水培番茄施氮量近紅外光譜預測模型的研究

摘要：通過小波變換去除了可見光區(350～560 nm)的噪聲,提取出了葉酸的特征波段366 nm和與葉綠素有關的特征波段380,414,437,554 nm.在560～2 500 nm的波長范圍內,去除噪聲后的最大誤差低于1.47%;在特征峰谷處的最大誤差不超過0.11%.用BP神經網絡建立了番茄施氮量預測模型.研究表明,在用植物探頭獲取番茄葉片光譜數據并去噪的條件下,用554,673,1 440,1 940 nm處的吸光度值作為BP神經網絡的輸入變量建立的番茄施氮最的預測模型有很高的預測精度,有極大的潛力能夠滿足實際應用的需要.對研究大田有效養分的預測模型也有重要的參考價值. 作者： 韓小平[1]左月明[1]李靈芝[2] Author： HAN Xiao-ping[1]  ZUO Yue-ming[1]  LI Ling-zhi[2] 作者單位： 山西農業大學工程技術學院,山西,太谷,030801山西農業大學園藝學院,山西,太谷,030801 期 刊： 光譜學與光譜分析   ISTICEISCIPKU Journal： SPECTROSCOPY AND SPECTRAL ANALYSIS 年，卷(期)： 2010, 30(9) 分類號： S143.1 關鍵詞： 小波去噪    特征提取    模型預測    施氮量    水培    機標分類號： S64 R24 機標關鍵詞： 水培    番茄葉片    施氮量    近紅外光譜    預測模型    Near Infrared Spectrum    Nitrogen Content    Model    最大誤差    特征波段    神經網絡建立    去除噪聲    預測精度    有效養分    小波變換    吸光度值    輸入變量    實際應用    可見光區    光譜數據 基金項目： 國家自然科學基金，山西省留學基金

【水培番茄施氮量近紅外光譜預測模型的研究】相關文章：

棕櫚藤纖維和導管長度的近紅外光譜預測研究05-07

臍橙糖度近紅外光譜在線檢測數學模型優化研究05-07

湖泊底泥釋氮預測模型及釋氮控制研究04-30

近紅外光譜技術定量測定基質參數研究05-07

異穗卷柏的顯微與近紅外光譜鑒定研究04-26

土壤中總氮與總磷含量的近紅外光譜實時檢測方法04-26

基于近紅外光譜的神經網絡預測大米直鏈淀粉含量04-28

可見/近紅外光譜分析技術快速鑒別航天育種番茄05-07

近紅外漫反射光譜技術快速預測蒸汽壓片玉米常規成分含量的研究05-07

施氮量對玉米超高產田特征研究探討05-02