CN111965117A - 基于prospect模型的冬小麦水分监测方法、监测系统 - Google Patents
基于prospect模型的冬小麦水分监测方法、监测系统 Download PDFInfo
- Publication number
- CN111965117A CN111965117A CN202010774756.7A CN202010774756A CN111965117A CN 111965117 A CN111965117 A CN 111965117A CN 202010774756 A CN202010774756 A CN 202010774756A CN 111965117 A CN111965117 A CN 111965117A
- Authority
- CN
- China
- Prior art keywords
- model
- winter wheat
- moisture
- content
- prospect
- 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.)
- Pending
Links
Images
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N21/00—Investigating or analysing materials by the use of optical means, i.e. using sub-millimetre waves, infrared, visible or ultraviolet light
- G01N21/17—Systems in which incident light is modified in accordance with the properties of the material investigated
- G01N21/25—Colour; Spectral properties, i.e. comparison of effect of material on the light at two or more different wavelengths or wavelength bands
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N5/00—Analysing materials by weighing, e.g. weighing small particles separated from a gas or liquid
- G01N5/04—Analysing materials by weighing, e.g. weighing small particles separated from a gas or liquid by removing a component, e.g. by evaporation, and weighing the remainder
- G01N5/045—Analysing materials by weighing, e.g. weighing small particles separated from a gas or liquid by removing a component, e.g. by evaporation, and weighing the remainder for determining moisture content
-
- 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
Landscapes
- Physics & Mathematics (AREA)
- Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Chemical & Material Sciences (AREA)
- Pathology (AREA)
- Analytical Chemistry (AREA)
- Biochemistry (AREA)
- General Health & Medical Sciences (AREA)
- Health & Medical Sciences (AREA)
- Immunology (AREA)
- Life Sciences & Earth Sciences (AREA)
- Theoretical Computer Science (AREA)
- Computer Hardware Design (AREA)
- Evolutionary Computation (AREA)
- Geometry (AREA)
- General Engineering & Computer Science (AREA)
- Spectroscopy & Molecular Physics (AREA)
- Investigating Or Analysing Materials By Optical Means (AREA)
Abstract
本发明公开是关于基于PROSPECT模型的冬小麦水分监测方法、监测系统,涉及植物水分监测领域,该方法包括:步骤1:测定各生育期的冬小麦植株的含水率;步骤2:建立冬小麦的PROSPECT模型;步骤3:对冬小麦光谱特征分析,筛选水分光谱敏感波段;步骤4:通过各生育期敏感波长的模型反射率构建了冬小麦植株含水率的多元回归模型。本公开技术方案基于叶绿素含量、等效水厚度和干物质含量等实测值和其他输入数据建立的PROSPECT辐射传输模型,得出了模型反射率,进而通过植株含水率和模型反射率的相关性分析筛选出了各生育期的敏感波段,通过各生育期敏感波长的模型反射率构建了冬小麦植株含水率的多元回归模型,探究了PROSPECT辐射传输模型在冬小麦水分监测方面的效果与精度。
Description
技术领域
本发明公开涉及植物水分监测领域,尤其涉及基于PROSPECT模型的冬小麦水分监测方法、监测系统。
背景技术
小麦是我国重要的商品粮和战略性的主要粮食储备品种。华北平原总面积约40万km2;占全国23%的耕地面积,生产了近40%的粮食。冬小麦作为华北平原种植面积最大的粮食作物,其产量占全国的50%以上。冬小麦需耗水相关研究一直是华北地区农业节水研究的热点与重点。精准农业是农业现代化的新方向,其主要是通过实现诸如农田水分状况等农田信息的实时获取,进而实现对农田的现代化管理,从而形成新时期现代化的农业生产模式和农业技术体系,为现代农业生产提供较为重要的技术条件。
作物的含水率是生长发育的关键指标之一,对于其生理生态结构有较为直接的影响,同时对于小麦的生产也有重要意义。准确地实时获取植株含水率信息,对于精准农业的发展以及农业水资源的高效利用具有重要意义。基于反射率来实现植株水分监测的相关实施例研究开始于20世纪70年代初,发展到21世纪的今天,相关研究者就作物含水率敏感波段筛选建模等问题有了较为深入的研究。哈布热等研究表明,在350nm~750nm波长范围内,成熟期冬小麦的冠层光谱反射率随植株含水率的增大而降低,其中由661nm和771nm敏感波段构建的水分监测模型效果最好。
PROSPECT模型是由Jacquemoud和Baret在1990年首次提出的、目前较为常用的植物叶片辐射传输模型,它是基于“平板模型”的辐射传输模型,其描述了叶片尺度上的光学特性,通过输入结构参数和生化组分含量两类参数来得到叶片的反射率与透射率。阮杨春研究表明基于高光谱和PROSPECT模型对植物叶面滞尘含量的估算有较好的效果;王洋等研究发现PROSPECT叶片辐射传输模型对叶片干物质含量具有较好的估测能力;陆成研究发现改进后的PROSPECT模型对于叶片重金属铜含量的反演模拟值更能表征实测值,模拟效果更好。在数据分析方法方面,相关学者做了诸多详细的比较研究。例如,孙拱基于线性回归模型进行了叶片含水率的反演研究;张智韬等研究发现利用多元线性回归方法可以得到最佳监测深度来进行土壤含水率的反演;宋玉等研究发现运用多元线性回归法可以较好地适用于艾比湖流域胡杨叶片含水率反演模型建立;陈硕博等研究发现一元线性模型和多元线性回归模型可以较好地实现冬小麦土壤含水量反演研究。
以上是近年来研究者们对于作物水分监测、PROSPECT模型等的相关研究,但针对冬小麦基于PROSPECT模型进行水分反演方面的研究相对较少,而且在精度方面还有待提高,仍需要进一步开展实施例研究获取更好的监测效果以及更精准的反演程度。
发明内容
为克服相关技术中存在的问题,本发明公开实施例提供了基于PROSPECT模型的冬小麦水分监测方法、监测系统。所述技术方案如下:
根据本发明公开实施例的第一方面,提供一种基于PROSPECT模型的冬小麦水分监测方法,该基于PROSPECT模型的冬小麦水分监测方法包括:
步骤1:测定各生育期的冬小麦植株的含水率;
步骤2:建立冬小麦的PROSPECT模型;
步骤3:对冬小麦光谱特征分析,筛选水分光谱敏感波段;
步骤4:通过各生育期敏感波长的模型反射率构建了冬小麦植株含水率的多元回归模型。
在一个实施例中,步骤1中,采用烘干法测定植株含水率,选用如下所示的湿基含水率公式计算冬小麦植株含水率:
式(1)中:C为湿基含水率,%;Lw为鲜重,g;Ld为干重,g。
在一个实施例中,步骤2:建立冬小麦的PROSPECT模型中,该模型未区分色素对于反射率模拟的影响作用,故Cbr为0;垂直拍摄角度为0,测定数据包括叶片结构参数N、叶绿素含量Cab(μg/cm2)、类棕色素含量Cbr(μg/cm2)、等效水厚度EWT(g/cm2)、干物质含量LMA(g/cm2)、垂直拍摄角度(°)。
在一个实施例中,步骤2:对于同品种的冬小麦,可以用该SPAD值来表征叶绿素的相对含量,测定时,通过如下公式,将叶绿素相对含量值(SPAD值)转化为叶绿素绝对含量值,来表示模型输入数据中的叶绿素含量Cab:
Cab=6.34299*eSPAD*0.04379-6.10629 (2)。
在一个实施例中,步骤2:采用如下公式计算干物质含量:
式(3)中:Ld为叶片干重,g;LA为叶面积,cm2;
其中,LA计算公式如下:
式(4)中,n为第i株的总叶片数,个;m为测定株数,株;Lij为叶长,cm;Bij为最长叶宽,cm。
在一个实施例中,步骤2:本实施例采用如下公式计算等效水厚度:
式(5)中:Lw为叶片鲜重,g;Ld为干重,g;LA为叶面积,cm2。
根据本公开实施例的第一方面,提供一种根据权利要求1所述基于PROSPECT模型的冬小麦水分监测方法的基于PROSPECT模型的冬小麦水分监测系统,其特征在于,所述基于PROSPECT模型的冬小麦水分监测系统包括:
计算模块,所述第一计算模块用于测定各生育期的冬小麦植株的含水率;
第一模型建立模块,所述第一模型建立模块用于建立冬小麦的PROSPECT模型;
分析模块,所述分析模块用于对冬小麦光谱特征分析,筛选水分光谱敏感波段;
第二模型建立模块,所述第二模型建立模块用于通过各生育期敏感波长的模型反射率构建了冬小麦植株含水率的多元回归模型。
根据本公开实施例的第一方面,提供一种计算机设备,所述计算机设备包括存储器和处理器,所述存储器存储有计算机程序,所述计算机程序被所述处理器执行时,使得所述处理器执行如下步骤:
步骤1:测定各生育期的冬小麦植株的含水率;
步骤2:建立冬小麦的PROSPECT模型;
步骤3:对冬小麦光谱特征分析,筛选水分光谱敏感波段;
步骤4:通过各生育期敏感波长的模型反射率构建了冬小麦植株含水率的多元回归模型。
根据本公开实施例的第一方面,提供一种计算机可读存储介质,存储有计算机程序,所述计算机程序被处理器执行时,使得所述处理器执行如下步骤:
步骤1:测定各生育期的冬小麦植株的含水率;
步骤2:建立冬小麦的PROSPECT模型;
步骤3:对冬小麦光谱特征分析,筛选水分光谱敏感波段;
步骤4:通过各生育期敏感波长的模型反射率构建了冬小麦植株含水率的多元回归模型。
本发明公开的实施例提供的技术方案可以包括以下有益效果:水分监测对于探究作物生长情况具有重要作用,有利于节水灌溉以及作物的需耗水方面的研究,尤其在新时期精准农业与农业现代化的实现方面具有重要的现实意义。本研究利用田间实测数据结合PROSPECT模型以探究华北地区冬小麦水分监测的模型适用性情况。本实施例以北京大兴地区的冬小麦为研究对象,在实施例小区设置了三个水分梯度处理,基于叶绿素含量、等效水厚度和干物质含量等实测值和其他输入数据建立的PROSPECT辐射传输模型,得出了模型反射率,进而通过植株含水率和模型反射率的相关性分析筛选出了各生育期的敏感波段,从而通过各生育期敏感波长的模型反射率构建了冬小麦植株含水率的多元回归模型,并进行精度评价,探究了PROSPECT辐射传输模型在冬小麦水分监测方面的效果与精度,结论如下:基于冬小麦植株含水率与PROSPECT模型反射率筛选出的多个敏感波长分别建立了多种一元与多元回归模型,其中基于五个敏感波长建立的多元模型的决定系数R2最高,其值均在0.7以上,反演效果较好;而且均方根误差RMSE、平均绝对误差MAE、相对误差RE均小于0.05,误差相对较小,无偏性较好,精度较高;表明基于PROSPECT模型建立的冬小麦各生育期的多元回归模型可以较好地用于水分监测,进而表明该模型在华北地区冬小麦水分监测方面有较好的适用性。
基于PROSPECT辐射传输模型,依据田间含水率实施例及其他相关实施例,通过构建水分监测模型并进行精度评价,来为建立更具指导意义和实际价值的冬小麦水分监测模型提供一定的理论基础与技术支撑,同时为华北地区冬小麦水分监测相关研究以及农业光谱模拟方面的研究奠定了基础,也能为今后更深入的研究以及精准农业规模化的经营与管理提供一定的参考依据。
当理解的是,以上的一般描述和后文的细节描述仅是示例性和解释性的,并不能限制本公开。
附图说明
此处的附图被并入说明书中并构成本说明书的一部分,示出了符合本公开的实施例,并与说明书一起用于解释本公开的原理。
图1是本发明所述冬小麦植株含水率变化情况;
图2-a是本发明所述拔节期-抽穗期W1、W2、W3水分处理下冬小麦模型反射率变化特征曲线;
图2-b是本发明所述抽穗期-灌浆期W1、W2、W3水分处理下冬小麦模型反射率变化特征曲线;
图2-c是本发明所述灌浆期-成熟期W1、W2、W3水分处理下冬小麦模型反射率变化特征曲线;
图2-d是本发明所述全生育期W1、W2、W3水分处理下冬小麦模型反射率变化特征曲线;
图3-a是本发明所述不同生育期W1水分处理下冬小麦模型反射率变化特征曲线;
图3-b是本发明所述不同生育期W2水分处理下冬小麦模型反射率变化特征曲线;
图3-c是本发明所述不同生育期W3水分处理下冬小麦模型反射率变化特征曲线;
图4是本发明所述不同生育期冬小麦含水率与模型反射率相关系数曲线;
图5-a是本发明所述拔节期-抽穗期冬小麦的模拟含水率与实测含水率的拟合图;
图5-b是本发明所述抽穗期-灌浆期冬小麦的模拟含水率与实测含水率的拟合图;
图5-c是本发明所述灌浆期-成熟期冬小麦的模拟含水率与实测含水率的拟合图;
图5-d是本发明所述全生育期冬小麦的模拟含水率与实测含水率的拟合图;
图6是本发明所述关于基于PROSPECT模型的冬小麦水分监测方法的步骤流程图;
具体实施方式
这里将详细地对示例性实施例进行说明,其示例表示在附图中。下面的描述涉及附图时,除非另有表示,不同附图中的相同数字表示相同或相似的要素。以下示例性实施例中所描述的实施方式并不代表与本公开相一致的所有实施方式。相反,它们仅是与如所附权利要求书中所详述的、本公开的一些方面相一致的装置和方法的例子。
本发明公开实施例所提供的技术方案涉及基于PROSPECT模型的冬小麦水分监测方法、监测系统,尤其涉及植物水分监测领域。在相关技术中,对于作物水分监测、PROSPECT模型等的相关研究,但针对冬小麦基于PROSPECT模型进行水分反演方面的研究相对较少,而且在精度方面还有待提高,仍需要进一步开展实施例研究获取更好的监测效果以及更精准的反演程度。基于此,本公开技术方案所提供的基于PROSPECT模型的冬小麦水分监测系统,基于PROSPECT辐射传输模型,依据田间含水率实施例及其他相关实施例,通过构建水分监测模型并进行精度评价,来为建立更具指导意义和实际价值的冬小麦水分监测模型提供一定的理论基础与技术支撑,同时为华北地区冬小麦水分监测相关研究以及农业光谱模拟方面的研究奠定了基础,也能为今后更深入的研究以及精准农业规模化的经营与管理提供一定的参考依据。
如图6所示,关于基于PROSPECT模型的冬小麦水分监测方法的步骤为:
步骤S01:测定各生育期的冬小麦植株的含水率;
步骤S02:建立冬小麦的PROSPECT模型;
步骤S03:对冬小麦光谱特征分析,筛选水分光谱敏感波段;
步骤S04:通过各生育期敏感波长的模型反射率构建了冬小麦植株含水率的多元回归模型。
利用本方案中的关于基于PROSPECT模型的冬小麦水分监测方法,以在中国水利水电科学研究院大兴实施例基地为实施例:
在中国水利水电科学研究院大兴实施例基地(39°37.25′N,116°25.51′E)开展,该基地位于北京市大兴区魏善庄镇。北京市大兴区,地处华北平原东北部,该地地势平坦,气候宜人,属于暖温带半湿润区,秋冬寒冷干旱,春夏温暖多雨;年平均气温大约12.1℃,年日照时间约为2600h,光照、温度及土壤水分等条件适宜,适合冬小麦的生长发育。
实施例材料为冬小麦:京生麦1号。本研究相关实施例的开展,选取冬小麦全生育期进行。该实施例设置三种水分梯度处理(每次灌水采用相同灌水量:60mm),播种前各供试小区均灌水一次、施肥一次(280/kg·hm-2),W1处理在拔节期共灌水一次(60mm),W2处理在播种期和拔节期共灌水两次(120mm),W3处理播种期、拔节期和抽穗期共灌水三次(180mm),每种水分处理设三次重复,此外,各供试小区在4月初拔节期之前追施复合肥一次(280/kg·hm-2),其他条件各小区均相同。
S01:植株含水率的测定
本实施例采用烘干法测定植株含水率,选用如下所示的湿基含水率公式计算冬小麦植株含水率:
式(1)中:C为湿基含水率,%;Lw为鲜重,g;Ld为干重,g。
S02:PROSPECT模型输入数据的测定
本实施例中PROSPECT模型的实现主要是基于Winsail软件。本实施例选用可见光波段(400-780nm),间隔1nm;主要输入参数如下:叶片结构参数N、叶绿素含量Cab(μg/cm2)、类棕色素含量Cbr(μg/cm2)、等效水厚度EWT(g/cm2)、干物质含量LMA(g/cm2)、垂直拍摄角度(°)。在该软件中,小麦是单子叶植物,N取1.4;因该模型未区分色素对于反射率模拟的影响作用,故Cbr为0;垂直拍摄角度为0;其他参数,如Cab、EWT、LMA,测定方法如下所示:
(1)叶绿素含量(Chlorophyll a and b contents,Cab;μg/cm2)
对于同品种的冬小麦,可以用该SPAD值来表征叶绿素的相对含量。测定时,通过如下公式,将叶绿素相对含量值(SPAD值)转化为叶绿素绝对含量值,来表示模型输入数据中的叶绿素含量Cab。
Cab=6.34299*eSPAD*0.04379-6.10629 (2)
(2)叶片干物质含量(Leaf mass per area,LMA;g/cm2)
本实施例采用如下公式计算干物质含量:
式(3)中:Ld为叶片干重,g;LA为叶面积,cm2。
其中,LA计算公式如下:
式(4)中,n为第i株的总叶片数,个;m为测定株数,株;Lij为叶长,cm;Bij为最长叶宽,cm。
(3)等效水厚度(Equivalent water thickness,EWT;g/cm2)
本实施例采用如下公式计算等效水厚度:
式(5)中:Lw为叶片鲜重,g;Ld为干重,g;LA为叶面积,cm2。
S03:数据分析
本实施例中,PROSPECT模型反射率数据采用Winsail数据处理软件运行并导出,并同其他地面实测数据在ORIGIN2018、SPSS26.0、EXCEL2010中实现数据分析。
模型评价
本实施例选用如下指标:决定系数(Coefficient of Determination,R2)、均方根误差(Root Mean Square Error,RMSE)、平均绝对误差(Mean Absolute Error,MAE)和相对误差(Relative Error,RE),作为主要依据来对模型的精度与结果进行评价与验证。以上指标的计算公式与相关说明见表1。其中均方根误差(RMSE)和平均绝对误差(MAE)可用来检验模型的无偏性,该项指标数值越小,模型的无偏性越强,模拟效果更好。
表1模型精度评价相关指标说明
S04:结果与分析
1、不同灌水条件下冬小麦水分变化规律
图1所示为冬小麦含水率变化情况。随生育期推进,冬小麦各灌水条件下的含水率均呈现逐渐降低的变化趋势,这是因为,冬小麦三种灌水处理均是在抽穗期之前灌水,且在抽穗期之后,随气温上升,植株耗水量增加,水分损耗较严重,导致其含水率降低。
2、冬小麦光谱特征分析
由图2可知,冬小麦各生育期的模型反射率随波长变化呈现相似的变化趋势,且同一生育期不同水分处理间反射率变化趋势基本相似。拔节期-抽穗期,W1、W2反射率曲线基本接近,在520-645nm波长范围内,W1、W2与W3曲线之间的间隔呈现先增大后减小的变化趋势;抽穗期-灌浆期,三种水分处理下的反射率变化情况基本与拔节期-抽穗期类似,但W1、W2与W3曲线之间的间隔较拔节期-抽穗期略小,这是因为抽穗期-灌浆期W3处理灌水作用随时间推移在逐渐降低;灌浆期-成熟期,在440-680波长范围内,三种水分处理之间的间隔呈现先增大后逐渐减小的变化趋势;全生育期三种水分处理下的反射率变化情况基本与灌浆期-成熟期类似,但三种水分处理下反射率曲线之间的间隔较灌浆期-成熟期略小,这是因为随生育期推进,天气炎热,植株水分亏缺较为严重,导致不同水分处理下反射率的变化也逐渐不显著。
由图3可知,随波长增加,冬小麦各水分条件下的模型反射率变化趋势基本相似,且不同生育期同一水分条件下的反射率变化趋势基本相似。W1处理,灌浆期-成熟期与拔节期-抽穗期的反射率变化曲线相对接近,前者略高,全生育期、抽穗期-灌浆期的次之;W2处理,拔节期-抽穗期的反射率较高,灌浆期-成熟期和全生育期的次之,且两者的反射率基本相近,抽穗期-灌浆期的较低;W3处理,拔节期-抽穗期的反射率最高,全生育期、抽穗期-灌浆期、灌浆期-成熟期的次之,且后三者的反射率相对接近。
2.3冬小麦水分光谱敏感波段筛选
由图4可知,除抽穗期-灌浆期,冬小麦含水率与模型反射率呈现正相关外,其他各生育期均呈现负相关。拔节期-抽穗期、抽穗期-灌浆期和全生育期的相关系数曲线呈现基本相同的变化趋势,随波长增大相关系数|r|先减小后增大再减小,最后呈现小幅度的增减;而灌浆期-抽穗期相关系数曲线呈现与之相反的变化趋势。综合分析可知,在400-420nm、540-560nm、660-680nm、746-766nm波段范围内相关系数曲线变化较为显著。
通过对于不同生育期冬小麦含水率与模型反射率相关系数曲线的分析,根据相关系数|r|的大小,分别筛选出冬小麦各生育期的敏感波长,如表2所示。由表2可知,冬小麦各生育期的敏感波长均在相同的敏感波段范围内。整体来看,灌浆期-成熟期,两者间的相关程度整体相对较高(|r|处在0.5附近);各生育期的相关性均处在中度相关(|r|处在0.4附近),可以较好地实现敏感波段的筛选。
表2不同生育期冬小麦含水率敏感波长筛选
2.4基于敏感波段的冬小麦水分监测
2.4.1基于敏感波段的多元回归模型建立
根据图4所示的相关系数曲线,通过比较相关系数大小,筛选出如表2所示的敏感波长。研究发现,基于单条敏感波长建立的一元回归模型和基于多条敏感波长建立多元回归模型中,依据决定系数R2的大小,优选出如表3所示的冬小麦各生育期的多元回归模型。如表3所示,各生育期冬小麦含水率与模型反射率所建立的多元回归模型的决定系数R2均大于0.7,拟合度较高,拟合性较好。
表3含水率-模型反射率多元回归优选模型
注:模型方程中,y是冬小麦植株含水率,x1、x2、x3、x4、x5分别为冬小麦不同生育期的五条敏感波长对应的模型反射率。
基于敏感波段的多元回归模型评价
由表4可知,冬小麦各生育期模型评价方程的决定系数R2均在0.7-0.9范围内,表明各模型评价效果较好;除抽穗期-灌浆期的均方根误差RMSE、平均绝对误差MAE、相对误差RE大于0.03外,其他各生育期的相关评价指标均低于0.03,误差相对较小。综合来看,冬小麦各生育期多元回归模型的R2均大于0.7,RMSE、MAE、RE均小于0.05,即基于PROSPECT模型反射率建立的冬小麦含水率多元回归模型的精确度较高,无偏性较强。
表4含水率-模型反射率多元回归模型评价
注:模型方程中,y是冬小麦植株含水率,x为冬小麦不同生育期的五条敏感波长对应的模型反射率。
依据冬小麦含水率多元回归模型得出的模拟含水率,建立如图5所示的1:1拟合图。图5所示,冬小麦各生育期的模拟含水率与实测含水率均呈现出较好的拟合态势,表明验证模型的拟合性较强。
(1)含水率反演研究方面
本实施例基于冬小麦植株含水率与PROSPECT模型反射率筛选出的单个敏感波长的相关系数较低,故建立的一元回归模型决定系数较低,不能很好地反演植株含水率。而郭建茂等、哈布热等基于敏感波段建立的冬小麦含水率一元回归模型,决定系数分别达到了0.66以上、0.8以上,究其原因,可能是数据来源方面的差别,上述研究者是基于地面高光谱的冠层反射率数据,而本实施例是基于PROSPECT模型模拟的光谱反射率数据,可能存在模型输入参数方面的误差。同时,本实施例还基于PROPECT辐射传输模型构建了冬小麦不同生育期的植株含水率多元回归模型,各生育期模型的R2均大于0.7,且RMSE、MAE、RE均小于0.05,而魏青等基于无人机多光谱数据建立的冬小麦含水率多元回归模型,决定系数达到了0.8左右,但RMSE、RE在0.05-0.1之间,本研究与之相比,误差相对较小,精度相对较高。
本实施例依据各生育期筛选的敏感波段分别建立了反演模型,有较好的反演效果,而程晓娟等基于卫星遥感影像建立的冬小麦含水率模型方程拟合了三个生育期,存在较大误差。在数据分析方法方面,王圆圆等、江朝晖等基于偏最小二乘回归算法建立了冬小麦含水率模型,取得了较小的误差和较好的反演精度,明显优于本研究所用的多元回归模型,之后将进一步考虑BP神经网络、随机森林算法等方法来提高反演精度。
此外,有关学者对于包括含水率在内的作物生长指标反演研究中,除了采用反射率建模外,也曾选择植被指数来建模,今后将依据植被指数进行研究,同时也将考虑包含光谱反射率和植被指数的混合光谱指数来实现冬小麦水分监测。
(2)辐射传输模型研究方面
本实施例选用PROSPECT模型用于冬小麦水分监测的适用性研究,监测效果较好,但未对模型参数进行敏感性分析以提高精确度,且仅是运用了冠层叶片的相关数据,未针对方向、角度等尺度方面的因素进行深入分析,故未在实际意义上达到冠层标准,今后将从PROSPECT模型与SAIL模型耦合而成的PROSAIL模型入手,并严格定义输入参数,且对各输入参数进行敏感性分析来更好地实现水分监测。
4结论
本实施例基于PROSPECT模型建立了冬小麦含水率多元回归模型并进行了精度检验,探讨了用于实现华北地区冬小麦水分监测的模型适用性研究。结论如下:
(1)随生育期的推进,冬小麦各灌水条件下的植株含水率,均呈现逐渐降低的变化趋势;PROSPECT模型所得的光谱反射率随波长增加呈现先缓慢起伏、再增大、之后减小、最后急剧增大的变化趋势。
(2)在400-420nm、540-560nm、660-680nm、746-766nm波段范围内相关系数曲线变化较为显著;根据相关系数|r|的大小,分别筛选出冬小麦各生育期的敏感波长均在以上相同的敏感波段范围内。
(3)基于冬小麦植株含水率与PROSPECT模型反射率筛选出的多个敏感波长分别建立的多种多元线性回归模型,其中基于五个敏感波长建立的多元模型的决定系数R2最高,其值均大于0.7,而且均方根误差RMSE、平均绝对误差MAE、相对误差RE均小于0.05,各评价指标效果均较好。因此,该种方法建立的冬小麦各生育期的多元回归模型可以较好地用于水分监测,进而表明该模型在华北地区冬小麦水分监测方面有较好的适用性。
应当注意,本发明的实施方式可以通过硬件、软件或者软件和硬件的结合来实现。硬件部分可以利用专用逻辑来实现;软件部分可以存储在存储器中,由适当的指令执行系统,例如微处理器或者专用设计硬件来执行。本领域的普通技术人员可以理解上述的设备和方法可以使用计算机可执行指令和/或包含在处理器控制代码中来实现,例如在诸如磁盘、CD或DVD-ROM的载体介质、诸如只读存储器(固件)的可编程的存储器或者诸如光学或电子信号载体的数据载体上提供了这样的代码。本发明的设备及其模块可以由诸如超大规模集成电路或门阵列、诸如逻辑芯片、晶体管等的半导体、或者诸如现场可编程门阵列、可编程逻辑设备等的可编程硬件设备的硬件电路实现,也可以用由各种类型的处理器执行的软件实现,也可以由上述硬件电路和软件的结合例如固件来实现
应当理解的是,本公开并不局限于上面已经描述并在附图中示出的精确结构,并且可以在不脱离其范围进行各种修改和改变。本公开的范围应由所附的权利要求来限制。
Claims (9)
1.一种基于PROSPECT模型的冬小麦水分监测方法,其特征在于,该基于PROSPECT模型的冬小麦水分监测方法包括:
步骤1:测定各生育期的冬小麦植株的含水率;
步骤2:建立冬小麦的PROSPECT模型;
步骤3:对冬小麦光谱特征分析,筛选水分光谱敏感波段;
步骤4:通过各生育期敏感波长的模型反射率构建了冬小麦植株含水率的多元回归模型。
3.根据权利要求1所述的基于PROSPECT模型的冬小麦水分监测方法,其特征在于,步骤2:建立冬小麦的PROSPECT模型中,该模型未区分色素对于反射率模拟的影响作用,故Cbr为0;垂直拍摄角度为0,测定数据包括叶片结构参数N、叶绿素含量Cab、类棕色素含量Cbr、等效水厚度EWT、干物质含量LMA、垂直拍摄角度。
4.根据权利要求1所述的基于PROSPECT模型的冬小麦水分监测方法,其特征在于,步骤2:
对于同品种的冬小麦,可以用该SPAD值来表征叶绿素的相对含量,测定时,通过如下公式,将叶绿素相对含量值(SPAD值)转化为叶绿素绝对含量值,来表示模型输入数据中的叶绿素含量Cab:
Cab=6.34299*eSPAD*0.04379-6.10629 (2)。
7.一种根据权利要求1所述基于PROSPECT模型的冬小麦水分监测方法的基于PROSPECT模型的冬小麦水分监测系统,其特征在于,所述基于PROSPECT模型的冬小麦水分监测系统包括:
计算模块,所述第一计算模块用于测定各生育期的冬小麦植株的含水率;
第一模型建立模块,所述第一模型建立模块用于建立冬小麦的PROSPECT模型;
分析模块,所述分析模块用于对冬小麦光谱特征分析,筛选水分光谱敏感波段;
第二模型建立模块,所述第二模型建立模块用于通过各生育期敏感波长的模型反射率构建了冬小麦植株含水率的多元回归模型。
8.一种计算机设备,其特征在于,所述计算机设备包括存储器和处理器,所述存储器存储有计算机程序,所述计算机程序被所述处理器执行时,使得所述处理器执行如下步骤:
步骤1:测定各生育期的冬小麦植株的含水率;
步骤2:建立冬小麦的PROSPECT模型;
步骤3:对冬小麦光谱特征分析,筛选水分光谱敏感波段;
步骤4:通过各生育期敏感波长的模型反射率构建了冬小麦植株含水率的多元回归模型。
9.一种计算机可读存储介质,存储有计算机程序,所述计算机程序被处理器执行时,使得所述处理器执行如下步骤:
步骤1:测定各生育期的冬小麦植株的含水率;
步骤2:建立冬小麦的PROSPECT模型;
步骤3:对冬小麦光谱特征分析,筛选水分光谱敏感波段;
步骤4:通过各生育期敏感波长的模型反射率构建了冬小麦植株含水率的多元回归模型。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010774756.7A CN111965117A (zh) | 2020-08-04 | 2020-08-04 | 基于prospect模型的冬小麦水分监测方法、监测系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010774756.7A CN111965117A (zh) | 2020-08-04 | 2020-08-04 | 基于prospect模型的冬小麦水分监测方法、监测系统 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN111965117A true CN111965117A (zh) | 2020-11-20 |
Family
ID=73364190
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010774756.7A Pending CN111965117A (zh) | 2020-08-04 | 2020-08-04 | 基于prospect模型的冬小麦水分监测方法、监测系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111965117A (zh) |
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115015132A (zh) * | 2022-06-01 | 2022-09-06 | 南京农业大学 | 一种基于数据融合的冬小麦水分状况监测方法 |
CN115329681A (zh) * | 2022-10-14 | 2022-11-11 | 成都理工大学 | 基于辐射传输模型的植被冠层含水量遥感反演方法 |
CN115641502A (zh) * | 2022-09-20 | 2023-01-24 | 中国水利水电科学研究院 | 基于叶面积指数的冬小麦旱情无人机快速监测判别方法 |
CN116124709A (zh) * | 2022-09-20 | 2023-05-16 | 中国水利水电科学研究院 | 基于叶绿素相对含量的冬小麦旱情无人机快速监测判别方法 |
WO2024061159A1 (zh) * | 2022-09-20 | 2024-03-28 | 中国水利水电科学研究院 | 一种基于叶绿素含量的夏玉米旱情无人机快速监测判别方法 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102878957A (zh) * | 2012-09-26 | 2013-01-16 | 安徽大学 | 基于遥感影像优化prosail模型参数的叶面积指数和叶绿素含量的反演方法 |
CN205262963U (zh) * | 2015-11-12 | 2016-05-25 | 西安科技大学 | 一种用于小麦叶片叶绿素含量估算的遥感系统 |
CN107437267A (zh) * | 2016-05-26 | 2017-12-05 | 中国科学院遥感与数字地球研究所 | 植被区高光谱图像模拟方法 |
CN110702628A (zh) * | 2019-10-26 | 2020-01-17 | 山东科技大学 | 基于连续小波分析的植被叶片叶绿素含量的光谱指数模型 |
-
2020
- 2020-08-04 CN CN202010774756.7A patent/CN111965117A/zh active Pending
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102878957A (zh) * | 2012-09-26 | 2013-01-16 | 安徽大学 | 基于遥感影像优化prosail模型参数的叶面积指数和叶绿素含量的反演方法 |
CN205262963U (zh) * | 2015-11-12 | 2016-05-25 | 西安科技大学 | 一种用于小麦叶片叶绿素含量估算的遥感系统 |
CN107437267A (zh) * | 2016-05-26 | 2017-12-05 | 中国科学院遥感与数字地球研究所 | 植被区高光谱图像模拟方法 |
CN110702628A (zh) * | 2019-10-26 | 2020-01-17 | 山东科技大学 | 基于连续小波分析的植被叶片叶绿素含量的光谱指数模型 |
Non-Patent Citations (5)
Title |
---|
关法春 等: "《农牧一体化的原理与技术途径》", 30 June 2017, 中国农业大学出版社 * |
哈布热 等: ""基于冠层光谱特征的冬小麦植株含水率诊断研究", 《灌溉排水学报》 * |
毕景芝 等: ""基于粗糙集约简的水稻叶片叶绿素含量高光谱反演"", 《应用科学学报》 * |
郭文娟: ""基于 MODIS 和地物光谱的华北地区作物水分定量遥感研究"", 《中国优秀博硕士学位论文全文数据库(硕士)农业科技辑》 * |
魏青 等: ""无人机多光谱遥感反演冬小麦植株含水率"", 《节水灌溉》 * |
Cited By (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115015132A (zh) * | 2022-06-01 | 2022-09-06 | 南京农业大学 | 一种基于数据融合的冬小麦水分状况监测方法 |
CN115641502A (zh) * | 2022-09-20 | 2023-01-24 | 中国水利水电科学研究院 | 基于叶面积指数的冬小麦旱情无人机快速监测判别方法 |
CN115641502B (zh) * | 2022-09-20 | 2023-05-12 | 中国水利水电科学研究院 | 基于叶面积指数的冬小麦旱情无人机快速监测判别方法 |
CN116124709A (zh) * | 2022-09-20 | 2023-05-16 | 中国水利水电科学研究院 | 基于叶绿素相对含量的冬小麦旱情无人机快速监测判别方法 |
CN116124709B (zh) * | 2022-09-20 | 2023-09-12 | 中国水利水电科学研究院 | 基于叶绿素相对含量的冬小麦旱情无人机监测判别方法 |
WO2024061159A1 (zh) * | 2022-09-20 | 2024-03-28 | 中国水利水电科学研究院 | 一种基于叶绿素含量的夏玉米旱情无人机快速监测判别方法 |
CN115329681A (zh) * | 2022-10-14 | 2022-11-11 | 成都理工大学 | 基于辐射传输模型的植被冠层含水量遥感反演方法 |
CN115329681B (zh) * | 2022-10-14 | 2022-12-09 | 成都理工大学 | 基于辐射传输模型的植被冠层含水量遥感反演方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111965117A (zh) | 基于prospect模型的冬小麦水分监测方法、监测系统 | |
CN110082300B (zh) | 基于光谱参量的冬小麦冠层含水率监测模型建立方法 | |
CN113268923B (zh) | 一种基于模拟多光谱的夏玉米产量估算方法 | |
Vazifedoust et al. | Increasing water productivity of irrigated crops under limited water supply at field scale | |
CN110376167A (zh) | 基于无人机高光谱的水稻叶片氮含量监测方法 | |
CN103616490B (zh) | 一种大型浅水湖泊水华蓝藻总存量估算的方法 | |
CN107505271B (zh) | 基于氮素组分辐射传输模型的植株氮素估算方法和系统 | |
CN111855589A (zh) | 水稻叶片氮积累量遥感反演模型和方法 | |
CN112485204A (zh) | 基于高光谱的水稻穗期氮营养监测与诊断方法及应用 | |
CN111855591A (zh) | 水稻地上部碳氮比遥感反演模型和方法 | |
CN111044516B (zh) | 一种水稻叶绿素含量遥感估测方法 | |
CN103472009A (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 | |
CN112816618A (zh) | 一种氮高效小麦品种的筛选方法 | |
CN109060676A (zh) | 基于高光谱的夏玉米冠层spad值估算模型的确定方法 | |
Zaeen et al. | In‐season potato yield prediction with active optical sensors | |
Dong et al. | Combining leaf fluorescence and active canopy reflectance sensing technologies to diagnose maize nitrogen status across growth stages | |
Irmak et al. | On the dynamics of evaporative losses from Penman-Monteith with fixed and variable canopy resistance during partial and complete maize canopy | |
CN114460015A (zh) | 一种用于预测寒地水稻冠层叶绿素含量的方法及模型 | |
Kaishan et al. | Soybean LAI estimation with in-situ collected hyperspectral data based on BP-neural networks | |
CN112362812A (zh) | 基于Lars算法的水稻叶片叶绿素类胡萝卜素含量比值遥感反演模型和方法 | |
CN115879836A (zh) | 一种耦合机理模型的大豆作物遥感大区域快速估产方法 | |
CN115479902A (zh) | 基于波长的叶绿素含量测定模型构建方法及其系统 | |
Kong et al. | An integrated field and hyperspectral remote sensing method for the estimation of pigments content of Stipa Purpurea in Shenzha, Tibet | |
CN109858067B (zh) | 禾谷类作物长势测量模型的构建方法 | |
CN112525831A (zh) | 基于CatBoost回归算法的水稻地上部蛋白氮积累量遥感反演模型和方法 |
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 | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20201120 |
|
RJ01 | Rejection of invention patent application after publication |