Inversion model of chlorophyll content in japonica rice canopy based on PSO-ELM and hyper-spectral remote sensing
-
摘要:目的
叶绿素含量是表征粳稻生长状态的重要指示信息，利用无人机高光谱遥感技术及时获取区域尺度的粳稻叶绿素含量。
方法以2016—2017年沈阳农业大学辽中水稻实验站粳稻无人机遥感试验数据为基础，利用连续投影算法(SPA)进行有效波段的提取，提取的特征波段分别为410、481、533、702和798 nm。将提取出的特征波段作为输入，利用极限学习机(ELM)和粒子群优化的极限学习机(PSO-ELM)分别建立粳稻冠层叶绿素含量反演模型。在PSO-ELM模型中，针对PSO算法的种群规模(p)、惯性权重(w)、学习因子(C1、C2)、速度位置相关系数(m)这5个参数进行了优化。
结果确定了最优参数：p为80，w为0.9~0.3线性递减，C1和C2分别为2.80和1.10，m为0.60。利用优化后的ELM和PSO-ELM所建立的粳稻冠层叶绿素含量模型的决定系数分别为0.734和0.887，均方根误差分别为1.824和0.783。
结论利用优化后的PSO-ELM建立的粳稻叶绿素含量反演模型精度要明显高于单纯利用ELM建立的反演模型，前者具有较好的粳稻叶绿素含量反演能力。本研究为东北粳稻叶绿素含量反演无人机遥感诊断提供了数据支撑和应用基础。
-
关键词:
- 无人机 /
- 叶绿素含量 /
- 粳稻 /
- 高光谱遥感 /
- 粒子群优化极限学习机
Abstract:ObjectiveChlorophyll content is an important indicator of the growth status of japonica rice. This study was aimed at obtaining chlorophyll content of japonica rice in a regional scale in time with UAV hyper-spectral remote sensing technology.
MethodThis study was based on the UAV remote sensing test data of japonica rice in Liaozhong Experiment Station of Shenyang Agricultural University from 2016 to 2017. The successive projection algorithm (SPA) was used to extract the effective bands including 410, 481, 533, 702 and 798 nm. The extracted characteristic bands were used as the input, and the inversion models of chlorophyll contents in japonica rice canopy were established respectively using the extreme learning machine (ELM) and particle swarm optimization-extreme learning machine (PSO-ELM). In the PSO-ELM model, five parameters of PSO algorithm including proportion of population (p), inertial weight (w), learning factors (C1, C2), and velocity position correlation coefficient (m) were optimized.
ResultThe optimal parameters were determined: p was 80, w was from 0.9 to 0.3 with a linear decline, C1 and C2 were 2.80 and 1.10 respectively, and m was 0.60. For the established models of chlorophyll content in japonica rice using the optimized ELM and PSO-ELM, the determination coefficients were 0.734 and 0.887 respectively, and the mean square error were 1.824 and 0.783 respectively.
ConclusionThe inversion model for chlorophyll content in japonica rice based on the optimized PSO-ELM has higher precision compared with the model based on ELM, and has better inversion ability of chlorophyll content in japonica rice. This study provides data support and application basis for the diagnosis of chlorophyll content in japonica rice by UAV hyper-spectral remote sensing technology in Northeast China.
-
Keywords:
- UAV /
- chlorophyll content /
- japonica rice /
- hyperspectral remote sensing /
- PSO-ELM
-
苦楝Melia azedarach又名翠树、楝树、紫花树、森树等，为楝科楝属落叶乔木，分布于中国、韩国、日本、印度、斯里兰卡、印度尼西亚和澳大利亚等地，欧洲、美洲也有栽培[1].苦楝在我国分布广泛，水平分布为北纬18° ~ 40°，南至海南省崖县，北到河北保定和山西运城、陕西渭南、陇南地区，东至台湾、沿海各省，西到四川、云南保山[2].它生长速度快、木材材质优良、纹理美丽，易加工，可用于家具、建筑、农具、船舶、乐器制作等方面，木材抗白蚁、抗虫蛀、耐腐.苦楝耐烟尘，能大量吸收有毒有害气体，是优良的城市及工矿区绿化树种，也是我国南方四旁绿化常用树种[3-4].苦楝的根、皮、花、果均可入药，也可作为植物源农药[5].遗传多样性是生物多样性的重要组成部分，SRAP（Sequence-related amplified polymorphism，相关序列扩增多态性）结合了AFLP及RAPD各自的优点，方便快速，只需要极少量DNA材料，且不需要预先知道DNA序列信息，即可快速获得大量的信息，试验结果稳定可靠，且再现性较高，重复性较好[6-7].目前为止，国内对于苦楝的遗传多样性分析，鲜见开展过SRAP的研究.本试验采用单因素和正交试验设计从DNA、dNTPs、Mg2+、引物和TaqDNA聚合酶5个组分浓度对苦楝SRAP-PCR反应体系进行优化，旨在寻找一种高效、快速、经济的试验方法，建立适合苦楝的SRAP-PCR反应体系，为进一步应用SRAP技术对苦楝群体遗传多样性、种质资源鉴定等研究提供参考[7].
1. 材料与方法
1.1 材料
苦楝幼叶于2013年7月取自华南农业大学苗圃，随用随采，用于苦楝基因组DNA的提取，采集叶片分别为海南三亚、广东兴宁、广西梧州、福建建瓯、江西南昌、安徽利辛、陕西蒲城、河北邯郸种源.所用正向引物序列为Me19（TGAGTCCAAACCGGTTG）和Me27（TGGGGACAACCCGGCTT），反向引物序列为Em2（GACTGCGTACGAATTTGC）、Em4（GACTGCGTACGAATTTGA）和Em5（GACTGCGTACGAATTAAC）.
1.2 主要试剂和仪器
用于SRAP-PCR反应的Taq酶、dNTPs、Mg2+为TaKaRa公司产品，引物由北京华大基因研究中心合成，PCR反应在东胜创新生物技术有限公司的PCR扩增仪上进行，DNA浓度和纯度使用超微量紫外分光光度计（Thermo Nanodrop 2000）检测.
1.3 基因组DNA的提取
苦楝基因组DNA提取参照上海生工生物工程有限公司柱式基因组DNA提取试剂盒说明书进行.所提取的基因组DNA用8 g·L-1琼脂糖凝胶电泳检测品质，并采用超微量紫外分光光度计检测DNA的浓度和纯度，然后将DNA稀释至50 ng·μL-1，置于-20 ℃条件下保存备用.
1.4 PCR扩增
SRAP-PCR反应程序为：94 ℃预变性5 min；94 ℃变性1 min，35 ℃复性1 min，72 ℃延伸1 min，5个循环；94 ℃变性1 min，50 ℃复性1 min，72 ℃延伸1 min，30个循环；72 ℃延伸10 min.扩增产物采用20 g·L-1的琼脂糖凝胶电泳，电泳后在自动凝胶图像分析仪上拍照分析.
1.5 PCR反应体系单因素分析
对影响苦楝SRAP-PCR反应的主要因素（模板DNA、dNTPs、Mg2+、引物和Taq酶）进行单因子试验.对各影响因子分别设置8个梯度处理：模板DNA为0、10、20、30、40、50、60和70 ng；dNTPs为0、0.05、0.10、0.15、0.20、0.25、0.30和0.35 mmol · L-1；Mg2+为0、1.0、1.5、2.0、2.5、3.0、3.5和4.0 mmol·L-1；引物为0、0.16、0.24、0.32、0.40、0.48、0.56和0.64 μmol·L-1；Taq DNA聚合酶为0、0.50、0.75、1.00、1.25、1.50、1.75和2.00 U.
1.6 PCR反应体系的正交试验
在对影响苦楝SRAP-PCR反应的模板DNA、dNTPs、Mg2+、引物和Taq酶进行单因子试验后采用L16（45）正交试验设计，共16个处理，每个处理设2个重复，各因素水平见表 1.根据电泳条带的多少、清晰度及背景颜色进行打分.最优的得5分，最差的得1分，并计算每个因素在不同水平下的平均得分[8].
表 1 SRAP-PCR正交试验设计L 16（45）及试验结果Table 1. L 16(45) Orthogonal designs and results of SRAP-PCR reaction
2. 结果与分析
2.1 单因素试验分析
以SRAP-PCR反应产物电泳得到的条带数目较多且清晰为筛选原则，对反应体系中起主要作用的5个因素进行单因素浓度梯度筛选试验[9-12]，每个因素设置8个浓度梯度.试验结果表明：在25 μL反应体系中，模板DNA为25 ~ 40 ng、dNTPs为0.125 ~ 0.200 mmol·L-1、Mg2+为1.75 ~ 2.25 mmol·L-1、引物为0.40 ~ 0.52 μmol·L-1、Taq DNA聚合酶为0.50 ~ 1.25 U时扩增效果好，条带较多且清晰，故将其选为后续正交试验的适宜浓度范围.
2.2 苦楝SRAP-PCR正交反应体系的优化
以上述单因素试验确定的各因素适宜浓度范围为基础，采用L 16（45）正交设计对SRAP-PCR反应体系进行优化（表 1），并根据电泳条带的多少、清晰度及背景颜色（图 1）对16个处理进行打分，打分结果如表 1所示，从2次的得分来看，重复间差异不大，试验的一致性较好，其中处理5、处理7、处理8和处理9效果较好，评分均为4分，而处理15效果不好，评分仅为1.0分.从图 2可见，模板DNA 30 ng、dNTPs 0.125 mmol·L-1、Mg2+ 2.25 mmol·L-1、引物0.48 μmol·L-1、Taq DNA聚合酶0.75 U、反应总体积25 μL时得分较高，实现最佳扩增，确定为最优组合.
![]()
图 1 SRAP-PCR反应体系正交试验结果M：DNA maker DL2000；1 ~ 16：处理1 ~ 16（陕西蒲城种源）.Figure 1. Amplified patterns of the SRAP-PCR based on orthogonal design![]()
图 2 模板DNA、dNTPs、Mg2+、引物、Taq DNA聚合酶与平均得分的关系Figure 2. Relationship between concentrations and mean scores of template DNA, dNTPs, Mg2+, primer and Taq polymerase2.3 苦楝SRAP-PCR反应体系稳定性的检测
为了验证体系的准确性，以来自海南三亚、广东兴宁、广西梧州、福建建瓯、江西南昌、安徽利辛、陕西蒲城、河北邯郸的8个苦楝种源DNA为模板，选取引物Me27/Em2、Me27/Em4进行SRAP-PCR验证，其结果如图 3所示，每个种源对每个引物均有清晰的条带，且不同种源间条带有差异.由此可见，本试验建立的SRAP-PCR体系稳定可靠，适用于苦楝后续的SRAP分析.
![]()
图 3 SRAP-PCR反应体系稳定性检测M：DNA maker DL2000；1 ~ 8：引物Me27/Em2；9 ~ 16：引物Me27/Em4；自1和9开始，从左到右依次为海南三亚、广东兴宁、广西梧州、福建建瓯、江西南昌、安徽利辛、陕西蒲城、河北邯郸种源DNA.Figure 3. The verification of Melia azedarach SRAP-PCR reaction system3. 结论
本试验建立并优化了适应苦楝SRAP-PCR的反应体系，前期对苦楝模板DNA、Mg2+、引物和Taq酶进行单因子试验，研究发现，SRAP对苦楝DNA浓度的要求不高，有一个较宽的浓度适宜范围，在25 μL体系中，模板DNA为10 ~ 70 ng时都扩增出了较清晰、带型基本相同的谱带；dNTPs设计的8个浓度梯度中，0.1 ~ 0.2 mmol·L-1范围内能扩增出清晰谱带，且条带基本相同，浓度低于0.1 mmol·L-1时，扩增条带弥散，高于0.2 mmol·L-1时，出现条带丢失的现象；Mg2+为2.00 mmol·L-1左右时扩增条带较清晰且数量多；引物介于0.48 ~ 0.64 μmol·L-1之间均能产生较为清晰的条带，且带型基本上保持一致，条带数并没有随着浓度的增加而增加；Taq DNA聚合酶用量在0.50 ~ 2.0 U范围内均可以得到清晰的带型，对其用量要求不高.进一步对苦楝SRAP-PCR的反应体系进行正交试验，并根据电泳条带的多少、清晰度及背景颜色对16个处理进行打分，从2次的得分来看，重复间差异不大，试验的一致性较好，其中处理5、处理7、处理8和处理9效果较好，评分均为4.0分，而处理15效果不好，评分仅为1.0分.根据得分可知，在25 μL反应体系中，当模板DNA 30 ng、dNTPs 0.125 mmol·L-1、Mg2+ 2.25 mmol·L-1、引物0.48 μmol·L-1、Taq DNA聚合酶0.75 U时，实现最佳扩增，确定为最优组合.以来自海南三亚、广东兴宁、广西梧州、福建建瓯、江西南昌、安徽利辛、陕西蒲城、河北邯郸的8个苦楝种源DNA为模板，选取引物Me27/Em2、Me27/Em4进行SRAP-PCR反应体系稳定性验证，结果表明，筛选体系能很好地满足苦楝基因组SRAP-PCR扩增的要求且不同种源间条带有差异.
-
![]()
图 2 无人机高光谱成像系统
1：M600 PRO六旋翼无人机；2：GaiaSky-mini高光谱成像系统
Figure 2. UAV hyperspectral imaging system
1: M600 PRO six-rotor UAV; 2: GaiaSky-mini hyperspectral imaging system
![]()
图 3 PROSPECT模型输入参数全局敏感性分析
Figure 3. Overall sensitivity analysis of input parameters in PROSPECT model
![]()
图 5 不同方法的单波段相关性分析性结果
Figure 5. Single band correlation analysis results of different methods
![]()
图 6 样本模型最佳光谱变量个数
红色方框处表示交叉验证根均方误差 (RMSECV)达到最低
Figure 6. Number of the best spectral variable for sample model
Root mean square error of cross validation (RMSECV) reaches the minimum at the position indicated by a red square
![]()
图 7 基于连续投影算法(SPA)的粳稻冠层高光谱特征波段选择
红色方框处表示最佳特征波段
Figure 7. Selection of characteristic hyperspectral bands for japonica rice canopy based on successive projection algorithm (SPA)
The best characteristic bands are at the positions indicated by red squares
![]()
图 8 ELM和PSO-ELM模型的粳稻叶绿素含量反演模型检验结果
Figure 8. Test results of the inversion models for the chlorophyll contents in japonica rice using ELM and PSO-ELM
表 1 试验小区粳稻叶绿素含量统计特征
Table 1 Statistical characteristics of chlorophyll content in japonica rice in experimental plot
样本集
Sample set样本数
No. of samplesρ(叶绿素)/(mg·L−1) Chlorophyll content 变异系数/%
CVMax. Min. $ \overline X$ SD 整体 Overall 780 15.92 1.01 6.76 2.86 42.3 建模集 Modeling set 702 15.92 1.01 6.74 2.85 42.2 验证集 Validation set 78 15.48 1.11 6.82 2.91 42.7 
下载: 导出CSV
表 2 ELM和PSO-ELM建立粳稻叶绿素含量反演模型
Table 2 Inversion models of chlorophyll contents in japonica rice established by ELM and PSO-ELM
序号
Serial
number模型类别
Model
category水平
Level种群规模
Population
size (p)惯性权重
Inertia
weight(w)学习因子1
Learning
factor 1(C1)学习因子2
Learning
factor 2(C2)速度位置相关系数
Speed position
correlation coefficient(m)R2 1 ELM 0.734 2 PSO-ELM 1 40 0.3 2.80 1.30 1.00 0.852 3 PSO-ELM 2 40 0.9 1.30 1.30 0.02 0.867 4 PSO-ELM 3 40 1.5 2.80 1.10 0.06 0.807 5 PSO-ELM 4 40 0.9~0.3 3.50 3.50 0.20 0.873 6 PSO-ELM 5 40 0.3~1.5 1.65 1.65 0.60 0.872 7 PSO-ELM 1 50 0.3 2.80 1.30 1.00 0.873 8 PSO-ELM 2 50 0.9 1.30 1.30 0.02 0.858 9 PSO-ELM 3 50 1.5 2.80 1.10 0.06 0.821 10 PSO-ELM 4 50 0.9~0.3 3.50 3.50 0.20 0.873 11 PSO-ELM 5 50 0.3~1.5 1.65 1.65 0.60 0.873 12 PSO-ELM 1 60 0.3 2.80 1.30 1.00 0.873 13 PSO-ELM 2 60 0.9 1.30 1.30 0.02 0.865 14 PSO-ELM 3 60 1.5 2.80 1.10 0.06 0.821 15 PSO-ELM 4 60 0.9~0.3 3.50 3.50 0.20 0.873 16 PSO-ELM 5 60 0.3~1.5 1.65 1.65 0.60 0.873 17 PSO-ELM 1 70 0.3 2.80 1.30 1.00 0.873 18 PSO-ELM 2 70 0.9 1.30 1.30 0.02 0.873 19 PSO-ELM 3 70 1.5 2.80 1.10 0.06 0.838 20 PSO-ELM 4 70 0.9~0.3 3.50 3.50 0.20 0.873 21 PSO-ELM 5 70 0.3~1.5 1.65 1.65 0.60 0.873 22 PSO-ELM 1 80 0.3 2.80 1.30 1.00 0.873 23 PSO-ELM 2 80 0.9 1.30 1.30 0.02 0.862 24 PSO-ELM 3 80 1.5 2.80 1.10 0.06 0.833 25 PSO-ELM 4 80 0.9~0.3 3.50 3.50 0.20 0.873 26 PSO-ELM 5 80 0.3~1.5 1.65 1.65 0.60 0.873
下载: 导出CSV
表 3 PSO-ELM参数正交试验分析结果1)
Table 3 Analysis results of orthogonal test of PSO-ELM parameters
参数 Parameter W1j W2j W3j W4j W5j 种群规模(j=1) Population size (p) 4.271 4.299 4.307 4.332 4.315 惯性权重(j=2) Inertia weight (w) 4.345 4.325 4.120 4.367 4.365 学习因子1(j=3) Learning factor 1 (C1) 4.299 4.320 4.285 4.306 4.313 学习因子2(j=4) Learning factor 2 (C2) 4.297 4.309 4.300 4.316 4.301 速度位置相关系数(j=5) Speed position correlation coefficient (m) 4.293 4.326 4.292 4.303 4.309 1) Wij为参数j的i水平对应的叶绿素含量反演模型的模型决定系数(R2)之和
1) Wij is the sum of the model determination coefficient (R2) of the chlorophyll content inversion model corresponding to the i level of the parameter j
下载: 导出CSV
-
[1] 高继平, 隋阳辉, 张文忠, 等. 生物炭对水稻秧苗生长及内源激素的影响[J]. 沈阳农业大学学报, 2017, 48(2): 145-151. [2] ROMERO M, LUO Y C, SU B F, et al. Vineyard water status estimation using multispectral imagery from an UAV platform and machine learning algorithms for irrigation scheduling management[J]. Comput Electron Agr, 2018, 147: 109-117. doi: 10.1016/j.compag.2018.02.013
[3] KONG W P, HUANG W J, ZHOU X F, et al. Off-nadir hyperspectral sensing for estimation of vertical profile of leaf chlorophyll content within wheat canopies[J]. Sensors, 2017, 17(12): 2711. doi: 10.3390/s17122711.
[4] 尼加提·卡斯木, 师庆东, 王敬哲, 等. 基于高光谱特征和偏最小二乘法的春小麦叶绿素含量估算[J]. 农业工程学报, 2017, 33(22): 208-216. doi: 10.11975/j.issn.1002-6819.2017.22.027 [5] 毛博慧, 李民赞, 孙红, 等. 冬小麦苗期叶绿素含量检测光谱学参数寻优[J]. 农业工程学报, 2017, 33(S1): 164-169. doi: 10.11975/j.issn.1002-6819.2017.z1.025 [6] 孙红, 郑涛, 刘宁, 等. 高光谱图像检测马铃薯植株叶绿素含量垂直分布[J]. 农业工程学报, 2018, 34(1): 149-156. doi: 10.11975/j.issn.1002-6819.2018.01.20 [7] 裴浩杰, 冯海宽, 李长春, 等. 基于综合指标的冬小麦长势无人机遥感监测[J]. 农业工程学报, 2017, 33(20): 74-82. doi: 10.11975/j.issn.1002-6819.2017.20.010 [8] YU F H, XU T Y, DU W, et al. Radiative transfer models (RTMs) for field phenotyping inversion of rice based on UAV hyperspectral remote sensing[J]. Int J Agr Biol Eng, 2017, 10(4): 150-157.
[9] YU F H, XU T Y, CAO Y L, et al. Models for estimating the leaf NDVI of japonica rice on a canopy scale by combining canopy NDVI and multisource environmental data in Northeast China[J]. Int J Agr Biol Eng, 2016, 9(5): 132-142.
[10] 姜海玲, 杨杭, 陈小平, 等. 利用光谱指数反演植被叶绿素含量的精度及稳定性研究[J]. 光谱学与光谱分析, 2015, 35(4): 975-981. doi: 10.3964/j.issn.1000-0593(2015)04-0975-07 [11] KJÆR A, NIELSEN G, STÆRKE S, et al. Detection of glycoalkaloids and chlorophyll in potatoes (Solanum tuberosum L.) by hyperspectral imaging[J]. Am J Potato Res, 2017, 94(6): 573-582. doi: 10.1007/s12230-017-9595-z
[12] 姚云军, 秦其明, 张自力, 等. 高光谱技术在农业遥感中的应用研究进展[J]. 农业工程学报, 2008, 24(7): 301-306. doi: 10.3321/j.issn:1002-6819.2008.07.063 [13] 牛庆林, 冯海宽, 杨贵军, 等. 基于无人机数码影像的玉米育种材料株高和 LAI 监测[J]. 农业工程学报, 2018, 34(5): 73-82. doi: 10.11975/j.issn.1002-6819.2018.05.010 [14] 赵晓庆, 杨贵军. 基于无人机载高光谱空间尺度优化的大豆育种产量估算[J]. 农业工程学报, 2017, 33(1): 110-116. doi: 10.11975/j.issn.1002-6819.2017.01.015 [15] 谢凯, 蒋蘋, 罗亚辉, 等. 稻瘟病胁迫下水稻叶片叶绿素含量与光谱特征参数的相关性研究[J]. 中国农学通报, 2017, 33(17): 117-122. doi: 10.11924/j.issn.1000-6850.casb17030124 [16] 落莉莉, 常庆瑞, 武旭梅, 等. 夏玉米叶片光合色素含量高光谱估算[J]. 干旱地区农业研究, 2019, 37(4): 178-183. doi: 10.7606/j.issn.1000-7601.2019.04.24 [17] 王洋, 肖文, 邹焕成, 等. 基于PROSPECT模型的植物叶片干物质估测建模研究[J]. 沈阳农业大学学报, 2018, 49(1): 121-127. [18] 许童羽, 郭忠辉, 于丰华, 等. 采用GA-ELM的寒地水稻缺氮量诊断方法[J]. 农业工程学报, 2020, 36(2): 209-218. doi: 10.11975/j.issn.1002-6819.2020.02.025 [19] DE ALMEIDA V E, DE ARAÚJO GOMES A, DE SOUSA FERNANDES D D, et al. Vis-NIR spectrometric determination of Brix and sucrose in sugar production samples using kernel partial least squares with interval selection based on the successive projections algorithm[J]. Talanta, 2018, 181: 38-43. doi: 10.1016/j.talanta.2017.12.064
[20] 刘明博, 唐延林, 李晓利, 等. 水稻叶片氮含量光谱监测中使用连续投影算法的可行性[J]. 红外与激光工程, 2014, 43(4): 1265-1271. doi: 10.3969/j.issn.1007-2276.2014.04.044 [21] 于丰华, 许童羽, 郭忠辉, 等. 基于红边优化植被指数的寒地水稻叶片叶绿素含量遥感反演研究[J]. 智慧农业, 2020, 2(1): 77-86. [22] 刘燕德, 肖怀春, 孙旭东, 等. 柑桔叶片黄龙病光谱特征选择及检测模型[J]. 农业工程学报, 2018, 34(3): 180-187. doi: 10.11975/j.issn.1002-6819.2018.03.024 [23] 张新乐, 于滋洋, 李厚萱, 等. 东北水稻叶片SPAD遥感光谱估算模型[J]. 中国农业大学学报, 2020, 25(1): 66-75. [24] SUN Y, WANG Y, XIAO H, et al. Hyperspectral imaging detection of decayed honey peaches based on their chlorophyll content[J]. Food Chem, 2017, 235: 194-202. doi: 10.1016/j.foodchem.2017.05.064
[25] IRTEZA S M, NICHOL J E. Measurement of sun induced chlorophyll fluorescence using hyperspectral satellite imagery[J]. Int Arch Photogramm Remote Sens Spatial Inf Sci, 2016, 8: 911-913.
[26] 付元元, 王纪华, 杨贵军, 等. 应用波段深度分析和偏最小二乘回归的冬小麦生物量高光谱估算[J]. 光谱学与光谱分析, 2013, 32(5): 1315-1319. doi: 10.3964/j.issn.1000-0593(2013)05-1315-05 [27] 孙刚, 黄文江, 陈鹏飞, 等. 轻小型无人机多光谱遥感技术应用进展[J]. 农业机械学报, 2018, 49(3): 1-17. doi: 10.6041/j.issn.1000-1298.2018.03.001 [28] 张建, 孟晋, 赵必权, 等. 消费级近红外相机的水稻叶片叶绿素(SPAD)分布预测[J]. 光谱学与光谱分析, 2018, 38(3): 737-744. [29] 刘科, 陆键, 高梦涛, 等. 施氮量对杂交水稻叶片光谱特征、SPAD值和光能拦截率关系的影响[J]. 核农学报, 2018, 32(2): 362-369. doi: 10.11869/j.issn.100-8551.2018.02.0362 [30] 张建, 李勇, 谢静, 等. 针对水稻植株三维叶绿素(SPAD)信息获取的最优波段选择问题研究[J]. 光谱学与光谱分析, 2017, 37(12): 3749-3757. [31] 徐晋, 蒙继华. 农作物叶绿素含量遥感估算的研究进展与展望[J]. 遥感技术与应用, 2016, 31(1): 74-85. [32] 张金恒, 王娟, 韩超. 基于吸收、透射和反射光谱预测水稻叶绿素含量研究[J]. 中国农学通报, 2010, 26(7): 78-83.
计量
- 文章访问数:
- HTML全文浏览量: 0
- PDF下载量:
