CN102982486A - 一种基于作物长势遥感监测信息的施肥决策方法 - Google Patents

Abstract

本发明将传统基于地力分区（级）的配方施肥技术与遥感技术、GIS技术集成，依据不同地块及地块内部作物长势差异情况，构建了一种基于作物长势遥感监测信息的施肥决策方法，充分发挥了遥感技术在作物长势监测中的优势，实现了面向农田地块的实时、快速、准确的施肥决策，提高了施肥决策的精度，降低了化肥使用的盲目性，为测土配方施肥技术在大范围内推广奠定了基础。

Description

一种基于作物长势遥感监测信息的施肥决策方法

技术领域

本发明属于农业领域，涉及一种作物施肥方法，具体涉及一种基于作物长势遥感监测信息的施肥决策方法。

背景技术

肥料作为作物的“粮食”，一直在我国作物增产和农民增收中发挥着重要作用，在农业生产中，肥料对作物产量提高的贡献率达到40%以上，我国十分重视化肥的生产和施用，在当前种植业投入中，农民大约花费一半投入用于购买肥料，目前已经成为世界化肥生产和消费的第一大国，占世界总消费量的30%。

长期以来，为单纯追求作物的单产提高和总产增加，我国化肥滥施现象严重。盲目施肥导致作物产量品质降低，施肥效益下降，耕地质量退化，作物病虫害普遍发生，大量氮、磷流失造成农业水源污染加剧，部分地区水体富营养化进程加快，生态环境恶化，给农业生产带来不可估量的损失。在当前作物产量水平较高和化肥用量日趋增多的情况下，确定经济最佳施肥量尤其重要，如何经济合理施肥，提高肥料的经济效益，已成为当前农业生产中迫切需要解决的问题。

测土配方施肥技术正是在这种背景中发展起来的，测土配方施肥以土壤测试和肥料田间试验为基础，根据作物需肥规律、土壤供肥性能和肥料效应，在合理施用有机肥料的基础上，提出氮、磷、钾及中、微量元素等肥料的施用数量、施用时期和施用方法。其核心是调节作物需肥与土壤供肥之间的矛盾，有针对性的补充作物所需的营养元素，满足作物需求。

目前，通用的测土配方施肥的方法有三类，包括地力分区（级）配方法，目标产量配方法以及效应函数法。其中，地力分区（级）配方法按土壤肥力高低分成若干等级，将肥力均等的区域作为一个配方区，根据该区域土壤养分测试结果及田间试验结果，估算出整个配方区内比较适宜的肥料种类及其施肥量。目标产量配方法是根据作物产量的构成，由土壤和肥料两个方面供给养分的原理来计算施肥量。目前通用的有养分平衡阀和地力差减法两种方法。效应函数配方法是通过简单的对比试验或应用肥料用量试验，进行多点田间试验，从而选出最优处理，确定肥料的施用量；主要由以下三种方法，肥料效应函数法，养分丰缺指标法和氮磷钾比例法。

在实际应用中，地力分区（级）配方法由于针对性强，提出的用量和措施接近农户的经验，因此易于被农户接受，是土壤配方施肥方法中推广范围最广泛的；在实际应用中，测土配方施肥的原则是：一户、一田、一测、一配、一施的原则。称五个一原则，即测谁家的农田、就给谁家配方，用配方，去指导谁家施肥。正常生产中，常把一屯或一组耕地，根据地形、地貌、土质等情况分为几块，分别进行测土，然后再给农户配方、施肥。

与传统的经验施肥相比，测土配方施肥根据土壤供肥能力，作物营养需取，肥料效应函数，确定需要通过施肥补充的元素种类及数量，通过合理施肥，提高了作物产量，减少环境污染，取得了一定的成绩。然而，无论是地力分区（级）配方法、目标产量配方法还是效应函数法，都以土壤测试和肥料田间试验为基础。

我国农田比较分散，在当前经济条件下，大范围逐田块进行土壤养分取样测试需要耗费大量的人力物力，因此，实际推广中往往对一村一组的耕地选择性测试几个土壤养分数据，用以代表一村一组耕地的肥力水平，对于单个田块一般只取一个样，因而无法掌握所有地块之间以及地块内部土壤养分的信息；此外，由于一年的土壤养分测试数据多年使用，忽略了土壤养分年季间的变化；也会造成测土配方施肥中最后一公里上的误差与浪费，无法真正做到施肥的有的放矢。综上可见，单纯依赖人工调查数据开展区域施肥决策，存在工作量大、自动化程度低、时效性差等缺点，现代农业管理迫切需要科技部门能够拿出农户能接收的、可操作性强的具体实施方案，使得测土配方施肥实现大面积推广、真正获得应有的效果。

有鉴于此，特提出本发明。

发明内容

本发明的目的在于针对目前测土配方施肥、特别是地力分区（级）配方施肥工作中存在的时效性不强、区（级）内不同田块施肥决策无差别的问题，利用卫星遥感影像数据，提取作物关键生育期长势信息，挖掘遥感影像像元级别作物长势差异信息，提出一种基于作物长势遥感监测信息的施肥决策的方法，在区、县、省、市等较大尺度上，实现快速、准确、实时的作物施肥决策。

为实现上述目的，本发明采用如下技术方案：

一种基于作物长势遥感监测信息的施肥决策方法，包括如下步骤：

（1）目标作物分类提取；

在目标作物生育期内，获取多时相卫星遥感影像数据，依据作物生长发育特点，结合获取的多时相卫星遥感影像数据，基于作物遥感影像光谱信息时间及空间变化特征，通过遥感影像处理软件实现计算机自动分类，提取目标作物，获得准确的目标作物空间分布格栅图；

（2）提取地块单元边界信息；

在遥感影像处理软件中将目标作物空间分布栅格图转换为多边形矢量图，该矢量图中包含所需地块单元边界信息；对该多边形矢量图数据进行预处理，所述的预处理包括基于农田内部道路、水渠等线状信息对地块的进一步分割、细小多边形的去除等，最终获得农田自然地块边界信息。

（3）提取作物长势植被指数；

选取作物施肥关键生育期作物的卫星遥感影像，依据卫星遥感影像数据特点，提取不同植被指数作为作物长势参数，形成作物长势植被指数图；

（4）划分地块内部施肥决策单元；

基于地块边界信息及作物长势植被参数信息，以地块内部作物长势遥感参数变异程度为标准对地块内部作物进行长势评价，采用面向对象尺度分割技术，进行地块内部作物长势信息的分割，依据植被指数值的大小，地块形状规则度，将农田地块内部作物分割为不同的长势单元，同时，获取不同长势单元边界信息并形成地块施肥决策单元分割图；

（5）划分土壤肥力分区；

依据土壤养分采样数据通过空间差值运算后对土壤肥力进行分区划分，形成肥力等级分区图；

（6）计算像素单元施肥量；

将研究区肥力等级分区图与作物长势植被指数图叠加，统计不同肥力分区内包含的像元个数，并计算不同肥力分区所有像元对应植被指数的均值；以不同肥力分区内像素单元为基本单位，以相应土壤肥力分区推荐施肥量中值为参考值，按照不同肥力分区内像素植被指数与该分区植被指数均值的比率计算每一肥力分区像素单元施肥量；

（7）地块及地块内部施肥决策单元施肥量计算；

在获取不同肥力分区对应像素单元施肥量数据后，利用农田地块和施肥决策单元边界矢量数据界定不同范围，在地块单元及施肥决策单元两个尺度上分别进行施肥量的计算，最终实现同一肥力区内不同长势地块及地块内部长势不同区域差别化施肥决策。

本发明所述的施肥决策方法，所述的施肥关键生长期如小麦拔节期影像、玉米拔节期到抽雄期等，具体为本领域技术人员能够理解。

步骤3中，所述的植被指数为NDVI、OSAVI或NRI。上述植被指数是已知的作物长势评价参数，参数定义如下表：

本发明所述的施肥决策方法，步骤4中，以地块内部作物长势遥感参数变异程度作为标准，当阈值χ<M时，认为该地块作物长势变异程度低，可以采用均一施肥方式；当阈值χ>M时，认为该地块作物长势变异程度过高，需要进一步划分施肥单元。

其中，所述的M为变异系数，是样本均值与其标准差的比值百分量，属于本领域技术人员所能理解的常用指标，其具体的计算也属本领域技术人员熟知。在不同地块内，标准差和样本均值也不同，该M值也各不相同，以北京地区为例（即本发明实施例1中的数据），标准差为0.05-0.18，样本均值为0.28-0.67，M值为11.16%-31.87%，此外，所述阈值的设定要根据不同地区作物的长势及地块的大小来进行一定调整，本发明中优选所述阈值χ为10-20%，如15%。

本发明所述的施肥决策方法，步骤5中，所述土壤养分采样数据从研究区当地农业技术推广单位获取。当研究区当地农业技术推广单位已有土壤肥力分区图时，可直接采用。

其中，所述土壤养分选择有机质、碱解氮、有效磷和速效钾作为评价因子。所述的肥力分区依据土壤肥力综合指数划分，所述土壤肥力综合指数的计算公式为：

I=∑Fi×Wi(i=1,2,3,……,n)          （1）

式中：I代表地块养分综合指数，Fi=第i个指标评分值，Wi=第i个指标的权重。其中，有机质的权重为30%，碱解氮的权重为25%，有效磷的权重为25%，速效钾的权重为20%。

其中肥力分区划分指标为综合指数（I）大于或等于70，且小于100的，土壤肥力等级为高；大于或等于50，且小于70的，土壤肥力等级为中；小于50的，土壤养分等级为低。

本发明所述的施肥决策方法，所述步骤6中像素单元施肥量计算公式为：

$\mathrm{PF}=\mathrm{CF}\&times;(1-\frac{(P-\stackrel{\&OverBar;}{P})}{\stackrel{\&OverBar;}{P}})\&times;\frac{P_{\mathrm{area}}}{666.7}$

其中，PF为对应肥力分区像素单元施肥量，单位为公斤/亩；

CF为对应肥力分区作物推荐施肥量中值，单位为公斤/亩；

P为对应肥力分区单位像素植被指数值；

为对应肥力分区所有像素单元植被指数均值；

P_area为像元对应的面积，单位为平方米。

本发明所述的施肥决策方法，所述步骤7中F_F的计算公式为：

$F_F=\underset{1}{\overset{n}{\mathrm{\&Sigma;}}}\mathrm{PF}$

其中，n为该地块单元或施肥决策单元内包含的所有像元的个数；

PF为地块或施肥决策单元像素单元施肥量。

采用上述技术方案，本发明将传统基于地力分区（级）的配方施肥技术与遥感技术、GIS技术集成，依据不同地块及地块内部作物长势差异情况，构建了一种基于作物长势遥感监测信息的施肥决策技术，充分发挥了遥感技术在作物长势监测中的优势，实现了面向农田地块的实时、快速、准确的施肥决策，提高了施肥决策的精度，降低了化肥使用的盲目性，为测土配方施肥技术在大范围内推广奠定了基础。

与现有技术相比，本发明提出的技术方案充分利用了遥感影像数据能够多次、瞬时、无损的获取大范围“面状”地物光谱信息的特点，充分挖掘遥感影像作物长势信息，在区、县、省、市等较大尺度上，实现了针对农田地块的快速、准确、实时的差别化施肥决策，在提高工作效率，减轻工作强度的同时，能够有效的提高作物施肥决策准确性与精度。

附图说明

图1为本发明施肥决策方法的流程图；

图2为实施例1研究区冬小麦种植区分布图；

图3为实施例1研究区冬小麦地块分割图；

图4为实施例1研究区冬小麦施肥决策单元划分图；

图5为实施例1研究区2008年度土壤肥力分布图；

图6为实施例1研究区2008年度像素单元氮肥施肥量图；

图7为实施例1研究区地块尺度氮肥施肥量图；

图8为实施例1研究区地块内施肥决策单元施肥量图。

具体实施方式

以下实施例用于说明本发明，但不用来限制本发明的范围。

实施例1

本实施例以北京通州、大兴地区为研究区，通过采用本发明决策方法，最终获取通州地区大兴地区2008年冬小麦拔节期氮肥施肥决策信息。

如图1所示，本实施例的具体步骤包括：

1、目标农作物分类提取

2008年度，在冬小麦生育期获取研究区多期Landsat TM卫星遥感影像，获取日期分别为3月27日，4月17日，分别对应冬小麦起身期、拔节期。利用2008年度3月27日、4月17日遥感影像，采用决策树分类法，对通州大兴地区冬小麦种植区进行了提取，形成了图2所示的研究区冬小麦种植区分布图，实现了非小麦种植区、小麦种植区及相邻区县的划分，获得目标农作物准确的空间分布图；

2、提取地块单元信息

步骤1所获得的目标农作物准确的空间分布图为栅格图，本发明在遥感影像处理软件中将该栅格图转换为矢量图，该矢量图中包含所需地块单元边界信息。

利用图2所示的冬小麦种植区情况，结合3月27日、4月17日获取的多光谱卫星遥感影像，采用面向对象尺度分割技术，提取冬小麦种植区域地块边界信息，形成图3所示的研究区冬小麦地块分割图。

3、提取作物长势植被指数

从影像中提取植被指数OSAVI作为冬小麦长势参数并形成OSAVI参数图。

4、划分地块内部施肥决策单元

基于2008年度4月17日遥感影像计算的OSAVI参数图，以不同地块为目标，以OSAVI变异系数为阈值，判读不同地块作物长势变异程度，对于变异较大的地块，基于地块内部OSAVI值的大小，进一步进行对象分割，将长势接近的区域划分为同一级别施肥单元，形成如图4所示的研究区冬小麦施肥决策单元划分图。

5、划分土壤肥力分区（级）

相关土壤肥力分区图可以藉由土壤养分采样数据通过空间插值运算后获取，施肥决策指导意见与土壤肥力分级密切相关，一般可以从研究区当地农业技术推广单位获取。

本研究参考北京市土壤养分分等定级标准，选择土壤有机质、碱解氮、有效磷和速效钾四个指标为评价因子计算北京大兴通州地区土壤养分综合指数，根据该指数划分不同肥力分区，土壤肥力综合指数计算公式如下所示：

I=∑Fi×Wi(i=1,2,3,……,n)        （1）

式中：I代表地块养分综合指数，Fi=第i个指标评分值，Wi=第i个指标的权重。其中，有机质的权重为30%，碱解氮的权重为25%，有效磷的权重为25%，速效钾的权重为20%。

其中肥力分区划分指标为综合指数（I）大于或等于70，且小于100的，土壤肥力等级为高；大于或等于50，且小于70的，土壤肥力等级为中；小于50的，土壤养分等级为低。划分结果如图5所示。

6、计算像素单元施肥量

将土壤肥力分级图（图5）与冬小麦种植区分布图叠加（图2），统计不同肥力分区冬小麦长势参数化OSAVI均值，按照北京农业技术推广站北京地区冬小麦测土配方施肥指导意见推荐的指导施肥量，以遥感影像像元为单位，分别计算不同肥力分区像素单元施肥量，形成图6所示的研究区2008年度像素单元氮肥施肥量图。

北京农业技术推广站北京地区冬小麦测土配方施肥指导意见推荐的指导施肥量如表1所示：

表1小麦推荐施肥量

像素单元施肥量计算公式如下所示：

$\mathrm{PF}=\mathrm{CF}\&times;(1-\frac{(P-\stackrel{\&OverBar;}{P})}{{\stackrel{\&OverBar;}{P}}_I})\&times;\frac{P_{\mathrm{area}}}{666.7}$

其中，PF为对应肥力分区像素单元施肥量，单位为公斤/亩；

CF为对应肥力分区作物推荐施肥量中值，单位为公斤/亩；

P为对应肥力分去区单位像素植被指数值；为对应肥力分区所有像素单元植被指数均值；

P_area为像元对应的面积（平方米）

7、地块及地块内部施肥决策单元施肥量计算

在以上研究的基础上，结合研究获取的地块分割图（即图3）及施肥决策单元划分图（即图4），分别计算不同尺度上的最终施肥决策单元施肥量。计算公式参见

$F_F=\underset{1}{\overset{n}{\mathrm{\&Sigma;}}}\mathrm{PF}$

其中，n为该地块单元或施肥决策单元内包含的所有像元的个数；

PF地块或施肥决策单元像素单元施肥量。

所得地块尺度上的施肥量计算结果见图7（不同长势地块施肥量）；地块内施肥决策单元施肥量计算结果如图8所示（同一地块内长势不同区域差别化施肥量）。

本实例利用本发明提出的方法，集成传统地力分区（级）的配方施肥技术与遥感技术、GIS技术，依据不同地块及地块内部作物长势差异情况，构建了一种基于作物长势遥感监测信息的施肥决策技术，实现了基于作物长势遥感监测信息的农田地块尺度及农田地块内施肥决策单元的施肥决策，充分发挥了遥感技术在作物长势监测中的优势，实现了面向农田地块的实时、快速、准确的差别化施肥决策，提高了施肥决策的精度，降低了化肥使用的盲目性，为测土配方施肥技术在大范围内推广奠定了基础，本发明实现了针对农田地块的快速、准确、实时的差别化施肥决策，在提高工作效率，减轻工作强度的同时，能够有效的提高作物施肥决策准确性与精度。

虽然，上文中已经用一般性说明、具体实施方式及试验，对本发明作了详尽的描述，但在本发明基础上，可以对之作一些修改或改进，这对本领域技术人员而言是显而易见的。因此，在不偏离本发明精神的基础上所做的这些修改或改进，均属于本发明要求保护的范围。

Claims (9)

1.一种基于作物长势遥感监测信息的施肥决策方法，包括如下步骤：

（1）目标作物分类提取；

在目标作物生育期内，获取多时相卫星遥感影像数据，依据作物生长发育特点，结合获取的多时相卫星遥感影像数据，基于作物遥感影像光谱信息时间及空间变化特征，通过遥感影像处理软件实现计算机自动分类，提取目标作物，获得准确的目标作物空间分布格栅图；

（2）提取地块单元边界信息；

在遥感影像处理软件中将目标作物空间分布栅格图转换为多边形矢量图，该矢量图中包含所需地块单元边界信息；对该多边形矢量图的数据进行预处理，最终获得农田自然地块边界信息；

（3）提取作物长势植被指数；

选取作物施肥关键生育期作物的卫星遥感影像，依据卫星遥感影像数据特点，提取不同植被指数作为作物长势参数，形成作物长势植被指数图；

（4）划分地块内部施肥决策单元；

基于地块边界信息及作物长势植被参数信息，以地块内部作物长势遥感参数变异程度为标准对地块内部作物进行长势评价，采用面向对象尺度分割技术，进行地块内部作物长势信息的分割，依据植被指数值的大小，地块形状规则度，将农田地块内部作物分割为不同的长势单元，同时，获取不同长势单元边界信息并形成地块施肥决策单元分割图；

（5）划分土壤肥力分区；

依据土壤养分采样数据通过空间差值运算后对土壤肥力进行分区划分，形成肥力等级分区图；

（6）计算像素单元施肥量；

将研究区肥力等级分区图与作物长势植被指数图叠加，统计不同肥力分区内包含的像元个数，并计算不同肥力分区所有像元对应植被指数的均值；以不同肥力分区内像素单元为基本单位，以相应土壤肥力分区推荐施肥量中值为参考值，按照不同肥力分区内像素植被指数与该分区植被指数均值的比率计算每一肥力分区像素单元施肥量；

（7）地块及地块内部施肥决策单元施肥量计算；

在获取不同肥力分区对应像素单元施肥量数据后，利用农田地块和施肥决策单元边界矢量数据界定不同范围，在地块单元及施肥决策单元两个尺度上分别进行施肥量的计算F_F，最终实现同一肥力区内不同长势地块及地块内部长势不同区域差别化施肥决策。

2.根据权利要求1所述的方法，其特征在于，步骤3中，所述的植被指数为NDVI、OSAVI或NRI。

3.根据权利要求1所述的方法，其特征在于，步骤3中，以地块内部作物长势遥感参数变异程度作为标准，当阈值χ<M时，该地块作物长势变异程度低，采用均一施肥方式；当阈值χ>M时，该地块作物长势变异程度过高，则进一步划分施肥单元。

4.根据权利要求3所述的方法，其特征在于，步骤4中所述的M为样本均值与其标准差的比值百分量，所述阈值为10-20%。

5.根据权利要求4所述的方法，其特征在于，步骤4中所述的M为样本均值与其标准差的比值百分量，所述阈值为15%。

6.根据权利要求1所述的方法，其特征在于，所述土壤养分采样数据选择有机质、碱解氮、有效磷和速效钾作为评价因子。

7.根据权利要求6所述的方法，其特征在于，所述的肥力分区依据土壤肥力综合指数划分，所述土壤肥力综合指数的计算公式为：

I=∑Fi×Wi(i=1,2,3,……,n)

式中：I代表地块养分综合指数，Fi=第i个指标评分值，Wi=第i个指标的权重；其中，有机质的权重为30%，碱解氮的权重为25%，有效磷的权重为25%，速效钾的权重为20%。

8.根据权利要求1所述的方法，其特征在于，所述步骤6中像素单元施肥量计算公式为：

$\mathrm{PF}=\mathrm{CF}\&times;(1-\frac{(P-\stackrel{\&OverBar;}{P})}{\stackrel{\&OverBar;}{P}})\&times;\frac{P_{\mathrm{area}}}{666.7}$

其中，PF为对应肥力分区像素单元施肥量，单位为公斤/亩；

CF为对应肥力分区作物推荐施肥量中值，单位为公斤/亩；

P为对应肥力分去区单位像素植被指数值；

为对应肥力分区所有像素单元植被指数均值；

P_area为像元对应的面积，单位为平方米。

9.根据权利要求1所述的方法，其特征在于，所述步骤7中F_F的计算公式为：

$F_F=\underset{1}{\overset{n}{\mathrm{\&Sigma;}}}\mathrm{PF}$

其中，n为该地块单元或施肥决策单元内包含的所有像元的个数；

PF为地块或施肥决策单元像素单元施肥量。

Images