CN112485204A - 基于高光谱的水稻穗期氮营养监测与诊断方法及应用 - Google Patents

基于高光谱的水稻穗期氮营养监测与诊断方法及应用 Download PDF

Info

Publication number
CN112485204A
CN112485204A CN202011228439.1A CN202011228439A CN112485204A CN 112485204 A CN112485204 A CN 112485204A CN 202011228439 A CN202011228439 A CN 202011228439A CN 112485204 A CN112485204 A CN 112485204A
Authority
CN
China
Prior art keywords
rice
nitrogen
nitrogen concentration
dry matter
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.)
Pending
Application number
CN202011228439.1A
Other languages
English (en)
Inventor
武立权
徐浩聪
柯建
何海兵
尤翠翠
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Anhui Agricultural University AHAU
Original Assignee
Anhui Agricultural University AHAU
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Anhui Agricultural University AHAU filed Critical Anhui Agricultural University AHAU
Priority to CN202011228439.1A priority Critical patent/CN112485204A/zh
Publication of CN112485204A publication Critical patent/CN112485204A/zh
Pending legal-status Critical Current

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

Landscapes

  • Physics & Mathematics (AREA)
  • Spectroscopy & Molecular Physics (AREA)
  • Health & Medical Sciences (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Chemical & Material Sciences (AREA)
  • Analytical Chemistry (AREA)
  • Biochemistry (AREA)
  • General Health & Medical Sciences (AREA)
  • General Physics & Mathematics (AREA)
  • Immunology (AREA)
  • Pathology (AREA)
  • Investigating Or Analysing Materials By Optical Means (AREA)

Abstract

本发明公开了基于高光谱的水稻穗期氮营养监测与诊断方法及应用，属于遥感技术应用领域，包括以下步骤：S1：测量水稻冠层光谱、地上部干物质量和氮浓度；S2：构建水稻地上部干物质量模型与临界氮浓度稀释模型；S3：构建水稻氮浓度模型；S4：计算并决定氮肥追施策略。本发明利用遥感技术可以在田间规模化种植中快速精准无损的优势，在降低监测成本的同时，提高了监测结果的客观性，避免了传统人工调查时的误差和以点代面的不确定性；能够利用多年数据增加模型的普适性，可以通过当年的遥感数据实时监测水稻穗期的氮素营养状况，通过临界氮浓度和实际氮浓度计算水稻氮亏缺量，使得氮素施肥方案更加可行。

Description

基于高光谱的水稻穗期氮营养监测与诊断方法及应用
技术领域
本发明涉及遥感技术应用领域，具体涉及基于高光谱的水稻穗期氮营养监测与诊断方法及应用。
背景技术
随着城镇化建设不断推进，从事农业劳动人口显著降低，稻作经营主体和稻作方式均较传统水稻生产发生极大变化，以土地流转形式为主的规模化经营主体以及机械化轻简栽培模式呈逐年增长趋势。
氮素营养作为作物生长发育和产量、品质的重要影响因子，是植物需求量最大的矿质营养元素。氮素营养的亏缺对水稻的生长尤为重要，基于高光谱的氮素营养诊断手段就是一种表观诊断和化学诊断相结合的现代监测技术，其通过光谱数据快速无损的了解作物氮素营养状况。随着遥感技术的应用推广，作物氮素的遥感监测在作物遥感领域研究已经得到一定的发展，利用光谱影像、光谱反射率及其衍生出的植被指数快速获取农作物的农艺指标的研究实例已有很多。薛利红等人发现群体含氮量与光谱指数显著相关，杨燕穷等人应用3CCD多光谱成像技术估算生物量等农艺指标。综上所述，基于光谱技术的研究大多为水稻氮素诊断某一环节提供理论依据，未针对水稻生产实践提供一系列诊断方案，尤其是在特定时期对水稻给出准确的氮素施肥方案。因此，提出水稻穗期氮素亏缺诊断方法及应用。
发明内容
本发明所要解决的技术问题在于：如何解决水稻生长过程中对产量影响较大的特定时期中存在的氮肥亏缺问题，提供了水稻穗期氮素亏缺诊断方法，构建了基于归一化植被指数 (NDSI(1136，1587))的水稻氮浓度模型和基于土壤调节优化植被指数(OSAVI)的水稻地上部干物质量模型，并利用由水稻地上部干物质量建立的临界氮浓度模型对水稻穗期氮素营养状况进行估算，并结合各生态点穗期氮肥利用率，给出施肥方案。
本发明是通过以下技术方案解决上述技术问题的，本发明包括以下步骤：
S1：测量水稻冠层光谱、地上部干物质量和氮浓度
利用地物光谱仪器测量生态点水稻冠层光谱；进行区域采样，计算单位面积下水稻地上部干物质量；将水稻地上部干物质烘干至恒重，测定并计算水稻植株氮浓度；
S2：构建地上部干物质量模型与水稻临界氮浓度稀释模型
利用冠层土壤调节优化植被指数(OSAVI)对水稻地上部干物质量进行相关性分析，通过估计标准误差(SE)和拟合决定系数(R2)优化方程，建立水稻地上部干物质量模型；通过分析对比不同施氮水平对不同生长阶段的水稻地上部干物质量与植株氮浓度的动态变化来构建水稻的临界氮浓度稀释模型；
S3：构建水稻氮浓度模型
利用减量精细采样法，分析植株氮浓度与归一化植被指数(NDSI(1136，1587))之间的相关性，筛选出敏感波段，建立氮浓度模型，利用水稻地上部干物质量模型与氮浓度模型对水稻氮素营养状况进行估算；
S4：计算并决定氮肥追施策略
通过光谱遥感数据，结合临界氮浓度稀释模型和实际氮浓度对水稻氮肥需求规律的直观表现，计算出氮亏缺量(Nand)；并根据水稻穗期氮肥利用效率，决定氮肥追施策略。
更进一步地，在所述步骤S1中，利用地物光谱仪器测量水稻冠层光谱时，地物光谱仪器的探头垂直于冠层，距离冠层1m，每种样本选择10个均匀分布且不同行的采样点(避开边行)，每点连续记录10次，对测量结果取平均值以消除误差，对于水稻冠层光谱数据需要进行原始光谱反射值的提取。
更进一步地，在所述步骤S1中，进行水稻地上部干物质量测量时，根据各区域平均茎蘖数，从各小区内选取代表性水稻植株3～5穴，连根拔起，带回实验室，分离水稻各器官，然后高温杀青后烘干至恒重，称量地上部干物质量，折算为单位面积下水稻地上部干物质量(W)。
更进一步地，在所述步骤S1中，测量水稻植株氮浓度时，将水稻地上部干物质烘干至恒重，粉碎后过筛，通过瑞士FOSS全自动凯氏凯式定氮仪对样品氮浓度进行测定，根据水稻地上部干物质量计算水稻氮浓度(Nt)。
更进一步地，在所述步骤S21中，水稻地上部干物质重模型如下：
W＝0.04e6.56OSAVI
其中，W表示水稻地上部干物质量，OSAVI为水稻冠层土壤调节优化植被指数。
更进一步地，在所述步骤S22中，水稻临界氮浓度稀释模型如下：
Nc＝3.62W-0.29
其中，3.46为水稻地上部生物量为1t ha-1时的临界氮浓度值，W为水稻地上部生物量。
更进一步地，在所述临界氮浓度稀释模型构建完毕后，采用均方根误差(RMSE)和标准化均方根误差(n-RMSE)对所述临界氮浓度稀释模型的可行性进行检验。
更进一步地，在所述步骤S3中，氮浓度模型如下：
Nt＝6.50NDSI(1136，1587)+4.70
其中，Nt为水稻实际氮浓度，NDSI(1136，1587)为1136nm和1587nm的光谱反射值的归一化植被指数。
更进一步地，在所述步骤S4中，计算出水稻穗期氮亏缺量过程包括以下步骤：
S41：根据临界氮浓度稀释模型和氮浓度模型，计算得到临界氮浓度下水稻氮积累量和实际氮浓度下水稻氮积累量；
S42：计算临界氮浓度下水稻氮积累量与实际氮浓度下水稻氮积累量的差值，得到氮亏缺量。
更进一步地，在所述步骤S4中，决定氮肥追施策略时利用区域内不同生态点的植株氮浓度和氮肥施用量，确定各生态点的水稻穗期氮素利用效率，得出水稻氮素追施量。
本发明还提供了水稻穗期氮营养监测与诊断方法的应用，将所述水稻穗期氮素亏缺诊断方法应用于水稻穗肥亏缺诊断工作中。
本发明相比现有技术具有以下优点：该水稻穗期氮营养监测与诊断方法，充分利用了遥感技术可以在田间规模化种植中快速精准无损的优势，在降低监测成本的同时，提高了监测结果的客观性，避免了传统人工调查时的误差和以点代面的不确定性；能够利用多年数据增加模型的普适性，可以通过当年的遥感数据实时监测水稻穗期氮素营养情况，同时利用氮营养指数模型获取氮亏缺状态，使得氮素施肥方案更加具体和可操作；还利用幼穗分化初期和颖花分化期的水稻遥感信息和农艺信息对诊断方法进行验证，使监测结果更客观，值得被推广用于水稻穗期氮素亏缺诊断工作中。
附图说明
图1是氮素亏缺诊断方法的流程示意图；
图2是各植被指数与水稻地上部生物量指数拟合结果比较图；
图3是基于水稻地上部生物量构建的氮浓度稀释曲线图；
图4是两波段组合的归一化植被指数NDSI(1136，1587)与水稻氮浓度的决定系数等势图；
图5是水稻地上部干物质量预测值与实测值比较；
图6是水稻氮浓度的预测值与实测值比较；
图7是基于无人机高光谱遥感采用本发明建立的水稻穗期氮素亏缺计算方法，估算的位于长江中下游研究区水稻穗分化阶段氮素营养状况分布图。
具体实施方式
下面对本发明的实施例作详细说明，本实施例在以本发明技术方案为前提下进行实施，给出了详细的实施方式和具体的操作过程，但本发明的保护范围不限于下述的实施例。
如图1所示，本实施例提供一种技术方案：水稻穗期氮营养监测与诊断方法，包括以下步骤：
S1：测量水稻穗分化阶段冠层光谱、地上部干物质量和氮浓度
利用地物光谱仪器测量生态点水稻冠层光谱；进行区域采样，计算单位面积下水稻地上部干物质量；将水稻地上部干物质烘干至恒重，测定并计算水稻氮浓度；
S2：构建地上部干物质量模型与水稻临界氮浓度稀释模型
利用冠层土壤调节优化植被指数(OSAVI)对水稻地上部干物质量进行相关性分析，通过估计标准误差(SE)和拟合决定系数(R2)优化方程，建立水稻地上部干物质量模型；通过分析对比不同施氮水平对不同生长阶段的水稻地上部干物质量与植株氮浓度的动态变化来构建水稻临界氮浓度稀释模型；
S3：构建水稻氮浓度模型
利用减量精细采样法，分析植株氮浓度与植被指数(NDSI(1136，1587))之间的相关性，筛选出敏感波段，建立氮浓度模型，结合水稻地上干物质量模型与氮浓度模型对水稻氮素营养状况进行估算；
S4：计算并决定氮肥追施策略
通过光谱遥感数据，结合临界氮浓度稀释模型和实际氮浓度对水稻氮肥需求规律的直观表现，计算出氮亏缺量(Nand)；并根据水稻穗分化阶段肥料利用效率，决定氮肥追施策略。
在所述步骤S1中，利用地物光谱仪器测量水稻冠层光谱时，地物光谱仪器的探头垂直于冠层，距离冠层1m，每种样本选择10个均匀分布且不同行的采样点(避开边行)，每点连续记录10次，对测量结果取平均值以消除误差，对于水稻冠层光谱数据需要进行原始光谱反射值提取。
在所述步骤S1中，进行水稻地上部干物质量测量时，根据各区域平均茎蘖数，从各小区内选取代表性水稻植株3～5穴，连根拔起，带回实验室，分离水稻各器官，然后高温杀青后烘干至恒重，称量地上部干物质量，折算为单位面积下水稻地上部干物质量。
在所述步骤S1中，测量水稻植株氮浓度时，将水稻地上部干物质烘干至恒重，粉碎后过筛，通过瑞士FOSS全自动凯氏凯式定氮仪对样品氮浓度进行测定，根据水稻地上部干物质量计算植株氮浓度(Nt)。
在所述步骤S21中，利用现有的植被指数来估算水稻地上部干物质量，采用线性、指数、对数、幂函数来分析所选与生物量相关的植被指数与水稻地上部干物质量之间的关系。利用 RONDEAUX等提出的水稻冠层土壤调节优化植被指数(OSAVI)与水稻地上部干物质量进行相关性分析，利用估计标准误差(SE)和拟合决定系数(R2)优化方程。基于土壤调节优化植被指数(OSAVI)构建本地区水稻地上部干物质量模型如下：
W＝0.04e6.56OSAVI
其中，W表示水稻地上部干物质量，OSAVI为水稻冠层土壤调节优化植被指数。
表一文献中出现的用于水稻地上部干物质量估算的指数
Figure BDA0002764358740000051
图2为各植被指数与水稻地上部生物量指数拟合结果比较图，冠层土壤调节优化植被指数(OSAVI)呈现最高的决定系数值R2＝0.80。相比于其他指数，冠层土壤调节优化植被指数 (OSAVI)表现出对水稻穗分化阶段地上部干物质量较好的敏感性。因此，基于冠层土壤调节优化植被指数(OSAVI)构建水稻穗分化阶段地上部干物质量模型是可行的。
在所述步骤S22中，临界氮浓度(Nc)是一个广泛使用的能够描述作物最大地上部干物质量所需要的最小氮浓度，其计算公式为：
Nc＝aW-b
其中，Nc为物地上部干物质量对应的临界氮浓度(％)，W为作物地上部干物质量(tha-1)， a为作物地上部干物质量为1t ha-1时的临界氮浓度，b为控制模型曲线斜率的数学参数。 Greenwood等提出了关于C3和C4植物临界氮浓度与地上部干物质量的通用定量模型方程(C3： Nc＝5.7DM-0.5，C4：Nc＝4.1DM-0.5)，C3供试作物有马铃薯、小麦、卷心菜、豆类等，C4供试作物有玉米、高粱等。然而以上模型是在作物生长不受氮素制约条件下构建，临界氮浓度稀释模型的构建应考虑作物生长受氮素制约情况。由于不同生态区域和品种类型，甚至同为籼稻亚种所构建的模型存在较大差异，说明该模型不具备普适性，具有明显的本地验参性。因此，需要构建区域化的临界氮浓度模型。
因此，本发明构建本地区水稻临界氮浓度稀释模型如下：
Nc＝3.62W-0.29
其中，3.46为作物地上部生物量为1t ha-1时水稻的临界氮浓度值，W为水稻地上部干物质量。在所述临界氮浓度稀释模型构建完毕后，采用均方根误差(RMSE)和标准化均方根误差(n-RMSE)对所述临界氮浓度稀释模型的可行性进行检验。
图3为基于水稻地上部生物量构建的氮浓度稀释曲线图，受氮限制处理的数据点低于或者接近临界氮浓度稀释曲线(位于曲线一侧)，不受氮限制处理的数据点高于或者接近临界氮浓度稀释曲线(位于曲线另一侧)。利用水稻每个取样日观察到植株氮浓度最大值与最小值(Nmax、Nmin)及对应水稻植株地上部生物量，得到两个氮浓度稀释边界模型(Nmax＝3.74W-0.29、Nmin＝3.48W-0.28)，同样也符合作物临界氮浓度稀释模型。因此，本发明构建的本地区水稻临界氮浓度稀释模型是可行的。
在所述步骤S3中，由于现有的植被指数对于水稻穗期植株氮浓度预测效果较差，需进一步挖掘冠层光谱敏感波段进一步提高植株氮浓度的预测效果。本发明通过减量精细采样法，系统分析植株氮浓度与全波段的双波段组合归一化植被指数(NDSI)之间的相关性，从而筛选出敏感波段。以10nm波段间隔从350nm-2500nm波段分析相关性，发现敏感双波段组合区域为800-1300nm vs 1400-1800nm，再以1nm波段间隔从敏感双波段组合区域对归一化植被指数(NDSI)与水稻氮素浓度进行相关性分析，得到NDSI(1136，1587)，利用估计标准误差(SE) 和拟合决定系数(R2)优化方程。基于归一化植被指数(NDSI(1136，1587))构建本地区水稻氮浓度模型如下：
Nt＝6.50NDSI(1136，1587)+4.70
其中，Nt为水稻实际氮浓度，NDSI(1136，1587)为1136nm和1587nm的光谱反射值的归一化植被指数。
图4为两波段组合的归一化植被指数NDSI(1136，1587)与水稻氮浓度的决定系数等势图，归一化植被指数NDSI(1136，1587)在所有双波段重为最优组合。相比于其他组合，归一化植被指数NDSI(1136，1587)表现出对水稻穗分化阶段氮浓度最好的敏感性，因此，基于归一化植被指数 NDSI(1136，1587)构建水稻穗分化阶段氮浓度模型是可行的。
在所述步骤S4中，利用本发明中构建的氮浓度、干物质重以及临界氮浓度稀释模型，计算出水稻穗分化阶段追氮亏缺量。通过收集不同生态点的水稻氮浓度和氮肥施用量，得到水稻穗肥氮素利用效率，按照下列计算方法得到水稻穗分化阶段追施氮肥用量。
W＝0.04e6.56OSAVI (1)
Nc＝3.62W-0.29 (2)
Nt＝6.50NDSI(1136，1587)+4.70 (3)
Nna＝Nt×W×10 (4)
Ncna＝Nc×W×10 (5)
Nand＝Ncna-Nna (6)
NNI＝Nt/Nc (7)
NR＝Nand/NRE (8)
式(1)-(8)中：
NR：水稻氮素追施用量(kg N ha-1)；
NRE：水稻穗肥氮素利用效率(％)，本实施例中取值60％(kg N ha-1)；
Nand：水稻氮亏缺量(kg N ha-1)；
Ncna：临界氮浓度下水稻氮积累量(kg N ha-1)；
Nna：实际氮浓度下水稻氮积累量(kg N ha-1)；
Nc：生产当前生物量所需的最低氮浓度(％)，采用公式(6)对本地区中籼稻临界氮浓度稀释曲线计算；
Nt：当前生物量下实际氮浓度(％)，采用公式(7)进行光谱参数反演；
W：当前地上部生物量(t ha-1)，采用公式(8)进行光谱参数反演；
NNI：氮营养指数；
NDSI(1136，1587)：1136nm和1587nm的冠层原始反射光谱的归一化光谱指数；
OSAVI：水稻冠层土壤调节优化植被指数。
具体实施案例：
本发明提供了水稻穗分化阶段氮素亏缺诊断方法，还将所述水稻穗期氮素亏缺诊断方法应用于水稻幼穗分化初期和颖花分化期氮素亏缺诊断具体工作中。
本发明具体应用于中国安徽省皖中地区的研究区。皖中地区地处于安徽省淮河以南、大别山—巢湖以北(31°28′N，117°13′E)，属亚热带季风气候。该地区主要河流为长江和淮河，在其与巢湖的交互作用下形成了肥沃的农田土壤资源，该地区主要种植的粮食作物为水稻，包括单季稻和双季稻。因此，研究区是诊断水稻穗分化阶段氮素亏缺的典型地区，本发明以幼穗分化初期和颖花分化期的水稻为实验对象，其具体实施方案如下：
1.1、水稻冠层光谱测量
水稻冠层反射光谱采用美国ASD FieldSpec4地物光谱仪测量，该地物光谱仪波段范围为 350-2500nm，带宽为1nm，裸光纤探头视场角为25°。实验中使用的参考板为99％的朗伯体白板。水稻冠层光谱应于晴朗无云微风天气，10:00-14:00采集数据，采集数据前地物光谱仪预热30min以上，遇多变天气则增加白板矫正次数，以确保试验精度；测量时，探头垂直于冠层，距离冠层1m，每种样本选择10个均匀分布且不同行的采样点(避开边行)，每点连续记录10次，取平均值消除误差。
1.2水稻地上部干物质重模型和临界氮浓度稀释模型的性能评估
本发明构建的水稻地上部干物质量模型为：
W＝0.04e6.56OSAVI
其中，W表示水稻地上部干物质量，OSAVI为水稻冠层土壤调节优化植被指数。利用幼穗分化初期和颖花分化期的水稻数据检验模型的可行性，采用均方根差(RMSE)、预测相关性 (P-R2)来评价。
图5为水稻地上部干物质量预测值与实测值比较。预测相关性(P-R2)为0.57，均方根差(RMSE)为2.54。冠层土壤调节优化植被指数(OSAVI)能够较好地反映水稻地上部干物质量(W)变化情况，因此，基于冠层土壤调节优化植被指数(OSAVI)估算水稻穗分化阶段地上部干物质量是可行的。
本发明构建的本地区水稻临界氮浓度稀释模型为：
Nc＝3.62W-0.29
其中，3.46为水稻地上部干物质量为1t ha-1时的临界氮浓度值，W为水稻地上部干物质量。利用幼穗分化初期和颖花分化期的水稻数据检验模型的可行性，本发明构建的临界氮浓度稀释曲线可以很好地将氮限制和非氮限制组区幼穗分化初期和颖花分化期的水稻数据分开。
1.3水稻氮浓度模型性能评估
本发明构建的水稻氮浓度模型为：
Nt＝6.50NDSI(1136，1587)+4.70
其中，Nt为水稻实际氮浓度，NDSI(1136，1587)为1136nm和1587nm的光谱反射值的归一化植被指数。利用幼穗分化初期和颖花分化期的水稻数据检验模型的可行性，采用均方根差(RMSE)、预测相关性(P-R2)来评价。
图6为水稻氮浓度的预测值与实测值比较，预测相关性(P-R2)为0.51，均方根差(RMSE) 为0.52。归一化植被指数NDSI(1136，1587)能够较好地反映水稻地上部干物质量(W)变化情况，因此，基于归一化植被指数NDSI(1136，1587)估算水稻穗分化阶段氮浓度模型是可行的。
1.4计算并决定氮肥追施策略
通过光谱遥感数据，结合临界氮浓度稀释模型和实际氮浓度对水稻氮肥需求规律的直观表现，计算出氮亏缺量(Nand)；并根据水稻幼穗分化初期和颖花分化期阶段肥料利用效率，决定氮肥追施策略。
图7是基于无人机高光谱遥感采用本发明建立的水稻穗期氮素亏缺计算方法，估算的位于长江中下游研究区水稻穗分化阶段氮素营养状况分布图。将水稻穗分化阶段氮素亏缺值分为5个级别：0-25、25-50、50-75、75-100、大于100(图中数值单位为kg ha-1)。由于施氮水平的差异，图中水稻穗分化阶段氮亏缺值的空间分布特征和异质性差异较为明显。前期施氮较低的实验区块比其他实验区块具有较高的氮素亏缺。
综上所述，上述实施例的水稻穗分化期氮亏缺诊断方法，充分利用了遥感技术可以在田间规模化种植中快速精准无损的优势，在降低监测成本的同时，提高了监测结果的客观性，避免了传统人工调查时的误差和以点代面的不确定性；能够利用多年数据增加模型的普适性，可以通过当年的遥感数据实时监测水稻穗分化期的氮素营养情况，同时利用上述计算方法得到水稻氮亏缺值，使得氮素施肥方案更加具体和可操作；还利用幼穗分化初期和颖花分化期的水稻遥感信息和农艺信息对诊断方法进行验证，结果表明，水稻穗分化期氮素亏缺诊断方法准确性较高，预测能力较强，操作便捷。
尽管上面已经示出和描述了本发明的实施例，可以理解的是，上述实施例是示例性的，不能理解为对本发明的限制，本领域的普通技术人员在本发明的范围内可以对上述实施例进行变化、修改、替换和变型。

Claims (10)

1.基于高光谱的水稻穗期氮营养监测与诊断方法，其特征在于，包括以下步骤：
S1：测量水稻冠层光谱、地上部干物质量和氮浓度
利用地物光谱仪器测量生态点水稻冠层光谱；然后进行区域采样，计算单位面积下水稻地上部干物质量；将水稻地上部干物质烘干至恒重，测定并计算水稻氮浓度；
S2：构建水稻地上部干物质量模型与临界氮浓度稀释模型
通过分析对比不同施氮水平对不同生长阶段的水稻地上部干物质量与氮浓度的动态变化构建水稻的临界氮浓度稀释模型；对冠层土壤调节优化植被指数OSAVI与水稻地上部干物质量进行相关性分析，通过估计标准误差和拟合决定系数优化方程，建立水稻地上部干物质量模型；
S3：构建水稻氮浓度模型
利用减量精细采样法，分析植株氮浓度与植被指数之间的相关性，筛选出敏感波段，建立水稻氮浓度模型，利用水稻地上部干物质量模型与氮浓度模型对水稻穗期氮素营养状况进行估算；
S4：计算并决定氮肥追施策略
通过光谱遥感数据，结合临界氮浓度稀释模型和实际氮浓度对水稻氮肥需求规律的直观表现，计算出氮亏缺量；并根据水稻穗期氮肥利用效率，决定氮肥追施策略。
2.根据权利要求1所述的基于高光谱的水稻穗期氮营养监测与诊断方法，其特征在于：在所述步骤S1中，利用地物光谱仪器测量水稻冠层光谱时，地物光谱仪器的探头垂直于冠层，距离冠层指定高度，每种样本选择多个均匀分布且不同行的采样点，每点连续记录多次，对测量结果取平均值。
3.根据权利要求1所述的基于高光谱的水稻穗期氮营养监测与诊断方法，其特征在于：在所述步骤S1中，进行水稻地上部干物质量测量时，根据各区域平均茎蘖数，从各小区内选取代表性水稻植株3～5穴，连根拔起，带回实验室，分离水稻各器官，然后高温杀青后烘干至恒重，称量地上部干物质量，折算单位面积下水稻地上部干物质量。
4.根据权利要求1所述的基于高光谱的水稻穗期氮营养监测与诊断方法，其特征在于：在所述步骤S1中，测量水稻植株氮浓度时，将水稻地上部干物质烘干至恒重，粉碎后过筛，通过瑞士FOSS全自动凯氏凯式定氮仪对样品氮浓度进行测定，根据水稻地上部干物质量计算植株氮浓度Nt。
5.根据权利要求1所述的基于高光谱的水稻穗期氮营养监测与诊断方法，其特征在于：在所述步骤S2中，包括以下步骤：
S21水稻地上部干物质量模型如下：
W＝0.04e6.56OSAVI
其中，W表示水稻地上部干物质量，OSAVI为水稻冠层土壤调节优化植被指数；
S22临界氮浓度稀释模型如下：
Nc＝3.62W-0.29
其中，3.46为作物地上部生物量为1t ha-1时的水稻临界氮浓度值，W为水稻地上部生物量。
6.根据权利要求5所述的基于高光谱的水稻穗期氮营养监测与诊断方法，其特征在于：在所述地上部干物质量模型与临界氮浓度稀释模型构建完毕后，采用均方根误差RMSE和标准化均方根误差n-RMSE对所述临界氮浓度稀释模型的可行性进行检验。
7.根据权利要求1所述的基于高光谱的水稻穗期氮营养监测与诊断方法，其特征在于：在所述步骤S3中，氮浓度模型如下：
Nt＝6.50NDSI(1136，1587)+4.70
其中，Nt为水稻实际氮浓度，NDSI(1136，1587)为1136nm和1587nm的光谱反射值的归一化植被指数。
8.根据权利要求1所述的基于高光谱的水稻穗期氮营养监测与诊断方法，其特征在于：在所述步骤S4中，计算出水稻穗期氮亏缺量过程包括以下步骤：
S41：根据临界氮浓度稀释模型和氮浓度模型，计算得到临界氮浓度下水稻氮积累量和实际氮浓度下水稻氮积累量；
S42：计算临界氮浓度下水稻氮积累量与实际氮浓度下水稻氮积累量的差值，得到氮亏缺量。
9.根据权利要求8所述的基于高光谱的水稻穗期氮营养监测与诊断方法，其特征在于：在所述步骤S4中，决定氮肥追施策略时利用区域内不同生态点的植株氮浓度和氮肥施用量，确定各生态点的水稻穗肥氮素利用效率，得出水稻氮素追施量。
10.一种如权利要求1～9任一项所述的基于高光谱的水稻穗期氮营养监测与诊断方法的应用，其特征在于：将所述水稻穗期氮素营养诊断方法应用于水稻穗肥亏缺诊断工作中。
CN202011228439.1A 2020-11-06 2020-11-06 基于高光谱的水稻穗期氮营养监测与诊断方法及应用 Pending CN112485204A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202011228439.1A CN112485204A (zh) 2020-11-06 2020-11-06 基于高光谱的水稻穗期氮营养监测与诊断方法及应用

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202011228439.1A CN112485204A (zh) 2020-11-06 2020-11-06 基于高光谱的水稻穗期氮营养监测与诊断方法及应用

Publications (1)

Publication Number Publication Date
CN112485204A true CN112485204A (zh) 2021-03-12

Family

ID=74928514

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202011228439.1A Pending CN112485204A (zh) 2020-11-06 2020-11-06 基于高光谱的水稻穗期氮营养监测与诊断方法及应用

Country Status (1)

Country Link
CN (1) CN112485204A (zh)

Cited By (11)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112903600A (zh) * 2021-01-15 2021-06-04 南京农业大学 一种基于固定翼无人机多光谱影像的水稻氮肥推荐方法
CN113268703A (zh) * 2021-06-23 2021-08-17 河南农业大学 一种应用于小麦田间管理的氮肥亏缺快速检测与精量追施方法
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
CN113433127A (zh) * 2021-06-24 2021-09-24 内蒙古农业大学 基于优化光谱指数的马铃薯生长季氮肥用量施用方法
CN114813587A (zh) * 2022-05-23 2022-07-29 西南大学 一种花椒树冠层氮浓度无损诊断方法
CN114965847A (zh) * 2022-05-23 2022-08-30 西南大学 一种基于机载激光雷达的花椒氮累积量的无损监测方法
CN116108318A (zh) * 2023-04-06 2023-05-12 华中农业大学 基于无人机多光谱影像的油菜氮肥推荐追施量计算的方法
CN116541688A (zh) * 2023-04-11 2023-08-04 南京农业大学 一种基于遥感物候/植被信息的稻作灌区田面水氮浓度预测方法
CN116662753A (zh) * 2023-05-18 2023-08-29 中国农业大学 一种基于作物模型与遥感耦合的水稻穗肥氮精准推荐方法
CN117575830A (zh) * 2023-11-10 2024-02-20 南京农业大学 一种基于nki预测氮钾互作下小麦植株氮钾亏缺和产量状况的方法
CN117716858A (zh) * 2024-02-08 2024-03-19 内蒙古农业大学 一种生育期马铃薯钾肥追施推荐方法

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103323404A (zh) * 2013-05-30 2013-09-25 中国农业科学院北京畜牧兽医研究所 一种获得冷季型禾本科牧草群体补充氮肥量的方法
EP2942622A1 (fr) * 2014-05-06 2015-11-11 Polyor SARL Méthode de détermination de teneurs critiques en azote de cultures
CN105445229A (zh) * 2015-12-15 2016-03-30 河南农业大学 基于氮平衡光谱法的小麦春季氮肥施用方法及其追氮量模型的构建方法
CN109211801A (zh) * 2018-09-03 2019-01-15 中国科学院南京土壤研究所 一种作物氮素需求量实时获取方法
CN111751376A (zh) * 2020-07-25 2020-10-09 江西省农业科学院农业工程研究所 一种基于冠层图像特征衍生的水稻氮素营养估算方法

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103323404A (zh) * 2013-05-30 2013-09-25 中国农业科学院北京畜牧兽医研究所 一种获得冷季型禾本科牧草群体补充氮肥量的方法
EP2942622A1 (fr) * 2014-05-06 2015-11-11 Polyor SARL Méthode de détermination de teneurs critiques en azote de cultures
CN105445229A (zh) * 2015-12-15 2016-03-30 河南农业大学 基于氮平衡光谱法的小麦春季氮肥施用方法及其追氮量模型的构建方法
CN109211801A (zh) * 2018-09-03 2019-01-15 中国科学院南京土壤研究所 一种作物氮素需求量实时获取方法
CN111751376A (zh) * 2020-07-25 2020-10-09 江西省农业科学院农业工程研究所 一种基于冠层图像特征衍生的水稻氮素营养估算方法

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
潘星哲: "基于不同施氮量水平下水稻高光谱特征分析", 《中国优秀硕士学位论文全文数据库 农业科技辑》 *

Cited By (17)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112903600A (zh) * 2021-01-15 2021-06-04 南京农业大学 一种基于固定翼无人机多光谱影像的水稻氮肥推荐方法
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
CN113268703B (zh) * 2021-06-23 2024-01-12 河南农业大学 一种应用于小麦田间管理的氮肥亏缺快速检测与精量追施方法
CN113268703A (zh) * 2021-06-23 2021-08-17 河南农业大学 一种应用于小麦田间管理的氮肥亏缺快速检测与精量追施方法
CN113433127A (zh) * 2021-06-24 2021-09-24 内蒙古农业大学 基于优化光谱指数的马铃薯生长季氮肥用量施用方法
CN113433127B (zh) * 2021-06-24 2024-02-23 内蒙古农业大学 基于优化光谱指数的马铃薯生长季氮肥用量施用方法
CN114813587A (zh) * 2022-05-23 2022-07-29 西南大学 一种花椒树冠层氮浓度无损诊断方法
CN114965847A (zh) * 2022-05-23 2022-08-30 西南大学 一种基于机载激光雷达的花椒氮累积量的无损监测方法
CN114965847B (zh) * 2022-05-23 2023-05-12 西南大学 一种基于机载激光雷达的花椒氮累积量的无损监测方法
CN116108318B (zh) * 2023-04-06 2023-06-13 华中农业大学 基于无人机多光谱影像的油菜氮肥推荐追施量计算的方法
CN116108318A (zh) * 2023-04-06 2023-05-12 华中农业大学 基于无人机多光谱影像的油菜氮肥推荐追施量计算的方法
CN116541688A (zh) * 2023-04-11 2023-08-04 南京农业大学 一种基于遥感物候/植被信息的稻作灌区田面水氮浓度预测方法
CN116541688B (zh) * 2023-04-11 2024-04-26 南京农业大学 一种基于遥感物候/植被信息的稻作灌区田面水氮浓度预测方法
CN116662753A (zh) * 2023-05-18 2023-08-29 中国农业大学 一种基于作物模型与遥感耦合的水稻穗肥氮精准推荐方法
CN116662753B (zh) * 2023-05-18 2024-01-23 中国农业大学 一种基于作物模型与遥感耦合的水稻穗肥氮精准推荐方法
CN117575830A (zh) * 2023-11-10 2024-02-20 南京农业大学 一种基于nki预测氮钾互作下小麦植株氮钾亏缺和产量状况的方法
CN117716858A (zh) * 2024-02-08 2024-03-19 内蒙古农业大学 一种生育期马铃薯钾肥追施推荐方法

Similar Documents

Publication Publication Date Title
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
CN107796764B (zh) 一种基于三波段植被指数的小麦叶面积指数估算模型的构建方法
CN102426153B (zh) 一种基于冠层高光谱指数的小麦植株水分监测方法
CN110376167A (zh) 基于无人机高光谱的水稻叶片氮含量监测方法
CN113268703B (zh) 一种应用于小麦田间管理的氮肥亏缺快速检测与精量追施方法
CN110567892B (zh) 一种基于临界氮浓度的夏玉米氮素高光谱预测方法
CN110189793B (zh) 基于高光谱的小麦氮肥生理利用率估测模型构建及不同氮效率小麦品种分类
CN109711102B (zh) 一种作物灾害损失快速评估方法
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
CN113268923B (zh) 一种基于模拟多光谱的夏玉米产量估算方法
Wang et al. Development of a model using the nitrogen nutrition index to estimate in-season rice nitrogen requirement
CN104502283A (zh) 估测大豆产量和地上部干重的一套两波段高光谱指数和预测模型
CN113298859B (zh) 一种基于无人机影像的作物氮肥变量管理方法
CN103185695A (zh) 一种基于光谱的烤烟成熟度田间快速判断方法
Li et al. Advances in the estimations and applications of critical nitrogen dilution curve and nitrogen nutrition index of major cereal crops. A review
CN112215090A (zh) 融合物候知识的遥感水稻制图方法及其应用
Yuan et al. Diagnosis of nitrogen nutrition of rice based on image processing of visible light
Wen et al. Estimation of the vertically integrated leaf nitrogen content in maize using canopy hyperspectral red edge parameters
CN113035290A (zh) 一种基于高光谱遥感技术的小麦植株氮积累量监测方法
CN113670913B (zh) 水稻氮素含量反演高光谱植被指数构建方法
Dong et al. Combining leaf fluorescence and active canopy reflectance sensing technologies to diagnose maize nitrogen status across growth stages
CN109142238B (zh) 一种棉花磷素营养快速诊断方法
CN107274002A (zh) 小麦氮素丰缺诊断方法及其诊断模型的构建方法
CN113640230B (zh) 一种田间小麦水分利用率快速检测方法及系统
CN116735538B (zh) 一种基于氮素分配模型的作物氮素累积量遥感预测方法

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
RJ01 Rejection of invention patent application after publication

Application publication date: 20210312