排序方式： 共有5条查询结果，搜索用时 15 毫秒
1
1.
基于高光谱的寒地水稻叶片氮素含量预测 总被引：2，自引：2，他引：2
为快速、无损和准确地诊断水稻营养状况,开展了基于高光谱成像技术的寒地水稻叶片氮素含量预测研究。以不同施氮水平下的水稻叶片为研究对象,利用高光谱成像技术,分析拔节期水稻叶片光谱,采用全波段高光谱数据、连续投影算法及分段主成分分析(segmented principal components analysis,SPCA)与相关分析(correlation analysis,CA)相结合的方法建立多种回归分析模型,并对模型进行检验和筛选。结果表明:随着施氮水平提高,水稻叶片反射率在可见光区域降低,在近红外区域升高。在校正集决定系数上,基于多元逐步回归分析的全波段模型较好,校正集决定系数为0.821,校正集均方根误差RMSEC=0.079;在预测集决定系数上,基于SPCA-CA结合多元回归分析的多变量单波段指数、差值指数、双差值指数模型较好,预测集决定系数为0.869,预测集均方根误差RMSEP=0.085。该研究结果为快速检测水稻叶片氮素含量及水稻生长期间精确施肥管理提供了参考。 相似文献
2.
为快速、无损地获取寒地玉米作物养分信息,利用多光谱成像技术开展了大田玉米氮素营养诊断研究。采用美国ADC多光谱相机采集玉米拔节期冠层多光谱图像,利用德国AA3连续流动分析仪测定叶片氮含量。提取红色通道灰度均值(AVSR)、绿色通道灰度均值(AVSG)和近红外通道灰度均值(AVSNIR)等3个光谱参数,构建归一化植被指数(NDVI)、绿色归一化植被指数(GNDVI)、红色通道与绿色通道比值植被指数(RVIR/G)、红色通道与近红外通道比值植被指数(RVIR/NIR)、近红外通道与红色通道比值植被指数(RVINIR/R)、红色归一化比值(RNR)、绿色归一化比值(GNR)、近红外归一化比值(NIRNR)等8个植被指数。将全部光谱参数及植被指数分别与氮素值进行相关性分析,建立寒地玉米氮素一元线性回归、多项式回归及多元回归模型。结果表明:一元回归模型R2最高达0.854,多元回归模型R2为0.870,所得模型可为寒地大田玉米精准施肥和长势监测提供支持。 相似文献
3.
4.
高光谱成像技术的玉米叶片氮含量检测模型 总被引：2，自引：0，他引：2
应用高光谱成像技术,实现了玉米拔节期叶片氮含量的检测。提取出240个叶片样本的平均光谱反射率数据(400~1 000nm),对原始数据分别进行3种预处理(1stDer、2ndDer、SNV),建立了4种预测模型,包括基于幅值参数(Dλr、Dλy、Dλb)的多种回归模型、全光谱PLS模型、基于连续投影算法(SPA)的PLS模型及基于主成分分析法(PCA)的PLS模型。建模结果显示:基于PCA的PLS模型预测精度最低;全光谱的PLS模型Rc2和RP2分别为0.967、0.821;基于SPA算法的PLS模型R_c~2、R_P~2分别为0.944、0.749,与全光谱的PLS模型预测精度相当,而自变量个数减少了95.07%。基于幅值参数的多元回归模型其预测结果虽与基于全光谱的PLS模型有些许差距,但模型简单,运算量最小,适用于对精度要求不高的场合。 相似文献
5.
东北寒地水稻冠层氮素含量高光谱预测模型 总被引：2，自引：0，他引：2
为实现动态、无损监测寒地水稻氮素状况,利用高光谱成像技术,分析不同生育期水稻冠层光谱特征,借助波段自相关分析(Bands inter-correlation analysis,BICA)与主成分分析(Principal components analysis,PCA),选择特征波段构建多种植被指数.根据植被指数与氮素含量相关性,建立单变量预测模型.利用最大R2增量法(MAXR)分析全部植被指数与氮素含量定量关系,建立多变量预测模型.结果表明,从分蘖期到抽穗期,寒地水稻冠层光谱反射率在可见光波段内降低,在近红外波段内增加.基于BICA-PCA-MAXR预测模型预测精度和稳定性较基于BICA-PCA结合一元回归预测模型显著提升.研究结果可为水稻氮素含量快速检测提供地域参考,水稻精准施肥管理提供技术支持. 相似文献
1