期刊导航
期刊开放获取
河南省图书馆
退出
期刊文献
+
任意字段
题名或关键词
题名
关键词
文摘
作者
第一作者
机构
刊名
分类号
参考文献
作者简介
基金资助
栏目信息
任意字段
题名或关键词
题名
关键词
文摘
作者
第一作者
机构
刊名
分类号
参考文献
作者简介
基金资助
栏目信息
检索
高级检索
期刊导航
共找到
3
篇文章
<
1
>
每页显示
20
50
100
已选择
0
条
导出题录
引用分析
参考文献
引证文献
统计分析
检索结果
已选文献
显示方式:
文摘
详细
列表
相关度排序
被引量排序
时效性排序
水稻叶片全氮浓度与冠层反射光谱的定量关系
被引量:
29
1
作者
周冬琴
田永超
+2 位作者
姚霞
朱艳
曹卫星
《应用生态学报》
CAS
CSCD
北大核心
2008年第2期337-344,共8页
利用数学统计方法分析了不同施氮水平和不同水稻品种群体叶片全氮浓度(LNC)与冠层反射光谱的定量关系,建立了水稻群体叶片全氮浓度的光谱监测模型.结果表明:基于原始反射率构造的光谱参数与叶片全氮浓度的相关程度均高于原始反射率,近...
利用数学统计方法分析了不同施氮水平和不同水稻品种群体叶片全氮浓度(LNC)与冠层反射光谱的定量关系,建立了水稻群体叶片全氮浓度的光谱监测模型.结果表明:基于原始反射率构造的光谱参数与叶片全氮浓度的相关程度均高于原始反射率,近红外波段(760~1220nm)与可见光波段510、560、680及710nm组成的比值植被指数、差值植被指数和归一化植被指数与群体叶片全氮浓度呈极显著正相关,其中与归一化植被指数(NDVI)的相关性最好;对拟合较好的6个两波段组合参数及4个特征光谱参数的预测标准误(SE)和决定系数(R2)进行比较后,选取参数NDVI(1220,710)为反演群体叶片全氮浓度的最佳光谱参数,方程为LNC=3.2708×NDVI(1220,710)+0.8654.利用不同粳稻品种、水分和氮肥处理的试验数据对监测模型进行了检验,估计的根均方差(RMSE)均小于20%,预测值和实测值的拟合R2为0.674~0.862,拟合斜率为0.908~1.010,RMSE为11.315%~19.491%,表明模型预测值与实测值之间符合度较高,对不同栽培条件下的水稻群体叶片全氮浓度具有较好的预测性.
展开更多
关键词
水稻
冠层反射光谱
叶片
全氮浓度
监测模型
下载PDF
职称材料
基于冠层光谱和BP神经网络的水稻叶片氮素浓度估算模型
被引量:
23
2
作者
孙小香
王芳东
+2 位作者
赵小敏
谢文
郭熙
《中国农业资源与区划》
CSSCI
CSCD
北大核心
2019年第3期35-44,共10页
[目的]快速、准确地诊断水稻叶片氮素营养状况,为水稻氮肥精准管理提供依据。[方法]以江西省农科院8种不同施肥处理的晚稻为研究对象,于主要生育期同步测定了水稻冠层光谱反射率及叶片全氮浓度(Leaf Nitrogen Concentration,LNC),系统...
[目的]快速、准确地诊断水稻叶片氮素营养状况,为水稻氮肥精准管理提供依据。[方法]以江西省农科院8种不同施肥处理的晚稻为研究对象,于主要生育期同步测定了水稻冠层光谱反射率及叶片全氮浓度(Leaf Nitrogen Concentration,LNC),系统分析了原始光谱反射率、一阶微分光谱、"三边"参数以及由350~1 350nm两两波段组合的差值(SD (Rλ1,Rλ2))、比值(SR (Rλ1,Rλ2))及归一化(ND(Rλ1,Rλ2))光谱指数与水稻LNC的相关关系,筛选出敏感参数,并以之为自变量构建了水稻LNC的传统预测模型,另外构建不同指标个数的多元线性与BP神经网络模型,并对模型进行验证。[结果](1)水稻LNC与一阶微分光谱在751nm处的相关性最高(r=0. 822);(2)"三边"参数中的红边面积SDr与LNC的相关性较高(r=0. 687);(3) 750nm附近的红边波段与近红外波段差值组合、550nm附近的绿光波段与近红外波段的比值及归一化差值组合与水稻LNC的相关性较高,以SD (R752,R751)、SR (R534,R1 350)和ND (R534,R1 349)表现最好,相关系数分别为0. 827、-0. 790和0. 788;(4)传统回归模型中以SD(R752,R751)构建的一元线性模型最佳(RC2=0. 665、RV2=0. 750、RMSEV=0. 4%、RPD=2. 034);(5)利用5个指标((R'751、SDr、SD (R752,R751)、SR (R534,R1 350)、ND (R534,R1 349))经逐步回归筛选出的2个指标SD ((R752,R751)和SR (R534,R1 350))构建预测水稻氮素的BP神经网络模型,预测效果最佳,其验证参数值分别为R2=0. 859、RMSEV=0. 302%和RPD=2. 669。[结论]基于单指标构建的传统线性模型计算过程简单但精度略低,而基于2个指标(SD (R752,R751)、SR (R534,R1 350))构建的BP神经网络模型预测精度高于该2指标构建的多元线性模型,表明在指标适合的情况下,BP神经网络对氮素具有较好的预测能力,是一种快速准确估算水稻叶片全氮浓度的方法。
展开更多
关键词
水稻
高光谱
冠层
叶片
全氮浓度
BP神经网络
下载PDF
职称材料
松嫩平原草甸三种植物叶片N、P化学计量特征及其与土壤N、P浓度的关系
被引量:
53
3
作者
丁凡
廉培勇
曾德慧
《生态学杂志》
CAS
CSCD
北大核心
2011年第1期77-81,共5页
测定了松嫩平原草甸3种主要植物羊草(Leymus chinensis)、芦苇(Phragmites com-munis)和尖叶胡枝子(Lespedeza hedysaroides)叶片全氮、全磷浓度,并分析了它们与土壤全氮、全磷浓度的关系。结果表明:3种植物叶片全氮浓度种间差异显著(P&...
测定了松嫩平原草甸3种主要植物羊草(Leymus chinensis)、芦苇(Phragmites com-munis)和尖叶胡枝子(Lespedeza hedysaroides)叶片全氮、全磷浓度,并分析了它们与土壤全氮、全磷浓度的关系。结果表明:3种植物叶片全氮浓度种间差异显著(P<0.05),而全磷浓度种间差异不显著(P>0.05);3种植物叶片全氮浓度与土壤全氮浓度相关性不显著(P>0.05),而叶片氮磷比与土壤全磷浓度均呈显著负相关(P<0.05);表明同一地区,不同植物叶片全氮浓度差异较大,而全磷浓度差异较小;与叶片全氮、全磷浓度相比,叶片氮磷比受土壤养分的影响更显著;另外,该地区羊草和尖叶胡枝子生长受到磷限制,可考虑适当施用磷肥。
展开更多
关键词
氮
磷比
全氮浓度
全
磷
浓度
相关性
原文传递
题名
水稻叶片全氮浓度与冠层反射光谱的定量关系
被引量:
29
1
作者
周冬琴
田永超
姚霞
朱艳
曹卫星
机构
南京农业大学江苏省信息农业高技术研究重点实验室
出处
《应用生态学报》
CAS
CSCD
北大核心
2008年第2期337-344,共8页
基金
国家自然科学基金项目(30571092
30400278)
+3 种基金
国家高技术研究发展计划项目(2006AA10Z202-1)
国家科技支撑计划项目(2006BDA10A01)
江苏省高技术研究发展计划项目(BG2006340)
江苏省农机三项工程资助项目(NJ2007-32)
文摘
利用数学统计方法分析了不同施氮水平和不同水稻品种群体叶片全氮浓度(LNC)与冠层反射光谱的定量关系,建立了水稻群体叶片全氮浓度的光谱监测模型.结果表明:基于原始反射率构造的光谱参数与叶片全氮浓度的相关程度均高于原始反射率,近红外波段(760~1220nm)与可见光波段510、560、680及710nm组成的比值植被指数、差值植被指数和归一化植被指数与群体叶片全氮浓度呈极显著正相关,其中与归一化植被指数(NDVI)的相关性最好;对拟合较好的6个两波段组合参数及4个特征光谱参数的预测标准误(SE)和决定系数(R2)进行比较后,选取参数NDVI(1220,710)为反演群体叶片全氮浓度的最佳光谱参数,方程为LNC=3.2708×NDVI(1220,710)+0.8654.利用不同粳稻品种、水分和氮肥处理的试验数据对监测模型进行了检验,估计的根均方差(RMSE)均小于20%,预测值和实测值的拟合R2为0.674~0.862,拟合斜率为0.908~1.010,RMSE为11.315%~19.491%,表明模型预测值与实测值之间符合度较高,对不同栽培条件下的水稻群体叶片全氮浓度具有较好的预测性.
关键词
水稻
冠层反射光谱
叶片
全氮浓度
监测模型
Keywords
rice
canopy reflectance spectra
leaf total nitrogen concentration
monitoring model.
分类号
S511 [农业科学—作物学]
下载PDF
职称材料
题名
基于冠层光谱和BP神经网络的水稻叶片氮素浓度估算模型
被引量:
23
2
作者
孙小香
王芳东
赵小敏
谢文
郭熙
机构
江西农业大学江西省鄱阳湖流域农业资源与生态重点实验室/南方粮油作物协同创新中心
出处
《中国农业资源与区划》
CSSCI
CSCD
北大核心
2019年第3期35-44,共10页
基金
国家自然科学基金(41361049)国家重点研发计划资助(2017YFD0301603)
江西省赣鄱英才"555"领军人才项目(201295)
文摘
[目的]快速、准确地诊断水稻叶片氮素营养状况,为水稻氮肥精准管理提供依据。[方法]以江西省农科院8种不同施肥处理的晚稻为研究对象,于主要生育期同步测定了水稻冠层光谱反射率及叶片全氮浓度(Leaf Nitrogen Concentration,LNC),系统分析了原始光谱反射率、一阶微分光谱、"三边"参数以及由350~1 350nm两两波段组合的差值(SD (Rλ1,Rλ2))、比值(SR (Rλ1,Rλ2))及归一化(ND(Rλ1,Rλ2))光谱指数与水稻LNC的相关关系,筛选出敏感参数,并以之为自变量构建了水稻LNC的传统预测模型,另外构建不同指标个数的多元线性与BP神经网络模型,并对模型进行验证。[结果](1)水稻LNC与一阶微分光谱在751nm处的相关性最高(r=0. 822);(2)"三边"参数中的红边面积SDr与LNC的相关性较高(r=0. 687);(3) 750nm附近的红边波段与近红外波段差值组合、550nm附近的绿光波段与近红外波段的比值及归一化差值组合与水稻LNC的相关性较高,以SD (R752,R751)、SR (R534,R1 350)和ND (R534,R1 349)表现最好,相关系数分别为0. 827、-0. 790和0. 788;(4)传统回归模型中以SD(R752,R751)构建的一元线性模型最佳(RC2=0. 665、RV2=0. 750、RMSEV=0. 4%、RPD=2. 034);(5)利用5个指标((R'751、SDr、SD (R752,R751)、SR (R534,R1 350)、ND (R534,R1 349))经逐步回归筛选出的2个指标SD ((R752,R751)和SR (R534,R1 350))构建预测水稻氮素的BP神经网络模型,预测效果最佳,其验证参数值分别为R2=0. 859、RMSEV=0. 302%和RPD=2. 669。[结论]基于单指标构建的传统线性模型计算过程简单但精度略低,而基于2个指标(SD (R752,R751)、SR (R534,R1 350))构建的BP神经网络模型预测精度高于该2指标构建的多元线性模型,表明在指标适合的情况下,BP神经网络对氮素具有较好的预测能力,是一种快速准确估算水稻叶片全氮浓度的方法。
关键词
水稻
高光谱
冠层
叶片
全氮浓度
BP神经网络
Keywords
rice
hyperspectral
canopy
leaf nitrogen concentration
BP neural network
分类号
S511 [农业科学—作物学]
TP183 [自动化与计算机技术—控制理论与控制工程]
下载PDF
职称材料
题名
松嫩平原草甸三种植物叶片N、P化学计量特征及其与土壤N、P浓度的关系
被引量:
53
3
作者
丁凡
廉培勇
曾德慧
机构
中国科学院沈阳应用生态研究所
中国科学院研究生院
出处
《生态学杂志》
CAS
CSCD
北大核心
2011年第1期77-81,共5页
基金
中国科学院知识创新工程重要方向项目(KZCX2-YW-Q1-06)资助
文摘
测定了松嫩平原草甸3种主要植物羊草(Leymus chinensis)、芦苇(Phragmites com-munis)和尖叶胡枝子(Lespedeza hedysaroides)叶片全氮、全磷浓度,并分析了它们与土壤全氮、全磷浓度的关系。结果表明:3种植物叶片全氮浓度种间差异显著(P<0.05),而全磷浓度种间差异不显著(P>0.05);3种植物叶片全氮浓度与土壤全氮浓度相关性不显著(P>0.05),而叶片氮磷比与土壤全磷浓度均呈显著负相关(P<0.05);表明同一地区,不同植物叶片全氮浓度差异较大,而全磷浓度差异较小;与叶片全氮、全磷浓度相比,叶片氮磷比受土壤养分的影响更显著;另外,该地区羊草和尖叶胡枝子生长受到磷限制,可考虑适当施用磷肥。
关键词
氮
磷比
全氮浓度
全
磷
浓度
相关性
Keywords
N: P ratio
total N concentration
total P concentration
correlation
分类号
S812 [农业科学—草业科学]
原文传递
题名
作者
出处
发文年
被引量
操作
1
水稻叶片全氮浓度与冠层反射光谱的定量关系
周冬琴
田永超
姚霞
朱艳
曹卫星
《应用生态学报》
CAS
CSCD
北大核心
2008
29
下载PDF
职称材料
2
基于冠层光谱和BP神经网络的水稻叶片氮素浓度估算模型
孙小香
王芳东
赵小敏
谢文
郭熙
《中国农业资源与区划》
CSSCI
CSCD
北大核心
2019
23
下载PDF
职称材料
3
松嫩平原草甸三种植物叶片N、P化学计量特征及其与土壤N、P浓度的关系
丁凡
廉培勇
曾德慧
《生态学杂志》
CAS
CSCD
北大核心
2011
53
原文传递
已选择
0
条
导出题录
引用分析
参考文献
引证文献
统计分析
检索结果
已选文献
上一页
1
下一页
到第
页
确定
用户登录
登录
IP登录
使用帮助
返回顶部