激情内射日本一区二区三区,激情动图欧美一区二区

北京理加聯(lián)合科技有限公司

LICA United Technology Limited

服務(wù)熱線: 13910499761 010-51292601

English

企業(yè)郵箱

應(yīng)用支持 Technical

News 應(yīng)用支持

您現(xiàn)在的位置：首頁 → 應(yīng)用支持 → 應(yīng)用文獻(xiàn) > 光譜應(yīng)用

ASD | LabSpec地物光譜儀在反演土壤水分特征曲線方面的應(yīng)用

對地表入滲和蒸發(fā)通量的分配，以及準(zhǔn)確量化不同空間尺度下土壤與大氣之間的質(zhì)量和能量交換過程，都需要了解土壤的水文性質(zhì)（如土壤水分特征曲線和導(dǎo)水率特征曲線）。土壤水分特征曲線（SWRC）描述了在基質(zhì)勢下土壤水分含量的平衡情況，是重要的水文特性，與土壤孔隙的大小分布和結(jié)構(gòu)密切相關(guān)，受土壤結(jié)構(gòu)、質(zhì)地、有機(jī)物和粘土礦物等因素的影響。傳統(tǒng)測量SWRC的實驗室方法繁瑣，數(shù)據(jù)往往不完整，且只覆蓋有限的水分含量范圍。近年來，近程和遙感技術(shù)得到了廣泛關(guān)注，特別是在光學(xué)域內(nèi)的土壤反射光譜已被用于獲取土壤礦物學(xué)和化學(xué)成分、有機(jī)物含量、粒度分布及水分含量等信息。這些研究為衛(wèi)星遙感提供了大尺度測繪的基礎(chǔ)。傳統(tǒng)方法主要依賴光譜轉(zhuǎn)移函數(shù)，盡管能有效推斷土壤水力特性，但需大量數(shù)據(jù)進(jìn)行模型校準(zhǔn)。本文提出了一種新的實驗室方法，通過水分含量依賴的短波紅外（SWIR）土壤反射光譜直接估計SWRC，利用最近開發(fā)的前向輻射傳輸模型，僅依賴水分含量-反射率數(shù)據(jù)對，計算更高效，無需反演流動方程，簡化了測量過程。為了測試提議的新實驗室方法，作者使用了21種亞利桑那州土壤，這些土壤的質(zhì)地（表 1）和礦物成分（即高嶺石、云母/伊利石、蒙脫石、蛭石、綠泥石和黑云母含量）有很大差異。下面提供了實驗確定的 SWRC 和干燥土壤的反射光譜的描述。表 1. 亞利桑那州土壤的質(zhì)地特性使用ASD LabSpec®2500 地物光譜儀測量不同含水量水平的土壤反射光譜。波長范圍：350-2500nm。將烘干的土壤樣品通過2mm篩子，然后裝入直徑為40mm、高度為1.5mm的黑色金屬容器中。反射率測量采用與SWRC測量相同的目標(biāo)填充密度。樣品經(jīng)過仔細(xì)平整（即不壓實以盡量減少陰影效應(yīng)）。土壤樣品最初用2毫升注射器浸透，在土壤從浸透到風(fēng)干的過程中，每3分鐘自動獲取一次反射光譜。圖 2. (a) 假設(shè) θo= 0.18, l...

發(fā)布時間: 2024 - 11 - 07

瀏覽次數(shù)：21

查看詳情>>

植物病害的高光譜圖像解譯識別：3D-CNN與顯著圖模型

本文旨在利用高光譜數(shù)據(jù)建立一個準(zhǔn)確、可解釋的植物病害識別模型。由真菌引起的大豆炭腐病是一種嚴(yán)重影響大豆產(chǎn)量的世界性病害。在383-1032 nm范圍內(nèi)，Resonon高光譜成像儀在240個不同的波長處捕獲高光譜圖像。針對大豆炭腐病，科學(xué)家建立了3D卷積分網(wǎng)絡(luò)模型，模型分類精度為95.73%，并利用可視化顯著圖檢驗訓(xùn)練模型、敏感像素位置以及分類的特征敏感波段，發(fā)現(xiàn)：敏感特征波段為733 nm，這和常用的鑒別植物健康程度的特征波段范圍（700-1000nm）是一致的。實驗：感染炭腐病的大豆：分別在第3、6、9、12和15天采集健康的和受感染的大豆莖稈樣品，在測量病害程度之前，實時采集健康的和收到感染的莖稈的高光譜圖像。測量儀器：美國Resonon高光譜成像儀，型號：Pika XC（包含安裝支架、移動平臺、操作軟件和2個70w鹵素?zé)簦㏄ika XC性能：光譜通道數(shù)：240，波段范圍，400-1000 nm，分辨率：2.5 nm。平臺系統(tǒng)如下圖（a）所示：（a）室內(nèi)高光譜成像系統(tǒng)（b）不同光譜波段的大豆莖稈樣品高光譜圖像（c）大豆莖稈的內(nèi)部和外部RGB圖像的病害程度比較3D-CNN模型由兩個連接的卷積分模型組成，其中，一個小的構(gòu)架用于防止訓(xùn)練...

發(fā)布時間: 2018 - 10 - 09

瀏覽次數(shù)：684

查看詳情>>

基于無人機(jī)的榆樹疏林草原植被類型劃分和覆蓋度生長季動態(tài)估計

DOI： 10.5846/stxb201803300694韓東，王浩舟，鄭邦友，王鋒. 基于無人機(jī)和決策樹算法的榆樹疏林草原植被類型劃分和覆蓋度生長季動態(tài)估計. 生態(tài)學(xué)報， 2018， 38（18）：6655-6663 基于無人機(jī)和決策樹算法的榆樹疏林草原植被類型劃分和覆蓋度生長季動態(tài)估計韓東1，王浩舟1,2，鄭邦友3，王鋒1，*1 中國林業(yè)科學(xué)院荒漠化研究所，北京 1000912 The Faculty of Forestry & Environmental Management, University of New Brunswick, Fredericton, NB E3B 5A3, Canada3 CSIRO Agriculture and Food, Queensland Biosciences Precinct 306 Carmody Road, St Lucia, 4067, QLD, Australia摘要：植被覆蓋度是評估生態(tài)環(huán)境質(zhì)量與植被生長的重要指標(biāo)，也是全球眾多陸面過程模型和生態(tài)系統(tǒng)模型中表達(dá)植被動態(tài)的重要參數(shù)。衛(wèi)星遙感和地面測量是估算植被覆蓋度的常見方法。然而，如何精確...

發(fā)布時間: 2018 - 09 - 29

瀏覽次數(shù)：173

查看詳情>>