CN105760654A - 一种表征水稻生长状态的水稻叶片ndvi拟合模型的构建方法 - Google Patents
一种表征水稻生长状态的水稻叶片ndvi拟合模型的构建方法 Download PDFInfo
- Publication number
- CN105760654A CN105760654A CN201610066248.7A CN201610066248A CN105760654A CN 105760654 A CN105760654 A CN 105760654A CN 201610066248 A CN201610066248 A CN 201610066248A CN 105760654 A CN105760654 A CN 105760654A
- Authority
- CN
- China
- Prior art keywords
- ndvi
- rice
- rice leaf
- fit
- model
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Granted
Links
Classifications
-
- G—PHYSICS
- G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
- G16Z—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS, NOT OTHERWISE PROVIDED FOR
- G16Z99/00—Subject matter not provided for in other main groups of this subclass
Landscapes
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开了一种基于DNVI模型表征水稻生长状态的方法,包括以下步骤:分别获取水稻底部、水稻中部、水稻冠层和水稻生长环境各自的最高温度和最低温度,获取水稻底部、水稻中部、水稻冠层和水稻生长环境各自的最高相对湿度和最低相对湿度;获取水稻叶片NDVI;获取水稻冠层NDVI;获取水稻叶片接受日照的日照小时数和水稻生长天数;利用SPSS软件的多元回归分析方法,对上述数据进行分析,获得表征水稻生长状态的NDVI拟合模型。通过本发明的方法能够准确的估计水稻叶片分蘖期、水稻叶片拔节孕穗期、水稻叶片抽穗灌浆期和水稻叶片成熟期的生长状态,为科学评估水稻健康状况的模型研究奠定了基础。
Description
技术领域
本发明属于作物生长信息监测技术领域,具体涉及一种表征水稻生长状态的水稻叶片NDVI拟合模型的构建方法。
背景技术
归一化植被指数(NDVI)能够反映植被生长状态和植被覆盖度,水稻叶片作为水稻生长过程中最为重要的一个生理结构,对水稻产量具有重要影响。研究水稻叶片NDVI的变化并构建相应的NDVI模型,能够快速准确的判断水稻叶片的生长状态,对于早期病虫害的识别具有重要意义。
现有技术中,采用遥感的手段够获得的水稻冠层NDVI,并不能获取水稻叶片NDVI,因此无法准确的估计水稻叶片的生长状态,进而无法准确的估计水稻的生长状态。
发明内容
本发明的目的是提供一种基于水稻叶片NDVI拟合模型表征水稻生长状态的方法,解决了现有技术中采用遥感获得的水稻冠层NDVI,无法准确的估计水稻的生长状态的问题。
本发明提供的一种表征水稻生长状态的水稻叶片NDVI拟合模型的构建方法,包括以下步骤:
在分蘖期、拔节孕穗期、抽穗灌浆期和成熟期,每天获取水稻底部、水稻中部、水稻冠层和水稻生长环境各自的最高温度、最低温度、最高相对湿度和最低相对湿度;
在分蘖期、拔节孕穗期、抽穗灌浆期和成熟期,每天获取水稻叶片NDVI;
在分蘖期、拔节孕穗期、抽穗灌浆期和成熟期,每天获取水稻冠层NDVI;
在分蘖期、拔节孕穗期、抽穗灌浆期和成熟期,每天获取水稻叶片接受日照的日照小时数和水稻生长天数;
以所述水稻底部、水稻中部、水稻冠层和水稻生长环境各自的最高温度和最低温度、最高相对湿度和最低相对湿度,所述水稻叶片NDVI,所述水稻冠层NDVI,以及所述水稻叶片接受日照的日照小时数和水稻生长天数为对象,利用SPSS软件进行多元回归分析,获得表征水稻生长状态的水稻叶片NDVI拟合模型。
优选的,所述水稻底部、水稻中部、水稻冠层和水稻生长环境各自的最高温度、最低温度、最高相对湿度和最低相对湿度,按照以下步骤获取:
在水稻田内部选取若干个采样点;
在每个采样点内,每隔10min~15min获取一次水稻底部、水稻中部、水稻冠层和水稻生长环境各自的温度和相对湿度,通过对比,获得一天中水稻底部、水稻中部、水稻冠层和水稻生长环境各自的初始最高温度、初始最低温度、初始最高相对湿度和初始最低相对湿度;
分别计算所有采样点的初始最高温度的平均值、初始最低温度的平均值、初始最高相对湿度的平均值和初始最低相对湿度的平均值,获得水稻底部、水稻中部、水稻冠层和水稻生长环境各自的最高温度、最低温度、最高相对湿度和最低相对湿度。
优选的,所述水稻叶片NDVI按照以下步骤获取:
以所述采样点内所有叶片为采样对象,获取每个叶片的叶尖、叶中和叶尾的NDVI,并计算叶尖、叶中和叶尾的NDVI的平均值,获得每个叶片的单叶片NDVI;
计算所述采样点内所有叶片的单叶片NDVI的平均值,获得每个采样点的单点NDVI;
计算所有采样点的单点NDVI的平均值,获得水稻叶片NDVI。
优选的,所述水稻冠层NDVI按照以下步骤获取:获取每个采样点的冠层NDVI,并计算其平均值,获得水稻冠层NDVI。
优选的,在所述水稻田内部选取15个采样点。
优选的,所述采样点为一个圆形区域。
优选的,所述采样点为一个面积为0.5m2的圆形区域。
优选的,所述获取水稻叶片NDVI和获取水稻冠层NDVI的时间均为每天10:30~13:30。
优选的,所述获得表征水稻生长状态的水稻叶片NDVI拟合模型,包括:
获取分蘖期水稻叶片NDVI拟合模型;
获取拔节孕穗期水稻叶片NDVI拟合模型;
获取抽穗灌浆期水稻叶片NDVI拟合模型;
获取成熟期水稻叶片NDVI拟合模型;
获取全过程水稻叶片NDVI拟合模型;
所述分蘖期水稻叶片NDVI拟合模型的公式为:
y1=β10+β11xC1+β12xS1+β13xEHH1(1)
其中,y1为水稻叶片NDVI,xC1为水稻冠层NDVI,xS1为日照小时数,xEHH1为水稻生长环境的最高相对湿度,β10的取值范围为-9.15~-6.50,β11的取值范围为0.15~0.18,β12的取值范围为0.44~0.64,β13的取值范围为0.002~0.003;
所述拔节孕穗期水稻叶片NDVI拟合模型的公式为:
y2=β20+β21xC2+β22xS2+β23xMTL2+β24xBTL2(2)
其中,y2为水稻叶片NDVI,xC2为水稻冠层NDVI,xS2为日照小时数,xMTL2为水稻中部的最低温度,xBTL2为水稻底部最低温度,β20的取值范围为0.54~0.61,β21的取值范围为-0.68~-0.66,β22的取值范围为0.051~0.052,β23的取值范围为0~0.008,β24的取值范围为-0.009~0;
所述抽穗灌浆期水稻叶片NDVI拟合模型的公式为:
y3=β30+β21xC3+β32xD3+β33xETH3(3)
其中,y3为水稻叶片NDVI,xC3为水稻冠层NDVI,xD3为水稻生长天数,xETH3为水稻生长环境的最高温度,β30的取值范围为0.93~0.97,β31的取值范围为-0.29~-0.25,β32的取值范围为-0.003~-0.002,β33的取值范围为0.001~0.002;
所述成熟期水稻叶片NDVI拟合模型的公式为:
y4=β40+β41xC4+β42xS4+β43xD4(4)
其中,y4为水稻叶片NDVI,xC4为水稻冠层NDVI,xS4为日照小时数,xD4为水稻生长天数,β40的取值范围为-0.71~-0.70,β41的取值范围为-1.10~-1.00,β42的取值范围为0.175~0.177,β43的取值范围为-0.010~-0.009;
所述全过程水稻叶片NDVI拟合模型的公式为:
y5=β50+β51xS5+β52xETH5+β53xBHL5(5)
其中,y5为水稻叶片NDVI,xS5为日照小时数,xETH5为水稻生长环境的最高温度,xBHL5是水稻底部的最低相对湿度,β50的取值范围为-0.27~-0.26,β51的取值范围为0.55~-0.56,β52的取值范围为0.002~0.003,β53的取值范围为0.001~0.002。
优选的,所述分蘖期水稻叶片NDVI拟合模型的公式为:
y1=-9.119+0.166xC1+0.633xS1+0.002xEHH1
所述拔节孕穗期水稻叶片NDVI拟合模型的公式为:
y2=0.608-0.673xC2+0.051xS2+0.008xMTL2-0.009xBTL2
所述抽穗灌浆期水稻叶片NDVI拟合模型的公式为:
y3=0.965-0.285xC3-0.003xD3+0.001xETH3
所述成熟期水稻叶片NDVI拟合模型的公式为:
y4=-0.705-1.056xC4+0.176xS4-0.009xD4
所述全过程水稻叶片NDVI拟合模型的公式为:
y5=-0.268+0.56xS5+0.003xETH5+0.001xBHL5。
本发明的有益效果是,通过本发明的方法建立的水稻生长状态的NDVI拟合模型,能够准确的估计水稻叶片分蘖期、水稻叶片拔节孕穗期、水稻叶片抽穗灌浆期和水稻叶片成熟期的生长状态,进而对水稻的健康程度进行精准的判断,和对水稻长势进行跟踪。
附图说明
图1为本发明的采样点分布示意图;
图2为本发明中分蘖期水稻叶片NDVI拟合模型的P-P概率分布图;
图3为本发明中分蘖期的NDVI时间序列图;
图4为本发明中拔节孕穗期水稻叶片NDVI拟合模型的P-P概率分布图;
图5为本发明中拔节孕穗期的NDVI时间序列图;
图6为本发明中抽穗灌浆期水稻叶片NDVI拟合模型的P-P概率分布图;
图7为本发明中抽穗灌浆期的NDVI时间序列图;
图8为本发明中成熟期水稻叶片NDVI拟合模型的P-P概率分布图;
图9为本发明中成熟期的NDVI时间序列图;
图10为本发明中水稻生长全过程的NDVI时间序列图。
其中,图1中的数字1-15分别是采样点1-15的编号。
具体实施方式
下面结合附图和具体实施方式对本发明进行详细说明,但应当理解本发明的保护范围并不受具体实施方式的限制。
由于正常田间管理下,水稻土壤自身的条件不变,而在水稻生长过程中,温度和相对湿度变动较大,所以一个水稻品种如果按照正常的田间管理进行作业,那么影响水稻长势及产量的关键因素就主要来自温度和相对湿度,因此本发明在建模过程中,充分考虑温度和相对湿度对水稻叶片NDVI的影响,
在分蘖期、拔节孕穗期、抽穗灌浆期和成熟期,每天利用温湿度传感器分别获取水稻底部、水稻中部、水稻冠层和水稻生长环境的最高温度和最低温度,以及水稻底部、水稻中部、水稻冠层和水稻生长环境的最高相对湿度和最低相对湿度;每天利用NDVI测量仪获取水稻叶片NDVI和水稻冠层NDVI;每天人工记录水稻叶片接受日照的日照小时数和水稻生长天数;然后利用SPSS软件的多元回归分析方法,对上述数据进行分析,线性回归建模得到表征水稻生长状态的水稻叶片NDVI拟合模型,包括分蘖期水稻叶片NDVI拟合模型、拔节孕穗期水稻叶片NDVI拟合模型、抽穗灌浆期水稻叶片NDVI拟合模型、成熟期水稻叶片NDVI拟合模型和全过程水稻叶片NDVI拟合模型;
所述分蘖期水稻叶片NDVI拟合模型的公式为:
y1=β10+β11xC1+β12xS1+β13xEHH1(1)
其中,y1为水稻叶片NDVI,xC1为水稻冠层NDVI,xS1为日照小时数,xEHH1为水稻生长环境的最高相对湿度,β10的取值范围为-9.15~-6.50,β11的取值范围为0.15~0.18,β12的取值范围为0.44~0.64,β13的取值范围为0.002~0.003;
所述拔节孕穗期水稻叶片NDVI拟合模型的公式为:
y2=β20+β21xC2+β22xS2+β23xMTL2+β24xBTL2(2)
其中,y2为水稻叶片NDVI,xC2为水稻冠层NDVI,xS2为日照小时数,xMTL2为水稻中部的最低温度,xBTL2为水稻底部最低温度,β20的取值范围为0.54~0.61,β21的取值范围为-0.68~-0.66,β22的取值范围为0.051~0.052,β23的取值范围为0~0.008,β24的取值范围为-0.009~0;
所述抽穗灌浆期水稻叶片NDVI拟合模型的公式为:
y3=β30+β31xC3+β32xD3+β33xETH3(3)
其中,y3为水稻叶片NDVI,xC3为水稻冠层NDVI,xD3为水稻生长天数,xETH3为水稻生长环境的最高温度,β30的取值范围为0.93~0.97,β31的取值范围为-0.29~-0.25,β32的取值范围为-0.003~-0.002,β33的取值范围为0.001~0.002;
所述成熟期水稻叶片NDVI拟合模型的公式为:
y4=β40+β41xC4+β42xS4+β43xD4(4)
其中,y4为水稻叶片NDVI,xC4为水稻冠层NDVI,xS4为日照小时数,xD4为水稻生长天数,β40的取值范围为-0.71~-0.70,β41的取值范围为-1.10~-1.00,β42的取值范围为0.175~0.177,β43的取值范围为-0.010~-0.009;
所述全过程水稻叶片NDVI拟合模型的公式为:
y5=β50+β51xS5+β52xETH5+β53xBHL5(5)
其中,y5为水稻叶片NDVI,xS5为日照小时数,xETH5为水稻生长环境的最高温度,xBHL5是水稻底部的最低相对湿度,β50的取值范围为-0.27~-0.26,β51的取值范围为0.55~-0.56,β52的取值范围为0.002~0.003,β53的取值范围为0.001~0.002。
需要说明的是,水稻分蘖期、拔节孕穗期、抽穗灌浆期、成熟期均有各自的生长天数,所述分蘖期生长天数,从该时期开始记为第1天,之后天数逐一增加,直至该时期结束,所述拔节孕穗期生长天数、抽穗灌浆期生长天数和成熟期生长天数也采用同样的记录方法;水稻生长总周期也有自己的生长天数,记为全过程生长天数,全过程生长天数,则是从水稻插秧第1天开始记录,之后天数逐一增加,直至整个水稻生长周期结束,水稻的生长总周期由分蘖期、拔节孕穗期、抽穗灌浆期、成熟期组成。
需要说明的是,构建表征水稻生长状态的水稻叶片NDVI拟合模型的时候,β10、β11、β12、β13、β20、β21、β22、β23、β24、β30、β31、β32、β33、β40、β41、β42、β43、β50、β51、β52和β53是未知数,其他参数是已知数,根据检测的数据,线性回归建模得到水稻不同时期的模型公式,确定公式中的β10、β11、β12、β13、β20、β21、β22、β13、β24、β30、β31、β32、β33、β40、β41、β42、β43、β50、β51、β52和β53,应用该模型公式的时候,y1、y2、y3、y4和y5就变成了未知数,而其它参数是已知数,反推算得到水稻叶片NDVI。
需要说明的是,构建表征水稻生长状态的水稻叶片NDVI拟合模型的时候,取于分蘖期每天的y1、xC1、xS1、xEHH1,计算出β10、β11、β12、β13的值,从而分别得到β10、β11、β12、β13的范围,同理分别获得β21、β22、β23、β24、β30、β31、β32、β33、β40、β41、β42、β43、β50、β51、β52和β53的范围。
实施例1
下面提供一种试验地区为东北地区,试验材料为沈稻47品种的,表征水稻生长状态的水稻叶片NDVI拟合模型的构建方法,具体按照以下步骤实施:
步骤1,在水稻田内部选取若干个采样点,每个采样点为一个面积为0.5m2的圆形区域;
步骤2,在分蘖期、拔节孕穗期、抽穗灌浆期和成熟期,每天获取水稻底部、水稻中部、水稻冠层和水稻生长环境各自的最高温度、最低温度、最高相对湿度和最低相对湿度;
步骤3,在分蘖期、拔节孕穗期、抽穗灌浆期和成熟期,每天获取水稻叶片NDVI;
步骤4,在分蘖期、拔节孕穗期、抽穗灌浆期和成熟期,每天获取水稻冠层NDVI;
步骤5,在分蘖期、拔节孕穗期、抽穗灌浆期和成熟期,每天获取水稻叶片接受日照的日照小时数和水稻生长天数;
步骤6,以所述水稻底部、水稻中部、水稻冠层和水稻生长环境各自的最高温度和最低温度、最高相对湿度和最低相对湿度,所述水稻叶片NDVI,所述水稻冠层NDVI,以及所述水稻叶片接受日照的日照小时数和水稻生长天数为对象,利用SPSS软件进行多元回归分析,获得表征水稻生长状态的水稻叶片NDVI拟合模型。
优选的,所述水稻底部、水稻中部、水稻冠层和水稻生长环境各自的最高温度、最低温度、最高相对湿度和最低相对湿度,按以下步骤获取:
在距离水面10cm的水稻底部、距离水面60cm的水稻中部、距离水面110cm的水稻冠层和水稻生长环境分别放置温湿度传感器,测量水稻底部、水稻中部、水稻冠层和水稻生长环境的温度,以及稻底部、水稻中部、水稻冠层和水稻生长环境的相对湿度;
在每个采样点内,每隔10min~15min获取一次水稻底部、水稻中部、水稻冠层和水稻生长环境各自的温度和相对湿度,通过对比,获得一天中水稻底部、水稻中部、水稻冠层和水稻生长环境各自的初始最高温度、初始最低温度、初始最高相对湿度和初始最低相对湿度;
分别计算所有采样点的初始最高温度的平均值、初始最低温度的平均值、初始最高相对湿度的平均值和初始最低相对湿度的平均值,获得水稻底部、水稻中部、水稻冠层和水稻生长环境各自的最高温度、最低温度、最高相对湿度和最低相对湿度。
优选的,所述水稻冠层NDVI,按以下步骤获取:获取每个采样点的冠层NDVI,并计算其平均值,获得水稻冠层NDVI。
优选的,所述获取水稻叶片NDVI和获取水稻冠层NDVI的时间均为每天10:30~13:30。
优选的,水稻叶片NDVI的采集使用PSI公司的PlantPenNDVI-300测量仪,水稻冠层NDVI的获取所使用Skye公司的SpectroSense2+测量仪,温湿度数据的获取使用SHT11温湿度传感器,本发明采用的所有传感器采用ZigBee网络进行无线通讯,组网模式采用星型连接。
为了减小尺度效应造成的误差,所选的温湿度传感器的波段与PlantPenNDVI-300测量仪的波段保持一致,检测范围均为620nm~750nm。
需要说明的是,所述温度、相对湿度、水稻叶片NDVI和水稻冠层NDVI,采集的总周期根据水稻的具体生长时间而定。
由于本发明表征水稻生长状态的水稻叶片NDVI拟合模型构建时,采用的是沈稻47,试验地点为东北地区,数据采集周期为水稻插秧后一周,即2015年6月4日开始,至收获前一周,即2015年9月30日结束,所以总周期为119d,获得时间序列上连续的NDVI数据,其中,分蘖期的27d、拔节孕穗期31d、抽穗灌浆期31d和成熟期30d.
试验结果
对水稻生长的不同时期进行分析,得到如下的结果:
(1)分蘖期水稻叶片NDVI拟合模型公式,如下:
模型公式 | R2 |
y1=-9.119+0.166xC1+0.633xS1+0.002xEHH1 | 0.845 |
y1=-7.032+0.158xC1+0.492xS1+0.002xEHH1 | 0.839 |
y1=-7.152+0.154xC1+0.5xS1+0.002xEHH1 | 0.840 |
y1=-6.461+0.179xC1+0.449xS1+0.003xEHH1 | 0.836 |
其中,y1为水稻叶片NDVI,xC1为水稻冠层NDVI,xS1为日照小时数,xEHH1为水稻生长环境的最高相对湿度。
模型公式的R2判定系数越接近于1,说明模型公式的精度越高,通过R2判定系数可知,模型公式y1=-9.119+0.166xC1+0.633xS1+0.002xEHH1的精度最高,图2是该模型公式的P-P概率分布情况,其中,水稻叶片NDVI为因变量,结合检测到的数据可知,水稻叶片在分蘖期的生长过程中,与日照小时数及生长环境的最高相对湿度有关。
图3为本发明中分蘖期的NDVI时间序列图,从图3中可以看出水稻分蘖期,水稻叶片与冠层的NDVI都呈现上升趋势,而水稻冠层NDVI增加更为明显,并在6月26日之后冠层NDVI大于叶片NDVI,根据现场实际观察,此时水稻生长进入分蘖盛期,将水稻叶片NDVI、水稻冠层NDVI以及实际观察到的水稻生长情况进行对比,水稻叶片NDVI更能反映水稻的生长状况。
(2)拔节孕穗期水稻叶片NDVI拟合模型公式如下:
其中,y2为水稻叶片NDVI,xC2为水稻冠层NDVI,xS2为日照小时数,xMTL2为水稻中部的最低温度,xBTL2为水稻底部最低温度。
模型公式的R2判定系数越接近于1,说明模型公式的精度越高,通过R2判定系数可知,模型公式y2=0.608-0.673xC2+0.051xS2+0.008xMTL2-0.009xBTL2的精度最高,图4是该模型公式的P-P概率分布情况,其中,水稻叶片NDVI为因变量,结合检测到的数据可知,水稻叶片在拔节孕穗期的生长过程中,水稻垂直方向上中部和下部的环境温度对于水稻的生长有重要的影响。
图5本发明中拔节孕穗期的NDVI时间序列图,由图5可知,水稻冠层NDVI要高于水稻叶片NDVI,并且水稻冠层NDVI相对稳定,而水稻叶片NDVI整体呈下降趋势。根据现场实际观察,水稻此时分蘖已经结束,而水稻拔节之后就将进入到孕穗和抽穗过程,无效分蘖将在这一时期逐渐死亡,同时叶片的一些营养液逐步穗部进行转移,水稻叶片NDVI更能反映水稻的生长状况。
(3)抽穗灌浆期水稻叶片NDVI拟合模型公式如下:
模型公式 | R2 |
y3=0.965-0.285xC3-0.003xD3+0.001xETH3 | 0.877 |
y3=0.942-0.262xC3-0.002xD3+0.001xCTH3 | 0.866 |
y3=0.935-0.25xC3-0.002xD3+0.001xMTH3 | 0.861 |
其中,y3为水稻叶片NDVI,xC3为水稻冠层NDVI,xD3为水稻生长天数,xETH3为水稻生长环境的最高温度,xCTH3为水稻冠层的最高温度,xMTH3为水稻中部的最高温度。
模型公式的R2判定系数越接近于1,说明模型公式的精度越高,通过R2判定系数可知,模型公式y3=0.965-0.285xC3-0.003xD3+0.001xETH3的精度最高,图6是该模型公式的P-P概率分布情况,其中,水稻叶片NDVI为因变量,结合检测到的数据可知,水稻叶片在抽穗灌浆期的生长过程中,影响水稻生长的由日照小时数变成了抽穗灌浆期水稻生长天数。
图7为本发明中抽穗灌浆期的NDVI时间序列图,水稻冠层NDVI在8月20日左右达到最高值后开始迅速下降,而水稻叶片NDVI呈现整体下降趋势,由于该时期水稻叶片营养快速转移到穗中,因此NDVI呈现下降的趋势,根据现场实际观察,水稻叶片NDVI更能反映水稻的生长状况。
(4)成熟期水稻叶片NDVI拟合模型公式如下:
模型公式 | R2 |
y4=-0.705-1.056xC4+0.176xS4-0.009xD4 | 0.903 |
其中,y4为水稻叶片NDVI,xC4为水稻冠层NDVI,xS4为日照小时数,xD4为水稻生长天数。
图8是该模型公式的P-P概率分布情况,其中,水稻叶片NDVI为因变量,结合检测到的数据可知,水稻叶片在成熟期的生长过程中,该阶段叶片NDVI模型与日照小时数和成熟期水稻生长天数有关。
图9为本发明中成熟期的NDVI时间序列图,该时期水稻叶片NDVI与冠层NDVI都呈下降趋势,而水稻冠层NDVI下降更为明显。同时在这段时期内,水稻叶片NDVI与水稻冠层NDVI有两次相交,通过观察水稻生长实际情况可知,这两次相交分别是水稻的蜡熟期和完熟期。
(5)全过程水稻叶片NDVI拟合模型公式如下:
模型公式 | R2 |
y5=-0.268+0.56xS5+0.003xETH5+0.001xBHL5 | 0.790 |
其中,y5为水稻叶片NDVI,xS5为日照小时数,xETH5为水稻生长环境的最高温度,xBHL5是水稻底部的最低相对湿度。
图10为本发明中水稻生长全周期的NDVI时间序列图,叶片NDVI及冠层NDVI两条曲线在时间序列上存在着明显的三个交点,第一个交点位置是2015年6月27日,在这之前水稻的叶片NDVI大于冠层NDVI,这是因为此时水稻生长处于分蘖期,而分蘖期的水稻由于叶面积还比较小,水稻冠层NDVI大部分是水层的NDVI值,此时的叶片则快速生长,因此在这个水稻冠层NDVI小于水稻叶片NDVI,大于这个时期之后由于水稻叶面积不断增加,水稻冠层NDVI值大于水稻叶片NDVI值,因此两条曲线的第一个交点,是水稻生长分蘖盛期的标志。两条曲线的第二个交点是2015年9月8日,在这个日期之前水稻冠层NDVI大于水稻叶片NDVI,在此日期水稻冠层NDVI小于水稻叶片NDVI,这是由于随着水稻的不断生长,叶片和茎秆能量向穗部转移,造成了冠层叶片开始变黄,此时间节点为蜡熟期。两条曲线的第三个交点是2015年9月27日,此交点之后水稻叶片NDVI迅速下降,这是由于此时水稻已经基本完全成熟,叶片90%以上都以变黄。
此外,利用本发明构建的水稻叶片NDVI拟合模型,进行水稻产量估计,其估产精度相比于水稻冠层NDVI的估产精度提高了10%。
综上,通过本发明的方法建立的水稻生长状态的NDVI拟合模型,能够准确的估计水稻叶片分蘖期、水稻叶片拔节孕穗期、水稻叶片抽穗灌浆期和水稻叶片成熟期的生长状态,进而对水稻的健康程度进行精准的判断,和对水稻长势进行跟踪,为科学评估水稻健康状况的模型研究奠定了基础。
本领域的技术人员可以对本发明进行各种改动和变型而不脱离本发明的精神和范围,倘若本发明的这些修改和变型属于本发明权利要求及其等同技术的范围之内,则本发明也意图包含这些改动和变型在内。
Claims (10)
1.一种表征水稻生长状态的水稻叶片NDVI拟合模型的构建方法,其特征在于,包括以下步骤:
在分蘖期、拔节孕穗期、抽穗灌浆期和成熟期,每天获取水稻底部、水稻中部、水稻冠层和水稻生长环境各自的最高温度、最低温度、最高相对湿度和最低相对湿度;
在分蘖期、拔节孕穗期、抽穗灌浆期和成熟期,每天获取水稻叶片NDVI;
在分蘖期、拔节孕穗期、抽穗灌浆期和成熟期,每天获取水稻冠层NDVI;
在分蘖期、拔节孕穗期、抽穗灌浆期和成熟期,每天获取水稻叶片接受日照的日照小时数和水稻生长天数;
以所述水稻底部、水稻中部、水稻冠层和水稻生长环境各自的最高温度和最低温度、最高相对湿度和最低相对湿度,所述水稻叶片NDVI,所述水稻冠层NDVI,以及所述水稻叶片接受日照的日照小时数和水稻生长天数为对象,利用SPSS软件进行多元回归分析,获得表征水稻生长状态的水稻叶片NDVI拟合模型。
2.根据权利要求1所述的表征水稻生长状态的水稻叶片NDVI拟合模型的构建方法,其特征在于,所述水稻底部、水稻中部、水稻冠层和水稻生长环境各自的最高温度、最低温度、最高相对湿度和最低相对湿度,按照以下步骤获取:
在水稻田内部选取若干个采样点;
在每个采样点内,每隔10min~15min获取一次水稻底部、水稻中部、水稻冠层和水稻生长环境各自的温度和相对湿度,通过对比,获得一天中水稻底部、水稻中部、水稻冠层和水稻生长环境各自的初始最高温度、初始最低温度、初始最高相对湿度和初始最低相对湿度;
分别计算所有采样点的初始最高温度的平均值、初始最低温度的平均值、初始最高相对湿度的平均值和初始最低相对湿度的平均值,获得水稻底部、水稻中部、水稻冠层和水稻生长环境各自的最高温度、最低温度、最高相对湿度和最低相对湿度。
3.根据权利要求2所述的表征水稻生长状态的水稻叶片NDVI拟合模型的构建方法,其特征在于,所述水稻叶片NDVI按照以下步骤获取:
以所述采样点内所有叶片为采样对象,获取每个叶片的叶尖、叶中和叶尾的NDVI,并计算叶尖、叶中和叶尾的NDVI的平均值,获得每个叶片的单叶片NDVI;
计算所述采样点内所有叶片的单叶片NDVI的平均值,获得每个采样点的单点NDVI;
计算所有采样点的单点NDVI的平均值,获得水稻叶片NDVI。
4.根据权利要求2所述的表征水稻生长状态的水稻叶片NDVI拟合模型的构建方法,其特征在于,所述水稻冠层NDVI按照以下步骤获取:获取每个采样点的冠层NDVI,并计算其平均值,获得水稻冠层NDVI。
5.根据权利要求2、3或4所述的表征水稻生长状态的水稻叶片NDVI拟合模型的构建方法,其特征在于,在所述水稻田内部选取15个采样点。
6.根据权利要求2所述的表征水稻生长状态的水稻叶片NDVI拟合模型的构建方法,其特征在于,所述采样点为一个圆形区域。
7.根据权利要求6所述的表征水稻生长状态的水稻叶片NDVI拟合模型的构建方法,其特征在于,所述采样点为一个面积为0.5m2的圆形区域。
8.根据权利要求1所述的表征水稻生长状态的水稻叶片NDVI拟合模型的构建方法,其特征在于,所述获取水稻叶片NDVI和获取水稻冠层NDVI的时间均为每天10∶30~13∶30。
9.根据权利要求1-8任一项所述的表征水稻生长状态的水稻叶片NDVI拟合模型的构建方法,其特征在于,所述获得表征水稻生长状态的水稻叶片NDVI拟合模型,具体包括:
获取分蘖期水稻叶片NDVI拟合模型;
获取拔节孕穗期水稻叶片NDVI拟合模型;
获取抽穗灌浆期水稻叶片NDVI拟合模型;
获取成熟期水稻叶片NDVI拟合模型;
获取全过程水稻叶片NDVI拟合模型;
所述分蘖期水稻叶片NDVI拟合模型的公式为:
y1=β10+β11xC1+β12xS1+β13xEHH1(1)
其中,y1为水稻叶片NDVI,xC1为水稻冠层NDVI,xS1为日照小时数,xEHH1为水稻生长环境的最高相对湿度,β10的取值范围为-9.15~-6.50,β11的取值范围为0.15~0.18,β12的取值范围为0.44~0.64,β13的取值范围为0.002~0.003;
所述拔节孕穗期水稻叶片NDVI拟合模型的公式为:
y2=β20+β21xC2+β22xS2+β23xMTL2+β24xBTL2(2)
其中,y2为水稻叶片NDVI,xC2为水稻冠层NDVI,xS2为日照小时数,xMTL2为水稻中部的最低温度,xBTL2为水稻底部最低温度,β20的取值范围为0.54~0.61,β21的取值范围为-0.68~-0.66,β22的取值范围为0.051~0.052,β23的取值范围为0~0.008,β24的取值范围为-0.009~0;
所述抽穗灌浆期水稻叶片NDVI拟合模型的公式为:
y3=β30+β31xC3+β32xD3+β33xETH3(3)
其中,y3为水稻叶片NDVI,xC3为水稻冠层NDVI,xD3为水稻生长天数,xETH3为水稻生长环境的最高温度,β30的取值范围为0.93~0.97,β31的取值范围为-0.29~-0.25,β32的取值范围为-0.003~-0.002,β33的取值范围为0.001~0.002;
所述成熟期水稻叶片NDVI拟合模型的公式为:
y4=β40+β41xC4+β42xS4+β43xD4(4)
其中,y4为水稻叶片NDVI,xC4为水稻冠层NDVI,xS4为日照小时数,xD4为水稻生长天数,β40的取值范围为-0.71~-0.70,β41的取值范围为-1.10~-1.00,β42的取值范围为0.175~0.177,β43的取值范围为-0.010~-0.009;
所述全过程水稻叶片NDVI拟合模型的公式为:
y5=β50+β51xS5+β52xETH5+β53xBHL5(5)
其中,y5为水稻叶片NDVI,xS5为日照小时数,xETH5为水稻生长环境的最高温度,xBHL5是水稻底部的最低相对湿度,β50的取值范围为-0.27~-0.26,β51的取值范围为0.55~-0.56,β52的取值范围为0.002~0.003,β53的取值范围为0.001~0.002。
10.根据权利要求9所述的表征水稻生长状态的水稻叶片NDVI拟合模型的构建方法,其特征在于,所述分蘖期水稻叶片NDVI拟合模型的公式为:
y1=-9.119+0.166xC1+0.633xS1+0.002xEHH1
所述拔节孕穗期水稻叶片NDVI拟合模型的公式为:
y2=0.608-0.673xC2+0.051xS2+0.008xMTL2-0.009xBTL2
所述抽穗灌浆期水稻叶片NDVI拟合模型的公式为:
y3=0.965-0.285xC3-0.003xD3+0.001xETH3
所述成熟期水稻叶片NDVI拟合模型的公式为:
y4=-0.705-1.056xC4+0.176xS4-0.009xD4
所述全过程水稻叶片NDVI拟合模型的公式为:
y5=-0.268+0.56xS5+0.003xETH5+0.001xBHL5。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201610066248.7A CN105760654B (zh) | 2016-01-25 | 2016-01-25 | 一种表征水稻生长状态的水稻叶片ndvi拟合模型的构建方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201610066248.7A CN105760654B (zh) | 2016-01-25 | 2016-01-25 | 一种表征水稻生长状态的水稻叶片ndvi拟合模型的构建方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN105760654A true CN105760654A (zh) | 2016-07-13 |
CN105760654B CN105760654B (zh) | 2019-02-15 |
Family
ID=56342856
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201610066248.7A Expired - Fee Related CN105760654B (zh) | 2016-01-25 | 2016-01-25 | 一种表征水稻生长状态的水稻叶片ndvi拟合模型的构建方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN105760654B (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108318626A (zh) * | 2018-01-25 | 2018-07-24 | 中国水稻研究所 | 一种基于群体构建期指数对水稻品种筛选的评价方法 |
CN113139717A (zh) * | 2021-03-31 | 2021-07-20 | 北京农业信息技术研究中心 | 作物苗情分级遥感监测方法及装置 |
-
2016
- 2016-01-25 CN CN201610066248.7A patent/CN105760654B/zh not_active Expired - Fee Related
Non-Patent Citations (3)
Title |
---|
QIAOYUN XIE ET.AL: "Estimating Winter Wheat Leaf Area Index From Ground and Hyperspectral Observations Using Vegetation Indices", 《IEEE JOURNAL OF SELECTED TOPICS IN APPLIED EARTH OBSERVATIONS AND REMOTE SENSING》 * |
ZHAO ZHANG ET.AL: "Dynamic variability of the heading–flowering stages of single rice in China based on field observations and NDVI estimations", 《INT J BIOMETEOROL》 * |
李岚涛 等: "应用数字图像技术进行水稻氮素营养诊断", 《植物营养与肥料学报》 * |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108318626A (zh) * | 2018-01-25 | 2018-07-24 | 中国水稻研究所 | 一种基于群体构建期指数对水稻品种筛选的评价方法 |
CN108318626B (zh) * | 2018-01-25 | 2020-05-26 | 中国水稻研究所 | 一种基于群体构建期指数对水稻品种筛选的评价方法 |
CN113139717A (zh) * | 2021-03-31 | 2021-07-20 | 北京农业信息技术研究中心 | 作物苗情分级遥感监测方法及装置 |
CN113139717B (zh) * | 2021-03-31 | 2023-10-20 | 北京农业信息技术研究中心 | 作物苗情分级遥感监测方法及装置 |
Also Published As
Publication number | Publication date |
---|---|
CN105760654B (zh) | 2019-02-15 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Allen et al. | Evapotranspiration information reporting: II. Recommended documentation | |
Almeida et al. | Mapping the effect of spatial and temporal variation in climate and soils on Eucalyptus plantation production with 3-PG, a process-based growth model | |
Dye et al. | Verification of 3-PG growth and water-use predictions in twelve Eucalyptus plantation stands in Zululand, South Africa | |
CN107356569A (zh) | 基于叶绿素荧光预测小麦籽粒产量的方法及其模型的构建方法 | |
WO2007128122A1 (en) | Method and system for monitoring growth characteristics | |
CN103472009B (zh) | 一种不同植株氮含量水平下小麦植株含水率的监测方法 | |
Mhizha et al. | Use of the FAO AquaCrop model in developing sowing guidelines for rainfed maize in Zimbabwe | |
CN109800921B (zh) | 基于遥感物候同化和粒子群优化的区域冬小麦估产方法 | |
JP6589978B2 (ja) | 植物健全性診断装置、該方法および該プログラム | |
CN105612922B (zh) | 基于甘蔗收获机刀盘振动的切割质量评估方法及装置 | |
CN113011372B (zh) | 一种盐碱化土地自动监测和识别方法 | |
CN105760654A (zh) | 一种表征水稻生长状态的水稻叶片ndvi拟合模型的构建方法 | |
CN114365682A (zh) | 一种设施栽培土壤水分预测方法、装置及电子设备 | |
Higgins et al. | Leaf Development: Index of Plant Response to Environmental Factors 1 | |
Haggard et al. | Spatial soil temperature and moisture monitoring across the Transylvanian Plain in Romania. | |
CN111223002B (zh) | 一种玉米区域干物质产量或青储产量评估方法和系统 | |
Howell et al. | Integrating multiple irrigation technologies for overall improvement in irrigation management | |
CN107064069A (zh) | 一种猕猴桃树叶片叶绿素含量高光谱估算方法 | |
Chitu et al. | Relationships between MDS, soil, and weather variables for Topaz apple tree cultivated in coarse-textured soils | |
JP6744524B2 (ja) | 水稲生育評価方法及び装置 | |
Kingra et al. | Moisture extraction pattern and ET-yield models in wheat under different management practices in central Punjab | |
RU2327342C2 (ru) | Способ ультразвукового испытания древесины растущего дерева на кернах | |
Huang et al. | Research on the Optimal Thresholds for Crop Start and End of Season Retrieval from Remotely Sensed Time-Series Data Based on Ground Observations | |
Ihuoma et al. | Satellite Observations of Variability in Evapotranspiration over an Intensive Tomato Producing Region of Southern Ontario, Canada. | |
Lyu et al. | Establishment of soil moisture model based on hyperspectral data and growth parameters of winter wheat |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant | ||
CF01 | Termination of patent right due to non-payment of annual fee | ||
CF01 | Termination of patent right due to non-payment of annual fee |
Granted publication date: 20190215 Termination date: 20200125 |