共查询到20条相似文献，搜索用时 312 毫秒
1.
基于高光谱技术融合图像信息的杏鲍菇干燥过程中含水率检测 总被引：1，自引：0，他引：1
为了应用高光谱成像技术结合图像处理技术研究杏鲍菇含水率的快速无损检测以及含水率分布可视化,采集不同干燥时期共240个杏鲍菇样品在358～1 021 nm波段范围内的高光谱图像。利用阈值分割方法将图像中杏鲍菇区域与背景分离,提取杏鲍菇的平均光谱数据。采用连续投影算法(SPA)和稳定性竞争自适应重加权采样法(SCARS)分别筛选出5个和10个特征波长;采用主成分分析方法获得杏鲍菇的前2个主成分图像PC1、PC2,基于灰度共生矩阵(GLCM)提取主成分图像PC1、PC2共16个纹理特征。利用偏最小二乘(PLS)和最小二乘支持向量机(LS-SVM)分别建立光谱特征、纹理特征以及光谱与纹理特征融合的含水率预测模型。结果表明:与光谱特征相比,纹理特征与含水率的相关性较差;光谱特征模型SCARS-LS-SVM预测效果最好,其预测集决定系数(R■)=0.975,均方根误差(RMSEP)=3.712,相对分析误差(RPD)=3.211。基于SCARS-LS-SVM模型,将杏鲍菇样品含水率分布用不同颜色直观显示,实现了含水率分布可视化。 相似文献
2.
【目的】运用高光谱成像技术检测成熟期酿酒葡萄果皮的花色苷含量。【方法】利用900~1 700 nm近红外高光谱成像和多元回归模型对多品种酿酒葡萄成熟期不同阶段果皮花色苷含量进行预测建模。采集成熟期4~5个阶段的6个品种共75组酿酒葡萄样本的高光谱图像,运用不同预处理方法对光谱数据进行处理。基于主成分分析(PCA)和连续投影法(SPA)降维,将化学方法测量结果作为花色苷含量的参考值,采用支持向量回归(SVR)建立花色苷含量预测模型。【结果】SPA-SVR模型性能优于其他模型,其预测决定系数(R_p~2)为0.869 1,均方根误差(RMSEp)为0.135 9。【结论】将近红外高光谱成像技术应用于多品种成熟期酿酒葡萄果皮的花色苷含量的快速无损检测具有良好的可行性。 相似文献
3.
【目的】研究应用高光谱成像技术无损检测生长发育后期苹果糖度的可行性。【方法】以生长发育后期的"富士"苹果为对象,基于采集到的波长900~1 700nm高光谱数据,建立预测苹果糖度的偏最小二乘(PLS)、支持向量机(SVM)和极限学习机(ELM)模型,并比较主成分分析(PCA)和连续投影算法(SPA)2种数据压缩或特征波提取方法对预测模型精度的影响。【结果】采用PCA方法可将全光谱压缩至9个主成分,采用SPA从全光谱的230个波长中提取出了13个特征波长,两者相比,SPA能更有效地提高模型预测能力。预测生长发育后期苹果糖度的最佳模型为基于SPA的PLS模型,其预测集相关系数为0.945,均方根误差为0.628°Brix。【结论】高光谱图像技术可以用于生长发育后期苹果糖度的无损检测,该技术的应用将有助于指导苹果的种植和适时采收。 相似文献
4.
【目的】探讨龙眼Dimocarpus longan Lour.叶片发育过程中叶绿素含量二维分布变化规律,实现无损检测病虫害对叶片叶绿素含量分布的影响,为评估嫩叶抗寒能力、龙眼结果期的施肥量和老熟叶的修剪提供参考。【方法】利用高光谱成像仪采集龙眼叶片在369~988 nm区间的高光谱图像,自动提取感兴趣区域,利用分光光度法测定叶片叶绿素含量。基于皮尔森相关系数(r)分析了龙眼叶片生长过程中各波段光谱响应与叶绿素含量之间相关性,建立偏最小二乘回归模型。分析了特征波段图像纹理特征与叶绿素含量相关性,将光谱特征和纹理特征结合导入深度学习中的稀疏自编码(SAE)模型预测龙眼叶片叶绿素含量,结合"图谱信息"的SAE模型预测龙眼叶片叶绿素含量的分布情况。【结果】龙眼叶片3个生长发育期相关系数的曲线均在700 nm附近出现波峰,嫩叶、成熟叶和老熟叶3个阶段相关性最高的波长分别为692、698和705 nm;全发育期的最敏感波段相关性远高于3个生长发育期,r达到0.890 3。回归模型中,吸收带最小反射率位置和吸收带反射率总和建立的最小二乘回归模型预测效果最好(R_c~2=0.856 8,RMSEc=0.219 5;R_v~2=0.771 2,RMSEv=0.286 2),其校正集和验证集的决定系数均高于单一参数建立的预测模型。在所有预测模型中,结合"图谱信息"的SAE模型预测效果最好(R_c~2=0.979 6,RMSEc=0.171 2;R_v~2=0.911 2,RMSEv=0.211 5),且预测性能受叶片成熟度影响相对较小,3个生长阶段R_v~2的标准偏差仅为最小二乘回归模型标准偏差的29.9%。【结论】提出了一种自动提取感兴趣区域的方法,成功率为100%。基于光谱特征的回归模型对不同生长阶段的叶片预测效果变化较大,而基于"图谱信息"融合的SAE模型预测性能受叶片成熟度影响相对较小且预测精度较高,SAE模型适用于不同成熟度的龙眼叶片叶绿素含量分布预测。 相似文献
5.
不同类型土壤的光谱特征及其有机质含量预测 总被引：17，自引：1，他引：17
【目的】构建适合土壤有机质含量估测的高光谱参数及定量反演模型。【方法】系统分析中国中、东部地区5种不同类型土壤风干样本有机质含量与350～2 500 nm波段范围高光谱反射率之间的关系,利用特征光谱参数和BP神经网络建立土壤有机质的定量估测模型。【结果】光谱一阶导数构成的两波段光谱参数与土壤有机质含量的相关性明显优于原始光谱,尤其采用Norris平滑滤波后导数光谱效果更好。光谱参数构成形式以差值指数最好,其次为比值和归一化指数。与土壤有机质含量相关程度最高的光谱参数是由可见光区554 nm和近红外区1 398 nm两个波段的一阶导数组合而成的差值指数DI(D554,D1398),两者呈显著指数曲线关系,拟合方程为y= 184.2 ×exp[-1297×DI(D554,D1398)],决定系数为0.90。经不同类型土壤的观测资料检验,模型预测决定系数为0.84,均方根误差RMSE为3.64,相对分析误差RPD为2.98,显示估测模型具有较好的预测精度。另外,利用BP神经网络结合偏最小二乘法(PLS)对导数光谱进行分析,提取贡献率达到99.56 %的前6个主成分建立了三层BP 神经网络模型,模型决定系数为0.98,经不同类型土壤的观测资料检验,模型预测决定系数为0.96,RMSE为2.24,相对偏差RPD为4.83。比较利用DI(D554,D1398)和BP网络进行土壤有机质含量的预测结果,前者精度低于后者,但可以满足土壤有机质监测的需要。【结论】利用差值光谱指数DI(D554,D1398)和BP神经网络模型均可实现对土壤有机质的精确估测。 相似文献
6.
【目的】基于高光谱特征初步判别油菜摘薹情况,为实现高光谱反演籽粒油酸含量提供理论指导。【方法】使用FieldSpec 3地物光谱仪采集油菜盛花期叶片光谱数据,采用Agilent GC-MS 7980B气相色谱仪分析摘薹和未摘薹处理的籽粒油酸含量,比较2组处理的平均原始光谱反射率特征,及其油菜叶片原始及一阶微分光谱反射率与籽粒油酸含量相关性,在此基础上构建基于原始光谱特征波长的支持向量机（SVM）判别模型、基于光谱参数的油酸含量二项式模型、基于一阶微分光谱特征波长的油酸含量多元线性逐步回归（MLSR）及偏最小二乘回归（PLSR）预测模型,并利用独立样本T检验对模型精度进行验证。【结果】发现未摘薹及摘薹处理的平均原始光谱反射率曲线在760~1080nm波段存在一定差异。未摘薹及摘薹处理的原始光谱反射率与籽粒油酸含量相关性曲线存在一定差异,未摘薹处理的原始光谱反射率在484~956和1001~1146 nm波段与籽粒油酸含量呈正相关,摘薹处理的原始光谱反射率在1882~2111和2324~2499 nm波段与油菜籽粒油酸含量呈正相关,说明摘薹会影响油菜光谱反射率与籽粒油酸含量的相关性表现。选取位于760~1080 nm波段4个拐点波长（760、920、970和1080 nm）的原始光谱反射率作为自变量,用以构建SVM判别模型,经过多次随机取样比较构建所有SVM判别模型,发现最佳判别模型的训练集样本总体精度为86.1%,验证集样本总体精度为77.8%,说明利用高光谱技术判别油菜是否摘薹具有一定的可行性。光谱参数模型中RVI模型对未摘薹处理油菜籽粒油酸含量的反演效果最佳,且该模型与未摘薹处理籽粒油酸含量的相关系数（-0.705）最高。比较全部油菜籽粒油酸含量预测模型类型,PLSR模型对未摘薹处理籽粒油酸含量预测精度最高,其训练集R2=0.590、RMSE=0.610,MLSR模型对摘薹处理籽粒油酸含量预测精度最高,其训练集R2=0.773、RMSE=0.874。利用独立样本T检验对二者模型测试集样本进行验证,未摘薹样本P=0.839,摘薹样本P=0.858,二者样本实测值与预测值均无显著差异（P>0.05）,模型合理,说明利用高光谱技术对油菜籽粒油酸含量进行预测可行。【建议】引入随机森林等机器学习算法,更好地选取特征波长（显著相关波长或全波段等）,提高光谱数据对油菜籽粒油酸含量的预测能力。后期的试验应侧重于多品种油菜籽粒油酸含量估测研究,探索高光谱技术估测油菜籽粒油酸含量是否具备普遍的可行性。利用高光谱技术反演其他油菜籽粒品质指标,为高光谱遥感监测油菜品质提供理论依据。 相似文献
7.
《西南农业学报》2019,(10)
【目的】为更快速准确地估算土壤全钾含量。【方法】本文以土壤高光谱数据和实验室分析所得的土壤全钾含量数据为数据源,研究土壤光谱与土壤全钾含量的关系。在土壤原始光谱预处理的基础上,对其进行光谱平滑、一阶微分、二阶微分和倒数对数等光谱变换处理,筛选出与对土壤全钾含量相关性最高的光谱指标,最终建立模型预测土壤全钾含量。【结果】基于一阶微分变换的光谱变量是估算土壤全钾含量的最佳光谱指标,其构建的土壤全钾高光谱反演模型(y=2E+06x~2+11328x+16.372)效果最佳,决定系数R~2为0.64,均方根误差RMSE为4.850 g/kg。【结论】利用该模型快速估算广东省土壤全钾含量是可行的。 相似文献
8.
为了快速测定马铃薯干物质含量,利用可见-短波近红外光谱无损检测马铃薯的干物质含量,以207个具有代表性的马铃薯样本作为研究对象,其中115个作为马铃薯切片样本的研究,92个作为完整马铃薯的研究,通过对比两种样本的模型预测效果,探讨可见-短波近红外光谱用于马铃薯干物质含量的完全无损检测的可行性。切片样本光谱数据用Savitzky-Golay(S-G)一阶卷积求导方法预处理,根据局部最大值最小值原则和含氢基团(C-H、O-H)伸缩振动的敏感波段选定了5段特征波长参与建模,模型外部检验决定系数R~2=0.941 6,标准误差RMSE=3.91。完整马铃薯样本光谱数据在Multiplicative Scatter Correction(MSC)基础上使用S-G一阶卷积求导方法预处理,通过选取了线性关系较好的5段波长参与建模。模型外部检验决定系数R2=0.847 5,标准误差RMSE=4.07。结果表明,完整马铃薯样本模型的检测效果虽然没有切片样本效果理想,但仍可以作为实际生产中进行马铃薯干物质含量检验的有效手段。 相似文献
9.
基于光谱和Gabor纹理信息融合的油桃品种识别 总被引：1，自引：0，他引：1
为实现油桃品种的快速且无损鉴别,对油桃高光谱图像中的光谱和图像信息进行分析。在光谱信息提取中,采用偏最小二乘回归(partial least squares regression,简称PLSR)从全波段光谱数据提取9个特征波长。在图像信息获取中,采用主成分分析(principal component analysis,简称PCA)获得主成分图像,并提取主成分图像的Gabor纹理特征。分别建立基于特征波长光谱特征、主成分图像纹理特征和光谱纹理特征融合的最小二乘支持向量机(least squares support vector machine,简称LS-SVM)和极限学习机(extreme learning machine,简称ELM)油桃品种判别模型。结果表明,基于融合特征的LS-SVM和ELM模型识别率分别为94.7%、92.1%,较单独采用光谱信息和纹理信息的识别率都高,说明采用光谱信息和Gabor纹理信息融合的方法可以实现油桃品种判别,为农产品无损检测提供参考价值。 相似文献
10.
利用近红外高光谱成像技术对番茄叶片叶绿素含量的无损检测进行初步探讨。通过高光谱成像系统(900～1 700 nm)采集了192个番茄叶片图像,基于偏最小二乘回归模型(PLSR)对光谱进行样本集划分,对原始光谱与Kubelka-Munk函数曲线及多种光谱预处理的偏最小二乘回归模型进行对比分析,优选出多元散射校正(MSC)为预处理方法。采用5种方法提取特征波长,并根据特征波长建立偏最小二乘回归、多元线性回归(MLR)、主成分回归(PCR)3种模型的叶片叶绿素含量预测模型。结果表明,建立无信息变量消除法(UVE)挑选特征波长的偏最小二乘回归模型最优,其预测集的相关系数(RP)为0.8495,均方根误差(RMSEP)为4.3375。因此,利用近红外高光谱成像技术提取特征波长进行叶绿素含量检测是可行的,同时也为今后番茄品质在线检测提供了理论依据。 相似文献
11.
杏鲍菇菌糠提取液对不同食用菌的化感作用 总被引：1，自引：0，他引：1
杏鲍菇是一种近几年来发展较快的药食两用型食用菌。随着杏鲍菇工厂的逐年增多,产生的菌糠也越来越多,菌糠如何再利用,是目前研究的热点问题。采用平板培养法研究了杏鲍菇菌糠的水提液和醇提液对姬菇、金针菇、杏鲍菇、猴头菇、白玉菇和白灵菇6种食用菌菌丝生长的影响。结果表明,杏鲍菇菌糠的水提液和醇提液对供试食用菌菌丝生长均有不同程度的影响,水提液有利于猴头菇、白灵菇、姬菇和白玉菇菌丝的生长;醇提液有利于猴头菇和白玉菇菌丝生长;2种提取液均不利于杏鲍菇菌丝的生长。 相似文献
12.
目的 研究融合无人机遥感影像多光谱信息和纹理特征估算马铃薯Solanum tuberosum叶面积指数(Leaf area index,LAI)方法,提高马铃薯LAI反演精度。方法 利用大疆P4M无人机采集2021年2－4月南方冬种马铃薯幼苗期、现蕾期、块茎膨大期多光谱影像,用LAI-2000冠层分析仪实测LAI数据。提取影像光谱、纹理等信息,分析植被指数、纹理特征与LAI的相关性,基于R2adj的全子集分析优选特征变量。采用主成分分析,融合光谱和纹理特征,用PCA-MLR(Principal component analysis-multiple linear regression)模型估算马铃薯LAI。结果 从幼苗期到块茎膨大期,PCA-MLR估算模型优于T-MLR(Texture multiple linear regression)和VI-MLR(Vegetation index multiple linear regression)模型,R2分别为0.73、0.59和0.66。结论 本研究提出一种估算马铃薯LAI的PCA-MLR方法,为马铃薯的长势监测和田间管理提供数据支持。 相似文献
13.
为探究杏鲍菇代料栽培姬松茸的适宜比例,通过床栽试验研究了杏鲍菇替代不同比例稻草对姬松茸J2和J37菌株不同潮次子实体产量、营养品质的影响。结果表明：随着替代比例的增加,姬松茸J2和J37子实体产量呈现先升后降的变化趋势,替代比例为30%时产量最高,姬松茸J2产量可达2.038 kg·m-2,姬松茸J37产量可达2.267 kg·m-2。两种姬松茸子实体产量主要集中于第一潮和第二潮,且杏鲍菇菌渣替代栽培处理前两潮产量占比均高于传统栽培配方。随着潮次增加,姬松茸 J2和 J37子实体中多糖、粗蛋白和氨基酸的质量分数总体呈降低的趋势,但杏鲍菇菌渣替代处理多糖、粗蛋白和氨基酸质量分数随潮次增加降低的幅度小于传统栽培配方。杏鲍菇菌渣替代处理姬松茸子实体中粗蛋白、氨基酸和多糖的质量分数分别比传统栽培配方提高2.42%~10.44%、4.09%~12.00%和11.07%~23.70%,其中替代比例为30%时营养品质最优。从生产成本分析,杏鲍菇菌渣替代可降低姬松茸栽培原料成本35.08%~54.00%。研究表明,适宜比例的杏鲍菇菌渣和养殖场垫料组合代料栽培姬松茸的产量和品质优且不同潮次间相对稳定,而且该方式可以有效降低栽培材料的投入成本,综合效益比较高。 相似文献
14.
为实现准确评估和预测贡梨的冲击损伤，采用波长为397.5~1 014.0 nm的高光谱成像技术与力学参数相结合对贡梨的冲击损伤进行定量研究。利用基于单摆原理的碰撞装置以及智能数据采集系统获得峰值力、平均接触力、损伤面积和平均压强等力学参数，并对力学参数进行统计分析。利用高光谱成像系统获得损伤贡梨的光谱数据。使用Gap-segment求导、SG求导和基线校准(Baseline)3种光谱预处理方法对原始光谱进行预处理，将光谱数据与力学参数相结合分别建立偏最小二乘回归(Partial least squares regression，PLSR)和主成分回归(Principal component regression，PCR)模型。基于基线校准(Baseline)预处理方法，采用竞争性自适应重加权(Competitive adaptive reweighting sampling，CARS)和无信息变量消除(Uninformative variable elimination，UVE)2种算法进行特征波长的选取，将选取的特征波长作为输入变量并结合力学参数建立PLSR模型。力学参数统计分析和建模的结果表明:1)力学参数在一定程度上可以表征贡梨冲击损伤程度。力学参数的平均值随损伤程度的增加而增大，峰值力平均值从138.40 N增大至335.86 N；平均接触力平均值从77.13 N增大至188.20 N；损伤面积平均值从208.07 mm2增大至544.42 mm2；平均压强平均值从0.34 MPa增大至0.42 MPa。2)Baseline-CARS-PLSR模型对力学参数的预测效果最优，其峰值力、平均接触力、损伤面积和平均压强的预测集相关系数(RP)和预测集均方根误差(RMSEP)分别为0.892和31.527 N、0.883和18.861 N、0.895和54.411 mm2、0.661和0.045 MPa。通过高光谱成像技术与力学参数相结合对贡梨冲击损伤进行定量预测具有一定的可行性，可为贡梨的品质分选及包装方面提供理论支持。 相似文献
15.
为实现羊肉新鲜度的快速、无损检测,应用高光谱成像技术对不同存储天数的羊肉建立挥发性盐基氮TVB-N(Total volatile basic nitrogen,TVB-N)含量预测模型。通过高光谱成像系统获取羊肉样本935～2 539nm的高光谱图像,选取样本左上、左下、右上、右下和中间5个位置20×20像素的方形作为感兴趣区域(Region of interesting,ROI),提取ROI并计算区域内样本平均光谱。利用二进制粒子群优化算法(Binary particle swarm optimization,BPSO)和相关系数分析法(Correlation coefficient,CC)提取羊肉TVB-N高光谱特征变量,结合偏最小二乘回归(Partial least squares regression,PLSR)和随机森林回归(Random forest regression,RFR)建模算法,分别建立表征羊肉TVB-N含量的BPSO-PLSR、BPSO-RFR、CC-PLSR、CC-RFR预测模型。依据袋外均方根误差RMSEOOB最小原则,对最佳回归子树和分裂特征2个主要参数进行寻优以提高RFR建模算法的预测精度。比较4个模型的预测效果发现,BPSO-RFR模型的预测精度最高,其校正集决定系数R_c~2和均方根误差RMSEC分别为0.87和2.99,预测集决定系数R_p~2和均方根误差RMSEP分别为0.86和3.36。综上,高光谱成像技术和机器学习算法的有机结合为快速有效检测肉品新鲜度提供了理论依据。 相似文献
16.
为解决遥感技术在监测耕层土壤有机质方面的应用问题,利用表层土壤光谱对耕层土壤有机质含量进行估测。以山东省济南市章丘区的表层、耕层各76个土壤样本为研究对象,首先对表层光谱数据进行小波变换去噪、剔除异常样本等处理,然后对处理后的光谱反射率进行一阶微分等10种数学变换,在对数倒数一阶微分和对数一阶微分变换后的反射率数据中选取43个与土壤有机质含量相关系数较高的波段,通过主成分分析以累计贡献率大于90%的标准选取5个主成分作为反演因子,利用BP神经网络(BPNN)、支持向量机回归(SVR)和多元线性回归(MLR)方法建立耕层土壤有机质含量间接估测模型。结果表明,耕层土壤与表层土壤有机质含量之间决定系数R~2达到0.839,显著性P0.01,存在着较强的相关性BPN估测模型的精度最优,决定系数R~2为0.845,平均相对误差为7.642%,RMSE分别为1.622g·kg~(-1)。研究表明,利用表层土壤光谱信息间接估测耕层有机质含量是可行有效的,为耕层土壤有机质的估测问题提供了一种新思路。 相似文献
17.
【目的】研究基于盛花期冠层高光谱数据的苹果花量估测技术,为植株花果管理和生产力预测技术的建立奠定基础。【方法】以5年生M9无性系砧木‘米奇嘎啦’苹果（Malus pumila‘Mitch Gala’）、树形为高纺锤形的植株为试材,在盛花期采集植株冠层可见-近红外高光谱图像,人工统计供试植株花量,比对分析基于原始光谱反射率（original reflectance spectra,OS）与Savitzky-Golay平滑法（savitzky-golay smoothing,SG）、正态变量标准化（standardization of normal variables,SNV）、标准化（Normalize）、一阶求导（first derivation,lst Der）、二阶求导（second derivation,2nd Der）共5种预处理的高光谱数据的偏最小二乘法（partial least squares method,PLS）模型,以及基于载荷系数法（x-loading weight,x-LW）提取的特征波长的PLS模型、人工神经网络（the back-propagation neural network,BPNN）、最小二乘支持向量机（the least squares support vector machines,LS-SVM）等模型对单株单位面积花量实时估测精度的影响。【结果】苹果树单株花量与单株单位面积花量具有较高的相关系数,表明采用冠层单位面积花量替代单株总花量进行树体花量估测可行。单株单位面积花量与植株冠层光谱反射率在紫外-可见光波长（308—700 nm）呈极显著正相关,在近红外波长（750—1 000 nm）相关性不显著。基于全波长,以Normalize预处理光谱建立的PLS模型对单株单位面积花量的预测效果最好,校正集决定系数（Rc2）和预测集决定系数（Rp2）分别为0.794和0.804,校正集均方根误差（RMSEC）和预测集均方根误差（RMSEP）分别为0.084、0.062,预测相对误差（RE%）为3.940。基于特征波长的BPNN模型稳定性差,而LS-SVM模型的建模效果较好,Rc2和Rp2分别为0.826和0.804,RMSEC和RMSEP分别为0.077、0.064,RE%为12.160。【结论】基于Normalize预处理的PLS模型对高纺锤形苹果树冠层单位面积花量的预测效果最优,同时,本研究利用高光谱成像仪获取的数据,经过分析处理对提取特征信息进行简化,可为多光谱遥感数据的应用提供依据。 相似文献
18.
Fei Li Yuxin Miao Simon D. Hennig Martin L. Gnyp Xinping Chen Liangliang Jia Georg Bareth 《Precision Agriculture》2010,11(4):335-357
Many hyperspectral vegetation indices (VIs) have been developed to estimate crop nitrogen (N) status at leaf and canopy levels.
However, most of these indices have not been evaluated for estimating plant N concentration (PNC) of winter wheat (Triticum aestivum L.) at different growth stages using a common on-farm dataset. The objective of this study was to evaluate published VIs
for estimating PNC of winter wheat in the North China Plain for different growth stages and years using data from both N experiments
and farmers’ fields, and to identify alternative promising hyperspectral VIs through a thorough evaluation of all possible
two band combinations in the range of 350–1075 nm. Three field experiments involving different winter wheat cultivars and
4–6 N rates were conducted with cooperative farmers from 2005 to 2007 in Shandong Province, China. Data from 69 farmers’ fields
were also collected to evaluate further the published and newly identified hyperspectral VIs. The results indicated that best
performing published and newly identified VIs could explain 51% (R700/R670) and 57% (R418/R405), respectively, of the variation in PNC at later growth stages (Feekes 8–10), but only 22% (modified chlorophyll absorption
ratio index, MCARI) and 43% (R763/R761), respectively, at the early stages (Feekes 4–7). Red edge and near infrared (NIR) bands were more effective for PNC estimation
at Feekes 4–7, but visible bands, especially ultraviolet, violet and blue bands, were more sensitive at Feekes 8–10. Across
site-years, cultivars and growth stages, the combination of R370 and R400 as either simple ratio or a normalized difference index performed most consistently in both experimental (R
2 = 0.58) and farmers’ fields (R
2 = 0.51). We conclude that growth stage has a significant influence on the performance of different vegetation indices and
the selection of sensitive wavelengths for PNC estimation, and new approaches need to be developed for monitoring N status
at early growth stages. 相似文献
19.
目的 开展基于高光谱技术的白粉病胁迫下田间小麦光谱的响应研究,实现小麦白粉病感染等级的快速确定。方法 采用光纤光谱仪配合积分球和叶片夹采集大田活体小麦叶片可见-近红外光谱;通过光谱数据拟合得到的SF-SPAD (Spectrum fitting SPAD)值来反映叶绿素含量,对叶片感染白粉病进行初步判定;使用PROSPECT模型进行光谱敏感度分析确定敏感波段;结合主成分分析(Principal component analysis, PCA)降维和支持向量机(Support vector machine,SVM)建模,实现对光谱数据的二分类;根据二分类模型判断的病点百分比对小麦病虫害感染程度进行分级。结果 SF-SPAD值随自下而上的叶序的增大而逐渐上升;SF-SPAD值≤0.90的全是病点,≥1.05的全是好点。光谱敏感度分析确定了敏感波段为可见光波段440~500和540~780 nm,降低了数据维度。确定了感染等级(R)与病点百分比(%)的关系为R1：0~30%、R2：30%~50%、R3：50%~70%、R4：70%~100%。本研究所建模型适用的检测株数最少为20株。结论 结合SF-SPAD值和光谱PCA-SVM二分类建立的监测模型可以准确、快速地判定小麦白粉病感染与否及感染等级,同时可以降低采样数量、减少地面检测工作量、提高检测效率,是一项实用性强、简单、易推广的智能化监测技术。 相似文献
20.
【目的】研究黄牛木Cratoxylum cochinchinens种群空间分布格局的形成机制和扩散规律,旨在促进黄牛木天然林的保护管理,推动其在珠三角地区生态脆弱地带绿化改造中的应用和推广。【方法】采用样方调查法,选取广州市茶山和白云山以及台山市石花山的黄牛木典型样地,通过ArcGIS信息平台进行数字化处理,绘制种群空间分布点图和种群扩散动态分布图,分析黄牛木的种子传播方式和扩散动态,构建黄牛木种群的扩散速率(y)-胸径(x)的函数模型,预测种群扩散规律。【结果】样地中的黄牛木总是在当地风向的下风向呈现聚集分布,并呈现扩散趋势;各样地种群冠层投影面积的增长量总是先增大后减小,不同样地的冠层扩散速率与平均胸径的函数模型均可为一元二次方程;单株黄牛木的冠幅增长量先增大后减小,其冠层扩散速率(y_0)与胸径(x_0)的函数模型为:y_0=-0.013 5x_0~2+0.310 6x_0+b 0.111 3 (R~2=0.999,P=0.000)。【结论】1)黄牛木种群靠风力扩散;2)种群冠层扩散速率先增大后减小,当种群扩散速率达到最大值时,冠层投影面积的增长量亦达到最大,当扩散速率为0时,冠层投影面积的增长量为0,此时种群的生长受到限制;3)在人工经营下,当黄牛木的胸径为11.5 cm时,种群处于第6径阶,其冠幅扩散速率达到最大值1.90 m~2/cm,此时应对种群进行适当间伐,以保证其最大效益;当黄牛木胸径达到23.4 cm时,种群处于第12径阶,种群的扩散受到阻碍,此时应进行疏伐以促进种群的更新生长。 相似文献