水培番茄施氮量近红外光谱预测模型的研究

摘要：通过小波变换去除了可见光区(350～560 nm)的噪声,提取出了叶酸的特征波段366 nm和与叶绿素有关的特征波段380,414,437,554 nm.在560～2 500 nm的波长范围内,去除噪声后的最大误差低于1.47%;在特征峰谷处的最大误差不超过0.11%.用BP神经网络建立了番茄施氮量预测模型.研究表明,在用植物探头获取番茄叶片光谱数据并去噪的条件下,用554,673,1 440,1 940 nm处的吸光度值作为BP神经网络的输入变量建立的番茄施氮最的预测模型有很高的预测精度,有极大的潜力能够满足实际应用的需要.对研究大田有效养分的预测模型也有重要的参考价值. 作者： 韩小平[1]左月明[1]李灵芝[2] Author： HAN Xiao-ping[1]  ZUO Yue-ming[1]  LI Ling-zhi[2] 作者单位： 山西农业大学工程技术学院,山西,太谷,030801山西农业大学园艺学院,山西,太谷,030801 期 刊： 光谱学与光谱分析   ISTICEISCIPKU Journal： SPECTROSCOPY AND SPECTRAL ANALYSIS 年，卷(期)： 2010, 30(9) 分类号： S143.1 关键词： 小波去噪    特征提取    模型预测    施氮量    水培    机标分类号： S64 R24 机标关键词： 水培    番茄叶片    施氮量    近红外光谱    预测模型    Near Infrared Spectrum    Nitrogen Content    Model    最大误差    特征波段    神经网络建立    去除噪声    预测精度    有效养分    小波变换    吸光度值    输入变量    实际应用    可见光区    光谱数据 基金项目： 国家自然科学基金，山西省留学基金

【水培番茄施氮量近红外光谱预测模型的研究】上海花千坊相关的文章：

棕榈藤纤维和导管长度的近红外光谱预测研究05-07

脐橙糖度近红外光谱在线检测数学模型优化研究05-07

湖泊底泥释氮预测模型及释氮控制研究04-30

近红外光谱技术定量测定基质参数研究05-07

异穗卷柏的显微与近红外光谱鉴定研究04-26

土壤中总氮与总磷含量的近红外光谱实时检测方法04-26

基于近红外光谱的神经网络预测大米直链淀粉含量04-28

可见/近红外光谱分析技术快速鉴别航天育种番茄05-07

近红外漫反射光谱技术快速预测蒸汽压片玉米常规成分含量的研究05-07

施氮量对玉米超高产田特征研究探讨05-02