CN111670668B - 基于高光谱遥感处方图的水稻农用无人机精准追肥方法 - Google Patents
基于高光谱遥感处方图的水稻农用无人机精准追肥方法 Download PDFInfo
- Publication number
- CN111670668B CN111670668B CN202010505937.XA CN202010505937A CN111670668B CN 111670668 B CN111670668 B CN 111670668B CN 202010505937 A CN202010505937 A CN 202010505937A CN 111670668 B CN111670668 B CN 111670668B
- Authority
- CN
- China
- Prior art keywords
- aerial vehicle
- unmanned aerial
- rice
- hyperspectral
- topdressing
- 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.)
- Expired - Fee Related
Links
- 235000007164 Oryza sativa Nutrition 0.000 title claims abstract description 138
- 235000009566 rice Nutrition 0.000 title claims abstract description 138
- 238000000034 method Methods 0.000 title claims abstract description 64
- 240000007594 Oryza sativa Species 0.000 title 1
- 241000209094 Oryza Species 0.000 claims abstract description 137
- 238000005507 spraying Methods 0.000 claims abstract description 25
- 239000003337 fertilizer Substances 0.000 claims abstract description 15
- 238000005516 engineering process Methods 0.000 claims abstract description 6
- IJGRMHOSHXDMSA-UHFFFAOYSA-N Atomic nitrogen Chemical compound N#N IJGRMHOSHXDMSA-UHFFFAOYSA-N 0.000 claims description 154
- 229910052757 nitrogen Inorganic materials 0.000 claims description 77
- 238000012360 testing method Methods 0.000 claims description 33
- 239000002689 soil Substances 0.000 claims description 29
- 239000000618 nitrogen fertilizer Substances 0.000 claims description 27
- 230000000694 effects Effects 0.000 claims description 16
- 238000001228 spectrum Methods 0.000 claims description 14
- 230000007812 deficiency Effects 0.000 claims description 12
- 238000002310 reflectometry Methods 0.000 claims description 12
- 230000012010 growth Effects 0.000 claims description 11
- 238000000513 principal component analysis Methods 0.000 claims description 8
- 230000009467 reduction Effects 0.000 claims description 8
- 230000008569 process Effects 0.000 claims description 7
- 239000003814 drug Substances 0.000 claims description 6
- 239000007788 liquid Substances 0.000 claims description 5
- 239000002028 Biomass Substances 0.000 claims description 4
- ZLMJMSJWJFRBEC-UHFFFAOYSA-N Potassium Chemical compound [K] ZLMJMSJWJFRBEC-UHFFFAOYSA-N 0.000 claims description 4
- 238000004422 calculation algorithm Methods 0.000 claims description 4
- 238000006243 chemical reaction Methods 0.000 claims description 4
- 238000011156 evaluation Methods 0.000 claims description 4
- 230000004720 fertilization Effects 0.000 claims description 4
- 238000005457 optimization Methods 0.000 claims description 4
- 239000002245 particle Substances 0.000 claims description 4
- 239000011591 potassium Substances 0.000 claims description 4
- 229910052700 potassium Inorganic materials 0.000 claims description 4
- 238000012545 processing Methods 0.000 claims description 4
- 238000000701 chemical imaging Methods 0.000 claims description 3
- 239000002686 phosphate fertilizer Substances 0.000 claims description 3
- 238000000926 separation method Methods 0.000 claims description 3
- 238000004611 spectroscopical analysis Methods 0.000 claims 1
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 11
- 230000003595 spectral effect Effects 0.000 description 8
- 238000010586 diagram Methods 0.000 description 7
- 238000011160 research Methods 0.000 description 7
- 238000005070 sampling Methods 0.000 description 6
- 238000000605 extraction Methods 0.000 description 5
- 230000008021 deposition Effects 0.000 description 4
- 238000003306 harvesting Methods 0.000 description 3
- 238000002156 mixing Methods 0.000 description 3
- 239000000575 pesticide Substances 0.000 description 3
- 230000004044 response Effects 0.000 description 3
- 238000007789 sealing Methods 0.000 description 3
- MHAJPDPJQMAIIY-UHFFFAOYSA-N Hydrogen peroxide Chemical compound OO MHAJPDPJQMAIIY-UHFFFAOYSA-N 0.000 description 2
- 238000007696 Kjeldahl method Methods 0.000 description 2
- 238000004458 analytical method Methods 0.000 description 2
- 238000004364 calculation method Methods 0.000 description 2
- 230000008859 change Effects 0.000 description 2
- 238000003745 diagnosis Methods 0.000 description 2
- 238000001035 drying Methods 0.000 description 2
- 239000000284 extract Substances 0.000 description 2
- 238000004519 manufacturing process Methods 0.000 description 2
- 235000015097 nutrients Nutrition 0.000 description 2
- 239000000843 powder Substances 0.000 description 2
- 238000012216 screening Methods 0.000 description 2
- 230000011218 segmentation Effects 0.000 description 2
- 230000009466 transformation Effects 0.000 description 2
- 241000196324 Embryophyta Species 0.000 description 1
- 102000004190 Enzymes Human genes 0.000 description 1
- 108090000790 Enzymes Proteins 0.000 description 1
- 238000010987 Kennard-Stone algorithm Methods 0.000 description 1
- OAICVXFJPJFONN-UHFFFAOYSA-N Phosphorus Chemical compound [P] OAICVXFJPJFONN-UHFFFAOYSA-N 0.000 description 1
- XSQUKJJJFZCRTK-UHFFFAOYSA-N Urea Chemical compound NC(N)=O XSQUKJJJFZCRTK-UHFFFAOYSA-N 0.000 description 1
- MMDJDBSEMBIJBB-UHFFFAOYSA-N [O-][N+]([O-])=O.[O-][N+]([O-])=O.[O-][N+]([O-])=O.[NH6+3] Chemical compound [O-][N+]([O-])=O.[O-][N+]([O-])=O.[O-][N+]([O-])=O.[NH6+3] MMDJDBSEMBIJBB-UHFFFAOYSA-N 0.000 description 1
- 238000007605 air drying Methods 0.000 description 1
- 239000004178 amaranth Substances 0.000 description 1
- 239000004202 carbamide Substances 0.000 description 1
- 230000006860 carbon metabolism Effects 0.000 description 1
- 238000012937 correction Methods 0.000 description 1
- 238000005520 cutting process Methods 0.000 description 1
- 230000003247 decreasing effect Effects 0.000 description 1
- 230000003111 delayed effect Effects 0.000 description 1
- 230000001066 destructive effect Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000018109 developmental process Effects 0.000 description 1
- 201000010099 disease Diseases 0.000 description 1
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 description 1
- 238000009826 distribution Methods 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 230000002349 favourable effect Effects 0.000 description 1
- 238000003384 imaging method Methods 0.000 description 1
- 238000002347 injection Methods 0.000 description 1
- 239000007924 injection Substances 0.000 description 1
- 230000002452 interceptive effect Effects 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 230000004060 metabolic process Effects 0.000 description 1
- 239000000203 mixture Substances 0.000 description 1
- 230000000149 penetrating effect Effects 0.000 description 1
- 229910052698 phosphorus Inorganic materials 0.000 description 1
- 239000011574 phosphorus Substances 0.000 description 1
- 230000002035 prolonged effect Effects 0.000 description 1
- 230000002441 reversible effect Effects 0.000 description 1
- 238000004856 soil analysis Methods 0.000 description 1
- 239000000243 solution Substances 0.000 description 1
- QAOWNCQODCNURD-UHFFFAOYSA-N sulfuric acid Substances OS(O)(=O)=O QAOWNCQODCNURD-UHFFFAOYSA-N 0.000 description 1
- 230000009105 vegetative growth Effects 0.000 description 1
- 238000012795 verification Methods 0.000 description 1
- 238000005303 weighing Methods 0.000 description 1
Images
Classifications
-
- A—HUMAN NECESSITIES
- A01—AGRICULTURE; FORESTRY; ANIMAL HUSBANDRY; HUNTING; TRAPPING; FISHING
- A01C—PLANTING; SOWING; FERTILISING
- A01C21/00—Methods of fertilising, sowing or planting
- A01C21/005—Following a specific plan, e.g. pattern
-
- A—HUMAN NECESSITIES
- A01—AGRICULTURE; FORESTRY; ANIMAL HUSBANDRY; HUNTING; TRAPPING; FISHING
- A01C—PLANTING; SOWING; FERTILISING
- A01C21/00—Methods of fertilising, sowing or planting
- A01C21/007—Determining fertilization requirements
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B64—AIRCRAFT; AVIATION; COSMONAUTICS
- B64C—AEROPLANES; HELICOPTERS
- B64C39/00—Aircraft not otherwise provided for
- B64C39/02—Aircraft not otherwise provided for characterised by special use
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/213—Feature extraction, e.g. by transforming the feature space; Summarisation; Mappings, e.g. subspace methods
- G06F18/2135—Feature extraction, e.g. by transforming the feature space; Summarisation; Mappings, e.g. subspace methods based on approximation criteria, e.g. principal component analysis
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/20—Design optimisation, verification or simulation
- G06F30/25—Design optimisation, verification or simulation using particle-based methods
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/20—Design optimisation, verification or simulation
- G06F30/27—Design optimisation, verification or simulation using machine learning, e.g. artificial intelligence, neural networks, support vector machines [SVM] or training a model
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
- G06Q50/02—Agriculture; Fishing; Forestry; Mining
Landscapes
- Engineering & Computer Science (AREA)
- Life Sciences & Earth Sciences (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Soil Sciences (AREA)
- General Physics & Mathematics (AREA)
- Evolutionary Computation (AREA)
- Computer Vision & Pattern Recognition (AREA)
- General Engineering & Computer Science (AREA)
- Geometry (AREA)
- Computer Hardware Design (AREA)
- Business, Economics & Management (AREA)
- Data Mining & Analysis (AREA)
- Artificial Intelligence (AREA)
- Environmental Sciences (AREA)
- Mining & Mineral Resources (AREA)
- Health & Medical Sciences (AREA)
- Medical Informatics (AREA)
- Software Systems (AREA)
- Agronomy & Crop Science (AREA)
- Animal Husbandry (AREA)
- Marine Sciences & Fisheries (AREA)
- Evolutionary Biology (AREA)
- Bioinformatics & Computational Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Economics (AREA)
- General Health & Medical Sciences (AREA)
- Human Resources & Organizations (AREA)
- Marketing (AREA)
- Primary Health Care (AREA)
- Strategic Management (AREA)
- Tourism & Hospitality (AREA)
- General Business, Economics & Management (AREA)
- Aviation & Aerospace Engineering (AREA)
- Investigating Or Analysing Materials By Optical Means (AREA)
Abstract
本发明公开了基于高光谱遥感处方图的水稻农用无人机精准追肥方法,涉及无人机追肥技术领域,分蘖期根外追肥是水稻重要的田间管理环节之一,也是水稻整个生长周期中第一个需肥高峰,追肥效果将直接影响分蘖数以及中后期的长势。为了探究利用无人机遥感构建处方图指导农用无人机水稻分蘖期变量追肥,实现保障水稻产量的前提下降低化肥施用量。运用无人机高光谱技术建立水稻分蘖期追肥处方图,在此基础上结合农用无人机作业参数,对待追肥地块进行栅格划分,形成适用于田块内精准追肥作业喷施量,并最终通过农用无人机进行精准追肥,以期为寒地水稻分蘖期无人机精准变量追肥提供数据与模型基础。
Description
技术领域
本发明涉及无人机追肥技术领域,特别涉及基于高光谱遥感处方图的水稻农用无人机精准追肥方法。
背景技术
寒地水稻是寒冷地区水稻的总称,主要分布于我国东北地区。由于地区环境气候变化较大,寒地水稻在种植模式和田间管理方面与南方水稻不同。寒地水稻栽培气候特点是早春气温低,水稻插秧后气温与土壤温度偏低,养分释放慢,因此在关键生育期需要根外追肥,以保证最终的产量和品质。其中分蘖期追肥是寒地水稻田间管理过程中的关键环节,也是水稻整个生长周期中第一个需肥高峰,追肥效果将直接影响分蘖数以及中后期的长势。分蘖期过量追肥易引起无效分蘖率增加、叶片披垂重叠遮阴等后果,同时叶片含氮量过高,还会阻碍以氮代谢为主向以碳代谢为主的转移,有可能延长营养生长而推迟出穗期,倒伏和病害风险增加,这些都不利于水稻稳产。
近年来,在水稻生产过程中利用农用无人机开展追肥作业得到了快速发展。大幅提高了水稻田间管理效率,同时还减少了劳动强度、降低了人工成本。农用无人机作业具有较好的冠层分布特性,能够保证水稻地上植株被药液充分附着。但现有的水稻无人机追肥作业,在追肥决策上大多依靠田间管理人员的经验,缺乏有效的追肥决策依据。
本发明将水稻分蘖期追肥无人机遥感诊断与农用无人机精准作业相结合,运用无人机高光谱技术建立水稻分蘖期追肥处方图,在此基础上结合农用无人机作业参数,对待追肥地块进行栅格划分,形成适用于田块内精准追肥作业喷施量,并最终通过农用无人机进行精准追肥,以期为寒地水稻分蘖期无人机精准变量追肥提供数据与模型基础。
发明内容
本发明的目的在于提供基于高光谱遥感处方图的水稻农用无人机精准追肥方法,运用无人机高光谱技术建立水稻分蘖期追肥处方图,在此基础上结合农用无人机作业参数,对待追肥地块进行栅格划分,形成适用于田块内精准追肥作业喷施量,并最终通过农用无人机进行精准追肥,以期为寒地水稻分蘖期无人机精准变量追肥提供数据与模型基础。
本发明提供了基于高光谱遥感处方图的水稻农用无人机精准追肥方法,其特征在于,所述方法包括:
S1:划分若干个试验田,对试验田的氮肥含量进行梯度处理;
S2:组装无人机高光谱遥感影像获取装置;
S3:测定水稻生长参数;
S4:解混包含干扰信息的高光谱遥感影像;
S5:根据水稻氮素含量进行高光谱遥感建模;
S6:无人机氮肥追施量精准决策;
S7:根据缺氮量生成无人机追肥处方图;
S8:对农用无人机水稻分蘖期变量追施效果进行评价。
进一步地,所述试验田的数目为4个,分别命名为CK、N1、N2和N3,所述CK为对照组,不施用氮肥;所述N1为当地标准氮肥施用水平,氮肥施用量为45kg/ha,所述N2为低氮施肥水平,施用量为N1的0.5倍;所述N3为高氮施肥水平,施用量为所述N1的1.5倍;其中所述试验田的磷肥标准施用量为51.75kg/ha,钾肥标准施用量为18kg/ha。
进一步地,所述无人机高光谱遥感影像获取装置包括无人机和高光谱成像仪,所述无人机高光谱平台选用深圳大疆创新公司的M600 PRO六旋翼无人机,所述高光谱成像仪选用四川双利合谱公司的GaiaSky-mini内置推扫式机载高光谱成像系统;所述高光谱成像仪的高光谱波段范围设置为400nm~1000nm,其分辨率为3.5nm,有效波段数为170个,单幅影像获取时间为15秒,帧速为162fps,所述无人机的飞行高度为100m。
进一步地,所述高光谱成像仪每间隔5min进行一次白色标准版和仪器背景噪声光谱数据的采集,并在高光谱采集区域内放置一块尺寸为1.5m×1.5m,反射率为60%的漫反射板。
进一步地,所述水稻生长参数包括水稻叶片氮素含量、水稻产量和稻田土壤氮含量。
进一步地,所述步骤S4采用最小噪声分离法MNF分离数据中的噪声,降低后续处理的计算量;再利用纯净像元指数法PPI从无人机遥感影像中提取属于水稻的高光谱反射率曲线,并构建地物端元波普库,组后采用正交子空间投影方法,对无人机高光谱遥感影像进行解混。
进一步地,所述步骤S5采用分段主成分分析PCA与红边特征反射率相结合的方式对高光谱信息进行降维,将降维后的数据结果作为极限学习机ELM与粒子群优化的极限学习机PSO-ELM的氮素浓度高光谱反演模型的输入,建立寒地水稻分蘖期叶片氮素浓度反演模型。
进一步地,所述S6中的校准决策方法为设置水稻平均氮浓度作为氮素追施目标,记为Nstd,将待追肥水稻氮素浓度的反演值记为Nr。则分蘖期水稻缺氮量诊断方法为:
Nx=Nstd-Nr (1)
其中,Nx为待追肥位置的单位面积缺氮量,当Nr>0时表示目前该位置的氮素含量低于参考田的氮素值,需要进行外部喷施追肥;当Nr≤0时表示目前该位置不要进行外部喷施追肥。
进一步地,所述S7中的处方图生成方法,结合农用无人机喷幅(w)和速度(v)按照每秒对追肥地块进行栅格划分,针对每个网格生成一个氮肥追施量,追肥量生成方法如下所示:
其中,p为无人机药箱中氮肥浓度(mg/ml)、Bstd为标准田单个栅格面积范围内(w×v)水稻地上生物量;Cstd、Cx分别为标准田、待追肥田栅格面积内水稻覆盖度;k为化肥利用率、u为化肥转化率,u、k为常数,将u设置为0.6,k设置为0.4。
进一步地,使用均方根误差RMSE和模型决定系数R2作为无人机高光谱反演模型的评价标准,利用差分GPS技术,确定追肥田块的每一个追施栅格的实际位置,采用PID算法通过控制药液泵的PWM信号,实现变量喷施,农用无人机喷施过程中,地面同时布置雾滴测试卡,计算雾滴覆盖度,根据雾滴覆盖度进行追施效果的评价。
与现有技术相比,本发明具有如下显著优点:
本文以水稻分蘖期农用无人机精准追肥为研究对象,利用无人机成像高光谱遥感获取水稻分蘖期高光谱遥感影像,通过高光谱解混提取水稻纯净高光谱信息,通过特征提取与特征波段混合的方法对水稻高光谱降维,并利用PSO-ELM建立氮素浓度反演模型,再考虑农用无人机飞行速度、有效喷幅、药业泵响应频率的基础上,结合专家推荐施肥构建追肥参照田,构建无人机精准追肥模型。能够为水稻分蘖期农用无人机精准追肥提供技术基础,本发明技术优点如下:
1)利用特征波段选择与特征提取的方式在450nm~950nm范围内共提取5个水稻高光谱特征变量。
2)利用PSO-ELM构建的水稻氮素含量反演模型效果要好于ELM反演效果,模型决定系数R2=0.838。
4)以参考田为对照,在产量相同的情况下本研究构建的处方图变量追肥方法,氮肥追施量减少27.34%。
附图说明
图1为本发明实施例提供的基于高光谱遥感处方图的水稻农用无人机精准追肥方法的噪声估计图;
图2为本发明实施例提供的基于高光谱遥感处方图的水稻农用无人机精准追肥方法的MNF变换确定光谱特征维度图;
图3为本发明实施例提供的基于高光谱遥感处方图的水稻农用无人机精准追肥方法的地物端元高光谱图;
图4为本发明实施例提供的基于高光谱遥感处方图的水稻农用无人机精准追肥方法的原始高光谱影像图和高光谱解混结果图;
图5为本发明实施例提供的基于高光谱遥感处方图的水稻农用无人机精准追肥方法的水稻高光谱反射率分段图;
图6为本发明实施例提供的基于高光谱遥感处方图的水稻农用无人机精准追肥方法的水稻氮素含量反演建模图;
图7为本发明实施例提供的基于高光谱遥感处方图的水稻农用无人机精准追肥方法的农用无人机追肥处方图;
图8为本发明实施例提供的基于高光谱遥感处方图的水稻农用无人机精准追肥方法的雾滴沉积效果图;
图9为本发明实施例提供的基于高光谱遥感处方图的水稻农用无人机精准追肥方法的水稻产量分析图。
具体实施方式
下面结合本发明中的附图,对本发明实施例的技术方案进行清楚、完整的描述,显然,所描述的实施例是本发明的一部分实施例,而不是全部实施例。基于本发明中的实施例,本领域普通技术人员在没有做出创造性劳动的前提下所获得的所有其他实施例,都应属于本发明保护的范围。
为了便于理解和说明,参照图1至图9,本发明提供了基于高光谱遥感处方图的水稻农用无人机精准追肥方法,其特征在于,所述方法包括:
S1:划分若干个试验田,对试验田的氮肥含量进行梯度处理;
S2:组装无人机高光谱遥感影像获取装置;
S3:测定水稻生长参数;
S4:解混包含干扰信息的高光谱遥感影像;
S5:根据水稻氮素含量进行高光谱遥感建模;
S6:无人机氮肥追施量精准决策;
S7:根据缺氮量生成无人机追肥处方图;
S8:对农用无人机水稻分蘖期变量追施效果进行评价。
实施例1
试验田的实验地点位于辽宁省沈阳市沈北新区柳条河村(北纬N42°01′17.16″,东经E123°38′14.57″),属于典型的寒地水稻种植区,试验品种为“粳优653”。试验于2019年5-11月进行,重要的试验关键时间节点如表1所示:
表1关键试验时间节点
Table1 The key test time node
所述试验田的数目为4个,分别命名为CK、N1、N2和N3,所述CK为对照组,不施用氮肥;所述N1为当地标准氮肥施用水平,氮肥施用量为45kg/ha,所述N2为低氮施肥水平,施用量为N1的0.5倍;所述N3为高氮施肥水平,施用量为所述N1的1.5倍;其中所述试验田的磷肥标准施用量为51.75kg/ha,钾肥标准施用量为18kg/ha。施入基肥之前对各个试验田0~0.5m耕层进行取样并分析土壤中营养元素含量,其中硝态氮质量分数为3.16~14.82mg/kg,速效钾质量分数为86.83~120.62mg/kg,有效磷质量分数为3.14~21.18mg/kg,土壤有机质质量分数为15.8~20.0g/kg,全氮质量分数为0.154~0.162g/kg,速效氮质量分数为104.032~127.368mg/kg。其他田间管理按当地正常水平进行。
实施例2
所述无人机高光谱遥感影像获取装置包括无人机和高光谱成像仪,所述无人机高光谱平台选用深圳大疆创新公司的M600 PRO六旋翼无人机,所述高光谱成像仪选用四川双利合谱公司的GaiaSky-mini内置推扫式机载高光谱成像系统;所述高光谱成像仪的高光谱波段范围设置为400nm~1000nm,其分辨率为3.5nm,有效波段数为170个,单幅影像获取时间为15秒,帧速为162fps,所述无人机的飞行高度为100m。
由于水稻分蘖期稻田内水层占比很大,若采用传统的高光谱采集时间会受到镜面反射等干扰,造成光谱污染。因此为了获得更好的数据质量,本发明将无人机高光谱数据采集时间选择在08:00-08:30之间,为了最大程度的减少由于太阳高度角变化对高光谱影像的测量误差,所述高光谱成像仪每间隔5min进行一次白色标准版(反射率>99%)和仪器背景噪声光谱数据的采集,应用于后期的高光谱反射率的定标。并在高光谱采集区域内放置一块尺寸为1.5m×1.5m,反射率为60%的漫反射板,用于后期的反射数据校正。
实施例3
所述水稻生长参数包括水稻叶片氮素含量、水稻产量和稻田土壤氮含量。
水稻叶片氮素含量的测定:对每个试验田中采样点水稻进行整穴破坏性取样,带回实验室后将该穴水稻所有新鲜叶片剪下置于烘箱中以120℃杀青60min,再以65℃烘干至恒量。称量后将其粉碎,把研磨好的粉末采用凯氏定氮法检测叶片的含氮量(mg/g)。
水稻产量的测定:收获时每个试验田取2米×2米范围的水稻,测量千粒重和籽粒产量。
稻田土壤氮含量的测定:在每个试验田按五点采样法采集土样,采集深度为10~20cm将5点的土壤混合后通过2mm筛后装入自封袋,带回实验室将其风干后过0.15mm筛,装回原自封袋中,准备土壤全氮、速效氮含量的测定。土壤全氮先用浓硫酸和双氧水混合消煮,再用半微量凯氏法测定。
本发明分别于底肥施用之前和水稻收获之后测定试验小区土壤氮含量用于辅助分析变量追肥效果。
水稻氮素样本分析,本研究共采集120组水稻数据样本,根据Kennard-Stone算法将样本照训练集与验证集按3:1的比例进行划分,选取其中的90组作为建模数据集,另外30组为验证数据集。数据级统计特征如下所示:
表2试验小区水稻氮含量统计特征
参照图1,无人机遥感平台获取的稻田高光谱影像质量是开展追肥决策的重要前提,高光谱虽然具有较高的光谱分辨率,但在数据获取过程中稻田内地物的高光谱信息在噪声的影响下回造成数据失真。因此本研究采用“均匀区域划分和光谱维去相关的高光谱图像噪声评估方法评价所采集无人机高光谱遥感影像的噪声水平。由噪声结果可知,在400nm~450nm、950nm~1000nm两个波段范围内噪声较大,为了保证更好的建模效果,本发明选择450nm~950nm的波段范围作为氮素含量遥感诊断的数据基础。
实施例4
无人机高光谱遥感影像空间分辨率与光谱分辨率均比较高,而分蘖期稻田还没有封行,一景高光谱影像即包括水稻又包括水体、土壤等干扰地物信息,因此需要对无人机高光谱遥感影像进行解混,提取水稻高光谱信息用于后续建模。所述步骤S4采用最小噪声分离法(MNF)分离数据中的噪声,降低后续处理的计算量;再利用纯净像元指数法(PPI)从无人机遥感影像中提取属于水稻的高光谱反射率曲线,并构建地物端元波普库,组后采用正交子空间投影方法,对无人机高光谱遥感影像进行解混,提取水稻的高光谱信息。
参照图2,水稻无人机高光谱遥感影像解混需要获取稻田内地物端元高光谱信息,本发明通过最小噪声分离与纯净像元指数法提取稻田内地物端元高光谱信息。其中MNF主要的用于判断高光谱影像中有效的数据维度,本质是一种降维处理,本发明采用正向MNF变换,如图2所示,提取高光谱影像中有效的数据维度,由结果可知,本研究获取的遥感影像中经过MNF变换提取了5个波段特征。
利用MNF变换后的结果作为纯净像元提取的输入,设定的迭代次数为10000次,由于水稻分蘖期内稻田均处于有水层覆盖的状态,稻田内地物主要由水稻、水体土壤混合物两种地物构成,其余干扰地物占比很少,因此本发明主要针对上述两种地物进行端元高光谱提取,提取结果如图3所示。由地物端元光谱可知,红色高光谱反射率曲线的特征既不是纯土壤、也不是纯水体的反射率曲线,这是由于太阳光照射到水层后部分会被水层反射,另一部分透过水层后到达下面的土壤再次发生反射,最终形成两者混合光谱。由于稻田分蘖期栽培管理的实际需求,土壤将被水层完全覆盖,不存在单纯的土壤或单纯水体地物,因此本研究将水体、土壤混合这种状态设置为一类地物。在提取稻田地物端元高光谱反射率曲线的基础上,采用正交子空间投影丰度反演方法,从无人机高光谱影像中提取水稻纯净的高光谱信息,如图4所示。
实施例5
经过解混得到水稻“纯净”高光谱信息相比于宽波段的多光谱数据在光谱维度上具有连续特性,能够表征更多的水稻信息,与此同时高光谱数据也包含了大量的冗余信息,会造成建模精度和效率的降低。所述步骤S5采用分段主成分分析(PCA)与红边特征反射率相结合的方式对高光谱信息进行降维,将降维后的数据结果作为极限学习机(ELM)与粒子群优化的极限学习机(PSO-ELM)的氮素浓度高光谱反演模型的输入,建立寒地水稻分蘖期叶片氮素浓度反演模型。
本发明首先对450nm~950nm范围的高光谱进行分段划分,再利用PCA进行特征提取。分段结果如图5所示。本发明将高光谱分成5段,分别为450nm~500nm、500nm~600nm、600nm~690nm、690nm~760nm、760nm~950nm。其中在690nm~760nm范围内,本研究提取高光谱红边位置的反射率作为特征,其余4个波段范围采用PCA的方法每个范围提取1个高光谱特征,400nm~1000nm范围内同提取5个高光谱特征,如图5所示。
将提取的5个水稻高光谱特征参量分别作为ELM、PSO-ELM模型输入,建立氮素含量反演模型。通过反复试验,本项目设置PSO优化算法模型参数分别为:最大迭代次数为300,初始种群数量为25,惯性因子设置为0.9~0.3递减,学习因子c1和c2均设置为2,粒子最大速度设为0.5。采用PSO-ELM反演方法建立的水稻氮素含量反演模型的决定系数R2为0.838,RMSE为0.466,氮素含量反演效果要优于单纯采用ELM反演效果,如图6所示。
实施例6
本发明在试验田其他田块按照水稻栽培专家给出的田间管理方案设置一块生产标准田作为参考标准,所述S6中的校准决策方法为设置水稻平均氮浓度作为氮素追施目标,记为Nstd,将待追肥水稻氮素浓度的反演值记为Nr。则分蘖期水稻缺氮量诊断方法为:
Nx=Nstd-Nr (1)
其中,Nx为待追肥位置的单位面积缺氮量,当Nr>0时表示目前该位置的氮素含量低于参考田的氮素值,需要进行外部喷施追肥;当Nr≤0时表示目前该位置不要进行外部喷施追肥。
实施例7
获取水稻单位面积缺氮量后,需要将缺氮量转换为处方图,才能够指导农用无人机进行精准追肥作业。由于无人机高光谱遥感影像在每一个像素点都包含有一条高光谱反射率曲线,因此运用高光谱遥感影像可以针对每一像素点都生成一个追肥量。而由于追肥作业的农用无人机自身平台特性,无法针对田块内部每一个像素点的缺氮量进行精准喷施,所述S7中的处方图生成方法,结合农用无人机喷幅(w)和速度(v)按照每秒对追肥地块进行栅格划分,针对每个网格生成一个氮肥追施量,追肥量生成方法如下所示:
其中,p为无人机药箱中氮肥浓度(mg/ml)、Bstd为标准田单个栅格面积范围内(w×v)水稻地上生物量;Cstd、Cx分别为标准田、待追肥田栅格面积内水稻覆盖度;k为化肥利用率、u为化肥转化率,u、k为常数,将u设置为0.6,k设置为0.4。
无人机追肥作业需要考虑农用无人机的飞行速度与喷幅等参数,同时需要考虑药液泵的响应时间。由于无人机高光谱遥感影像在二维空间上是一个连续的信息,每一个像素点均可以反演出一个追肥量。实际作业过程中,农用无人机无法针对每一个像素点进行直喷式作业。所以需要将高光谱遥感影像反演结果进行栅格分割。通过试验发现本研究所选用的药液泵的最快响应时间为1s,因此农用无人机追肥的最小变量栅格为喷幅乘以速度,本研究选所用无人机的有效喷幅为4m,飞行速度为5m/s,因此本研究最小追肥变量栅格为20㎡。结合差分GPS信息构成了农用无人机变量追肥处方图,如图7所示。
实施例8
使用均方根误差(RMSE)和模型决定系数(R2)作为无人机高光谱反演模型的评价标准,利用差分GPS技术,确定追肥田块的每一个追施栅格的实际位置,采用PID算法通过控制药液泵的PWM信号,实现变量喷施,农用无人机喷施过程中,地面同时布置雾滴测试卡,计算雾滴覆盖度,根据雾滴覆盖度进行追施效果的评价。
本发明在田间利用雾滴测试卡设置了19个雾滴采集点,用于评估农用无人机精准追肥喷施效果,如图8所示,由农用无人机追肥雾滴沉积效果来看,实际沉积量与处方图给出的追施量存在不同,造成这样结果的原因可能是喷施过程中由于风场、喷施系统等多因素共同影响,但整体来看沉积效果与处方图给出的追施量差异不大。
本发明试验田除分蘖期追肥管理不同外,其他田间管理均保持一致,试验结束后最终产量结果如图9所示。由产量结果可知,采用无人机变量追肥最终产量与传统追肥方式管理的最终产量基本一致。分蘖期化肥施用量转化为纯氮量,与传统尿素追施相比减少27.34%。
在水稻收获一周后,本研究分别对试验田土壤进行采样,分析土壤的氮素含量(表3)。由土壤分析可知,水稻移栽前和收获后土壤的全氮量和速效氮含量变化不大,由此可知无人机变量追肥对于水稻生长起到了重要作用,在降低氮肥用量的情况下通过变量追肥,整体的氮肥施入量能够有效保证水稻生长。
表3土壤含氮量
Table3 Soil nitrogen content
以上公开的仅为本发明的几个具体实施例,但是,本发明实施例并非局限于此,任何本领域的技术人员能思之的变化都应落入本发明的保护范围。
Claims (7)
1.基于高光谱遥感处方图的水稻农用无人机精准追肥方法,其特征在于,所述方法包括:
S1:划分若干个试验田,对试验田的氮肥含量进行梯度处理;
S2:组装无人机高光谱遥感影像获取装置;
S3:测定水稻生长参数;
S4:解混包含干扰信息的高光谱遥感影像;
S5:根据水稻氮素含量进行高光谱遥感建模;
S6:无人机氮肥追施量精准决策;
S7:根据缺氮量生成无人机追肥处方图;
S8:对农用无人机水稻分蘖期变量追施效果进行评价;
所述S6中的校准决策方法为设置水稻平均氮浓度作为氮素追施目标,记为Nstd,将待追肥水稻氮素浓度的反演值记为Nr,则分蘖期水稻缺氮量诊断方法为:
Nx=Nstd-Nr (1)
其中,Nx为待追肥位置的单位面积缺氮量,当Nr>0时表示目前该位置的氮素含量低于参考田的氮素值,需要进行外部喷施追肥;当Nr≤0时表示目前该位置不要进行外部喷施追肥;
所述S7中的处方图生成方法,结合农用无人机喷幅w和速度v按照每秒对追肥地块进行栅格划分,针对每个网格生成一个氮肥追施量,追肥量生成方法如下所示:
其中,p为无人机药箱中氮肥浓度mg/ml、Bstd为标准田单个栅格面积范围内w×v水稻地上生物量;Cstd、Cx分别为标准田、待追肥田栅格面积内水稻覆盖度;k为化肥利用率、u为化肥转化率,u、k为常数,将u设置为0.6,k设置为0.4;
使用均方根误差RMSE和模型决定系数R2作为无人机高光谱反演模型的评价标准,利用差分GPS技术,确定追肥田块的每一个追施栅格的实际位置,采用PID算法通过控制药液泵的PWM信号,实现变量喷施,农用无人机喷施过程中,地面同时布置雾滴测试卡,计算雾滴覆盖度,根据雾滴覆盖度进行追施效果的评价。
2.如权利要求1所述的基于高光谱遥感处方图的水稻农用无人机精准追肥方法,其特征在于,所述试验田的数目为4个,分别命名为CK、N1、N2和N3,所述CK为对照组,不施用氮肥;所述N1为当地标准氮肥施用水平,氮肥施用量为45kg/ha,所述N2为低氮施肥水平,施用量为N1的0.5倍;所述N3为高氮施肥水平,施用量为所述N1的1.5倍;其中所述试验田的磷肥标准施用量为51.75kg/ha,钾肥标准施用量为18kg/ha。
3.如权利要求1所述的基于高光谱遥感处方图的水稻农用无人机精准追肥方法,其特征在于,所述无人机高光谱遥感影像获取装置包括无人机和高光谱成像仪,所述无人机高光谱平台选用深圳大疆创新公司的M600PRO六旋翼无人机,所述高光谱成像仪选用四川双利合谱公司的GaiaSky-mini内置推扫式机载高光谱成像系统;所述高光谱成像仪的高光谱波段范围设置为400nm~1000nm,其分辨率为3.5nm,有效波段数为170个,单幅影像获取时间为15秒,帧速为162fps,所述无人机的飞行高度为100m。
4.如权利要求3所述的基于高光谱遥感处方图的水稻农用无人机精准追肥方法,其特征在于,所述高光谱成像仪每间隔5min进行一次白色标准版和仪器背景噪声光谱数据的采集,并在高光谱采集区域内放置一块尺寸为1.5m×1.5m,反射率为60%的漫反射板。
5.如权利要求1所述的基于高光谱遥感处方图的水稻农用无人机精准追肥方法,其特征在于,所述水稻生长参数包括水稻叶片氮素含量、水稻产量和稻田土壤氮含量。
6.如权利要求1所述的基于高光谱遥感处方图的水稻农用无人机精准追肥方法,其特征在于,所述步骤S4采用最小噪声分离法MNF分离数据中的噪声,降低后续处理的计算量;再利用纯净像元指数法PPI从无人机遥感影像中提取属于水稻的高光谱反射率曲线,并构建地物端元波普库,组后采用正交子空间投影方法,对无人机高光谱遥感影像进行解混。
7.如权利要求1所述的基于高光谱遥感处方图的水稻农用无人机精准追肥方法,其特征在于,所述步骤S5采用分段主成分分析PCA与红边特征反射率相结合的方式对高光谱信息进行降维,将降维后的数据结果作为极限学习机ELM与粒子群优化的极限学习机PSO-ELM的氮素浓度高光谱反演模型的输入,建立寒地水稻分蘖期叶片氮素浓度反演模型。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010505937.XA CN111670668B (zh) | 2020-06-05 | 2020-06-05 | 基于高光谱遥感处方图的水稻农用无人机精准追肥方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010505937.XA CN111670668B (zh) | 2020-06-05 | 2020-06-05 | 基于高光谱遥感处方图的水稻农用无人机精准追肥方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111670668A CN111670668A (zh) | 2020-09-18 |
CN111670668B true CN111670668B (zh) | 2022-07-29 |
Family
ID=72435026
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010505937.XA Expired - Fee Related CN111670668B (zh) | 2020-06-05 | 2020-06-05 | 基于高光谱遥感处方图的水稻农用无人机精准追肥方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111670668B (zh) |
Families Citing this family (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114113000A (zh) * | 2021-12-14 | 2022-03-01 | 江苏省地质勘查技术院 | 基于经验线性模型改进光谱反射率反演方法、系统及设备 |
CN114451118B (zh) * | 2022-03-16 | 2023-01-03 | 中国水稻研究所 | 一种基于无人机的水稻均匀施穗肥方法 |
CN114532028B (zh) * | 2022-04-14 | 2023-08-18 | 甘肃省农业科学院旱地农业研究所 | 一种山地丘陵地施肥机器人 |
CN115349340B (zh) * | 2022-09-19 | 2023-05-19 | 沈阳农业大学 | 基于人工智能的高粱施肥控制方法及系统 |
CN115482120A (zh) * | 2022-10-12 | 2022-12-16 | 安徽科技学院 | 一种无人机精准变量施肥方法及系统 |
CN117848975B (zh) * | 2024-03-07 | 2024-05-28 | 杨凌职业技术学院 | 一种农业遥感图像分析方法及系统 |
Family Cites Families (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US6683970B1 (en) * | 1999-08-10 | 2004-01-27 | Satake Corporation | Method of diagnosing nutritious condition of crop in plant field |
CN100576118C (zh) * | 2007-09-28 | 2009-12-30 | 北京农业信息技术研究中心 | 一种变量施肥控制系统及方法 |
CN101773016B (zh) * | 2010-01-07 | 2012-01-04 | 淮海工学院 | 一种水稻智能变量施肥机及其变量施肥方法 |
CN103814664A (zh) * | 2012-11-16 | 2014-05-28 | 中国农业机械化科学研究院 | 氮磷钾变量施肥机及其施肥量作业处方的确定方法 |
CN106125091A (zh) * | 2016-06-22 | 2016-11-16 | 广州地理研究所 | 线性光谱解混的城市不透水面遥感提取方法 |
CN109030378A (zh) * | 2018-06-04 | 2018-12-18 | 沈阳农业大学 | 基于pso-elm的粳稻冠层叶绿素含量反演模型方法 |
CN109871029A (zh) * | 2019-02-21 | 2019-06-11 | 华南农业大学 | 一种基于图像处理技术的植保无人机航线规划优化方法 |
CN110115142A (zh) * | 2019-04-25 | 2019-08-13 | 中科赛诺(北京)科技有限公司 | 一种基于遥感数据的农田变量施肥方法 |
-
2020
- 2020-06-05 CN CN202010505937.XA patent/CN111670668B/zh not_active Expired - Fee Related
Also Published As
Publication number | Publication date |
---|---|
CN111670668A (zh) | 2020-09-18 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111670668B (zh) | 基于高光谱遥感处方图的水稻农用无人机精准追肥方法 | |
Zheng et al. | Improved estimation of rice aboveground biomass combining textural and spectral analysis of UAV imagery | |
CN110222475B (zh) | 一种基于无人机多光谱遥感反演冬小麦植株含水率的方法 | |
Shao et al. | Rice monitoring and production estimation using multitemporal RADARSAT | |
Doraiswamy et al. | Crop yield assessment from remote sensing | |
Zhou et al. | Perspective of Chinese GF-1 high-resolution satellite data in agricultural remote sensing monitoring | |
CN106909722A (zh) | 一种近地面气温的大面积精准反演方法 | |
Honrado et al. | UAV imaging with low-cost multispectral imaging system for precision agriculture applications | |
CN114387516B (zh) | 一种针对复杂地形环境下中小田块的单季稻sar识别方法 | |
Zhou et al. | Assessing the impact of urban sprawl on net primary productivity of terrestrial ecosystems using a process-based model—a case study in Nanjing, China | |
CN113205014B (zh) | 一种基于图像锐化的时序数据耕地提取方法 | |
CN112836575A (zh) | 一种基于作物物候期的多时序影像水稻估产方法 | |
Kishore et al. | Major forests and plant species discrimination in Mudumalai forest region using airborne hyperspectral sensing | |
Li et al. | UAV hyperspectral remote sensing estimation of soybean yield based on physiological and ecological parameter and meteorological factor in China | |
Boschetti et al. | Estimation of rice production at regional scale with a Light Use Efficiency model and MODIS time series. | |
Zhu et al. | UAV flight height impacts on wheat biomass estimation via machine and deep learning | |
Zhang et al. | In-season mapping of rice yield potential at jointing stage using Sentinel-2 images integrated with high-precision UAS data | |
Cosh et al. | Vegetation water content mapping in a diverse agricultural landscape: National Airborne Field Experiment 2006 | |
Fleischmann et al. | Multi‐temporal AVHRR digital data: An approach for landcover mapping of heterogeneous landscapes | |
Bao et al. | A fine digital soil mapping by integrating remote sensing-based process model and deep learning method in Northeast China | |
Kubiak et al. | Remote sensing semi-automatic measurements approach for monitoring bioenergetic crops of Miscanthus spp. | |
Timmermans | Coupling optical and thermal directional radiative transfer to biophysical processes in vegetated canopies | |
Liu et al. | Crop distribution extraction based on Sentinel data | |
Song et al. | Impact analysis of LAI parameters on yield evaluation of RS-P-YEC model | |
Sadeh | Coupling Fused High Spatio-Temporal Resolution Remote Sensing Data and Crop Modelling to Predict Wheat Yield at the Field Scale |
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 | ||
CF01 | Termination of patent right due to non-payment of annual fee |
Granted publication date: 20220729 |