使用特定的光谱监测小麦痂指数从ASD高光谱数据集gydF4y2Ba

文摘gydF4y2Ba

是高度重要的准确监测小麦痂和提供技术指导作物害虫和疾病。在这项研究中,光谱反射率之间的相关分析,通过ASD first-derivate数据和疾病严重程度数据高光谱数据。两个敏感的光谱波长范围450 - 488和500 - 540 nm。然后,一个新的小麦痂指数(WSI)组成的两个乐队。痂清规戒律的反演模型是相对由一元线性回归和多元逐步回归技术。结果表明,WSI与疾病严重程度有显著的线性关系与其他常用的光谱指数。拟合gydF4y2BaRgydF4y2Ba^2gydF4y2Ba、测试gydF4y2BaRgydF4y2Ba^2gydF4y2BaRMSE分别为0.73,0.70和13.41,分别。多元逐步回归模型建立了使用WSI SDgydF4y2Ba_ggydF4y2Ba/ SDgydF4y2Ba_bgydF4y2Ba、NBNDVI和SDgydF4y2Ba_ggydF4y2Ba作为独立的变量比变量模型。我们的研究结果表明,WSI可以用来提供科学指导小麦黑星病疾病的监测和精确管理。gydF4y2Ba

1。介绍gydF4y2Ba

中国是一个农业大国,广阔的土地和丰富的农业资源。小麦是我国第二大粮食作物,种植面积位居第二。小麦生长期间,一些害虫和疾病的发生会严重影响产量和品质。作为严重感染疾病之一,小麦痂由各种引起的gydF4y2Ba镰刀菌素gydF4y2Ba是一种普遍和全球疾病发生在温暖和高湿环境(gydF4y2Ba1gydF4y2Ba]。据统计,当小麦痂病的严重发生大约50%∼100%,收益率可以减少40%gydF4y2Ba2gydF4y2Ba]。常规stress-detection方法取决于生理生化分析领域病理学家或有经验的人。他们通常是毁灭性的,耗时的,劳动密集型的。很难适应当前的大规模紧急需求,实时监控和预测害虫和疾病的gydF4y2Ba3gydF4y2Ba,gydF4y2Ba4gydF4y2Ba]。因此,如何快速、准确地监测小麦痂迫切需要解决的问题。gydF4y2Ba

研究表明,(gydF4y2Ba5gydF4y2Ba当植被光谱特征变化是强调。例如,红色的边缘将向短波方向移动,当植物遭受压力,这叫做“蓝移。“这一现象通常发生的位移只有几纳米到20纳米(gydF4y2Ba6gydF4y2Ba]。很难捕捉这个位移使用传统的宽带遥感数据与数百纳米宽。相反,高光谱数据与丰富的乐队信息和使用高分辨率检测疾病的光谱响应更多的研究(gydF4y2Ba7gydF4y2Ba]。许多学者利用高光谱数据分析,发现疾病识别敏感波段光谱反射率。例如,Graeff et al。gydF4y2Ba8gydF4y2Ba)指出,490海里的六个波段,510 nm、516 nm, 540 nm、780 nm和1300 nm可以产生显著的光谱对小麦白粉病的反应。黄(gydF4y2Ba9gydF4y2Ba]提出的光谱区域630 - 687 nm, 740 - 890 nm和976 - 1350 nm对条锈病是敏感。Delwiche和金gydF4y2Ba10gydF4y2Ba)发现,小麦痂可能导致光谱响应在550海里,568 nm、605 nm、623 nm, 660海里,697 nm、715 nm和733 nm。不同的植物有不同的光谱特性,但同样的植物在不同生长阶段可能有不同的光谱特性和环境(gydF4y2Ba7gydF4y2Ba]。光谱变化的反应在植物生理学、生物化学、形态和结构是高度复杂的。有时难以准确反映相应的信息只有通过最初的光谱反射率。一些更具体的光谱指数可以提出基于高光谱数据。gydF4y2Ba

光谱指数可以实现不同疾病的识别和监控过滤的过程,结合原来的乐队。布拉沃et al。gydF4y2Ba11gydF4y2Ba)使用归一化植被指数(NDVI)提取小麦条锈病使用判别分析的总体精度超过95%。郑et al。gydF4y2Ba12gydF4y2Ba]证明了三波段光谱指数PRI(570、525和705海里)和阿里(860、790和750海里)最优监控黄色铁锈感染在不同生长阶段。江et al。gydF4y2Ba13gydF4y2Ba)发现一阶微分总和的比值(gydF4y2Ba )gydF4y2Ba在红色区域(725 - 735 nm)一阶微分和(gydF4y2Ba )gydF4y2Ba在绿色区域(520 - 530 nm)敏感小麦疾病的早期症状。疾病指数的相关系数达到0.921,表明微分植被指数gydF4y2Ba适合小麦疾病的早期诊断。gydF4y2Ba

尽管许多研究已经进行小麦疾病,很少有研究痂。大多数的学者利用高光谱数据来研究条锈病,白粉病,蚜虫在叶或树冠规模。痂是一个典型的耳病,所以专有指数可以用来监测小麦ear-scale痂是可取的。因此,基于之前的研究,我们的研究目的是(1)识别敏感的波段,小麦痂耳朵规模;(2)构造一个新的光谱指数(WSI)痂感染引起的光谱变化特征;和(3)评估的性能提出了检索WSI痂清规戒律使用线性回归方法。gydF4y2Ba

2。材料和方法gydF4y2Ba

2.1。研究网站gydF4y2Ba

测试领域的实验进行了估值,卢江县,安徽省(31°25.6′N, 117°9.2′E), 2018年5月8日(图gydF4y2Ba1gydF4y2Ba)。丰富的水资源和合适的气候为小麦黑星病的发病率提供有利条件,因此,疾病几乎每年都发生。小麦品种“Yangmai”、“Ningmai”和“Wanxi”被选为实验样本,因为他们的温和的对黑星病的易感性。小麦的播种时间大约是2017年10月,和收获时间是2018年6月中旬左右。考试时间是在GS阶段痂显示严重感染。gydF4y2Ba

2.2。光谱采集小麦耳朵gydF4y2Ba

小麦的光谱反射率有ASD的耳朵收集FieldSpec Pro光谱仪(350 - 2500纳米)的光谱分辨率3在350 - 1000海里和10 nm 1000 - 2500 nm范围内。在阳光明媚的中午时间测量(10:00-14:00)。在测量期间,小麦的耳朵都放置在中间的黑色布料,和探针传感器的垂直向下的测量直立,举行前,侧数据。贝索40厘米×40厘米gydF4y2Ba_4gydF4y2Ba校准板测量正确的反射。每个样本的光谱在不同的方向测量20次,然后平均用作反射。高光谱数据的前面,一边,直立的每个小麦耳朵终于确定。计算公式如下:gydF4y2Ba 在哪里gydF4y2BaRgydF4y2Ba^1gydF4y2Ba是目标反射率,DNgydF4y2Ba_1gydF4y2Ba目标的灰度值谱,DN吗gydF4y2Ba_2gydF4y2Ba面板的灰度值,gydF4y2BaRgydF4y2Ba^2gydF4y2Ba是反射的面板。gydF4y2Ba

2.3。确定疾病的严重程度gydF4y2Ba

这种疾病严重程度定义使用受感染的小穗的比例总数。根据小麦头疫病的监测和预报的规则(GB / t15796 - 2011),它分为5个层次:0级(0)1级(0-1/4)、二级(/ 2),三级(1/2-3/4),四级(3/4-1)。gydF4y2Ba

在实验领域,41个样本块选择和受感染的小麦是随机选择从每个样地作为研究样本。共41感染小麦样本获得不同的严重程度从实地调查(图gydF4y2Ba2gydF4y2Ba)。平均每个样本数据从前面,一边,直立的光谱反射率。健康并不在这个调查收集样品。根据疾病严重程度的计算,1 - 4水平的样本是10,13日,12日和6。小麦的光谱曲线的耳朵有严重噪音后1330海里,所以350 - 1330海里被选在这个研究。gydF4y2Ba

2.4。数据分析gydF4y2Ba

2.4.1。光谱微分的计算gydF4y2Ba

为了分析小麦痂的光谱响应特征,我们平均每个级别的样品光谱反射率。光谱反射率之间的相关性分析和疾病严重程度被用来拿起敏感的位置和范围。然而,由于噪声的影响,我们未能实现好的结果通过原始光谱反射率。光谱微分被用来减少外部影响,及其公式如下(gydF4y2Ba14gydF4y2Ba]:gydF4y2Ba 在哪里gydF4y2BaλgydF4y2Ba_我gydF4y2Ba是乐队的波长gydF4y2Ba我gydF4y2Ba,gydF4y2BaPgydF4y2Ba′(gydF4y2BaλgydF4y2Ba_我gydF4y2Ba)的差值gydF4y2BaλgydF4y2Ba_我gydF4y2Ba,gydF4y2Ba 和gydF4y2Ba前一个和后一个光谱反射率的吗gydF4y2BaλgydF4y2Ba_我gydF4y2Ba分别为,gydF4y2Ba的区别是gydF4y2Ba来gydF4y2BaλgydF4y2Ba。gydF4y2Ba

2.4.2。分析交叉验证gydF4y2Ba

分析交叉验证用于验证分类精度。它的主要观点(gydF4y2Ba12gydF4y2Ba)是一个样本是首先选择随机的gydF4y2BaNgydF4y2Ba样品,另一个gydF4y2BaNgydF4y2Ba−1样本作为训练样本。将获得一个模型来验证精度与所选单数据,如此重复gydF4y2BaNgydF4y2Ba次了。均方根误差(RMSE)是用来评估模型如下所示gydF4y2Ba14gydF4y2Ba]:gydF4y2Ba 在哪里gydF4y2BaygydF4y2Ba_我gydF4y2Ba和gydF4y2Ba表示测量值和预测值,分别gydF4y2BangydF4y2Ba是样品的总数。RMSE越小,模型的预测精度越高。gydF4y2Ba

2.4.3。选择植被指数和微分光谱特征gydF4y2Ba

光谱指数被广泛用于监控、分析和映射在植被时空变化gydF4y2Ba15gydF4y2Ba]。光谱指数是广泛应用的基础在偏远sensing-based作物管理,因为他们是高度相关的生物物理和生物化学的作物变量(gydF4y2Ba16gydF4y2Ba]。受感染的作物可能会改变色素、水、形态、结构、等一些指标可以描述这些变化,例如,归一化植被指数可以反映作物的生长和新名词(氮反射指数)是一个因素研究植被的氮含量。我们总结了光谱特性常用作物压力通过文献综述。共有22个光谱特性包括一阶微分光谱特性和选择植被指数(表gydF4y2Ba1gydF4y2Ba)。gydF4y2Ba

2.4.4。一元线性回归gydF4y2Ba

一元线性回归是一个自变量和一个因变量之间的关系。这是最简单的回归方法,也学习其他回归方法的基础。线性回归的模型是gydF4y2Ba30.gydF4y2Ba]gydF4y2Ba 在哪里gydF4y2BaygydF4y2Ba是因变量,gydF4y2BaxgydF4y2Ba是自变量,gydF4y2Ba一个gydF4y2Ba和gydF4y2BabgydF4y2Ba是回归常数。gydF4y2Ba

2.4.5。多元逐步回归gydF4y2Ba

多元逐步回归算法通常用于回归分析两个或两个以上的自变量和因变量。主要原则是确定它的重要性gydF4y2BaFgydF4y2Ba以及为每个变量引入的。与此同时,gydF4y2BaTgydF4y2Ba以及执行变量引入模型。当第一个引入变量对因变量不再重要由于引入新变量,该变量将被删除。只保留重要的变量的回归模型。假设有gydF4y2BangydF4y2Ba独立变量gydF4y2Ba 和gydF4y2BaygydF4y2Ba作为因变量,多元逐步回归模型定义如下(gydF4y2Ba31日gydF4y2Ba]:gydF4y2Ba 在哪里gydF4y2Ba一个gydF4y2Ba_我gydF4y2Ba 是等待回归常数。gydF4y2Ba

3所示。结果与讨论gydF4y2Ba

3.1。光谱响应特性和相关性分析gydF4y2Ba

从图可以看出gydF4y2Ba3gydF4y2Ba随着疾病的水平,scab-infected小麦的光谱反射率在近红外区域减少,虽然增加的可见区域“绿色峰”和“红河谷”逐渐变得温柔。这是因为当作物被病原体感染,它会造成许多损伤,坏死,或在植物的叶子萎蔫。的内容和活动色素减少,导致可见区域的反射率的增加。此外,受感染植物的水代谢会受到干扰,这将导致水分亏缺的叶子在某种程度上,最后导致反射率在近红外区域的变化gydF4y2Ba32gydF4y2Ba]。gydF4y2Ba

可以看出,可见区域与黑星病的严重程度呈正相关,与近红外区域是黑星病的严重程度呈负相关(图gydF4y2Ba4gydF4y2Ba)。乐队的相关系数大于0.5的可见区域(350 - 740 nm)是638 - 690 nm,和674海里的相关系数最高(gydF4y2BaRgydF4y2Ba= 0.598),位于红色区域。因为小麦的光合作用能力弱是由于黑星病的影响,叶绿素吸收带的相关系数增加。此外,近红外区域之间的相关性(760 - 1300 nm)和疾病严重程度通常是低。其原因可能是细胞的内部结构遭到破坏,反射率降低。764纳米的光谱反射率在近红外区域有一个最高的负相关(gydF4y2BaRgydF4y2Ba=−0.411)。根据上述分析,小麦痂响应中的可见光和近红外区域。它表现出强烈的响应波段可见地区,但原始光谱数据之间的相关性和痂不高的清规戒律。gydF4y2Ba

3.2。提取基于光谱敏感波段分化和相关性分析gydF4y2Ba

根据一阶微分光谱曲线的四个疾病的严重性(图gydF4y2Ba5gydF4y2Ba),他们是不同的可见区域450 - 740 nm。随着疾病水平的增加,我们可以看到的差值500 - 550和690 - 720 nm逐渐减少,以及增加在该地区的550 - 610 nm。地区500 - 550和550 - 610 nm都位于两侧的“绿色峰”,表明这两个地区的光谱反射率曲线变得温和,这是符合上述光谱反射率的观察。gydF4y2Ba

相关分析是用来评估之间的重要关系是否存在一阶微分和小麦痂病水平(图gydF4y2Ba6gydF4y2Ba)。它可以发现601 nm相关性最高(gydF4y2BaRgydF4y2Ba= 0.79),附近的右侧“绿色高峰。“所有的相关系数450 - 488 nm, 500 - 540 nm, 552 - 667 nm,和687 - 756海里都大于0.5。一阶微分和黑星病严重程度之间的相关性优于之间的光谱反射率和疾病严重程度。gydF4y2Ba

3.3。建设赤霉病分区索引gydF4y2Ba

根据上述分析,原始光谱数据和疾病之间的相关性不显著,而一阶光谱微分与小麦黑星病有很好的相关性。有四个重要的一阶微分和疾病严重程度之间的相关性在450 - 488年,500 - 540,552 - 667和687 - 756海里。四个波长范围位于叶绿素吸收区,蓝色的,黄色的边缘,分别和红边。植被是感染疾病时,叶绿素吸收带的光谱反射率与叶绿素含量的变化。相关研究显示[gydF4y2Ba33gydF4y2Ba),蓝色、黄色和红色的植物可以用来监测作物害虫和疾病。因此,本部分试图利用这四个乐队的一阶光谱微分和构建痂指数。这四个波段彼此相邻,一阶微分值之和的四个乐队有冗余。因此,我们进行相关性分析的一阶微分和四个带间隔,选择弱相关的450 - 488和500 - 540 nm构建小麦痂指数(WSI)。不同波段之间的相关系数和方法构建WSI如表所示gydF4y2Ba2gydF4y2Ba和公式(gydF4y2Ba6gydF4y2Ba),分别。gydF4y2Ba

3.4。一元线性回归gydF4y2Ba

这个实验的目的是分析现有植被指数和光谱差异的敏感性特征线性回归条件下小麦痂和验证的适用性提出了痂指数。表gydF4y2Ba3gydF4y2Ba总结了所有的单一线性回归响应光谱指数(WSI)小麦痂病。我们发现选择的判别小麦痂(23个指标体现优秀的潜力gydF4y2Ba )。gydF4y2Ba然而,并不是所有选中的光谱指数能够明显区分小麦痂。具体来说,WSI显示最高的配件gydF4y2BaRgydF4y2Ba^2gydF4y2Ba到0.73分,接下来是NBNDVI、归一化植被指数和SDgydF4y2Ba_ygydF4y2Ba与拟合gydF4y2BaRgydF4y2Ba^2gydF4y2Ba分别为0.67,0.66和0.64。它可以发现大多数配件gydF4y2BaRgydF4y2Ba^2gydF4y2Ba并不高。分析交叉验证用于验证回归结果的准确性指数(表gydF4y2Ba3gydF4y2Ba)。结果证明,WSI公司(测试精度最高gydF4y2BaRgydF4y2Ba^2gydF4y2Ba= 0.70;RMSE = 13.41),这表明它可以执行在不同级别的确定小麦痂耳朵规模。gydF4y2Ba

3.5。多元逐步回归gydF4y2Ba

相关研究表明,建立的模型由多个变量优于单变量(gydF4y2Ba34gydF4y2Ba]。多元逐步回归统计方法用于计算光谱指数和疾病严重程度之间的关系。把所有的23光谱指数作为独立变量和疾病严重程度作为因变量,它可以知道最后的变量模型WSI, SDgydF4y2Ba_ggydF4y2Ba/ SDgydF4y2Ba_bgydF4y2Ba、NBNDVI和SDgydF4y2Ba_ggydF4y2Ba(表gydF4y2Ba4gydF4y2Ba)。然后,获得多元逐步回归方程如下:gydF4y2Ba

多元回归模型与三个一元回归模型具有较高的拟合gydF4y2BaRgydF4y2Ba^2gydF4y2Ba(图gydF4y2Ba7gydF4y2Ba)。我们发现最高的拟合产生的多元回归模型gydF4y2BaRgydF4y2Ba^2gydF4y2Ba0.79和更均匀分布。为了进一步验证模型由WSI的能力,SDgydF4y2Ba_ggydF4y2Ba/ SDgydF4y2Ba_bgydF4y2Ba、NBNDVI和SDgydF4y2Ba_ggydF4y2Ba检测小麦痂病,我们使用分析交叉验证;散点图的实际严重程度之间的关系,并预测严重程度如图所示gydF4y2Ba8gydF4y2Ba。多元逐步回归显示测试gydF4y2BaRgydF4y2Ba^2gydF4y2Ba分别为0.72和13.02的RMSE,表明基于WSI的集成模型,SDgydF4y2Ba_ggydF4y2Ba/ SDgydF4y2Ba_bgydF4y2Ba、NBNDVI和SDgydF4y2Ba_ggydF4y2Ba有更好的反演效果比单变量疾病的严重程度。gydF4y2Ba

4所示。结论gydF4y2Ba

及时监测小麦痂病为农业管理是至关重要的。通过分析first-derivate谱和相应的疾病严重程度之间的相关性水平,两个敏感波段(450 - 488和500 - 540 nm)。随后,一个新的指数(WSI)开发的检测和监测小麦痂耳朵规模。与其他常见的光谱指数相比,WSI公司已与拟合性能优良gydF4y2BaRgydF4y2Ba^2gydF4y2Ba0.73、测试gydF4y2BaRgydF4y2Ba^2gydF4y2Ba分别是0.70,RMSE 13.01。此外,多元回归模型更有利于痂比单变量回归模型的识别。我们的研究可以为早期诊断提供技术支持和管理小麦痂。gydF4y2Ba

数据可用性gydF4y2Ba

使用的数据来支持本研究的发现可以从相应的作者。gydF4y2Ba

的利益冲突gydF4y2Ba

作者宣称没有利益冲突。gydF4y2Ba

确认gydF4y2Ba

这里介绍的工作得到了安徽省科技项目(16030701091)、安徽省教育部自然科学研究项目(KJ2019A0030)和中国国家自然科学基金(31971789)。gydF4y2Ba

引用gydF4y2Ba

1. r·毛gydF4y2Ba应用偏最小二乘法研究小麦痂预测案例研究安徽桐城小麦痂gydF4y2Ba、安徽农业大学、合肥,中国,2016。gydF4y2Ba
2. j . Zhang y . j .咦,j . s . Wang s h . Chen和g . l .凌”控制技术对小麦黑星病的研究进展”,gydF4y2Ba中国植物保护gydF4y2Ba,34卷,不。1 - 28,2014页。gydF4y2Ba视图:gydF4y2Ba谷歌学术搜索gydF4y2Ba
3. s .李郭z . c, c . Wang t . e . Chen和振国元,“信息技术应用于作物病虫害监测和早期预警:复习一下,”gydF4y2Ba江苏农业科学gydF4y2Ba,46卷,不。22日,1 - 6,2018页。gydF4y2Ba视图:gydF4y2Ba谷歌学术搜索gydF4y2Ba
4. t .小林,大肠神田,k . Kitada k .石黑浩和y Torigoe”水稻穗部爆炸检测与多光谱辐射计和使用机载多光谱扫描仪的潜力,”gydF4y2Ba植物病理学gydF4y2Ba,卷91,不。3、316 - 323年,2001页。gydF4y2Ba视图:gydF4y2Ba出版商的网站gydF4y2Ba|gydF4y2Ba谷歌学术搜索gydF4y2Ba
5. 即Filella和j . Penuelas”红边位置和形状作为植物叶绿素含量的指标,生物量和氢气的状态,”gydF4y2Ba国际遥感杂志》上gydF4y2Ba,15卷,不。7,1459 - 1470年,1994页。gydF4y2Ba视图:gydF4y2Ba出版商的网站gydF4y2Ba|gydF4y2Ba谷歌学术搜索gydF4y2Ba
6. y l . Tang和j·f·黄”,研究高光谱遥感在农业、”gydF4y2Ba遥感技术及应用gydF4y2Ba,16卷,不。4、248 - 251年,2011页。gydF4y2Ba视图:gydF4y2Ba谷歌学术搜索gydF4y2Ba
7. d . Bandyopadhyay d . Bhavsar k . Pandey s古普塔和a·罗伊“红色边缘指数作为植被生长和活力的指标利用高光谱遥感数据,”gydF4y2Ba美国国家科学院院刊》上,印度部分:物理科学gydF4y2Ba,卷87,不。4、879 - 888年,2017页。gydF4y2Ba视图:gydF4y2Ba出版商的网站gydF4y2Ba|gydF4y2Ba谷歌学术搜索gydF4y2Ba
8. s . Graeff j .链接,w . Claupein”鉴定小麦白粉病和所有疾病的通过叶子反射测量,”gydF4y2Ba欧洲中部的生物学》杂志上gydF4y2Ba,1卷,不。2、275 - 288年,2006页。gydF4y2Ba视图:gydF4y2Ba出版商的网站gydF4y2Ba|gydF4y2Ba谷歌学术搜索gydF4y2Ba
9. m . y .黄gydF4y2Ba监测冬小麦条锈病利用高光谱遥感数据gydF4y2Ba、安徽农业大学、合肥,中国,2004。gydF4y2Ba
10. s . r . Delwiche和m . s . Kim痂小麦高光谱成像检测”,gydF4y2BaSPIE-The国际光学工程学会学报》上gydF4y2Ba卷。4203年,13-20,2000页。gydF4y2Ba视图:gydF4y2Ba谷歌学术搜索gydF4y2Ba
11. c·布拉沃d . Moshou j .西方,a·麦卡特尼和h·雷蒙,“早期疾病检测使用光谱反射率在麦田,”gydF4y2Ba生物系统工程gydF4y2Ba,卷84,不。2、137 - 145年,2003页。gydF4y2Ba视图:gydF4y2Ba出版商的网站gydF4y2Ba|gydF4y2Ba谷歌学术搜索gydF4y2Ba
12. 崔问:郑,w . j .黄x m . et al .,“鉴定小麦条锈病使用最优三波段光谱指数在不同生长阶段,“gydF4y2Ba传感器gydF4y2Ba,19卷,不。1,2018。gydF4y2Ba视图:gydF4y2Ba谷歌学术搜索gydF4y2Ba
13. j·b·江、黄懿慧陈和w·j·黄”利用高光谱导数指数监测冬小麦疾病,”gydF4y2Ba光谱和光谱分析gydF4y2Ba,27卷,不。12日,第2479 - 2475页,2007年。gydF4y2Ba视图:gydF4y2Ba谷歌学术搜索gydF4y2Ba
14. r . j . a . n . Wu Liu s, g . y .周和l .张“光谱反射特性在马尾松树冠尾孢属针枯萎病和严重程度水平反转,”gydF4y2Ba中国农业科学通报gydF4y2Ba,28卷,不。4,51-57,2012页。gydF4y2Ba视图:gydF4y2Ba谷歌学术搜索gydF4y2Ba
15. 答:a . Gitelson y . j .考夫曼r·斯塔克和d . Rundquist”小说算法对于远程估计植被分数,”gydF4y2Ba环境遥感gydF4y2Ba,卷80,不。1,第87 - 76页,2002。gydF4y2Ba视图:gydF4y2Ba出版商的网站gydF4y2Ba|gydF4y2Ba谷歌学术搜索gydF4y2Ba
16. h . AL-Saddik J.-C。西蒙,f . Cointault谱疾病的“发展指数”flavescence doree“葡萄藤疾病鉴定,”gydF4y2Ba传感器gydF4y2Ba,17卷,不。12,2772页,2017年。gydF4y2Ba视图:gydF4y2Ba出版商的网站gydF4y2Ba|gydF4y2Ba谷歌学术搜索gydF4y2Ba
17. b . j .问:任s . r . Wu Liu陈z . x, x r . Liu和h·李,“检索冬小麦地上干重hyperion高光谱图像的基础上,“gydF4y2Ba中国农业机械学会的事务gydF4y2Ba卷,49号4、199 - 211年,2018页。gydF4y2Ba视图:gydF4y2Ba谷歌学术搜索gydF4y2Ba
18. a .达沃德·m·默罕默德和h .阿尔弗雷多”评价的影响不同的小麦锈病的症状用高光谱植被指数测量,”gydF4y2Ba遥感gydF4y2Ba》第六卷,没有。6,5107 - 5123年,2014页。gydF4y2Ba视图:gydF4y2Ba出版商的网站gydF4y2Ba|gydF4y2Ba谷歌学术搜索gydF4y2Ba
19. n h . Broge和大肠勒布朗,”比较预测能力和稳定的宽带和高光谱植被指数估计绿色叶面积指数和树冠叶绿素密度,”gydF4y2Ba环境遥感gydF4y2Ba,卷76,不。2、156 - 172年,2001页。gydF4y2Ba视图:gydF4y2Ba出版商的网站gydF4y2Ba|gydF4y2Ba谷歌学术搜索gydF4y2Ba
20. c·道奇乐团c . l . Walthall e . b . de Colstoun m . s . Kim和j·e . McMurtrey”估计玉米叶片叶绿素浓度从叶和树冠反射率,”gydF4y2Ba环境遥感gydF4y2Ba,卷74,不。2、229 - 239年,2000页。gydF4y2Ba视图:gydF4y2Ba出版商的网站gydF4y2Ba|gydF4y2Ba谷歌学术搜索gydF4y2Ba
21. 黄黄w . j . m . y . l . y . Liu j . h . Wang c . j .赵和j·d·王,“反转的严重性冬季小麦条锈病使用适当的超光谱指数”gydF4y2Ba中国农业工程学会的事务gydF4y2Ba,21卷,不。4、97 - 103年,2005页。gydF4y2Ba视图:gydF4y2Ba谷歌学术搜索gydF4y2Ba
22. t . s . Magney洛杉矶Vierling, j . h . Eitel d·r·哈金斯和s . r . Garrity”回应的高频光化学反射指数(PRI)测量环境条件在小麦、”gydF4y2Ba环境遥感gydF4y2Ba卷,173年,第97 - 84页,2016年。gydF4y2Ba视图:gydF4y2Ba出版商的网站gydF4y2Ba|gydF4y2Ba谷歌学术搜索gydF4y2Ba
23. x姚明,S.-P。唐,W.-X。曹,研究。田,y朱”,估计小麦叶片氮含量的近红外反射光谱,”gydF4y2Ba中国植物生态学》杂志上gydF4y2Ba,35卷,不。8,844 - 852年,2011页。gydF4y2Ba视图:gydF4y2Ba出版商的网站gydF4y2Ba|gydF4y2Ba谷歌学术搜索gydF4y2Ba
24. l·g·j·j . Lu太阳,w . j .黄”研究进展在作物病虫害的监测和预测遥感、”gydF4y2Ba遥感技术及应用gydF4y2Ba,34卷,不。1,21-32,2019页。gydF4y2Ba视图:gydF4y2Ba谷歌学术搜索gydF4y2Ba
25. x y . c .田姚明,j .杨w x曹,d . b . Hannaway y朱,“勘误表”评估新开发和出版植被指数估算水稻叶片氮浓度与地基和空基观测高光谱反射率”[田间作物研究》120 (2011)299 - 310],”gydF4y2Ba作物研究领域gydF4y2Ba,卷121,不。3,p。464年,2011年。gydF4y2Ba视图:gydF4y2Ba出版商的网站gydF4y2Ba|gydF4y2Ba谷歌学术搜索gydF4y2Ba
26. j . Penuelas f . Baret i Filella,“半经验指数来评估类胡萝卜素/叶绿素a比从叶片光谱反射率、”gydF4y2BaPhotosyntheticagydF4y2Ba没有,卷。31日。2、221 - 230年,1995页。gydF4y2Ba视图:gydF4y2Ba谷歌学术搜索gydF4y2Ba
27. p . s . Thenkabail r·b·史密斯和e•德•波夫“高光谱植被指数及其与农作物的关系特点,“gydF4y2Ba环境遥感gydF4y2Ba,卷71,不。2、158 - 182年,2000页。gydF4y2Ba视图:gydF4y2Ba出版商的网站gydF4y2Ba|gydF4y2Ba谷歌学术搜索gydF4y2Ba
28. p .锣、r . Pu和r . c .综”营养评估的原位分析的高光谱数据巨大的红杉,”gydF4y2Ba国际遥感杂志》上gydF4y2Ba,23卷,不。9日,第1850 - 1827页,2002年。gydF4y2Ba视图:gydF4y2Ba出版商的网站gydF4y2Ba|gydF4y2Ba谷歌学术搜索gydF4y2Ba
29. j·b·江、黄懿慧陈和w·j·黄”研究hyperspectra色素含量估计树冠下的冬小麦叶疾病压力,”gydF4y2Ba光谱和光谱分析gydF4y2Ba,27卷,不。7,1363 - 1367年,2007页。gydF4y2Ba视图:gydF4y2Ba谷歌学术搜索gydF4y2Ba
30. j。j张和黄懿慧通用电气”,更高效的方法中常用的稳健估计方法的健壮的一元线性回归,”gydF4y2Ba先进材料的研究gydF4y2Ba卷,712 - 715,2493 - 2496年,2013页。gydF4y2Ba视图:gydF4y2Ba出版商的网站gydF4y2Ba|gydF4y2Ba谷歌学术搜索gydF4y2Ba
31. x x, g .杨许et al .,“时段遥测光学和雷达参数联合估计赖和生物量在冬小麦用HJ RADARSAR-2数据,”gydF4y2Ba遥感gydF4y2Ba,7卷,不。10日,13251 - 13272年,2015页。gydF4y2Ba视图:gydF4y2Ba出版商的网站gydF4y2Ba|gydF4y2Ba谷歌学术搜索gydF4y2Ba
32. l . j . c .张人民币,j . h . Wang j·h·罗,s . z Du和w·j·黄”作物疾病的研究进展和宠物监控基于遥感,”gydF4y2Ba中国农业工程学会的事务gydF4y2Ba,28卷,不。20日,1 - 11,2012页。gydF4y2Ba视图:gydF4y2Ba谷歌学术搜索gydF4y2Ba
33. w·j·j·j . Lu黄,j·b·江和j·c·张”比较传统小波的特性和光谱特性在冬季小麦条锈病估计的严重程度,”gydF4y2Ba杂志Triticeae作物gydF4y2Ba,35卷,不。10日,1456 - 1461年,2015页。gydF4y2Ba视图:gydF4y2Ba谷歌学术搜索gydF4y2Ba
34. h, h . y .歌曲,曹,y,和z . j .秋”研究油菜叶片的光谱性能之间的关系及其叶绿素含量,”gydF4y2Ba光谱和光谱分析gydF4y2Ba,27卷,不。9日,第1734 - 1731页,2007年。gydF4y2Ba视图:gydF4y2Ba谷歌学术搜索gydF4y2Ba

版权gydF4y2Ba

版权©2019 Linsheng黄等。这是一个开放分布式下文章gydF4y2Ba知识共享归属许可gydF4y2Ba,它允许无限制的使用、分配和复制在任何媒介,提供最初的工作是正确引用。gydF4y2Ba