共查询到20条相似文献，搜索用时 718 毫秒
1.
为解析宁夏滴灌玉米冠层图像参数与果穗形态参数间的内在联系,提出了一种采用作物冠层图像特征参数拟合玉米果穗生长发育动态的数学方法,建立玉米灌浆期果穗发育动态估算模型,实现了基于作物冠层数字图像处理技术的玉米果穗形态无损监测。用手机相机获取不同氮素处理下滴灌玉米灌浆期的冠层图像,提取玉米灌浆期冠层图像特征参数,测定玉米穗长、穗粗和穗体积等形态参数;运用R语言进行相关性分析,其中归一化冠层覆盖系数(Cc)与玉米果穗形态参数相关性高,运用Origin软件建立Cc与果穗形态参数间的估测模型,通过R2、RMSE和nRMSE评价估测模型的精度。结果表明,Cc与玉米穗长、穗粗、穗体积等形态参数均满足指数函数关系,其中Cc与穗长的预测精度最高,决定系数R2达到0. 714,与穗粗的预测精度次之,R2为0. 601,与穗体积的R2为0. 575。由模型检验与评价结果可知,Cc与玉米果穗形态各参数间精度较高,其中R2均不小于0. 523,穗体积RMSE的值均不大于68. 986 cm3,nRMSE均不大于33. 621%。这表明基于冠层图像归一化覆盖系数的玉米果穗生长发育动态的估算具有一定的实用性,可为果穗形态参数估算和大面积玉米无损监测提供参考。 相似文献
2.
不同水氮处理对水稻荧光参数和光合特性的影响 总被引：7，自引：0，他引：7
在大田栽培条件下,利用LI-6400XT型光合仪测定不同水氮调控对水稻典型生育期主要荧光参数和光合特性的影响。结果表明:水稻光化学量子效率F_v/F_m、光化学淬灭系数q_P与非光化学淬灭系数q_N随着灌水量的减少而降低,随着施氮量的增加F_v/F_m在抽穗开花期、q_P在拔节孕穗期呈倒V形变化趋势,说明寒区黑土水稻叶片PSII反应中心因不同水氮处理而得到调节,使PSII反应中心潜在活性、光合原初反应中心开放程度及热耗散能力受到不同程度的抑制或改善。在控制灌溉条件下气孔限制值L_s高于全面淹灌,但并没有影响水稻叶片的光合作用而表现出一定的气孔限制。对施氮量110~160 kg/hm~2处理光响应曲线模拟得出,随着施氮量的增加曲线升高,光饱和点LSP、光补偿点LCP明显降低,而表观量子效率α、光响应曲线曲角θ和最大净光合速率P_(nmax)有所回升,灌水处理间对比得出全面淹灌条件下LSP、LCP和θ低于控制灌溉,而P_(nmax)显著增加,暗呼吸速率R_d、α结果不明显。这表明高肥有利于水稻叶片对弱光的利用,减少耗水量对强光利用效果显著。因此,水氮胁迫会改善水稻叶片对光的适应能力,适量增加施氮量可以有效改善水稻叶片光响应特征。 相似文献
3.
叶面积指数是描述玉米冠层结构的重要参数之一,决定玉米冠层的光合作用、呼吸作用、蒸腾和碳循环等生物物理过程,因此精确反演叶面积指数对玉米长势监测具有重要意义。本文以河北省保定市的涿州市、高碑店市、定兴县为研究区,利用Sentinel-2遥感影像和LAI-2000地面同步实测数据进行玉米冠层叶面积指数反演,使用归一化差异光谱指数和比值型光谱指数两类指数,构建了单变量和多变量玉米冠层叶面积指数反演模型,通过决定系数(R~2)和均方根误差(RMSE)筛选出最佳模型。研究结果表明,由NDSI_((783,705))构建的单变量模型为最优反演模型,其决定系数为0.5342,均方根误差为0.2885。因此,基于Sentinel-2遥感影像利用植被指数反演玉米冠层叶面积指数的方法可作为判断玉米长势状况的初步判断依据。 相似文献
4.
《农业机械学报》2020,(1)
叶面积指数是描述玉米冠层结构的重要参数之一,决定玉米冠层的光合作用、呼吸作用、蒸腾和碳循环等生物物理过程,因此精确反演叶面积指数对玉米长势监测具有重要意义。本文以河北省保定市的涿州市、高碑店市、定兴县为研究区,利用Sentinel-2遥感影像和LAI-2000地面同步实测数据进行玉米冠层叶面积指数反演,使用归一化差异光谱指数和比值型光谱指数两类指数,构建了单变量和多变量玉米冠层叶面积指数反演模型,通过决定系数(R~2)和均方根误差(RMSE)筛选出最佳模型。研究结果表明,由NDSI_((783,705))构建的单变量模型为最优反演模型,其决定系数为0.5342,均方根误差为0.2885。因此,基于Sentinel-2遥感影像利用植被指数反演玉米冠层叶面积指数的方法可作为判断玉米长势状况的初步判断依据。 相似文献
5.
叶面积指数是描述玉米冠层结构的重要参数之一,决定玉米冠层的光合作用、呼吸作用、蒸腾和碳循环等生物物理过程,因此精确反演叶面积指数对玉米长势监测具有重要意义。本文以河北省保定市的涿州市、高碑店市、定兴县为研究区,利用Sentinel-2遥感影像和LAI-2000地面同步实测数据进行玉米冠层叶面积指数反演,使用归一化差异光谱指数和比值型光谱指数两类指数,构建了单变量和多变量玉米冠层叶面积指数反演模型,通过决定系数(R~2)和均方根误差(RMSE)筛选出最佳模型。研究结果表明,由NDSI_((783,705))构建的单变量模型为最优反演模型,其决定系数为0.5342,均方根误差为0.2885。因此,基于Sentinel-2遥感影像利用植被指数反演玉米冠层叶面积指数的方法可作为判断玉米长势状况的初步判断依据。 相似文献
6.
《农业机械学报》2021,(1)
叶面积指数是描述玉米冠层结构的重要参数之一,决定玉米冠层的光合作用、呼吸作用、蒸腾和碳循环等生物物理过程,因此精确反演叶面积指数对玉米长势监测具有重要意义。本文以河北省保定市的涿州市、高碑店市、定兴县为研究区,利用Sentinel-2遥感影像和LAI-2000地面同步实测数据进行玉米冠层叶面积指数反演,使用归一化差异光谱指数和比值型光谱指数两类指数,构建了单变量和多变量玉米冠层叶面积指数反演模型,通过决定系数(R~2)和均方根误差(RMSE)筛选出最佳模型。研究结果表明,由NDSI_((783,705))构建的单变量模型为最优反演模型,其决定系数为0.5342,均方根误差为0.2885。因此,基于Sentinel-2遥感影像利用植被指数反演玉米冠层叶面积指数的方法可作为判断玉米长势状况的初步判断依据。 相似文献
7.
基于无人机数码影像的大豆育种材料叶面积指数估测 总被引：6，自引：0，他引：6
利用低成本的无人机(Unmanned aerial vehicle,UAV)高清数码影像获取系统,于2016年7—9月在山东省济宁市嘉祥县圣丰大豆育种基地,获取大豆育种材料试验区的R1-R2、R3、R5-R6共3个关键生育期的高清数码影像,首先利用高清数码影像中的黑白定标布,对数码影像的DN(Digital number,DN)值进行归一化标定,并构建标定的18个数码影像变量,然后基于900个育种小区的叶面积指数实测数据构建大豆育种材料叶面积指数的一元线性回归、逐步回归、全子集回归、偏最小二乘回归、支持向量机回归和随机森林回归模型,最后基于模型建立和验证的决定系数(R~2)、均方根误差(RMSE)和归一化的均方根误差(nRMSE)3个指标,筛选估测叶面积指数的最佳模型。研究表明,全子集回归模型中采用4个数码影像变量B、RGBVI、GLA和B/(R+G+B)的多元线性回归模型对大豆育种材料叶面积指数的解析精度最优,模型建立的R~2、RMSE和nRMSE分别为0.69、0.99和17.90%,验证模型的R~2、RMSE和nRMSE分别为0.68、1.00和18.10%。结果表明,以无人机为遥感平台,搭载低成本的高清数码相机,利用高清数码影像进行大豆育种材料LAI估测是可行的,可以快速、有效、无损地获取大豆育种材料的长势信息,为筛选高产大豆品种提供一种低成本的可行方法。 相似文献
8.
基于无人机多光谱遥感的玉米根域土壤含水率研究 总被引：3，自引：0，他引：3
及时获取农田作物根域土壤墒情是实现精准灌溉的基础和关键。以内蒙古自治区达拉特旗昭君镇试验站大田玉米为研究对象,利用无人机遥感系统,分别在玉米营养生长期(Vegetative stage,V期)、生殖期(Reproductive stage,R期)和成熟期(Maturation stage,M期)获得7次玉米冠层多光谱正射影像,并同步采集玉米根域不同深度土壤含水率(Soil moisture content,SMC);然后,采用灰色关联法对提取的多种植被指数(Vegetation index,VI)进行筛选,选取与土壤含水率敏感的植被指数;最后,分别采用多元混合线性回归(Cubist)、反向传播神经网络(Back propagation neural network,BPNN)和支持向量机回归(Support vector machine regression,SVR)等机器学习方法,构建不同生育期的敏感植被指数与土壤含水率的关系模型。结果表明,3种机器学习方法中SVR模型在各生育期的建模与预测精度均最优,BPNN模型次之,Cubist模型最差;其中SVR模型在M期效果最优,其建模集和验证集R~2分别为0. 851和0. 875,均方根误差(Root mean square error,RMSE)均为0. 7%,标准均方根误差(Normalized root mean square error,nRMSE)分别为8. 17%和8. 32%,R期效果最差,其建模集和验证集R~2分别为0. 619和0. 517。 相似文献
9.
为有效和无损地监测土壤表层含水率,以壤土、红壤和黑壤为研究对象,研究了不同密度下土壤含水率(θ)的图像信息,包括亮度(V)和饱和度(S),建立了土壤含水率的估算模型。结果表明,1当壤土密度为1 400 kg/m~3时,估算模型相关性最好(决定系数(R~2)为0.93,均方根误差(RMSE)是0.04 m~3/m~3);2当红壤密度为1 600 kg/m~3时,相关性最好(R~2为0.93,RMSE为0.03 m~3/m~3);3黑壤密度为1 600 kg/m~3时,相关性最好(R~2为0.87,RMSE为0.07 m~3/m~3)。考虑密度变化时,黏壤土的估算精度最好(R~2为0.72和RMSE为0.06 m~3/m~3)、其次是壤土(R~2和RMSE为0.70和0.07 m~3/m~3)和砂质壤土(R~2为0.60和RMSE为0.07 m~3/m~3)。因此,利用数码相机来估测表层不同密度土壤含水率是可行的。 相似文献
10.
《农业机械学报》2019,(Z1)
为了快速、无损地获取大田作物叶绿素含量空间分布,基于无人机遥感技术研究了大田玉米冠层叶绿素含量检测及分布图绘制方法。利用无人机遥感技术采集了150幅大田玉米的航拍图像,并通过Pix4dmapper软件对其进行了拼接;在实验田中,等距获取80株玉米叶片样本,通过化学法萃取叶绿素,并使用分光光度计测量叶绿素含量,形成了基础数据源。在数据处理方面,采用Arc GIS软件对样本点的POS(Position and orientation system)数据与无人机图像进行匹配;对无人机拍摄的RGB图像,首先进行R、G、B三通道分量值提取,构建了绿红比值、绿红差值、归一化红绿差值、超绿等10种颜色特征,并计算了均值、标准偏差、平滑度、三阶矩等6种纹理特征,然后建立了基于BP(Back propagation)神经网络的玉米冠层叶绿素含量检测模型。实验结果表明,基于BP神经网络的玉米冠层叶绿素含量检测模型的均方根误差RMSE为4. 465 9 mg/L,决定系数R~2为0. 724 6。通过BP神经网络检测模型计算出大田玉米图像每个像素点的叶绿素含量,基于伪彩色技术绘制大田玉米叶绿素含量可视化分布图,分析田间玉米冠层叶绿素含量分布图可以直观区分田间道路与冠层区域,显示地块叶绿素分布差异。通过无损检测大田玉米冠层叶绿素含量及叶绿素分布可视化,可为田间作物长势评价和精细化管理提供技术支持。 相似文献
11.
12.
感官检验棉花的品级,这是农村常见的一种检测手段.它的一个主要特点就是存在不确定性.这是由于检验员的品级检验水平存在一定的差异,其中有很多因素制约着检验的结果.文章对影响感官检验结果的因素进行了系统的分析. 相似文献
13.
14.
15.
16.
17.
为了研究一种利用微水头发电的水车装置,利用Fluent软件流体体积(VOF)模型模拟明渠无压流动,选用SST k-ω两方程湍流模型和滑移网格旋转模型对不同叶片数的水车在不同转速下进行非定常模拟.结果表明:3叶片水车效率区最为宽广,最优效率最高;3叶片水车上游局部湍流黏度较大,影响范围较小,而8叶片水车上、下游湍流黏度较为平均,影响范围较大;相同工况下,增加叶片数会增强水车的阻塞效应,使上、下游水位差平均增大,但可降低水位差的波动,水位差平均值增大将降低水车出力,水位差的波动对水车轴系的稳定性产生不利的影响;相同工况下,增加叶片数可以提高水车运行中转矩波动的稳定性,但会降低水车的出力,转矩波动使水车在运行中受到周期性不平衡力矩的作用,引起水车结构剧烈振动和叶片疲劳损伤. 相似文献
18.
19.
20.
在设计了植物水分监测传感器电路的基础上,用Multisim8软件对基于介质连续变化的电容式无损监测传感器做了分块和整体的仿真分析,仿真表明,用输入电桥电容的微变化模拟植物水分的微变化,电路各部分均能无失真输出,整体电路能够较准确地反映植物水分的变化,传感电容相对于平衡电容的变化量与传感器输出电信号之间成线性相关。仿真过程中,传感器最后输出不大于5 V,各运放在统一5 V电源的供电条件下,无饱和失真现象,总体电路设计合理,基本符合要求,能够满足单独测量或用于监测系统模/数转换的需要。 相似文献