|
|
|
题名
|
作者
|
年代
|
出处
|
被引量
|
| 1 | 水稻叶片SPAD值的高光谱估算模型显示文摘【目的】构建水稻叶片SPAD值的高光谱精确估算模型,为进一步提高高光谱对水稻SPAD值反演估算精度提供参考依据。【方法】利用SPAD-502型叶绿素测定仪测量水稻叶片SPAD值,以FieldSpec 4光谱仪采集水稻叶片光谱数据。通过分析光谱植被指数、位置参数与SPAD值的相关性,构建4个水稻叶片SPAD值高光谱估测模型,即逐步多元线性回归(SMLR)模型、支持向量机回归(SVR)模型、基于主成分分析的支持向量机回归(PCA+SVR)模型和以逐步多元线性回归确定最佳参数的支持向量机回归(SMLR+SVR)模型;并采用均方根误差(RMSE)、平方相关系数(R2)、相对分析误差(RPD)和平均相对误差(MRE)等指标对模型进行评价。【结果】在分析的15个光谱特征参数中,除黄边位置(λy)无显著相关外(P>0.01),水稻叶片SPAD值与叶片光谱位置参数及植被指数参数间存在显著相关性,选择相关系数大于0.800的5个植被指数参数(VOG1、VOG2、VOG3、CARI和PRI)和7个光谱位置参数[蓝边面积(SDb)、黄边振幅(Dy)、黄边面积(SDy)、绿峰反射率(Rg)、红谷净深度(Hr)、蓝边振幅(Db)和红边位置(λh)]作为输入变量构建水稻叶片SPAD值的估测模型。R2和RPD值越大,RMSE和MRE值越小,则表明模型的性能越好,估算精度高。比较4个模型训练与测试结果的R2、RMSE、MRE和RPD可知,在模型估算精度上,SMLR+SVR模型高于SMLR模型,PCA+SVR模型高于SVR模型。总体上,SMLR+SVR模型能更好地实现对水稻叶片SPAD值的预测,其模型各项评价指标R2、RMSE、MRE和RPD分别为0.856、2.076、3.984%和2.550。【建议】进一步挖掘分析光谱特征参数与水稻叶片SPAD值间的关系,提出新的光谱特征参数或优化特征参数选择组合方法,增加回归建模算法,提高高光谱对水稻叶片SPAD值的有效估算。采集水稻冠层高光谱图像,反演出高光谱图像中的水稻冠层SPAD值,研究冠层SPAD与水稻长势关系,为水稻科学管理提供技术支持。 | 孙玉婷 杨红云 孙爱珍 梅芳 易文龙 | 2020 | 南方农业学报2020，51，5： | 10 |
| 2 | 大数据在山东马铃薯全产业的应用及建设探索显示文摘本文重点就山东马铃薯全产业现有数据进行分析,从而掌握生产、流通、仓储、加工等环节的特点。生产环节数据分析得知山东马铃薯采用春秋两季种植模式,种植区域分布以滕州、胶州为主;流通环节数据分析得知市场价格波动呈现“三年一周期”的规律,精细化管理效益突出,出口山东居全国之首;仓储环节数据分析得知仓储能力尚能满足所需,冷库建设多发展现代新型恒温库;加工环节数据分析得知加工能力有待提升。本文设想山东马铃薯单品种大数据平台建设,生产环节发展现代精准农业,建设天地空一体的测控体系,指导智能生产;流通环节打造马铃薯电子商务网上交易系统,建设质量安全追溯系统,提高农产品质量安全水平;仓储环节提升马铃薯冷藏包装产业,加快建立冷藏、仓贮和物流联盟;加工环节发展马铃薯主食产品加工产业,推动加工企业集聚发展。切实加强顶层设计和统筹协调,强化大数据关键技术集成研发,推进数据共享开放、开发利用。继而提出未来马铃薯产业发展重点集中在加快调整区域布局、防范薯价波动过大、强化全产业链信息分析预警等方面,以期更好地引领马铃薯产业持续高质量发展。 | 赵佳 阮怀军 封文杰 | 2020 | 农业大数据学报2020，2，1： | 6 |
| 3 | 农业大数据信息平台构建方法初探显示文摘农业大数据信息平台是整合现代农业技术生产、经营管理经验,运用农业大数据、物联网等多项高新信息技术成果,以实现我国农业产业的信息化、数字化、智能化的综合系统。大数据是我国现代农业建设的重要驱动力量,在政策引导下使用高新技术实现智慧农业的发展是当今农业发展的主题。本文综述了数字农业应用大数据网在信息平台中的构建基本方法与具体实施对策建议,针对数字农业、农业大数据的基本特点,揭示其科学内涵,阐述农业大数据信息平台中的核心技术功能,探讨建立数字时代农业应用标准规范,提出多种数据采样管理策略,组合为农业信息网络中的分布式数据结构及一个模块化的数字农业动态数据采集管理平台,实施精确的数据变量采集管理控制措施,实现低成本投入、高效率、可持续的数字农业动态数据采集生产。结合我国数字农业发展特点构建大数据信息平台是当今世界农业发展的最新趋势,发展农业信息采集技术与方法对于推进我国农业高质量发展、建设数字农业、抢占全球农业制高点具有重要意义。 | 李强 高懋芳 方莹 | 2021 | 农业大数据学报2021，3，2： | 6 |
| 4 | ‘清香’核桃叶片叶绿素含量高光谱估测模型研究显示文摘为实现快速、无损、精确地估测核桃叶片叶绿素含量,以山西威特核桃示范园的‘清香’核桃为试验对象,基于田间人工定量施肥试验,利用皮尔逊(Pearson)相关分析法筛选与果实不同生育期叶片绿色度(SPAD值)呈极显著相关的光谱特征参量,并以筛选出的光谱特征参量为自变量,采用回归分析构建‘清香’核桃果实不同生育期叶片SPAD值的估测模型。结果表明,核桃果实不同生育期叶片原始光谱曲线的总体变化趋势基本一致;不同生育期叶片SPAD值与原始光谱和一阶微分光谱的相关性差异显著,其中果实速生期叶片SPAD值与原始光谱的所有波段呈负相关关系,在波段705 nm处相关系数高达0.4565;红边蓝边面积的归一化值[(S_(Dr)-S_(Db))/(S_(Dr)+S_(Db))]可较好地估测速生期和脂化期叶片的SPAD值,在果实速生期(S_(Dr)-S_(Db))/(S_(Dr)+S_(Db))与叶片SPAD值的关系以指数模型为最佳,而在果实脂化期对叶片SPAD值估测以二次多项式模型最优,2个时期检验模型的均方根误差分别为0.4768、0.5323,相对误差分别为0.8862和0.7766,均较小;MERIS陆地叶绿素指数(M_(TCI))可较好地估测果实硬核期和成熟期叶片的SPAD值,其中果实硬核期以线性模型的检验精度更高,均方根误差和相对误差分别为0.5040和0.8442,而果实成熟期以M_(TCI)的二次多项式模型估测叶片SPAD值最优,检验模型决定系数(R^(2))为0.8211,均方根误差和相对误差分别为0.9576、1.4819,说明以上模型能较好地估测核桃叶片叶绿素含量,且不同生育期的适用模型有所不同。 | 陈学兄 杨天剑 张小军 刘群龙 | 2023 | 西北林学院学报2023，38，5： | 0 |
您所在的机构暂未开通此部分的功能，请联系管理员