，/>表示第n个时间段的Rad。
相对比现有技术，本发明具有以下有益效果：本发明综合考虑遥感信息、气候信息与籽粒蛋白质含量关系的物候差异，引入逐像素物候匹配和分层线性模型，以关键环境因子为区域籽粒蛋白质模型的差异因子，构建面前全国的籽粒蛋白质含量预测的嵌套模型，提供一种精度高、适用范围广、普适性强的冬小麦籽粒蛋白质含量预测模型。
具体实施方式
为使本发明的目的、技术方案和优点更加清楚，下面对本发明中的技术方案进行清楚、完整地描述，显然，所描述的实施例是本发明的一部分实施例，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作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。
一种省域尺度的冬小麦籽粒蛋白质含量预测方法，包括：
S1.获得小麦生长期不同空间分辨率和光谱分辨率的作物冠层光谱信息，进行光谱信息的预处理，卫星影像数据进行辐射定标、大气校正及正射校正，地面冠层高光谱要通过目标反射强度和已知反射率的参考白板进行比值转化得到冠层反射率；
S2.下载收获期前3个月的四种数据：每日蒸散发ET、辐射量Rad、温度T、降水量Pre，并对四种数据进行投影转换，转换为与S1中卫星影像数据的投影一致的栅格数据；
S3.基于逐像素物候匹配法进行特征选择，特征选择包括选择气象建模特征和遥感建模特征；
S4.逐像素计算每个像素成熟期90天内光谱植被指数的最大值，选择与籽粒蛋白质含量相关性最强的植被指数VI进行相关性分析；
S5.逐像素的选择成熟期前三个时间段的气候因子求和，气候因子共有12个，分别为每日蒸散发ET、辐射量Rad、温度T、降水量Pre各自在三个时间段内的分量；
将求和结果作为全国小麦籽粒蛋白质含量预测模型的气候特征；
S6.构建分层线性模型，进行冬小麦籽粒蛋白质含量预测。
S3包括：
S3.1.获取全国小麦的物候数据集，将物候数据集与栅格数据匹配，分别从每个像素成熟期的年积日开始往前推三个30天，在成熟期之前90天的总周期内，以30天的间隔计算各个气象变量的累积值，得到三个累积值分别记为T1，T2和T3，将T1，T2和T3作为气象建模特征；
S3.2.选择这90天的遥感变量最大值作为遥感建模特征。
S6包括：
分层线性模型的第一层为籽粒蛋白质含量GPC与VI的线性模型：
；
式中，GPC为籽粒蛋白质含量，r为第一层模型中的残差项，为第一层模型的截距，/>为第一层模型的回归系数。
S6包括：
截距和回归系数的值由第二层计算得到：
；
式中，为截距或回归系数的值，i=0或1，/>为第二层模型的截距，/>、/>、/>、/>分别为第二层模型的回归系数，μ表示第二层模型中的残差项，n表示时间段，/>表示第n个时间段的ET，/>表示第n个时间段的T，/>表示第n个时间段的Pre，/>表示第n个时间段的Rad。
本发明相关技术的背景技术方案，存在的主要缺陷为：蛋白质含量遥感预测的经验模型和定量模型，操作简单且易实现，但机理解释性不强，在全国范围扩展应用过程中偏差较大；运用作物生长模型与遥感信息同化的籽粒蛋白质含量遥感预测模型受作物生长模型机理模拟、同化算法、点-面扩展运算效率等问题，大大限制了其区域扩展应用；基于遥感信息和生态因子的籽粒蛋白质含量半机理模型方面，以生态因子作为自变量进行籽粒蛋白质含量建模，同样存在生态因子对蛋白质构成机理解释不强，容易产生预测偏差；氮素的运转机理简化模型中，许多简化系数与作物品种有关，具有品种依赖性，以及生态因子以灌浆期环境因子为主，蛋白质含量预报的时效性存在问题。受气候、地形和栽培管理条件等多要素综合影响，小麦物候在全国范围复杂地理场景下呈现交叠、时滞和突变等复杂特点，传统的建模特征的选择机制无法满足大范围物候差异下籽粒蛋白质含量的精准预测。
本发明的目的是考虑造成大范围籽粒蛋白质遥感预测模型差异的关键环境因子，挖掘逐像素的冬小麦关键物候信息匹配规则，引入分层线性模型实现基于关键环境因子对全国籽粒蛋白质模型差异的纠正，提供一种精度高、适用范围大、普适性好的冬小麦籽粒蛋白质含量预测模型。
本发明从田间气象站下载收获期前3个月的数据，基于逐像素物候匹配法进行特征选择，由于最终的蛋白质分层线性模型同时受到其它环境等因素影响，优选与蛋白质含量具有显著性且相关性最高的植被指数进行进一步分层线性模型构建。
分层线性模型中各层系数的确定可以根据HLM软件计算获得。选取最优的一个植被指数（EVI）构建的籽粒蛋白质含量预测模型获得籽粒蛋白质含量预测值。检验表明，遥感信息耦合环境因子构建的籽粒蛋白质含量分层线性模型，与传统方法相比能够显著提高籽粒蛋白质含量的预测精度，并且在全国范围的预测具有较高的稳定性。在籽粒蛋白质模型构建过程中，考虑大范围物候差异，分别基于优选的最佳植被指数构建籽粒蛋白质分层预测模型。然后，通过实测验证数据对气候数据进行进一步优选，最终选择最佳的籽粒蛋白质预测模型，实现基于逐像素物候匹配法的全国冬小麦籽粒蛋白质遥感预测。
以上实施例仅用于说明本发明的技术方案，而非对其限制，尽管参照前述实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分或者全部技术特征进行等同替换，而这些修改或者替换，并不使相应技术方案的本质脱离本发明各实施例技术方案的范围。

Claims (4)

1.一种省域尺度的冬小麦籽粒蛋白质含量预测方法，其特征在于，包括：
S1.获得小麦生长期不同空间分辨率和光谱分辨率的作物冠层光谱信息，进行光谱信息的预处理，卫星影像数据进行辐射定标、大气校正及正射校正，地面冠层高光谱要通过目标反射强度和已知反射率的参考白板进行比值转化得到冠层反射率；
S2.下载收获期前3个月的四种数据：每日蒸散发ET、辐射量Rad、温度T、降水量Pre，并对四种数据进行投影转换，转换为与S1中卫星影像数据的投影一致的栅格数据；
S3.基于逐像素物候匹配法进行特征选择，特征选择包括选择气象建模特征和遥感建模特征；
S4.逐像素计算每个像素成熟期90天内光谱植被指数的最大值，选择与籽粒蛋白质含量相关性最强的植被指数VI进行相关性分析；
S5.逐像素的选择成熟期前三个时间段的气候因子求和，气候因子共有12个，分别为每日蒸散发ET、辐射量Rad、温度T、降水量Pre各自在三个时间段内的分量；
将求和结果作为全国小麦籽粒蛋白质含量预测模型的气候特征；
S6.构建分层线性模型，进行冬小麦籽粒蛋白质含量预测。
2.根据权利要求1所述的一种省域尺度的冬小麦籽粒蛋白质含量预测方法，其特征在于，S3包括：
S3.1.获取全国小麦的物候数据集，将物候数据集与栅格数据匹配，分别从每个像素成熟期的年积日开始往前推三个30天，在成熟期之前90天的总周期内，以30天的间隔计算各个气象变量的累积值，得到三个累积值分别记为T1，T2和T3，将T1，T2和T3作为气象建模特征；
S3.2.选择这90天的遥感变量最大值作为遥感建模特征。
3.根据权利要求2所述的一种省域尺度的冬小麦籽粒蛋白质含量预测方法，其特征在于，S6包括：
分层线性模型的第一层为籽粒蛋白质含量GPC与VI的线性模型：
；
式中，GPC为籽粒蛋白质含量，r为第一层模型中的残差项，为第一层模型的截距，/>为第一层模型的回归系数。
4.根据权利要求3所述的一种省域尺度的冬小麦籽粒蛋白质含量预测方法，其特征在于，S6包括：
截距和回归系数的值由第二层计算得到：
；
式中，为截距或回归系数的值，i=0或1，/>为第二层模型的截距，/>、/>、/>、分别为第二层模型的回归系数，μ表示第二层模型中的残差项，n表示时间段，/>表示第n个时间段的ET，/>表示第n个时间段的T，/>表示第n个时间段的Pre，/>表示第n个时间段的Rad。
CN202311800546.0A 2023-12-26 2023-12-26 一种省域尺度的冬小麦籽粒蛋白质含量预测方法 Active CN117457066B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202311800546.0A CN117457066B (zh) 2023-12-26 2023-12-26 一种省域尺度的冬小麦籽粒蛋白质含量预测方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202311800546.0A CN117457066B (zh) 2023-12-26 2023-12-26 一种省域尺度的冬小麦籽粒蛋白质含量预测方法

Publications (2)

Publication Number Publication Date
CN117457066A true CN117457066A (zh) 2024-01-26
CN117457066B CN117457066B (zh) 2024-03-15

Family

ID=89582262

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202311800546.0A Active CN117457066B (zh) 2023-12-26 2023-12-26 一种省域尺度的冬小麦籽粒蛋白质含量预测方法

Country Status (1)

Country Link
CN (1) CN117457066B (zh)

Citations (15)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
SU1597700A1 (ru) * 1988-05-04 1990-10-07 Кишиневский Сельскохозяйственный Институт Им.М.В.Фрунзе Способ оценки содержани белка в семенах зерновых и зернобобовых культур
WO1998030886A1 (en) * 1997-01-07 1998-07-16 Maztech Microvision Ltd Apparatus and method for quantifying physical characteristics of granular products
RU2149534C1 (ru) * 1998-03-05 2000-05-27 Краснодарский научно-исследовательский институт сельского хозяйства им. П.П. Лукьяненко Способ прогноза содержания белка в зерне будущего урожая озимой пшеницы во время ее вегетации
RU2394223C1 (ru) * 2008-12-29 2010-07-10 Федеральное государственное образовательное учреждение высшего профессионального образования Красноярский государственный аграрный университет Способ оценки ячменя на содержание белка в зерне
CN102435553A (zh) * 2010-09-29 2012-05-02 李少昆 利用光谱指数监测小麦籽粒蛋白质含量的方法
CN103913425A (zh) * 2014-04-17 2014-07-09 河南农业大学 基于光谱指数和气候因子耦合的冬小麦籽粒蛋白质含量预测方法及其预测模型的构建方法
CN108169168A (zh) * 2017-12-19 2018-06-15 信阳师范学院 检测分析水稻籽粒蛋白质含量数学模型及构建方法和应用
US20190079006A1 (en) * 2016-03-15 2019-03-14 University Of Florida Research Foundation, Incorporated Haploid seed classification using single seed near-infrared spectroscopy
CN109752487A (zh) * 2018-11-29 2019-05-14 北京农业信息技术研究中心 冬小麦叶片氮素含量预估方法及装置
CN109920472A (zh) * 2019-01-07 2019-06-21 北京农业信息技术研究中心 一种籽粒蛋白质含量的预测方法及装置
WO2023070188A1 (pt) * 2021-10-28 2023-05-04 Nira - Near Infrared Analysis S/A Equipamento para determinação do teor de proteína, óleo e umidade em grãos de soja utilizando infravermelho próximo
CN116187100A (zh) * 2023-04-25 2023-05-30 吉林大学 一种结合作物生长模型估算玉米籽粒蛋白质含量的方法
CN116523859A (zh) * 2023-04-23 2023-08-01 宁波大学 一种联合地面观测的海岸带植被物候参数卫星影像率定方法
CN116642841A (zh) * 2023-07-18 2023-08-25 中国农业大学 基于成像光谱的小麦单籽粒蛋白质含量检测与筛选方法
CN117223534A (zh) * 2023-09-15 2023-12-15 北京四良科技有限公司 一种用于提高寒旱地区甜樱桃坐果率的方法

Patent Citations (15)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
SU1597700A1 (ru) * 1988-05-04 1990-10-07 Кишиневский Сельскохозяйственный Институт Им.М.В.Фрунзе Способ оценки содержани белка в семенах зерновых и зернобобовых культур
WO1998030886A1 (en) * 1997-01-07 1998-07-16 Maztech Microvision Ltd Apparatus and method for quantifying physical characteristics of granular products
RU2149534C1 (ru) * 1998-03-05 2000-05-27 Краснодарский научно-исследовательский институт сельского хозяйства им. П.П. Лукьяненко Способ прогноза содержания белка в зерне будущего урожая озимой пшеницы во время ее вегетации
RU2394223C1 (ru) * 2008-12-29 2010-07-10 Федеральное государственное образовательное учреждение высшего профессионального образования Красноярский государственный аграрный университет Способ оценки ячменя на содержание белка в зерне
CN102435553A (zh) * 2010-09-29 2012-05-02 李少昆 利用光谱指数监测小麦籽粒蛋白质含量的方法
CN103913425A (zh) * 2014-04-17 2014-07-09 河南农业大学 基于光谱指数和气候因子耦合的冬小麦籽粒蛋白质含量预测方法及其预测模型的构建方法
US20190079006A1 (en) * 2016-03-15 2019-03-14 University Of Florida Research Foundation, Incorporated Haploid seed classification using single seed near-infrared spectroscopy
CN108169168A (zh) * 2017-12-19 2018-06-15 信阳师范学院 检测分析水稻籽粒蛋白质含量数学模型及构建方法和应用
CN109752487A (zh) * 2018-11-29 2019-05-14 北京农业信息技术研究中心 冬小麦叶片氮素含量预估方法及装置
CN109920472A (zh) * 2019-01-07 2019-06-21 北京农业信息技术研究中心 一种籽粒蛋白质含量的预测方法及装置
WO2023070188A1 (pt) * 2021-10-28 2023-05-04 Nira - Near Infrared Analysis S/A Equipamento para determinação do teor de proteína, óleo e umidade em grãos de soja utilizando infravermelho próximo
CN116523859A (zh) * 2023-04-23 2023-08-01 宁波大学 一种联合地面观测的海岸带植被物候参数卫星影像率定方法
CN116187100A (zh) * 2023-04-25 2023-05-30 吉林大学 一种结合作物生长模型估算玉米籽粒蛋白质含量的方法
CN116642841A (zh) * 2023-07-18 2023-08-25 中国农业大学 基于成像光谱的小麦单籽粒蛋白质含量检测与筛选方法
CN117223534A (zh) * 2023-09-15 2023-12-15 北京四良科技有限公司 一种用于提高寒旱地区甜樱桃坐果率的方法

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
ZHENHAI LI 等: "A hierarchical interannual wheat yield and grain protein prediction model using spectral vegetative indices and meteorological data", 《FIELD CROPS RESEARCH》, 1 March 2020 (2020-03-01), pages 1 - 9 *
金佳鑫 等: "基于遥感数据的多年平均物候不确定性研究", 《遥感学报》, 15 February 2022 (2022-02-15), pages 1814 - 1823 *

Also Published As

Publication number Publication date
CN117457066B (zh) 2024-03-15

Similar Documents

Publication Publication Date Title
CN109829234B (zh) 一种基于高分辨率遥感数据和作物模型的跨尺度高精度动态作物长势监测和估产方法
CN106600434B (zh) 基于作物模型与同化技术的作物长势遥感监测方法
CN109884664B (zh) 一种城市地上生物量光学微波协同反演方法及系统
Jin et al. Estimation of maize yield by assimilating biomass and canopy cover derived from hyperspectral data into the AquaCrop model
CN110751094B (zh) 一种基于gee综合遥感影像和深度学习方法的作物估产方法
CN110610054B (zh) 一种土壤湿度长方体反演模型构建方法及系统
CN111798327A (zh) 基于高光谱影像的小麦产量计算模型的构建方法及其应用
Wang et al. Estimating regional terrestrial carbon fluxes for the Australian continent using a multiple-constraint approach I. Using remotely sensed data and ecological observations of net primary production
Dehkordi et al. Yield gap analysis using remote sensing and modelling approaches: Wheat in the northwest of Iran
CN113177942A (zh) 大豆种植区遥感监测识别方法、装置、电子设备和介质
CN115375036A (zh) 遥感、光能利用率模型与气象融合的作物成熟期预测方法
Rojas et al. Real-time agrometeorological crop yield monitoring in Eastern Africa
Chaudhari et al. Spatial wheat yield prediction using crop simulation model, GIS, remote sensing and ground observed data
Cui et al. Estimating maize yield in the black soil region of Northeast China using land surface data assimilation: integrating a crop model and remote sensing
CN117457066B (zh) 一种省域尺度的冬小麦籽粒蛋白质含量预测方法
Pan et al. Using QuickBird imagery and a production efficiency model to improve crop yield estimation in the semi-arid hilly Loess Plateau, China
CN117035066A (zh) 一种耦合地理加权与随机森林的地表温度降尺度方法
WO2023131949A1 (en) A versatile crop yield estimator
Persson et al. Impact of projected mid-21st century climate and soil extrapolation on simulated spring wheat grain yield in Southeastern Norway
Dhar et al. Analysis of vegetation dynamics using remote sensing and GIS: a case study of Madhya Pradesh, India
Petersen et al. Yield prediction in spring barley from spectral reflectance and weather data using machine learning
Wang et al. Consistency and uncertainty of remote sensing-based approaches for regional yield gap estimation: A comprehensive assessment of process-based and data-driven models
CN114972838B (zh) 基于卫星数据得到的冬小麦识别方法
Xiong In-season crop yield forecasting in Africa by coupling remote sensing and crop modeling: A systematic literature review
Matsunaga et al. Application of ERA5-Land reanalysis data in climate risk zoning for maize in the state of Bahia-Brazil

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