CN112504972B - 一种快速监测烟草氮含量的方法 - Google Patents
一种快速监测烟草氮含量的方法 Download PDFInfo
- Publication number
- CN112504972B CN112504972B CN202011074970.8A CN202011074970A CN112504972B CN 112504972 B CN112504972 B CN 112504972B CN 202011074970 A CN202011074970 A CN 202011074970A CN 112504972 B CN112504972 B CN 112504972B
- Authority
- CN
- China
- Prior art keywords
- tobacco
- nitrogen content
- monitoring
- nitrogen
- spectrum
- 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.)
- Active
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, Analyzing Materials By Fluorescence Or Luminescence (AREA)
- Investigating Or Analysing Materials By Optical Means (AREA)
Abstract
本发明公开了一种快速监测烟草氮含量的方法，包括：利用无人机搭载多光谱传感器来获取烟草种植区的多光谱反射影像，并筛选出与氮含量相关的光谱指数；采集不同生长状况的烟草植株烟叶作为样株，并测得样株烟叶的氮含量；以样株烟叶实测氮含量作为因变量，与氮含量相关的光谱指数作为自变量，分别构建氮含量与光谱指数的回归模型，得到在不同生育期对烟草氮含量的指示性最优的光谱指数；以所得到的指示性最优的光谱指数为为自变量，样株烟叶实测氮含量作为因变量，分别构建烟草不同生长时期的氮含量监测模型；基于烟草不同生长时期的氮含量监测模型，分别计算出整个烟草种植区的氮含量分布，本方法能够实现大范围烟草氮含量快速监测。
Description
技术领域
本发明涉及监测领域，具体涉及一种快速监测烟草氮含量的方法。
背景技术
氮含量是反映烟草生长状况和烟叶品质的重要指标之一。氮含量与烟草的生长发育、品质控制、经济效益和环境保护等方面密切相关，及时准确地掌握烟草的氮含量水平，有利于烟田的精准施肥，把控烟草的品质，提高产业经济效益，同时实现环境友好。
传统的烟草氮含量监测方法多是通过田间采样和实验室化学分析来获取。此法若采样量较少时，往往无法真实地反应田间烟草的氮含量水平，难以实现大范围监测；若扩大采样量，准确度提高，但操作复杂、时效性差，需破坏性地采集大量采样，成本高，并非理想的田间氮含量监测方法。
发明内容
本发明的目的在于克服上述现有技术的不足，提供一种快速监测烟草氮含量的方法，以实现大范围烟草氮含量快速监测，为烟草氮含量的监测以及田间施肥管理提供理论依据和技术支撑。
为实现上述目的，本发明的技术方案是：
一种快速监测烟草氮含量的方法，包括：
利用无人机搭载多光谱传感器来获取烟草种植区的多光谱反射影像，并筛选出与氮含量相关的光谱指数；
采集不同生长状况的烟草植株烟叶作为样株，并测得样株烟叶的氮含量；
以样株烟叶实测氮含量作为因变量，与氮含量相关的光谱指数作为自变量，使用最小二乘回归，分别构建氮含量与光谱指数的回归模型，得到在不同生育期对烟草氮含量的指示性最优的光谱指数；
以所得到的指示性最优的光谱指数为自变量，样株烟叶实测氮含量作为因变量，分别构建烟草不同生长时期的氮含量监测模型；
基于烟草不同生长时期的氮含量监测模型，分别计算出整个烟草种植区的氮含量分布。
进一步地，所述与氮含量相关的光谱指数包括氮素反射指数NRI、第一光谱夹角θ1、第二光谱夹角θ2以及光谱夹角之和θ。
进一步地，所述氮素反射指数NRI的计算公式为：
其中，Rgreen代表绿波段反射率；Rred代表红波段反射率。
进一步地，所述指示性最优的光谱指数为氮素反射指数NRI。
进一步地，所述烟草不同生长时期的氮含量监测模型包括烟草旺长期氮含量监测模型和烟草成熟期氮含量监测模型。
进一步地，所述烟草旺长期的氮含量监测模型为：
Nitrogen＝46.153×(NRI)2-18.016×(NRI)+2.551。
进一步地，所述烟草成熟期氮含量监测模型为：
Nitrogen＝27.774e-5.807×(NRI)。
进一步地，在无人机飞行前，在烟草种植区均匀布设地面控制点，用于室内影像配准；在起飞前和降落后需拍摄白板，用于辐射校正。
进一步地，采用凯氏定氮法来测得样株烟叶的氮含量。
进一步地，所述多光谱传感器Sequoia多光谱传感器，分别为550nm，660nm，735nm和790nm。
本发明与现有技术相比，其有益效果在于：
本方法基于无人机搭载的多光谱传感器获取烟田光谱反射率影像，通过采集烟叶样本测定烟叶氮含量，提出利用指示性最优的光谱指数来快速构建烟草氮含量(Nitrogen)最佳监测模型，从而实现大范围烟草氮含量快速监测，并实现高效、高时空分辨率的烟草氮含量获取，为烟草氮肥精准管理提供科学、及时的信息支持。
附图说明
图1为本发明实施例提供的快速监测烟草氮含量的方法的流程图；
图2为不同时期的无人机所获取的烟田光谱反射率影像图；
图3为不同采样日期的烟草样本实测氮含量分布图；
图4为光谱夹角图；
图5为试验区烟草氮含量监测结果图。
具体实施方式
实施例：
下面结合附图和实施例对本发明的技术方案做进一步的说明。
参阅图1所示，本实施例提供的快速监测烟草氮含量的方法包括：
利用无人机搭载多光谱传感器来获取烟草种植区的多光谱反射影像，并筛选出与氮含量相关的光谱指数。遥感技术可以实现在烟草无损情况下，通过传感器获取烟草在大田期的光谱信息，从而提取与氮含量水平相关的光谱指标参数，再以定量分析方法实现烟草氮含量监测和评估；而无人机(unmanned aerial vehicle,UAV)的相关技术和传感器既实现农田信息获取的高效、快速和可靠性，又使得获取高时空分辨率的遥感影像数据成为可能。这为烟草田间氮含量管理决策提供科学、及时、准确的信息支持，尽可能避免因田间信息收集的滞后或误判造成的效益损失和环境压力。
无人机飞行后，采集样株冠层烟叶(根据烟草的植株高度、叶片绿度和叶片大小等形态特征选择不同生长状况的植株作为样本)，记录样株经纬坐标，装入遮光袋冰冷藏保存；在实验室内利用采用凯氏定氮法测得样株烟叶氮含量。氮含量水平的差异，会造成氮素敏感波段的反射率变化，这些变化的存在，使得作物氮含量遥感监测成为可能。缺氮对烟叶造成的影响可分为内部生化组分变化和外部形态变化：内部生化组分变化主要表现为各类与氮元素相关的成分变化，如叶绿素和蛋白质；外部形态变化主要表现为植株瘦弱矮小、叶片发黄枯萎等。这些变化都会导致烟草光谱曲线异常，为烟草氮含量实时监测提供依据。
以样株烟叶实测氮含量作为因变量，与氮含量相关的光谱指数作为自变量，使用最小二乘回归，分别构建氮含量与光谱指数的回归模型，得到在不同生育期对烟草氮含量的指示性最优的光谱指数；
以所得到的指示性最优的光谱指数为自变量，样株烟叶实测氮含量作为因变量，分别构建烟草不同生长时期的氮含量监测模型；
基于烟草不同生长时期的氮含量监测模型，分别计算出整个烟草种植区的氮含量分布，从而实现大范围烟草氮含量的快速监测。
由此可见，本方法基于无人机搭载的多光谱传感器获取烟田光谱反射率影像，通过采集烟叶样本测定烟叶氮含量，提出利用指示性最优的光谱指数来快速构建烟草氮含量(Nitrogen)最佳监测模型，从而实现大范围烟草氮含量快速监测，为烟草氮含量的监测以及田间施肥管理提供理论依据和技术支撑。
此外，在无人机飞行前，在研究区均匀布设地面控制点，用于室内影像配准；在起飞前和降落后需拍摄白板，用于辐射校正；最后按照飞行任务设置，进行影像采集，以便于获取全面、准确的光谱反射率影像。
下面结合一应用场景实例来对本方法进行进一步的详细说明：
(1)监测区域选取
本方法选取广东省粤北始兴县东北部的特色优质烟叶生产示范片(114°11'44"E，25°3'10"N)为实验区域，烟草大田期为每年的3-6月份，约100-120天，经历还苗期、伸根期、旺长期和成熟期四个生育期。
(2)无人机影像采集
在烟草旺长期(4月21日、4月28日和5月12日)和成熟期(5月19日、5月25日和6月2日)使用无人机搭载Sequoia多光谱传感器(550nm，660nm，735nm和790nm)实地获取研究区的多光谱反射率影像，通过采用Sequoia多光谱传感器(550nm，660nm，735nm和790nm)能够更为全面、准确地获取多光谱反射率影像。各个时期的无人机影像(经辐射校正、几何配准)如图2所示。
(3)烟叶样本采集与烟草氮含量测定
在每次无人机飞行采集数据后，根据烟草的植株高度、叶片绿度和叶片大小等形态特征选择不同生长状况的植株作为样本，采集样株冠层烟叶。如图3所示为各个采样日期的样本实测氮含量分布图，可以看出烟草实测氮含量在时间序列上逐渐降低。
(4)指示烟草氮含量最优光谱指数筛选
氮含量变化会引起的烟草光谱变化，如何选取最优的光谱指数来指示烟草各个生长期的烟叶氮含量变化是本方法的关键。各个生长期分别选取了NRI、第一光谱夹角(FirstAngle)、第二光谱夹角(SecondAngle)和光谱夹角之和(Sum ofAngle)，共4个光谱参数来进行烟草氮含量与光谱指数相关性分析。
各个光谱指数的原理如下：
①NRI：烟草缺氮会使得叶色变淡发黄，实质是叶绿素减少，影响了烟草在可见光范围的吸收作用，引起峰谷的起伏，NRI正是利用这一光谱特性，反映植被的氮含量，其计算公式如下：
其中Rgreen代表绿波段反射率；Rred代表红波段反射率。
②光谱夹角：光谱夹角是指相邻两个向量间夹角的补角，如图4所示，θ1为
和
夹角的补角，以下称第一光谱夹角(First angle)；θ2为
和
夹角的补角，以下称第二光谱夹角(Second angle)；θ则为两者之和，以下称光谱夹角之和(Sum ofangles)。
它们的计算公式如下所示。
θ＝θ1+θ2 公式(3)
使用最小二乘回归(PLS)，以每个生育期与氮含量显著相关的光谱特征参数作为自变量，烟草实测氮含量为因变量，分别构建旺长期和成熟期的线性、多项式、指数、对数以及幂函数模型，选择较优的模型作为该光谱特征参数的回归模型，表1所示为不同光谱指数的较优回归模型。
表1烟草氮含量最小二乘回归估算模型
注：旺长期的第一光谱夹角模型未通过显著性检验(p<0.05)
从上表可以看出NRI在不同生育期对烟草氮含量具有最优指示性能；旺长期中，基于NRI的最优估算模型是多项式模型(R2＝0.48)；成熟期中，基于NRI的最优估算模型是指数模型(R2＝0.69)。
(5)烟草氮含量监测模型构建
以光谱指数NRI为自变量，烟草氮含量Nitrogen为因变量，分别构建烟草旺长期和成熟期的氮含量监测模型，模型结果如下：
(1)旺长期：
Nitrogen＝46.153×(NRI)2-18.016×(NRI)+2.551 公式(4)
(2)成熟期：
Nitrogen＝27.774e-5.807×(NRI) 公式(5)
以上的这两个模型具有良好的准确性和稳定性，从而实现大范围烟草氮含量快速监测(6)烟草氮含量监测
基于上述不同生长期烟草氮含量监测模型，分别计算整个试验区的氮含量分布结果(图5)，实现大范围的烟草氮含量快速监测。
上述实施例只是为了说明本发明的技术构思及特点，其目的是在于让本领域内的普通技术人员能够了解本发明的内容并据以实施，并不能以此限制本发明的保护范围。凡是根据本发明内容的实质所做出的等效的变化或修饰，都应涵盖在本发明的保护范围内。
Claims (3)
1.一种快速监测烟草氮含量的方法，其特征在于，包括：
利用无人机搭载多光谱传感器来获取烟草种植区的多光谱反射影像，并筛选出与氮含量相关的光谱指数；
采集不同生长状况的烟草植株烟叶作为样株，并测得样株烟叶的氮含量；
以样株烟叶实测氮含量作为因变量，与氮含量相关的光谱指数作为自变量，使用最小二乘回归，分别构建氮含量与光谱指数的回归模型，得到在不同生育期对烟草氮含量的指示性最优的光谱指数；
以所得到的指示性最优的光谱指数为自变量，样株烟叶实测氮含量作为因变量，分别构建烟草不同生长时期的氮含量监测模型；
基于烟草不同生长时期的氮含量监测模型，分别计算出整个烟草种植区的氮含量分布；
所述与氮含量相关的光谱指数包括氮素反射指数NRI、第一光谱夹角θ1、第二光谱夹角θ2以及光谱夹角之和θ，θ＝θ1+θ2；
所述指示性最优的光谱指数为氮素反射指数NRI；
所述烟草不同生长时期的氮含量监测模型包括烟草旺长期氮含量监测模型和烟草成熟期氮含量监测模型；
所述烟草旺长期的氮含量监测模型为：
Nitrogen＝46.153×(NRI)2-18.016×(NRI)+2.551；
所述氮素反射指数NRI的计算公式为：
其中，Rgreen代表绿波段反射率；Rred代表红波段反射率；
所述烟草成熟期氮含量监测模型为：
Nitrogen＝27.774e-5.807×(NRI)；
所述多光谱传感器为Sequoia多光谱传感器，波长分别为550nm，660nm，735nm和790nm。
2.如权利要求1所述的快速监测烟草氮含量的方法，其特征在于，在无人机飞行前，在烟草种植区均匀布设地面控制点，用于室内影像配准；在起飞前和降落后需拍摄白板，用于辐射校正。
3.如权利要求1所述的快速监测烟草氮含量的方法，其特征在于，采用凯氏定氮法来测得样株烟叶的氮含量。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202011074970.8A CN112504972B (zh) | 2020-10-09 | 2020-10-09 | 一种快速监测烟草氮含量的方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202011074970.8A CN112504972B (zh) | 2020-10-09 | 2020-10-09 | 一种快速监测烟草氮含量的方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN112504972A CN112504972A (zh) | 2021-03-16 |
| CN112504972B true CN112504972B (zh) | 2023-05-12 |
Family
ID=74953883
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202011074970.8A Active CN112504972B (zh) | 2020-10-09 | 2020-10-09 | 一种快速监测烟草氮含量的方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN112504972B (zh) |
Families Citing this family (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN115495703B (zh) * | 2022-11-18 | 2023-04-28 | 杭州领见数字农业科技有限公司 | 一种基于机载多光谱数据的烟草成熟度检测方法及系统 |
Family Cites Families (9)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US6160902A (en) * | 1997-10-10 | 2000-12-12 | Case Corporation | Method for monitoring nitrogen status using a multi-spectral imaging system |
| CN102435564B (zh) * | 2011-09-19 | 2013-09-18 | 南京农业大学 | 一种基于三波段光谱指数估测植物氮含量的方法 |
| CN103293111B (zh) * | 2013-06-07 | 2016-01-13 | 南京农业大学 | 一种土壤背景干扰下小麦叶层氮含量光谱监测模型及建模方法 |
| CN103528965B (zh) * | 2013-08-28 | 2016-03-02 | 南京农业大学 | 一种小麦叶片等效水厚度高光谱监测方法 |
| CN106290197A (zh) * | 2016-09-06 | 2017-01-04 | 西北农林科技大学 | 水稻叶片全氮含量高光谱估测及估测模型构建方法 |
| RU2693255C1 (ru) * | 2018-07-11 | 2019-07-01 | Общество с ограниченной ответственностью "АгроДронГрупп" | Методика дистанционной рекогносцировочной диагностики обеспечения растений азотом (с помощью мультиспектральной камеры и беспилотных летательных аппаратов) |
| CN109187441B (zh) * | 2018-08-27 | 2022-06-10 | 中国水利水电科学研究院 | 基于冠层光谱信息的夏玉米含氮量监测模型的构建方法 |
| CN109187398A (zh) * | 2018-11-08 | 2019-01-11 | 河南省农业科学院植物营养与资源环境研究所 | 一种小麦植株氮含量的高光谱测定方法 |
| CN109580512A (zh) * | 2018-12-10 | 2019-04-05 | 北京航天泰坦科技股份有限公司 | 一种基于光谱和纹理特征的小麦氮素营养监测方法 |
-
2020
- 2020-10-09 CN CN202011074970.8A patent/CN112504972B/zh active Active
Also Published As
| Publication number | Publication date |
|---|---|
| CN112504972A (zh) | 2021-03-16 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Zheng et al. | Improved estimation of rice aboveground biomass combining textural and spectral analysis of UAV imagery | |
| CN110567891B (zh) | 一种冬小麦冠层叶绿素估测系统及方法 | |
| Oppelt et al. | Hyperspectral monitoring of physiological parameters of wheat during a vegetation period using AVIS data | |
| Qi et al. | Monitoring of peanut leaves chlorophyll content based on drone-based multispectral image feature extraction | |
| 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 | |
| CN112287892B (zh) | 基于无人机高光谱和机器学习算法的乔木生物量测算方法 | |
| CN112903600B (zh) | 一种基于固定翼无人机多光谱影像的水稻氮肥推荐方法 | |
| CN110376167A (zh) | 基于无人机高光谱的水稻叶片氮含量监测方法 | |
| AU2020101095A4 (en) | A Satellite Remote Sensing Monitoring Method for the Content of Chlorophyll A in the Canopy of Jujube Trees | |
| CN106290197A (zh) | 水稻叶片全氮含量高光谱估测及估测模型构建方法 | |
| CN111028096A (zh) | 一种天、空、地一体化数据融合的系统和方法 | |
| Jeong et al. | Application of an unmanned aerial system for monitoring paddy productivity using the GRAMI-rice model | |
| Chen et al. | Retrieval of cotton plant water content by UAV-based vegetation supply water index (VSWI) | |
| Awais et al. | Assessment of optimal flying height and timing using high-resolution unmanned aerial vehicle images in precision agriculture | |
| Belwalkar et al. | Evaluation of SIF retrievals from narrow-band and sub-nanometer airborne hyperspectral imagers flown in tandem: Modelling and validation in the context of plant phenotyping | |
| Jiang et al. | Combining fixed-wing UAV multispectral imagery and machine learning to diagnose winter wheat nitrogen status at the farm scale | |
| CN112504972B (zh) | 一种快速监测烟草氮含量的方法 | |
| Zhang et al. | Evaluating maize evapotranspiration using high-resolution UAV-based imagery and FAO-56 dual crop coefficient approach | |
| Li et al. | UAV hyperspectral remote sensing estimation of soybean yield based on physiological and ecological parameter and meteorological factor in China | |
| 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 | |
| CN116628405A (zh) | 一种估算草地植被高度的遥感方法 | |
| CN114140695B (zh) | 一种基于无人机多光谱遥感的茶树氮素诊断及品质指标测定的预测方法和系统 | |
| Liu et al. | Estimating wheat coverage using multispectral images collected by unmanned aerial vehicles and a new sensor | |
| Gitelson | Recent developments in remote estimation of crop biophysical and biochemical properties at various scales | |
| Wang et al. | Forecasting model for nitrogen content of maize canopy during seedling stage in cold region based on imaging spectral technique |
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 |