公共文化服务平台

搜索到2667篇“ 叶片叶绿素含量“的相关文章

一种植物叶片叶绿素含量检测方法: 本发明公开了一种植物叶片叶绿素含量检测方法。它包括以下步骤：采集待测植物叶片样本的高光谱反射率数据，所述高光谱反射率数据包括n个波长对以及波长对中每个波长对应的光谱反射率；根据高光谱反射率数据计算出待测植物叶片样本对应的...; 朱逢乐沈跃铖赵章风彭继宇张宇谦周壮飞

一种植物叶片叶绿素含量检测方法: 本发明公开了一种植物叶片叶绿素含量检测方法。它包括以下步骤：采集待测植物叶片样本的高光谱反射率数据，所述高光谱反射率数据包括n个波长对以及波长对中每个波长对应的光谱反射率；根据高光谱反射率数据计算出待测植物叶片样本对应的...; 朱逢乐沈跃铖赵章风彭继宇张宇谦周壮飞

基于分数阶微分的猕猴桃叶片叶绿素含量估算: 2025年; 叶片叶绿素含量是表征植被生长状态的重要生理生化参数,传统的叶绿素含量测定方法操作复杂且会破坏叶片组织结构,对植物造成不可逆的损伤。通过构建高精度叶绿素反演模型,可以实现对猕猴桃叶片叶绿素含量的实时无损监测。本研究采集了猕猴桃冠层的高光谱数据,并同步测定了叶片叶绿素相对含量(SPAD值)。通过对原始光谱进行分数阶微分变换(阶数为0~2,步长为0.2),结合竞争自适应重加权采样算法(CARS)筛选得到敏感波段。分别基于原始波段和敏感波段训练随机森林模型(RF)、支持向量机模型(SVR)和极限学习机模型(ELM)。结果表明,分数阶微分变换显著提高了光谱反射率与猕猴桃叶片叶绿素含量的相关性,CARS算法提升了模型精度。光谱反射率经过1.8阶微分处理后,采用CARS算法筛选出敏感波段,利用这些敏感波段训练随机森林模型,取得了最佳效果。训练后的随机森林模型在验证集上决定系数(R^(2))达到0.93,均方根误差(RMSE)为2.56,相对分析误差(RPD)为3.89。该研究结果可为猕猴桃叶片叶绿素含量的高精度估算提供理论依据和技术参考,对猕猴桃生长监测和精准农业管理具有重要意义。; 唐国强刘梦云蒋丹垚宋正华常庆瑞; 关键词：猕猴桃叶绿素含量

用于不同类型植被的叶片叶绿素含量通用反演模型和方法: 本申请涉及一种用于不同类型植被的叶片叶绿素含量通用反演模型和方法，叶片叶绿素含量通用反演模型表达为关于植物叶片叶绿素含量与植被叶片反射光谱、叶绿素吸收系数在最佳光谱区间的相互关系，模拟数据集通过PROSPECT辐射传输模...; 方美红贺添柱袁霞胡相燕卢祉呈张辛佳

基于小波变换和VCPA-GA算法的人参果叶片叶绿素含量高光谱估算: 2025年; 叶片叶绿素含量(Leaf Chlorophyll Contents,LCCs)作为植物重要的生理生化参数之一,其含量的变化直接或间接影响植物的生长发育。通过使用高光谱遥感技术对人参果LCC进行快速无损监测,有利于实现精准农业的发展。文章以人参果叶片高光谱数据和对应的人参果LCC为数据集,使用离散小波变换(Discrete Wavelet Transform,DWT)算法,提取人参果叶片高光谱数据0~10层低频小波系数,将0~10层光谱数据集与对应的人参果LCC进行Pearson相关性分析,然后将变量组合集群分析(Variable Combination Population Analysis,VCPA)与遗传算法(Genetic Algorithm,GA)结合,使用VCPA-GA算法提取人参果全谱和各分解层敏感波段,通过4种机器学习模型构建人参果LCC的估测模型。结果表明,DWT能提高人参果LCC的预测性能,在4种机器学习模型中,4层BP-AdaBoost模型的预测性能最好,R^(2)达到0.919,MAPE=2.090%,RMSE=1.453,RPD=3.900,其次PSO-BPNN回归模型的预测性能也表现出较高的准确性。文章表明,人参果高光谱数据经DWTVCPA-GA算法处理后,使用4层低频小波系数重组的光谱数据构建BP-AdaBoost回归预测模型时对人参果LCC的估算性能最好。; 郭金锋张志从吾木提·艾山江周忠晔续文宇玉苏甫·艾海买江; 关键词：离散小波变换叶片叶绿素含量人参果

与水稻叶片叶绿素含量高低相关的特异转座子及其应用: 本发明提供一种与水稻叶片叶绿素含量高低相关的特异转座子及其应用。本发明提供的特异转座子为MITE转座子，MITE转座子是核苷酸序列为SEQ ID NO:1的DNA片段。经实验证明，水稻OsSCE1a基因可以调控水稻的叶绿...; 张坤付永彩元旭朝姜晚霞刘凤霞孙传清

基于遥感融合数据的玉米叶片叶绿素含量反演方法: 2025年; 玉米是中国重要的粮食储备作物之一,其产量直接影响着国家的粮食安全。玉米的叶绿素含量与光合能力密切相关,且显著影响叶片的光合速率和植被生产力,是作物生长监测、病虫害监测和成熟度预测中重要的作物参数。实时、准确监测对于玉米参数和产量预测具有重要意义。以吉林省四平市梨树县典型黑土区为研究区,为解决Sentinel-2卫星重访周期间可能会出现的有效影像缺失问题,提出一种基于Sentinel-2与MODIS影像融合数据的玉米叶片叶绿素反演方法。基于融合影像提取叶绿素敏感特征波段,通过3种机器学习算法:随机森林(random forest, RF),梯度提升树(gradient boosting decision tree, GBDT)和极限梯度提升(extreme gradient boosting, XGBOOST)构建玉米叶片叶绿素含量估测模型,估测玉米叶片叶绿素含量并验证模型精度。得到结论如下:(1)使用ESTARFM数据融合算法模拟的数据与真实影像保持了高度的相关性;(2)影像缺失日期叶片叶绿素反演模型构建中,以融合影像波段反射率和植被指数为输入变量,XGBOOST模型拟合精度有较好的效果。研究结果表明,结合融合影像特征波段和机器学习算法可以实现在影像缺失日期叶片叶绿素含量精准估算,这有效提升了玉米叶绿素含量获取的时间精度,为影像缺失等情况的逐日或大范围叶片叶绿素含量反演研究提供了新的方法,同时为时间间隔更短、更多种类作物生理生化参数的精细化监测提供新思路。; 李宣宋开山刘吉平朱冰雪; 关键词：玉米叶绿素含量遥感反演

一种红枣叶片叶绿素含量的无损检测方法: 本发明公开一种红枣叶片叶绿素含量的无损检测方法，包括如下步骤：步骤(1)、采集高光谱数据、叶片图像数据和叶绿素相对含量数据；步骤(2)、对步骤(1)采集的高光谱数据和图像数据进行预处理；步骤(3)、进行敏感特征提取，提取...; 李旭邬竞明白铁成吕喜风朱彩蝶

高分六号宽幅相机叶片叶绿素含量反演方法与验证: 2024年; 叶片叶绿素含量ChlLeaf(Leaf chlorophyll content)是反映植被光合能力强弱的重要指标,对全球碳循环研究和农业监测有重要意义。高分六号(GF-6)搭载的宽幅相机具有两个对ChlLeaf敏感的红边波段,具备开展ChlLeaf定量反演的潜力。本文提出基于叶绿素含量敏感指数CSI(Chlorophyll Sensitive Index)的GF-6宽幅相机WFV(Wide Field of View)数据ChlLeaf反演方法,通过PROSAIL和PROSPECT+4-Scale模型模拟构建了ChlLeaf与CSI指数的经验回归模型,并与MTCI、CIre和TCARI/OSAVI等红边指数的经验回归模型的反演精度进行对比。基于农作物、阔叶林和针叶林3种植被类型实测数据的验证结果表明,CSI指数反演精度最优(R^(2)=0.62,RMSE=10.31μg cm^(-2)),高于CIre指数(R^(2)=0.34,RMSE=14.83μg cm^(-2))、MTCI指数(R^(2)=0.25,RMSE=15.3μg cm^(-2))和TCARI/OSAVI指数(R^(2)=0.01,RMSE=21.34μg cm^(-2))。利用GF-6 WFV数据生成2019年北京森林站ChlLeaf时间序列与现有MODIS ChlLeaf产品的对比结果表明,GF-6能提供更高分辨率的ChlLeaf数据,能够更准确地刻画ChlLeaf的空间和时间序列变化特征,可以为GF-6在农业和植被生态监测的研究和应用提供数据支撑和科学依据。; 谷晨鹏李静柳钦火张虎张召星文远王晓函; 关键词：叶片叶绿素含量

基于高光谱的猕猴桃叶片叶绿素含量智能检测研究: 2024年; 为准确实时分析猕猴桃树的生长健康状况,以陕西关中平原猕猴桃树为研究对象,构建叶片高光谱数据集;基于随机法和Kennard-Stone方法划分数据集,采用竞争自适应重加权采样算法(CARS)、主成分分析法(PCA)和迭代保留信息变量算法(IRIV)提取样本的特征波段;进而采用多元线性回归(MLR)、岭回归(RR)、偏最小二乘回归(PLSR)、支持向量回归(SVR)和随机森林回归(RFR)等方法建立叶片叶绿素含量智能检测模型。模型对比分析表明,基于CARS算法所提取的81个特征波段建立的CARS-RR模型预测效果最好,验证集上的R2为0.86,RMSE为2.71。因此,提出的智能检测模型能够基于光谱信息无损检测猕猴桃树叶绿素含量,进而分析果园整体健康状况,为后续果园精细化管理提供决策支撑。; 霍迎秋凌晨东孙江昊蔡嘉甜胡少军; 关键词：猕猴桃叶绿素含量

加载更多 ∨

相关作者

用户反馈

相关作者

用户登录

用户反馈