CN109757175A - 一种基于无人机监测的玉米水肥一体化变量施肥方法 - Google Patents
一种基于无人机监测的玉米水肥一体化变量施肥方法 Download PDFInfo
- Publication number
- CN109757175A CN109757175A CN201910201414.3A CN201910201414A CN109757175A CN 109757175 A CN109757175 A CN 109757175A CN 201910201414 A CN201910201414 A CN 201910201414A CN 109757175 A CN109757175 A CN 109757175A
- Authority
- CN
- China
- Prior art keywords
- fertilizer
- fertilization
- different
- recommendation
- nitrogen
- 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
Landscapes
- Fertilizing (AREA)
Abstract
本发明公开了一种基于无人机监测的玉米水肥一体化变量施肥方法，对试验小区和推荐施肥区的玉米冠层在在玉米六叶期、十叶期分别进行无人机航拍，分析结果以六叶期为主，十叶期作为补充，获取玉米冠层正射影像；筛选最佳冠层图像色彩参数；对推荐区的作物影像根据不同光谱值与开窗试验区不同施肥处理的光谱标准化值进行模糊隶属度判别；为保持一致性，在推荐施肥区中增加开窗试验小区，不同土壤、不同作物反应不同，建立对应的光谱标准库，应用无人机获取的玉米冠层特征与开窗试验小区试验建立对应关系。
Description
技术领域
本发明属于资源环境技术领域，尤其涉及一种基于无人机监测的玉米水肥一体化施肥方法。
背景技术
氮元素是植物叶绿素的重要组成部分，同时也是作物细胞分殖的关键，生长中的作物如果缺少氮元素出现植株矮小，细弱；基部叶片逐渐干燥枯萎；根系分枝少；显著早衰并早熟，产量降低等情况。因此氮肥对于作物的生长发育具有极其重要的存在意义。
氮肥施用是农业生产中普遍且重要的快速、有效增产措施。传统施肥方法常采用均一的施肥方法，不能根据不同的养分状况进行变量施肥，不仅造成肥料利用率低，而且过量施肥还容易造成了农田面源污染和地下水硝酸盐污染。
精准施肥技术，又称自动变量施肥技术，实现了在每一操作单元上因土因作物全面平衡施肥，大大提高肥料利用率和施肥经济效益，减少了对环境的不良影响。然而，传统的精准施肥利用GPS进行农田信息定位获取，包括产量监测、土样采集等，并通过空间插值等方法获取土壤养分的空间分布，根据作物目标产量及需肥量，计算出每个点位的施肥量，最后通过精准施肥机进行变量施肥。该方法的问题是需要采集大量土壤，比较耗时费力，测试费用高，由于测试需要一定的时间，对结果的应用存在滞后性，很难满足大面积农田生产的需求。
由于作物冠层颜色与其氮素营养状况密切相关，利用冠层反射光谱进行作物氮素营养诊断成为可能，随着数码成像设备的发展与普及，基于数字图像技术利用冠层反射光谱进行氮素营养诊断成为可能，通过不同生育期冠层图像色彩参数与及植株氮素营养指标的时空变化特征，确立水稻氮素营养诊断的最佳色彩参数和方程模型，进而促使田间变量作业的精准农业技术得以发展。然而，由于缺乏低成本、大面积、高精度和高可靠性的高效获取农田信息的技术，在大面积推广方面存在困难，田间信息获取成为限制精准农业技术应用的瓶颈。
无人机搭载多传感器平台的遥感技术具有效率高、成本低、灵活性高、时空分辨率高等特点，适合复杂农田环境(赵春江，2014)，加上无人机技术的普及，为实时获取田间信息提供了便利。利用无人机，根据冠层反射光谱的作物氮素营养诊断也开展了相应的研究。鲍艳松等人使用航空影像、地面冠层光谱数据及同步观测的植被生化数据方法，进行冬小麦氮素预测，实现变量施肥技术，虽然该技术的信息采集、分析精度高，但由于信息获取设备及使用成本的限制，难以使该技术普及推广。李红军等提出了使用无人机航拍作物冠层图片进行作物氮素分析及土壤施肥指导的方法，仅仅给出了不同点位总的氮肥推荐量，没有考虑磷肥和钾肥的用量，操作性不强，但作物在不同阶段的需求量是不同的，缺少在不同生育期的施肥推荐，并且缺少根据监测结果如何对当前作物进行变量施肥的实施方案，对当前已种植作物在每一点位变量施肥实施有一定的困难，此外，缺少土壤养分实测值的验证，没有考虑作物的需水量。
发明内容
为了克服目前基于无人机监测的氮素变量施肥的不足，本发明专利提供一种简单、快速、按照作物不同生育阶段养分需求比例的变量水肥一体化施肥方法。
本发明的技术方案如下：
一种基于无人机监测的玉米水肥一体化变量施肥方法，包括以下步骤：
A1在作物种植之前，在试验小区和推荐施肥区内进行低频率均匀分布采样；采样完成后，立即进行硝态氮、铵态氮、总氮、速效磷、速效钾、有机质、pH的分析，了解当地的土壤养分状况和进行施肥推荐；
A2设定合理的目标产量，在步骤A1的基础上判别土壤肥力等级，对推荐施肥区和试验小区进行磷肥和钾肥的推荐；
A3设置开窗试验小区；每个开窗试验小区面积大小为100-120平方米，设置7个不同的氮肥施肥处理，用于对照和建立比对库；氮肥处理分为T1-T7，设置处理编号分别为T1-T7；磷肥和钾肥的施用按照步骤A2的推荐量施用；根据目标产量以及土壤碱解氮测试值，采用目标产量法计算氮肥推荐用量；
A4对试验小区和推荐施肥区的玉米冠层在在玉米六叶期、十叶期分别进行无人机航拍，分析结果以六叶期为主，十叶期作为补充，获取玉米冠层正射影像；
A5进行航线的自动规划；
A6使用ESRI的Drone2Map或ENVI Onebutton软件生成研究区的正射影像；
A7筛选最佳冠层图像色彩参数；
对开窗试验小区获得色彩参数进行处理，采用以下公式进行玉米六叶期和十叶期氮素营养诊断的冠层图像色彩参数计算算法分别为：
绿光标准化值公式为：M1＝G/(R+G+B)；蓝光标准化值公式为：M2＝B/(R+G+B)；绿光与亮度的比值公式为：M3＝G/L；
其中R为红色波段，G为绿色波段，B为蓝色波段，L为亮度值；
计算开窗试验不同处理之间对不同算法的敏感度，用M1-M3不同算法对施肥量最高处理T7与空白处理T1的光谱标准化值进行比值处理，若比值小于1，进行统一取倒数，获取不同算法的敏感度；筛选出最敏感的营养诊断的冠层图像色彩参数指标算法Sm，即：
Sm＝max(T7/T1M1,T7/T1M2,T7/T1M3)；
若T7/T1<1,则为Sm＝max(T1/T7M1,T1/T7M2,T1/T7M3)；
在确定冠层图像色彩参数算法的基础上，应用筛选出的冠层图像色彩参数算法进行正射影像的计算光谱标准化值，并最终生成开窗试验区和施肥推荐区的具有空间变异的光谱标准化值；
A8对推荐区的作物影像根据不同光谱值与开窗试验区不同施肥处理的光谱标准化值进行模糊隶属度判别；
对每一个位置点判别最大的隶属度，生成归属T1-T7不同施肥处理类别图，输出图层为Fuzzy_Map.shp，属性值为1-7；
A9试验空白小区氮肥推荐施肥量减去每个处理已有的氮肥投入量，即是该处理的氮肥追肥推荐用量，生成不同处理的推荐施肥表(Fertilizer_table)，使用ArcGIS中的join(关联)工具，将推荐施肥表(Fertilizer_table)与施肥推荐区的隶属度类别图(Fuzzy_Map.shp)挂接，生成空间变异氮肥推荐用量图(recommend_fertilizer)；
A10对作业单元形成唯一的一套推荐施肥方案；根据灌溉控制单元，使用ArcGIS工具Zonal Statistics工具对氮肥追肥作业图进行分区统计，输入分区数据(Input rasteror feature zone data)：灌溉控制单元图，输入栅格数据(input value raster)：氮肥推荐用量图，输出栅格数据(output raster)：分区氮肥推荐用量图，统计类型参数(statistics type)：众数，计算每个灌溉控制单元的施肥量，生成以灌溉控制单元进行分区的施肥分区图(Zone_fertilizer)；
A11依照玉米生育期的养分吸收曲线，对总的氮肥量按照不同的生育期进行氮肥追肥量分配。
所述的施肥方法，步骤A2中，对推荐施肥区和试验小区进行磷肥和钾肥的推荐表为：
表1不同肥力水平的不同目标产量推荐施磷量
表2不同肥力水平的不同目标产量推荐施钾量
所述的施肥方法，步骤A3中，T1-T7氮肥施用量分别为：0N公斤/公顷，30N公斤/公顷，60N公斤/公顷，90N公斤/公顷，120N公斤/公顷，150N公斤/公顷，180N公斤/公顷。
所述的施肥方法，步骤A4中，航拍选择无风或微风、晴朗光线较强的天气条件，在上午9-10点进行正射航拍。
所述的施肥方法，步骤A5，无人机航向重叠率不低于70％，旁向重叠率不低于70％，航拍高度为50米，航拍的拍照间隔、飞行速度等参数由系统自动进行设定。
所述的施肥方法，步骤A8，n为7。
所述的施肥方法，步骤A8，对每个开窗试验小区进行频率统计分析，根据统计结果构造每个开窗试验小区的隶属度函数，隶属度函数类型为钟型，生成施肥推荐区对每个处理的隶属度图；在上述基础上，获取每一空间位置点最大模糊隶属度：
为模糊隶属度图，x、y为推荐区的空间地理位置经度、纬度坐标，Ti为处理，i的取值从1到n。
所述的施肥方法，步骤步骤A11，追施氮肥分别在六叶期和十叶期进行追肥，其比例为2:1。
所述的施肥方法，还包括步骤A12：通过水肥一体化设备对每个灌溉控制单元用肥量和灌溉水量进行控制，施肥时，先进行清水灌溉，然后水溶肥随水施入，最后清水冲洗管道，这样保证施肥的均一性；灌溉次数根据通过土壤湿度传感器监测土壤湿度状况进行灌溉，在土壤湿度低于10％进行自动灌溉，高于25％时停止灌溉；生育周期灌溉次数4次。
该发明主要特点
为了了解土壤的背景值，判别土壤肥力状况，土壤采样量简化，同传统采样相比，降低了采样量；为保持一致性，在推荐施肥区中增加开窗试验小区，不同土壤、不同作物反应不同，建立对应的光谱标准库，应用无人机获取的玉米冠层特征与开窗试验小区试验建立对应关系；考虑了磷肥、钾肥的推荐量，根据土壤肥力简化了推荐施肥量，并作为底肥施入；增加了不同生育期氮肥分配比例；对具有空间变异的养分图按照灌溉控制单元进行分区统计，便于不同灌溉控制单元的变量施肥操作；增加了电磁阀控制的水肥一体化灌溉小区控制，控制灌水量和施肥量。
具体实施方式
以下结合具体实施例，对本发明进行详细说明。
推荐施肥区要求配备水肥一体化的基础设施，方便进行玉米的生育期灌水、追肥操作，为便于不同灌溉控制单元的变量施肥和追肥，每个电磁阀控制小区面积不大于1公顷；同时要求安装土壤湿度传感器，按照20cm、40cm、60cm布设土壤湿度传感器；
A1在作物种植之前，在试验小区和推荐施肥区内进行低频率均匀分布采样，采样点不超过8-10个。采样完成后，立即进行硝态氮、铵态氮、总氮、速效磷、速效钾、有机质、pH的分析，目的是了解当地的土壤养分状况和进行施肥推荐；
A2设定合理的目标产量，在步骤A1的基础上判别土壤肥力等级，对推荐施肥区和试验小区进行磷肥和钾肥的推荐如下表，磷钾肥作为基肥一次性施入。
不同肥力水平的不同目标产量推荐施磷量
不同肥力水平的不同目标产量推荐施钾量
A3设置开窗试验小区。开窗试验小区指为了减少由于肥力水平不同而造成的差异，在推荐施肥区范围内设置的试验小区，而不是在推荐施肥区外设置的试验小区。
每个开窗试验小区面积大小为100-120平方米，设置7个不同的氮肥施肥处理，主要用于对照和建立比对库。氮肥处理分为T1-T7：0N公斤/公顷，30N公斤/公顷，60N公斤/公顷，90N公斤/公顷，120N公斤/公顷，150N公斤/公顷，180N公斤/公顷，设置处理编号分别为T1-T7；磷肥和钾肥的施用按照步骤A2的推荐量施用。根据目标产量以及土壤碱解氮测试值，采用目标产量法计算氮肥推荐用量。
A4对试验小区和推荐施肥区的玉米冠层在在玉米六叶期、十叶期分别进行航拍，分析结果以六叶期为主，十叶期作为补充，获取玉米冠层正射影像。航拍选择无风或微风、晴朗光线较强的天气条件，在上午9-10点进行正射航拍。无人机设备采用大疆无人机，型号：精灵4RTK，RTK测绘成果精度高，精度可达到1:1000，正射成果不需要后期进行地理配准。
A5建议使用智飞地图(也可以使用其他app)进行航线的自动规划，无人机航向重叠率不低于70％，旁向重叠率不低于70％，航拍高度为50米，航拍的拍照间隔、飞行速度等参数由系统自动进行设定。
A6使用ESRI的Drone2Map或ENVI Onebutton软件生成研究区的正射影像。
A7筛选最佳冠层图像色彩参数。
对开窗试验小区获得色彩参数进行处理，采用以下公式进行玉米六叶期和十叶期氮素营养诊断的冠层图像色彩参数计算算法分别为：
绿光标准化值公式为：M1＝G/(R+G+B)；蓝光标准化值公式为：M2＝B/(R+G+B)；绿光与亮度的比值公式为：M3＝G/L。
其中R为红色波段，G为绿色波段，B为蓝色波段，L为亮度值。
计算开窗试验不同处理之间对不同算法的敏感度，用M1-M3不同算法对施肥量最高处理T7与空白处理T1的光谱标准化值进行比值处理，若比值小于1，进行统一取倒数，获取不同算法的敏感度；筛选出最敏感的营养诊断的冠层图像色彩参数指标算法Sm，即：
Sm＝max(T7/T1M1,T7/T1M2,T7/T1M3)；
若T7/T1<1,则为Sm＝max(T1/T7M1,T1/T7M2,T1/T7M3)；
在确定冠层图像色彩参数算法的基础上，应用筛选出的冠层图像色彩参数算法进行正射影像的计算光谱标准化值，并最终生成开窗试验区和施肥推荐区的具有空间变异的光谱标准化值。
A8对推荐区的作物影像根据不同光谱值与开窗试验区不同施肥处理的光谱标准化值进行模糊隶属度判别。
对每个开窗试验小区进行频率统计分析，根据统计结果构造每个开窗试验小区的隶属度函数，隶属度函数类型为钟型，生成施肥推荐区对每个处理的隶属度图；在上述基础上，获取每一空间位置点最大模糊隶属度：
为模糊隶属度图，x、y为推荐区的空间地理位置经度、纬度坐标，Ti为处理，i的取值从1到n(本发明n为7，也可设置不同的处理)；
对每一个位置点判别最大的隶属度，生成归属T1-T7不同施肥处理类别图，输出图层为Fuzzy_Map.shp，属性值为1-7。
A9试验空白小区氮肥推荐施肥量减去每个处理已有的氮肥投入量，即是该处理的氮肥追肥推荐用量，根据氮肥追肥推荐用量生成不同处理的推荐施肥表(Fertilizer_table)，使用ArcGIS中的join(关联)工具，将推荐施肥表(Fertilizer_table)与施肥推荐区的隶属度类别图(Fuzzy_Map.shp)挂接，生成空间变异氮肥推荐用量图(recommend_fertilizer)。
A10对作业单元形成唯一的一套推荐施肥方案。根据灌溉控制单元，使用ArcGIS工具Zonal Statistics工具对氮肥追肥作业图进行分区统计，输入分区数据(Input rasteror feature zone data)：灌溉控制单元图，输入栅格数据(input value raster)：氮肥推荐用量图，输出栅格数据(output raster)：分区氮肥推荐用量图，统计类型参数(statistics type)：众数，计算每个灌溉控制单元的施肥量，生成以灌溉控制单元进行分区的施肥分区图(Zone_fertilizer)；
A11依照玉米生育期的养分吸收曲线，对总的氮肥量按照不同的生育期进行氮肥追肥量分配，追施氮肥分别在六叶期和十叶期进行追肥，其比例为2:1。
A12通过水肥一体化设备对每个灌溉控制单元用肥量和灌溉水量进行控制，施肥时，先进行清水灌溉，然后水溶肥随水施入，最后清水冲洗管道，这样保证施肥的均一性；灌溉次数根据通过土壤湿度传感器监测土壤湿度状况进行灌溉，在土壤湿度低于10％进行自动灌溉，高于25％时停止灌溉。生育周期灌溉次数6次左右(随水施肥灌溉2次，清水灌溉4次)，每次灌溉量10-15方/亩。
以上方案，可用于当年实施，也可以作为下一年度作物的施肥、灌溉依据。
实施例一：
1)试验位于内蒙古集宁市，春玉米单作是当地的主要种植模式，推荐施肥区约860亩。设置7个试验小区，每个小区面积120平方米，用于对照和建立玉米光谱对照库。
2)推荐施肥区约800亩，采集8个土样，测试土壤速效磷平均为19mg/kg，土壤磷肥力等级为低肥力，速效钾含量为167mg/kg，土壤钾肥力为高肥力。
3)设置目标产量为12t/ha，根据步骤A2中的不同肥力水平的不同目标产量推荐施磷量和施钾量，推荐磷肥折纯量(P2O5)97公斤/公顷，推荐钾肥折纯量(K2O)60公斤/公顷，磷钾肥作为底肥施入。
4)在6叶期利用无人机航拍采集玉米冠层信息，对获得色彩参数绝对值进行处理，对绿光标准化值、蓝光标准化值、亮度比值筛选最佳算法，生成具有空间变异的光谱值。
5)在与试验区不同处理玉米氮素养分状况相关分析的基础上，对推荐区的作物影像根据不同光谱值与不同施肥处理的光谱值进行模糊隶属度判别，判别不同施肥处理的最大隶属度，生成不同处理的最大隶属度图、具有空间变异的氮肥推荐用量图、以灌溉控制单元为追肥单元的追肥分区图。
6)对总的氮肥量按照不同的生育期进行氮肥追肥量分配，追施氮肥分别在六叶期和十叶期进行追肥，其比例为2:1。
7)通过水肥一体化设备对每个灌溉控制单元用肥量和灌溉水量进行控制，追肥次数2次，清水灌溉不超过4次，清水灌溉量根据土壤湿度进行调整。
8)同农户常规管理相比，节肥40％以上，节水60％以上。
应当理解的是，对本领域普通技术人员来说，可以根据上述说明加以改进或变换，而所有这些改进和变换都应属于本发明所附权利要求的保护范围。
Claims (9)
1.一种基于无人机监测的玉米水肥一体化变量施肥方法，其特征在于，包括以下步骤：
A1在作物种植之前，在试验小区和推荐施肥区内进行低频率均匀分布采样；采样完成后，立即进行硝态氮、铵态氮、总氮、速效磷、速效钾、有机质、pH的分析，了解当地的土壤养分状况和进行施肥推荐；
A2设定合理的目标产量，在步骤A1的基础上判别土壤肥力等级，对推荐施肥区和试验小区进行磷肥和钾肥的推荐；
A3设置开窗试验小区；每个开窗试验小区面积大小为100-120平方米，设置7个不同的氮肥施肥处理，用于对照和建立比对库；氮肥处理分为T1-T7，设置处理编号分别为T1-T7；磷肥和钾肥的施用按照步骤A2的推荐量施用；根据目标产量以及土壤碱解氮测试值，采用目标产量法计算氮肥推荐用量；
A4对试验小区和推荐施肥区的玉米冠层在在玉米六叶期、十叶期分别进行无人机航拍，分析结果以六叶期为主，十叶期作为补充，获取玉米冠层正射影像；
A5进行航线的自动规划；
A6使用ESRI的Drone2Map或ENVI Onebutton软件生成研究区的正射影像；
A7筛选最佳冠层图像色彩参数；
对开窗试验小区获得色彩参数进行处理，采用以下公式进行玉米六叶期和十叶期氮素营养诊断的冠层图像色彩参数计算算法分别为：
绿光标准化值公式为：M1＝G/(R+G+B)；蓝光标准化值公式为：M2＝B/(R+G+B)；绿光与亮度的比值公式为：M3＝G/L；
其中R为红色波段，G为绿色波段，B为蓝色波段，L为亮度值；
计算开窗试验不同处理之间对不同算法的敏感度，用M1-M3不同算法对施肥量最高处理T7与空白处理T1的光谱标准化值进行比值处理，若比值小于1，进行统一取倒数，获取不同算法的敏感度；筛选出最敏感的营养诊断的冠层图像色彩参数指标算法Sm，即：
Sm＝max(T7/T1M1,T7/T1M2,T7/T1M3)；
若T7/T1<1,则为Sm＝max(T1/T7M1,T1/T7M2,T1/T7M3)；
在确定冠层图像色彩参数算法的基础上，应用筛选出的冠层图像色彩参数算法进行正射影像的计算光谱标准化值，并最终生成开窗试验区和施肥推荐区的具有空间变异的光谱标准化值；
A8对推荐区的作物影像根据不同光谱值与开窗试验区不同施肥处理的光谱标准化值进行模糊隶属度判别；
对每一个位置点判别最大的隶属度，生成归属T1-T7不同施肥处理类别图，输出图层为Fuzzy_Map.shp，属性值为1-7；
A9试验空白小区氮肥推荐施肥量减去每个处理已有的氮肥投入量，即是该处理的氮肥追肥推荐用量，生成不同处理的推荐施肥表(Fertilizer_table)，使用ArcGIS中的join(关联)工具，将推荐施肥表(Fertilizer_table)与施肥推荐区的隶属度类别图(Fuzzy_Map.shp)挂接，生成空间变异氮肥推荐用量图(recommend_fertilizer)；
A10对作业单元形成唯一的一套推荐施肥方案；根据灌溉控制单元，使用ArcGIS工具Zonal Statistics工具对氮肥追肥作业图进行分区统计，输入分区数据(Input raster orfeature zone data)：灌溉控制单元图，输入栅格数据(input value raster)：氮肥推荐用量图，输出栅格数据(output raster)：分区氮肥推荐用量图，统计类型参数(statisticstype)：众数，计算每个灌溉控制单元的施肥量，生成以灌溉控制单元进行分区的施肥分区图(Zone_fertilizer)；
A11依照玉米生育期的养分吸收曲线，对总的氮肥量按照不同的生育期进行氮肥追肥量分配。
2.根据权利要求1所述的施肥方法，其特征在于，步骤A2中，对推荐施肥区和试验小区进行磷肥和钾肥的推荐表为：
表1不同肥力水平的不同目标产量推荐施磷量
表2不同肥力水平的不同目标产量推荐施钾量
3.根据权利要求1所述的施肥方法，其特征在于，步骤A3中，T1-T7氮肥施用量分别为：0N公斤/公顷，30N公斤/公顷，60N公斤/公顷，90N公斤/公顷，120N公斤/公顷，150N公斤/公顷，180N公斤/公顷。
4.根据权利要求1所述的施肥方法，其特征在于，步骤A4中，航拍选择无风或微风、晴朗光线较强的天气条件，在上午9-10点进行正射航拍。
5.根据权利要求1所述的施肥方法，其特征在于，步骤A5，无人机航向重叠率不低于70％，旁向重叠率不低于70％，航拍高度为50米，航拍的拍照间隔、飞行速度等参数由系统自动进行设定。
6.根据权利要求1所述的施肥方法，其特征在于，步骤A8，n为7。
7.根据权利要求1所述的施肥方法，其特征在于，步骤A8，对每个开窗试验小区进行频率统计分析，根据统计结果构造每个开窗试验小区的隶属度函数，隶属度函数类型为钟型，生成施肥推荐区对每个处理的隶属度图；在上述基础上，获取每一空间位置点最大模糊隶属度：
为模糊隶属度图，x、y为推荐区的空间地理位置经度、纬度坐标，Ti为处理，i的取值从1到n。
8.根据权利要求1所述的施肥方法，其特征在于，步骤步骤A11，追施氮肥分别在六叶期和十叶期进行追肥，其比例为2:1。
9.根据权利要求1所述的施肥方法，其特征在于，还包括步骤A12：通过水肥一体化设备对每个灌溉控制单元用肥量和灌溉水量进行控制，施肥时，先进行清水灌溉，然后水溶肥随水施入，最后清水冲洗管道，这样保证施肥的均一性；灌溉次数根据通过土壤湿度传感器监测土壤湿度状况进行灌溉，在土壤湿度低于10％进行自动灌溉，高于25％时停止灌溉；生育周期灌溉次数4次。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201910201414.3A CN109757175B (zh) | 2019-03-18 | 2019-03-18 | 一种基于无人机监测的玉米水肥一体化变量施肥方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201910201414.3A CN109757175B (zh) | 2019-03-18 | 2019-03-18 | 一种基于无人机监测的玉米水肥一体化变量施肥方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN109757175A true CN109757175A (zh) | 2019-05-17 |
| CN109757175B CN109757175B (zh) | 2020-10-30 |
Family
ID=66459356
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201910201414.3A Active CN109757175B (zh) | 2019-03-18 | 2019-03-18 | 一种基于无人机监测的玉米水肥一体化变量施肥方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN109757175B (zh) |
Cited By (9)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN111727443A (zh) * | 2020-05-15 | 2020-09-29 | 安徽中科智能感知产业技术研究院有限责任公司 | 一种基于深度神经网络的土壤速效养分反演方法 |
| CN113298859A (zh) * | 2021-05-26 | 2021-08-24 | 中国科学院地理科学与资源研究所 | 一种基于无人机影像的作物氮肥变量管理方法 |
| CN114009200A (zh) * | 2021-11-16 | 2022-02-08 | 内蒙古农业大学 | 一种设施蔬菜智能水肥一体化控制系统及方法 |
| CN115349338A (zh) * | 2022-08-17 | 2022-11-18 | 江苏省农业机械试验鉴定站 | 一种基于作物长势的变量追肥控制系统与方法 |
| CN115843517A (zh) * | 2023-03-01 | 2023-03-28 | 寿光市茂藤农业科技有限公司 | 一种智能化定量施肥系统 |
| CN116636369A (zh) * | 2023-07-19 | 2023-08-25 | 长春理工大学 | 一种基于可见-近红外光谱技术的施肥方法 |
| CN117063686A (zh) * | 2023-09-01 | 2023-11-17 | 中国农业科学院农业信息研究所 | 玉米水肥一体灌溉方法 |
| WO2024055784A1 (zh) * | 2022-09-13 | 2024-03-21 | 苏州得墨忒耳科技有限公司 | 推荐模型的生成方法、氮肥施用量的推荐方法及其装置 |
| WO2024077760A1 (zh) * | 2022-10-12 | 2024-04-18 | 安徽科技学院 | 一种无人机精准变量施肥方法及系统 |
Citations (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| EP1269819A1 (en) * | 2001-06-27 | 2003-01-02 | Agco GmbH & Co. | Apparatus and method for the variable rate application of substance to land |
| CN106211874A (zh) * | 2016-09-20 | 2016-12-14 | 山东省农业机械科学研究院 | 智能变量播种施肥机、补种方法及变量播种施肥方法 |
| CN106718676A (zh) * | 2016-11-29 | 2017-05-31 | 江苏华源节水股份有限公司 | 一种可同步精准施肥或喷洒农药的喷灌一体机使用方法 |
| CN107097958A (zh) * | 2017-04-20 | 2017-08-29 | 浙江大学 | 一种变量施肥的无人机系统和方法 |
| CN108271658A (zh) * | 2018-03-01 | 2018-07-13 | 海南广源隆节能环保股份有限公司 | 光控水肥一体化智能灌溉系统及光控水肥一体化智能灌溉方法 |
| CN109076761A (zh) * | 2018-08-08 | 2018-12-25 | 安徽省现代农业装备产业技术研究院有限公司 | 一种基于遥感图像变量施肥方法 |
| US20190072937A1 (en) * | 2017-09-06 | 2019-03-07 | Topcon Corporation | Device, method, and program for controlling agricultural machine |
-
2019
- 2019-03-18 CN CN201910201414.3A patent/CN109757175B/zh active Active
Patent Citations (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| EP1269819A1 (en) * | 2001-06-27 | 2003-01-02 | Agco GmbH & Co. | Apparatus and method for the variable rate application of substance to land |
| CN106211874A (zh) * | 2016-09-20 | 2016-12-14 | 山东省农业机械科学研究院 | 智能变量播种施肥机、补种方法及变量播种施肥方法 |
| CN106718676A (zh) * | 2016-11-29 | 2017-05-31 | 江苏华源节水股份有限公司 | 一种可同步精准施肥或喷洒农药的喷灌一体机使用方法 |
| CN107097958A (zh) * | 2017-04-20 | 2017-08-29 | 浙江大学 | 一种变量施肥的无人机系统和方法 |
| US20190072937A1 (en) * | 2017-09-06 | 2019-03-07 | Topcon Corporation | Device, method, and program for controlling agricultural machine |
| CN108271658A (zh) * | 2018-03-01 | 2018-07-13 | 海南广源隆节能环保股份有限公司 | 光控水肥一体化智能灌溉系统及光控水肥一体化智能灌溉方法 |
| CN109076761A (zh) * | 2018-08-08 | 2018-12-25 | 安徽省现代农业装备产业技术研究院有限公司 | 一种基于遥感图像变量施肥方法 |
Cited By (10)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN111727443A (zh) * | 2020-05-15 | 2020-09-29 | 安徽中科智能感知产业技术研究院有限责任公司 | 一种基于深度神经网络的土壤速效养分反演方法 |
| CN111727443B (zh) * | 2020-05-15 | 2023-10-31 | 安徽中科智能感知科技股份有限公司 | 一种基于深度神经网络的土壤速效养分反演方法 |
| CN113298859A (zh) * | 2021-05-26 | 2021-08-24 | 中国科学院地理科学与资源研究所 | 一种基于无人机影像的作物氮肥变量管理方法 |
| CN114009200A (zh) * | 2021-11-16 | 2022-02-08 | 内蒙古农业大学 | 一种设施蔬菜智能水肥一体化控制系统及方法 |
| CN115349338A (zh) * | 2022-08-17 | 2022-11-18 | 江苏省农业机械试验鉴定站 | 一种基于作物长势的变量追肥控制系统与方法 |
| WO2024055784A1 (zh) * | 2022-09-13 | 2024-03-21 | 苏州得墨忒耳科技有限公司 | 推荐模型的生成方法、氮肥施用量的推荐方法及其装置 |
| WO2024077760A1 (zh) * | 2022-10-12 | 2024-04-18 | 安徽科技学院 | 一种无人机精准变量施肥方法及系统 |
| CN115843517A (zh) * | 2023-03-01 | 2023-03-28 | 寿光市茂藤农业科技有限公司 | 一种智能化定量施肥系统 |
| CN116636369A (zh) * | 2023-07-19 | 2023-08-25 | 长春理工大学 | 一种基于可见-近红外光谱技术的施肥方法 |
| CN117063686A (zh) * | 2023-09-01 | 2023-11-17 | 中国农业科学院农业信息研究所 | 玉米水肥一体灌溉方法 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN109757175B (zh) | 2020-10-30 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN109757175A (zh) | 一种基于无人机监测的玉米水肥一体化变量施肥方法 | |
| CN111399508B (zh) | 智慧农业系统和智慧农业方法 | |
| CN103823371B (zh) | 基于神经网络模型的农业精准施肥系统及施肥方法 | |
| Huang et al. | Jointly assimilating MODIS LAI and ET products into the SWAP model for winter wheat yield estimation | |
| CN111557159B (zh) | 一种带有农作物养分需求分析功能的水肥一体机控制系统及其控制方法 | |
| CN101699315B (zh) | 一种作物长势均匀度的监测装置和方法 | |
| CN1505794A (zh) | 用于农田的计算机定位施肥 | |
| CN107527014A (zh) | 县级作物种植面积遥感统计抽样调查方案设计方法 | |
| CN107392376A (zh) | 一种农作物气象产量预测方法及系统 | |
| CN106718363A (zh) | 一种面向精细农业的灌溉试验方法及其试验平台 | |
| CN108958329A (zh) | 一种滴灌水肥一体化智能决策方法 | |
| CN105557166A (zh) | 基于gis的滴灌棉田氮素施肥管理方法 | |
| CN110008621B (zh) | 基于双重流依赖集合平方根滤波同化算法的作物模型遥感同化估产方法 | |
| CN108710766A (zh) | 一种基于生长模型的温室植物水肥机调肥参数计算方法 | |
| CN115456476B (zh) | 一种基于机器视觉的国土空间规划数据采集分析系统 | |
| CN113039908A (zh) | 一种施肥和灌溉动态决策方法及系统 | |
| CN116602106A (zh) | 一种基于无人机的水稻田内变量施肥方法 | |
| CN103745407A (zh) | 借助智能手机和gps制定作物精确栽培方案的方法和系统 | |
| CN117973921A (zh) | 一种农业管理方法及系统 | |
| CN116206197B (zh) | 一种面向耕地信息提取的地学分区方法 | |
| CN106713414A (zh) | 一种生命周期模型解决种植问题的服务系统 | |
| US20240177478A1 (en) | Information processing device, information processing method, and program | |
| CN111724073A (zh) | 一种模块化农业机械排放量计算及污染识别管控系统 | |
| Yu | The state of agrocenosises and hayfield meadows in farm units of Prialeisk soil and climate zone (Altai Krai) | |
| CN118489387B (zh) | 水稻种植施肥智能管理系统及方法 |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| PB01 | Publication | ||
| PB01 | Publication | ||
| SE01 | Entry into force of request for substantive examination | ||
| SE01 | Entry into force of request for substantive examination | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant |