CN112632796A - 氮含量确定方法、作业方法、装置、电子设备及存储介质 - Google Patents
氮含量确定方法、作业方法、装置、电子设备及存储介质 Download PDFInfo
- Publication number
- CN112632796A CN112632796A CN202011634626.XA CN202011634626A CN112632796A CN 112632796 A CN112632796 A CN 112632796A CN 202011634626 A CN202011634626 A CN 202011634626A CN 112632796 A CN112632796 A CN 112632796A
- Authority
- CN
- China
- Prior art keywords
- remote sensing
- vegetation index
- nitrogen
- target
- sensing image
- 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
- IJGRMHOSHXDMSA-UHFFFAOYSA-N Atomic nitrogen Chemical compound N#N IJGRMHOSHXDMSA-UHFFFAOYSA-N 0.000 title claims abstract description 516
- 229910052757 nitrogen Inorganic materials 0.000 title claims abstract description 257
- 238000000034 method Methods 0.000 title claims abstract description 94
- 239000000618 nitrogen fertilizer Substances 0.000 claims abstract description 19
- 239000013598 vector Substances 0.000 claims description 71
- 238000012360 testing method Methods 0.000 claims description 30
- 238000005070 sampling Methods 0.000 claims description 29
- 239000002689 soil Substances 0.000 claims description 14
- 230000001502 supplementing effect Effects 0.000 claims description 12
- 238000004590 computer program Methods 0.000 claims description 9
- 238000007781 pre-processing Methods 0.000 claims description 6
- 238000003745 diagnosis Methods 0.000 description 13
- 241000209094 Oryza Species 0.000 description 11
- 235000007164 Oryza sativa Nutrition 0.000 description 11
- 238000010586 diagram Methods 0.000 description 11
- 235000009566 rice Nutrition 0.000 description 11
- 238000002310 reflectometry Methods 0.000 description 9
- 230000004720 fertilization Effects 0.000 description 7
- 230000007547 defect Effects 0.000 description 6
- 238000004891 communication Methods 0.000 description 5
- 241000196324 Embryophyta Species 0.000 description 4
- 238000004458 analytical method Methods 0.000 description 4
- 238000012937 correction Methods 0.000 description 4
- 239000011159 matrix material Substances 0.000 description 4
- 235000016709 nutrition Nutrition 0.000 description 4
- 230000035764 nutrition Effects 0.000 description 4
- 238000012545 processing Methods 0.000 description 4
- 238000007789 sealing Methods 0.000 description 4
- 230000008569 process Effects 0.000 description 3
- 230000005855 radiation Effects 0.000 description 3
- 241000209140 Triticum Species 0.000 description 2
- 235000021307 Triticum Nutrition 0.000 description 2
- 238000004364 calculation method Methods 0.000 description 2
- 238000012850 discrimination method Methods 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 230000036541 health Effects 0.000 description 2
- QJGQUHMNIGDVPM-UHFFFAOYSA-N nitrogen(.) Chemical compound [N] QJGQUHMNIGDVPM-UHFFFAOYSA-N 0.000 description 2
- 239000000047 product Substances 0.000 description 2
- 238000011002 quantification Methods 0.000 description 2
- 238000011160 research Methods 0.000 description 2
- 230000009469 supplementation Effects 0.000 description 2
- 230000000007 visual effect Effects 0.000 description 2
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 2
- 240000006394 Sorghum bicolor Species 0.000 description 1
- 235000011684 Sorghum saccharatum Nutrition 0.000 description 1
- 240000008042 Zea mays Species 0.000 description 1
- 235000005824 Zea mays ssp. parviglumis Nutrition 0.000 description 1
- 235000002017 Zea mays subsp mays Nutrition 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000015572 biosynthetic process Effects 0.000 description 1
- 229930002875 chlorophyll Natural products 0.000 description 1
- 235000019804 chlorophyll Nutrition 0.000 description 1
- ATNHDLDRLWWWCB-AENOIHSZSA-M chlorophyll a Chemical compound C1([C@@H](C(=O)OC)C(=O)C2=C3C)=C2N2C3=CC(C(CC)=C3C)=[N+]4C3=CC3=C(C=C)C(C)=C5N3[Mg-2]42[N+]2=C1[C@@H](CCC(=O)OC\C=C(/C)CCC[C@H](C)CCC[C@H](C)CCCC(C)C)[C@H](C)C2=C5 ATNHDLDRLWWWCB-AENOIHSZSA-M 0.000 description 1
- 235000005822 corn Nutrition 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 238000002474 experimental method Methods 0.000 description 1
- 239000003337 fertilizer Substances 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 235000015097 nutrients Nutrition 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 230000001737 promoting effect Effects 0.000 description 1
- 230000011664 signaling Effects 0.000 description 1
- 230000003595 spectral effect Effects 0.000 description 1
- 238000001228 spectrum Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 239000013589 supplement Substances 0.000 description 1
- 208000024891 symptom Diseases 0.000 description 1
- 238000012546 transfer Methods 0.000 description 1
- 238000012800 visualization Methods 0.000 description 1
Images
Classifications
-
- 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
-
- 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
- G06Q10/00—Administration; Management
- G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
- G06Q10/063—Operations research, analysis or management
- G06Q10/0639—Performance analysis of employees; Performance analysis of enterprise or organisation operations
-
- 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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
- G06V20/10—Terrestrial scenes
- G06V20/188—Vegetation
Landscapes
- Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Theoretical Computer Science (AREA)
- Human Resources & Organizations (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Strategic Management (AREA)
- Economics (AREA)
- Entrepreneurship & Innovation (AREA)
- Health & Medical Sciences (AREA)
- Educational Administration (AREA)
- Development Economics (AREA)
- General Business, Economics & Management (AREA)
- Tourism & Hospitality (AREA)
- General Health & Medical Sciences (AREA)
- Marketing (AREA)
- Life Sciences & Earth Sciences (AREA)
- Primary Health Care (AREA)
- Mining & Mineral Resources (AREA)
- Marine Sciences & Fisheries (AREA)
- Computer Hardware Design (AREA)
- Evolutionary Computation (AREA)
- Geometry (AREA)
- General Engineering & Computer Science (AREA)
- Animal Husbandry (AREA)
- Agronomy & Crop Science (AREA)
- Multimedia (AREA)
- Game Theory and Decision Science (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Investigating Or Analysing Materials By Optical Means (AREA)
Abstract
本发明提供一种氮含量确定方法、作业方法、装置、电子设备及存储介质，该方法包括：获取目标种植地的遥感影像；基于预存的遥感影像类型与植被指数的对应关系以及植被指数与氮量确定模型的对应关系，确定目标种植地对应的目标植被指数和目标氮量确定模型；植被指数用于反映农作物不同生长时期的长势；基于遥感影像确定目标植被指数的参数值；根据目标植被指数的参数值和目标氮量确定模型，确定目标种植地的氮含量。本发明在农作物不同生长时期，采用不同的植被指数来反映农作物的长势，不仅能够真实反映不同生长时期农作物的氮量水平，还提高了氮量识别的准确度，为施氮肥作业提供指导意义。
Description
技术领域
本发明涉及农业技术领域，具体而言，涉及一种氮含量确定方法、作业方法、装置、电子设备及存储介质。
背景技术
氮量对水稻长势和产量影响重大，过量的氮量不仅增加种植成本，降低作物对氮的利用效率，同时会污染生态环境和人类健康。我国单一传统的施肥模式严重影响农作物品质和地下水质，变量施肥的提出和推广有利于改善现有问题，而变量施肥的关键在于水稻氮量营养诊断。
目前，氮量诊断方法主要有传统方法和遥感方法，传统氮量诊断方法存在破坏土壤和植物样本、操作繁琐、耗时长、分析结果适时性差，无法量化，不能区分作物失绿原因的唯一性等问题；遥感方法因其精度高，范围广，可定量等优点弥补了传统方法的不足，但针对农作物全生长期仅使用单一指数进行识别，准确度低，无法真实反映农作物真实的氮量信息。
发明内容
有鉴于此，本发明一种氮含量确定方法、作业方法、装置、电子设备及存储介质，用以弥补现有氮量确定方法的中无法真实反映农作物不同生长期的氮量水平的不足，实现高效、迅速、高精度、较低成本的作物氮量识别，为施氮肥作业提供指导意义。
第一方面，本发明提供一种氮含量确定方法，所述方法包括：获取目标种植地的遥感影像；基于预存的遥感影像类型与植被指数的对应关系以及植被指数与氮量确定模型的对应关系，确定所述目标种植地对应的目标植被指数和目标氮量确定模型；所述植被指数用于反映农作物不同生长时期的长势；基于所述遥感影像确定所述目标植被指数的参数值；根据所述目标植被指数的参数值和所述目标氮量确定模型，确定所述目标种植地的氮含量。
第二方面，本发明提供一种作业方法，所述方法包括：获取目标种植地的氮含量；当所述氮含量小于预设氮量阈值，对所述目标种植地执行氮肥补充作业。
第三方面，本发明提供一种氮含量确定装置，包括：获取模块，用于获取目标种植地的遥感影像；确定模块，用于基于预存的遥感影像类型与植被指数的对应关系以及植被指数与氮量确定模型的对应关系，确定所述目标种植地对应的目标植被指数和目标氮量确定模型；所述植被指数用于反映农作物不同生长时期的长势；基于所述遥感影像确定所述目标植被指数的参数值；根据所述目标植被指数的参数值和所述目标氮量确定模型，确定所述目标种植地的氮含量。
第四方面，本发明提供一种作业装置，包括：获取模块，用于获取目标种植地的氮含量；作业模块，用于当所述氮含量小于预设氮量阈值，对所述目标种植地执行氮肥补充作业。
第五方面，本发明提供一种电子设备，包括处理器和存储器，所述存储器存储有能够被所述处理器执行的计算机程序，所述处理器可执行所述计算机程序以实现第一方面所述氮含量确定方法或者实现第二方面所述作业方法。
第六方面，本发明提供一种存储介质，其上存储有计算机程序，所述计算机程序被处理器执行时实现第一方面所述氮含量确定方法或者实现第二方面所述作业方法。
本发明提供一种氮含量确定方法、作业方法、装置、电子设备及存储介质，所述方法包括：获取目标种植地的遥感影像；基于预存的遥感影像类型与植被指数的对应关系以及植被指数与氮量确定模型的对应关系，确定所述目标种植地对应的目标植被指数和目标氮量确定模型；所述植被指数用于反映农作物不同生长时期的长势；基于所述遥感影像确定所述目标植被指数的参数值；根据所述目标植被指数的参数值和所述目标氮量确定模型，确定所述目标种植地的氮含量。与现有技术的区别在于，现有的通过遥感方法定量识别氮含量的方式中，仅仅采用的单一参考指标归一化植被指数来定量识别氮量，可想而知，农作物在不同生长周期的氮量水平不同，在封行前期植被覆盖密度低，氮量水平低，采用单一的归一化植被指数虽然可以识别氮量，但当农作物生长到封行期后，植被覆盖密度高，氮量水平高，此时由于归一化植被指数在植被覆盖密度高的场景中容易出现过饱和的现象，若仍然用归一化植被指数来测量氮含量，显然不能真实反映农作物封行后期的氮量水平，而本发明实施例正是基于这一缺陷，在农作物不同生长时期，采用不同的植被指数来反映农作物的长势，从而基于不同的氮量参数以及该植被指数对应的氮量确定模型，准确的识别出不同生长时期农作物的氮量水平，不仅能够真实反映不同生长时期农作物的氮量水平，还提高了氮量识别的准确度，为施氮肥作业提供指导意义。
附图说明
为了更清楚地说明本发明实施例的技术方案，下面将对实施例中所需要使用的附图作简单地介绍，应当理解，以下附图仅示出了本发明的某些实施例，因此不应被看作是对范围的限定，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他相关的附图。
图1为本发明实施例提供的一种氮含量确定方法的示意性流程图；
图2为本发明实施例提供的步骤S117的实现方式的示意性流程图；
图3为本发明实施例提供的另一种氮量确定方法的示意性流程图之一；
图4为本发明实施例提供的步骤S113的实现方式的示意性流程图；
图5为本发明实施例提供的步骤S114的实现方式的示意性流程图；
图6为本发明实施例提供的步骤S112的实现方式的示意性流程图；
图7为本发明实施例提供的一种拍摄场景示意图；
图8为本发明实施例提供的一种拍摄航线的示意图；
图9为本发明实施例提供的另一种氮量确定方法的示意性流程图之二；
图10为本发明实施例提供的一种作业方法的示意性流程图；
图11为本发明实施例提供的一种氮含量确定装置的功能模块图；
图12为本发明实施例提供的一种作业装置的功能模块图；
图13为本发明实施例提供的电子设备结构框图。
具体实施方式
为使本发明实施例的目的、技术方案和优点更加清楚，下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例是本发明一部分实施例，而不是全部的实施例。通常在此处附图中描述和示出的本发明实施例的组件可以以各种不同的配置来布置和设计。
因此，以下对在附图中提供的本发明的实施例的详细描述并非旨在限制要求保护的本发明的范围，而是仅仅表示本发明的选定实施例。基于本发明中的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
应注意到：相似的标号和字母在下面的附图中表示类似项，因此，一旦某一项在一个附图中被定义，则在随后的附图中不需要对其进行进一步定义和解释。
在本发明的描述中，需要说明的是，若出现术语“上”、“下”、“内”、“外”等指示的方位或位置关系为基于附图所示的方位或位置关系，或者是该发明产品使用时惯常摆放的方位或位置关系，仅是为了便于描述本发明和简化描述，而不是指示或暗示所指的装置或元件必须具有特定的方位、以特定的方位构造和操作，因此不能理解为对本发明的限制。
此外，若出现术语“第一”、“第二”等仅用于区分描述，而不能理解为指示或暗示相对重要性。
需要说明的是，在不冲突的情况下，本发明的实施例中的特征可以相互结合。
在介绍本发明实施例之前，先对本发明实施例中涉及的术语进行解释：
归一化植被指数(NormalizedDifferenceVegetationIndex,简称NDVI)：指得是遥感影像中，近红外波段的反射率与红光波段的反射率之差与近红外波段的反射率与红光波段的反射率之和的比值，可以用于检测植被生长状态、植被覆盖度和消除部分辐射误差等。
比值植被指数(RatioVegetationIndex,简称RVI)：指得是遥感影像中，近红外波段的反射率与红光波段的反射率之比。
封行：农作物长到相互搭连看不见种植行间土面的现象。
氮素主要是促进植物根、茎、叶的个体生长，是形成一定品质产品的首要营养元素，对作物产量的形成和品质有非常大的影响。过量的氮量不仅增加种植成本，降低作物对氮的利用效率，同时会污染生态环境和人类健康，我国单一传统的施肥模式严重影响农作物品质和地下水质，变量施肥的提出和推广有利于改善现有问题，变量施肥的关键在于水稻氮量营养诊断，因而氮量诊断技术的研究非常重要。
当前主要的氮量诊断方法分为两大类——传统方法和遥感方法，传统的氮量诊断方式具体为基于土壤和植物组织的实验室分析、肥料窗口法、症状诊断、叶色卡法、叶绿素计法、多光谱反射数据和激光、高光谱仪诊断等。遥感方法是基于水稻的光谱特性，利用多/高光谱影像，结合植被指数对不同氮水平下作物进行特征分析，通过其光谱或植被指数差异，达到定性或定量氮量营养诊断的目的。
发明人在研究的过程中发现，上述传统氮量诊断方法存在破坏土壤和植物样本、操作繁琐、耗时长、分析结果适时性差，无法量化，不能区分作物失绿原因的唯一性等问题；遥感方法因其精度高，范围广，可定量等优点弥补了传统方法的不足，但现有的遥感方法主要基于归一化植被指数(NDVI)进行氮量诊断，该指数虽然能反映水稻长势和营养信息，但仅适用于低、中密度植被覆盖区，针对农作物全生长期仅使用单一指数进行识别，准确度低，无法真实反映农作物真实的氮量信息。
为了解决上述技术问题，发明人提供了一种氮含量确定方法，该方法主要基于NDVI(适用于中、低植被覆盖密度)和RVI(适用于中、高植被覆盖密度)两种植被指数，实现对水稻、小麦等禾本科农作物全生长期的定量氮量水平识别方法，弥补现有氮量诊断方法的局限和不足，实现高效、迅速、高精度、较低成本的作物氮量识别，进而为变量施肥奠定基础。
下面将结合附图，对本发明实施例提供的氮含量确定方法进行阐述，首先参见图1，图1为本发明实施例提供的一种氮含量确定方法的示意性流程图，该方法可以包括：
S116、获取目标种植地的遥感影像。
在一些可能的实施例中，上述目标种植地可以是种植水稻、小麦、玉米、高粱等禾本科农作物的田块和地块。遥感影像可以是整块田或者地的遥感影像，可以利用搭载有多光谱相机或者高光谱相机的无人机或其它搭载平台获得。
S117、基于预存的遥感影像类型与植被指数的对应关系以及植被指数与氮量确定模型的对应关系，确定目标种植地对应的目标植被指数和目标氮量确定模型。
在一些可能的实施例中，上述的植被指数用于反映农作物不同生长时期的长势，例如，植被指数可以是归一化植被指数和比值植被指数，其中归一化植被指数可以用来反映农作物封行前的长势，比值植被指数可以用来反映农作物封行后的长势。氮量确定模型可以表示氮量和植被指数之间的对应关系，在已知植被指数的情况下，通过该氮量确定模型可以计算出氮含量。
可以理解的是，由于农作物在封行前，植被覆盖密度低，因此可以将适用于中、低植被覆盖密度的归一化植被指数可以来衡量农作物的长势，但农作物在封行后，植被覆盖密度高，若仍然用归一化植被指数衡量衡量农作物的长势，则容易出现过饱和的现象，无法真实反映植被覆盖密度高的农作物氮含量，而发明人通过研究发现比值植被指数更适用于植被覆盖密度中、高的场景中，因此，在农作物封行后期，本发明实施例采用比值植被指数来计算植被覆盖密度高的种植地氮含量，这样一来，采用不同的植被指数可以反映农作物全生长期长势，能够提高氮量识别的准确度。
S118、基于遥感影像确定目标植被指数的参数值。
可以理解的是，当目标植被指数为归一化植被指数，则可以基于获得的遥感影像确定种植地的归一化植被指数；当目标植被指数为比值植被指数，则可以基于获得的遥感影像确定种植地的比值植被指数。
S119、根据目标植被指数的参数值和所述目标氮量确定模型，确定目标种植地的氮含量。
可以理解的是，当目标植被指数为归一化植被指数，则可以将归一化植被指数代入归一化植被指数对应的氮量确定模型中，从而计算出种植地的氮含量，或者，当目标植被指数为比值植被指数，则可以将比值植被指数代入比值植被指数对应的氮量确定模型中，从而计算出种植地的氮含量。
本发明实施例提供的氮含量确定方法，与现有技术的区别在于，现有的通过遥感方法定量识别氮含量的方式中，仅仅采用的单一参考指标归一化植被指数来定量识别氮量，可想而知，农作物在不同生长周期的氮量水平不同，在封行前期植被覆盖密度低，氮量水平低，采用单一的归一化植被指数虽然可以识别氮量，但当农作物生长到封行期后，植被覆盖密度高，氮量水平高，此时由于归一化植被指数在植被覆盖密度高的场景中容易出现过饱和的现象，若仍然用归一化植被指数来测量氮含量，则不能真实反映农作物封行后期的氮量水平，而本发明实施例正是基于这一缺陷，在农作物不同生长时期，采用不同的植被指数来反映农作物的长势，从而基于不同的氮量参数以及该植被指数对应的氮量确定模型，准确的识别出不同生长时期农作物的氮量水平，不仅能够真实反映不同生长时期农作物的氮量水平，还提高了氮量识别的准确度。
可选地，在获得目标种植地的遥感影像之后，可以基于该遥感影像的类型确定用于识别氮含量的目标植被指数，在本发明实施例中，由于农作物在封行前和封行后的植被覆盖密度不同，因此，上述的遥感影像可能是封行前的影像或者是封行后的影像，因此，上述确定目标植被指数的实现方式可以如图2所示，请参见图2，图2为本发明实施例提供的步骤S117的实现方式的示意性流程图，步骤S117可以包括：
S117-1、当遥感影像为第一类遥感影像，基于第一类遥感影像与归一化植被指数的对应关系以及归一化植被指数与第一氮量确定模型的对应关系，确定归一化植被指数为目标植被指数，第一氮量确定模型为目标氮量确定模型。
在一些可能的实施例中，第一类遥感影像表征影像中具有土壤信息，由于封行前，农作物还未长到相互搭连，仍然可以看见种植行间土面，封行前的遥感影像中的农作物种植行具有土壤信息，第一类遥感影像表征影像也可以理解为封行前的遥感影像，因此，此时农作物的植被覆盖度低，植被指数可以为适用于中、低植被覆盖度的归一化植被指数。
可以理解的是，第一氮量确定模型可以为归一化植被指数与氮含量之间的对应关系，当已知目标种植地的归一化植被指数后，可以通过第一氮量确定模型计算出目标种植地的氮含量。
S117-2、当遥感影像为第二类遥感影像，基于第二类遥感影像与比值植被指数的对应关系以及比值植被指数与第二素确定模型的对应关系，确定比值植被指数为目标植被指数，第二氮量确定模型为目标氮量确定模型。
在一些可能的实施例中，第二类遥感影像表征遥感影像中的农作物种植行不具有土壤信息，也可以理解为封行后的遥感影像，由于封行后农作物长到相互搭连，此时看不见种植行间土面，因此封行后的遥感影像中的农作物种植行不具有土壤信息，此时农作物的植被覆盖度高，因此植被指数可以为适用于高植被覆盖度的比值植被指数。
可以理解的是，第二氮量确定模型可以为比值植被指数与氮含量之间的对应关系，当已知目标种植地的比值植被指数后，可以通过第二氮量确定模型计算出目标种植地的氮含量。
可选地，为了提高氮量识别的准确度，本发明实施例提供的一种建立上述第一氮量确定模型和第二氮量确定模型的实现方式，请参见图3，图3为本发明实施例提供的另一种氮量确定方法的示意性流程图之一，该方法还包括：
S111、确定目标种植地对应的试验地块。
在一些可能的实施例中，目标种植地的种植面积较大，如果用整个目标种植地的氮量观测量和植被指数观测量来建立模型，耗时大，成本高，因此，可以在目标种植地内确定一个采样区域，然后利用该采样区域的氮量观测量和植被指数观测量来建立模型，例如，在一种实现方式中，假设目标种植地为100亩，则可以将其中任何1亩的种植区域作为试验地块。
S112、获取试验地块对应的多张第一类遥感影像和多张第二类遥感影像。
在一种可能的实施例中，可以利用无人机或其它搭载平台挂载多/高光谱相机对试验地块进行遥感影像采集，每次采集的时间间隔可以为每3～5天，每次可以采集多张遥感影像，每张第一类遥感影像或者第二类遥感影像均是通过对一次采集的多张遥感影像进行辐射校正、几何校正、影像配准、影像镶嵌、去除无效值等预处理操作获得的一张遥感影像。
可以理解的是，经过预处理后的一张遥感影像可以通过植被范围覆盖法或者目视判别法确定其为第一类遥感影像还是第二类遥感影像。
可以理解的是，全部第一类遥感影像之间具有时序顺序，全部第二类遥感影像之间也具有时序顺序。
S113、基于多张第一类遥感影像确定试验地块对应的第一氮量观测向量集和归一化植被指数向量集。
在一些可能的实施例中，第一氮量观测向量集可以形如Y1＝{y1,y2,…yi,…yn},其中，Y1表示第一氮量观测向量集，第一氮量观测向量集中的每个元素具有时序顺序；yi表示第i个氮量观测向量，n为第一类遥感影像的数量，对于yi,其可以形如yi＝{y1i,y2i,…yri},其中，r为采样像元的个数，可以理解的是，由于第一类遥感影像尺寸较大，为了降低计算复杂度，提高效率，可以在每张第一类遥感影像中确定多个采样像元，yri可以表示第i张第一类遥感影像的第r个采样像元对应的氮量观测值。
在一些可能的实施例中，归一化植被指数向量集可以形如X1＝{x1,x2,…xi,…xn},其中，X1表示第一氮量观测向量集，xi表示第i个NVDI观测向量，n为第一类遥感影像的数量，对于xi,其可以形如xi＝{x1i，x2i，…xri}，其中，r为采样像元的个数，xri可以表示第i张第一类遥感影像之前的全部第一类遥感影像包含第i张遥感影像的第r个采样像元对应的NVDI大于0的全部NVDI的累加值。
S114、基于多张第二类遥感影像，确定试验地块对应的第二氮量观测向量集和比值植被指数向量集。
可以理解的是，第二氮量观测向量集可以形如Y2＝{y1，y2，…yj，…ym}，实现方式与第一氮量观测向量集的实现方式类似，此处不再赘述，比值植被指数向量集可以形如X2＝{x1，x2，…xj，…xm}，其实现方式与归一化植被指数向量集的实现方式类似，区别在于，比值植被指数向量集中包含的每个元素对应的向量中的子元素可以表示RVI大于1的全部RVI的累加值。
氮量S115、根据第一氮量观测向量集和归一化植被指数向量集建立第一氮量确定模型，根据第二氮量观测向量集以及比值植被指数向量集建立第二氮量确定模型。
在一些可能的实施例中，根据第一氮量观测向量集Y1＝{y1，y2，…yi，…yn}与归一化植被指数向量集X1＝{x1，x2，…xi，…xn}可以建立第一氮量确定模型，第一氮量确定模型可以形如Yi＝aXi+b；可以理解的是，第一氮量确定模型可以用来测量农作物封行前的氮量水平，其中，Yi为水稻封行前的氮含量，Xi为水稻封行前累积归一化植被指数∑NDVI；a、b为第一氮量确定模型的回归系数。
在一些可能的实施例中，根据第二氮量观测向量集Y2＝{y1，y2，…yj，…ym}，与比值植被指数X2＝{x1，x2，…xj，…xm}可以建立第二氮量确定模型，第二氮量确定模型可以形如Yj＝cXj+d；可以理解的是，第二氮量确定模型可以用来测量农作物封行后的氮量水平，其中，Yj为水稻封行后的氮含量，Xj为水稻封行后累积比值植被指数∑RVI；c、d为第二氮量确定模型的回归系数。
可选地，为了获得归一化植被指数向量集和比值植被指数向量集，下面给出一种可能的实现方式，参见图4和图5，图4为本发明实施例提供的步骤S113的实现方式的示意性流程图，图5为本发明实施例提供的步骤S114的实现方式的示意性流程图，其中步骤S113和步骤S114可以包括以下步骤：
S113-1、计算每张第一类遥感影像在多个采样像元处的归一化植被指数；
在一些可能的实施例中，对于每张第一类遥感影像，分别计算该影像中每个采样像元的归一化植被指数(NDVI)，归一化植被指数的计算公式如下：
其中，RNIR为近红外光特征波长处的植被反射率，RRed为红光特征波长处植被的反射率。
可以理解的是，对于全部第一类遥感影像，它们可以选择相同位置处的像元为采样像元，例如，每张第一类遥感影像对应的像元矩阵的第一个像元为采样像元；在另一些可能的实施例中，每张第一类遥感影像的采样像元的位置也可以不相同，例如，第1张第一类遥感影像的像元矩阵的第一个像元为采样像元，第2张第一类遥感影像的像元矩阵的最后一个像元为采样像元，此处作限定。
S113-2、对于第n张第一类遥感影像，将全部n张第一类遥感影像在相同采样像元处的大于第一阈值的归一化植被指数累加，获得多个归一化植被指数向量；n大于或等于1且小于或等于N，其中，N为大于1的整数，N的值可以根据实际需要或实验获得，在此不进行限制。
可以理解的是，上述第一阈值可以为0，NDVI＞0表征该像元对应的位置有植被覆盖。
例如，假设有10张第一类遥感影像，这10张第一类遥感影像的像元矩阵的第1个像元为均为采样像元，这10张第一类遥感影像之间依据拍摄时间的顺序具有时序顺序，那么对于第4张第一类遥感影像，可以将第1张至第4张全部第一类遥感影像在第一像元处的大于0的NDVI累加，获得第1个采样像元处对应的NDVI累加值，全部采样像元处的NDVI累加值组成第4张第一类遥感影像的NDVI观测向量。
S113-3、将全部第一类遥感影像对应的多个归一化植被指数向量组成归一化植被指数向量集。
S114-1、计算每张第二类遥感影像在多个采样像元处的比值植被指数。
在一些可能的实施例中，对于每张第二类遥感影像，分别计算该影像中每个采样像元的比值植被指数(RVI)，比值植被指数的计算公式如下：
其中，RNIR为近红外光特征波长处的植被反射率，RRed为红光特征波长处植被的反射率。
S114-2、对于第m张第二类遥感影像，将全部m张第二类遥感影像在相同采样像元处的大于第二阈值的比值植被指数累加，获得多个比值植被指数向量；m大于或等于1且小于或等于M。
S114-3、将全部第二类遥感影像对应的多个比值植被指数向量组成比值植被指数向量集。
可以理解的是，上述第二阈值可以为1，RVI＞1表征该像元对应的位置有植被覆盖，获得比值植被指数向量集的实现方式与获得归一化植被指数向量集的方式类似，此处不再赘述。
可选地，在建立第一氮量确定模型和第二氮量确定模型的过程中，需要采集试验地块的遥感影像，进而根据采集的遥感影像获得氮量观测向量和植被指数，因此，为了准确获得试验地块的遥感影像观测样本，下面给出一种可能的实现方式，参见图6，图6为本发明实施例提供的步骤S112的实现方式的示意性流程图，步骤S112可以包括：
S112-1、根据预设拍摄周期对试验地块进行拍摄，获得每个拍摄周期内拍摄的多张待处理遥感影像。
在一些可能的实施例中，预设拍摄周期可以是3～5天，即每间隔3～5天，通过利用无人机或其它搭载平台挂载多/高光谱相机，每3～5天对试验地块进行拍摄，获得多张待处理遥感影像，相机可以从垂直于试验地块的正上方拍摄且影像能完全覆盖实验田块。如图7所示，图7为本发明实施例提供的一种拍摄场景示意图。
在一种可能的实现方式，为了保证拍摄的遥感影像的质量，在每个预设拍摄周期，可以根据预先规划的拍摄航线在目标种植地的预设高度范围内(例如50米)匀速拍摄，获得多张待处理遥感影像。预设的拍摄航线可以如图8所示，图8为本发明实施例提供的一种拍摄航线的示意图，预设拍摄航线可以预先存储在搭载平台的存储器中。
S112-2、对每个拍摄周期内的多张待处理遥感影像进行预处理，获得第一类遥感影像或者第二类遥感影像。
在一些可能的实施例中，对于每个拍摄周期拍摄的多张待处理遥感影像，可以利用遥感图像处理平台(TheEnvironmentforVisualizingImages，简称ENVI)或其他图像处理软件对拍摄得到的遥感影像进行辐射校正、几何校正、影像配准、影像镶嵌、去除无效值等预处理操作，得到试验地块不同波段的反射率遥感影像。预处理后的遥感影像为第一类遥感影像或者为第二类遥感影像。例如，在一次拍摄过程中，可以获得100张待处理遥感影像，通过对这100张遥感影像进行预处理，最终获得一张遥感影像，可以通过植被覆盖法或者目视判别法确定这张遥感影像是第一类遥感影像还是第二类遥感影像。
可选地，在确定目标种植地的氮量水平之后，还可以基于氮量的情况，控制无人机自动进行氮肥补充作业，下面给出一种可能的实现方式，参见图9，图9为本发明实施例提供的另一种氮量确定方法的示意性流程图之二，该方法还可以包括：
S120、当氮含量小于预设氮含量阈值，对目标种植地执行氮肥补充作业。
可以理解的是，预设氮含量阈值可以是按照农作为种植标准确定的氮含量经验值，当氮含量小于预设氮含量阈值，说明该目标种植地氮含量水平没有达到标准需求，因此，可以对该目标种植地执行氮肥补充作业，同理，当氮含量大于或等于预设氮含量阈值，则无需为目标种植地补充氮肥，从而可以防止农作物出现氮量过多或缺乏导致的产量不达标的问题。
基于上述实施例给出的氮量确定方法，本发明还提供一种作业方法，参见图10，图10为本发明实施例提供的一种作业方法的示意性流程图，包括：
S211、获取目标种植地的氮含量。
S212、当氮含量小于预设氮量阈值，对目标种植地执行氮肥补充作业。
在一些可能的实施例中，可以根据上述实施例中的氮量确定方法来获得目标种植地的氮含量，预设氮含量阈值可以是按照农作为种植标准确定的氮含量经验值，当氮含量小于预设氮含量阈值，说明该目标种植地氮含量水平没有达到标准需求，因此，可以对该目标种植地执行氮肥补充作业，同理，当氮含量大于或等于预设氮含量阈值，则可以无需为目标种植地补充氮肥，从而可以防止农作物出现氮量过多或缺乏导致的产量不达标的问题。
此外，为对目标种植地进行精准作业，在一些可能的实施例中，可以将目标种植地划分为多个网格区域，并通过发明上述任一实施例提供的氮含量确定方法确定各个网格区域中的氮含量，以可以进一步形成目标种植地的氮含量处方图。这么一来，在获得目标种植地的氮含量处方图后，可以针对性地对所述目标种植地中氮含量小于预设氮含量阈值的区域执行氮肥补充作业，同时避免对所述目标种植地中氮含量大于或等于预设氮含量阈值的区域执行氮肥补充作业。
上述中，执行氮肥补充作业的执行主体可以是无人机，但不限于此。
与前述任一实施例中的氮含量确定方法的实施例对应，本发明实施例还给出一种氮含量确定装置的实现方式，参见图11，图11为本发明实施例提供的一种氮含量确定装置的功能模块图，其中，氮含量确定装置30包括：获取模块301、确定模块302。
获取模块301，用于获取目标种植地的遥感影像。
确定模块302，用于基于预存的遥感影像类型与植被指数的对应关系以及植被指数与氮量确定模型的对应关系，确定目标种植地对应的目标植被指数和目标氮量确定模型；植被指数用于反映农作物不同生长时期的长势；基于遥感影像确定目标植被指数的参数值；根据目标植被指数的参数值和目标氮量确定模型，确定目标种植地的氮含量。
可以理解的是，获取模块301、确定模块302可以协同执行步骤S116至S119以实现相应的技术效果。
可选地，氮含量确定装置30还可以包括作业模块，作业模块用于当氮含量小于预设氮含量阈值，对目标种植地执行氮肥补充作业。
可选地，确定模块302，具体用于：当遥感影像为第一类遥感影像，基于第一类遥感影像与归一化植被指数的对应关系以及归一化植被指数与第一氮量确定模型的对应关系，确定归一化植被指数为目标植被指数，第一氮量确定模型为目标氮量确定模型；其中，第一类遥感影像表征遥感影像中的农作物种植行具有土壤信息；当遥感影像为第二类遥感影像，基于第二类遥感影像与比值植被指数的对应关系以及比值植被指数与第二素确定模型的对应关系，确定比值植被指数为目标植被指数，第二氮量确定模型为目标氮量确定模型；其中，第二类遥感影像表征遥感影像中的农作物种植行不具有土壤信息。
可选地，氮含量确定装置30还可以包括建立模块，确定模块302，还用于：确定目标种植地对应的试验地块；获取模块301，还用于获取试验地块对应的多张第一类遥感影像和多张第二类遥感影像；确定模块302，还用于：基于多张第一类遥感影像确定试验地块对应的第一氮量观测向量集和归一化植被指数向量集；其中，归一化植被指数向量集中包含每张第一类遥感影像对应的归一化植被指数累加值；基于多张第二类遥感影像，确定试验地块对应的氮量第二氮量观测向量集和比值植被指数向量集；其中，比值植被指数向量集中包含每张第二类遥感影像对应的比值植被指数累加值；建立模块用于根据第一氮量观测向量集和归一化植被指数向量集建立第一氮量确定模型，根据氮量第二氮量观测向量集以及比值植被指数向量集建立第二氮量确定模型。
可选地，第一类遥感影像为N张；N大于1；确定模块302，还具体用于：计算每张第一类遥感影像在多个采样像元处的归一化植被指数；对于第n张第一类遥感影像，将全部n张第一类遥感影像在相同采样像元处的大于第一阈值的归一化植被指数累加，获得多个归一化植被指数向量；n大于或等于1且小于或等于N；将全部第一类遥感影像对应的多个归一化植被指数向量组成归一化植被指数向量集；第一类遥感影像为M张；M大于1；确定模块302，还具体用于：计算每张第二类遥感影像在多个采样像元处的归一化植被指数；对于第m张第二类遥感影像，将全部m张第二类遥感影像在相同采样像元处的大于第二阈值的比值植被指数累加，获得多个比值植被指数向量；m大于或等于1且小于或等于M；将全部第二类遥感影像对应的多个比值植被指数向量组成比值植被指数向量集。
可选地，获取模块301，还具体用于：根据预设拍摄周期对试验地块进行拍摄，获得每个拍摄周期内拍摄的多张待处理遥感影像；对每个拍摄周期内的多张待处理遥感影像进行预处理，获得第一类遥感影像或者第二类遥感影像。
可选地，获取模块301，还具体用于：在每个预设拍摄周期，根据预先规划的拍摄航线在试验地块的预设高度范围内匀速拍摄，获得多张待处理遥感影像。
为了实现上述步骤S211至步骤S212，下面给出一种作业装置的实现方式，参见图12，图12为本发明实施例提供的一种作业装置的功能模块图，其中，作业装置40包括：获取模块401、作业模块402。
获取模块401，用于获取模块获取目标种植地的氮含量。
作业模块402，用于当氮含量小于预设氮量阈值，对目标种植地执行氮肥补充作业。氮含量可以根据前述任一实施例中的氮含量确定方法获得。
可以理解的是，获取模块401、作业模块402可以协同执行步骤S211至S212以实现相应的技术效果。
本发明实施例还提供一种电子设备，如图13，图13为本发明实施例提供的电子设备结构框图。需要说明的是，该电子设备可以是搭载有多光谱相机或者高光谱相机的无人设备或其它搭载平台，该电子设备60包括通信接口601、处理器602和存储器603。该处理器602、存储器603和通信接口601相互之间直接或间接地电性连接，以实现数据的传输或交互。例如，这些元件相互之间可通过一条或多条通讯总线或信号线实现电性连接。存储器603可用于存储软件程序及模块，如本发明实施例所提供的氮含量确定方法或者作业方法。对应的程序指令/模块，处理器602通过执行存储在存储器603内的软件程序及模块，从而执行各种功能应用以及数据处理。该通信接口601可用于与其他节点设备进行信令或数据的通信。在本发明中该电子设备60可以具有多个通信接口601。
其中，存储器603可以是但不限于，随机存取存储器(RandomAccessMemory，RAM)，只读存储器(ReadOnlyMemory，ROM)，可编程只读存储器(ProgrammableRead-OnlyMemory，PROM)，可擦除只读存储器(ErasableProgrammableRead-OnlyMemory，EPROM)，电可擦除只读存储器(ElectricErasableProgrammableRead-OnlyMemory，EEPROM)等。
处理器602可以是一种集成电路芯片，具有信号处理能力。该处理器可以是通用处理器，包括中央处理器(CentralProcessingUnit，CPU)、网络处理器(NetworkProcessor，NP)等；还可以是数字信号处理器(DigitalSignalProcessing，DSP)、专用集成电路(ApplicationSpecificIntegratedCircuit，ASIC)、现场可编程门阵列(Field－ProgrammableGateArray，FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等。
本发明实施例提供一种存储介质，其上存储有计算机程序，该计算机程序被处理器执行时实现如前述任一实施方式中氮含量确定方法或者作业方法。该计算机可读存储介质可以是，但不限于，U盘、移动硬盘、ROM、RAM、PROM、EPROM、EEPROM、磁碟或者光盘等各种可以存储程序代码的介质。
以上所述，仅为本发明的具体实施方式，但本发明的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本发明揭露的技术范围内，可轻易想到的变化或替换，都应涵盖在本发明的保护范围之内。因此，本发明的保护范围应以所述权利要求的保护范围为准。
Claims (12)
1.一种氮含量确定方法，其特征在于，所述方法包括：
获取目标种植地的遥感影像；
基于预存的遥感影像类型与植被指数的对应关系以及植被指数与氮量确定模型的对应关系，确定所述目标种植地对应的目标植被指数和目标氮量确定模型；所述植被指数用于反映农作物不同生长时期的长势；
基于所述遥感影像确定所述目标植被指数的参数值；
根据所述目标植被指数的参数值和所述目标氮量确定模型，确定所述目标种植地的氮含量。
2.根据权利要求1所述的氮含量确定方法，其特征在于，还包括：
当所述氮含量小于预设氮含量阈值，对所述目标种植地执行氮肥补充作业。
3.根据权利要求1所述的氮含量确定方法，其特征在于，基于遥感影像的类型与植被指数的对应关系、植被指数与氮量确定模型的对应关系，确定所述目标种植地对应的目标植被指数和目标氮量确定模型，包括：
当所述遥感影像为第一类遥感影像，基于第一类遥感影像与归一化植被指数的对应关系以及归一化植被指数与第一氮量确定模型的对应关系，确定归一化植被指数为目标植被指数，第一氮量确定模型为目标氮量确定模型；其中，所述第一类遥感影像表征遥感影像中的农作物种植行具有土壤信息；
当所述遥感影像为第二类遥感影像，基于第二类遥感影像与比值植被指数的对应关系以及比值植被指数与第二素确定模型的对应关系，确定比值植被指数为目标植被指数，第二氮量确定模型为目标氮量确定模型；其中，所述第二类遥感影像表征遥感影像中的农作物种植行不具有土壤信息。
4.根据权利要求3所述的氮含量确定方法，其特征在于，在获取目标种植地的遥感影像之前，还包括：
确定所述目标种植地对应的试验地块；
获取所述试验地块对应的多张所述第一类遥感影像和多张所述第二类遥感影像；
基于多张所述第一类遥感影像确定所述试验地块对应的第一氮量观测向量集和归一化植被指数向量集；其中，所述归一化植被指数向量集中包含每张所述第一类遥感影像对应的归一化植被指数累加值；
基于多张所述第二类遥感影像，确定所述试验地块对应的氮量第二氮量观测向量集和比值植被指数向量集；其中，所述比值植被指数向量集中包含每张所述第二类遥感影像对应的比值植被指数累加值；
根据所述第一氮量观测向量集和所述归一化植被指数向量集建立所述第一氮量确定模型，根据所述氮量第二氮量观测向量集以及所述比值植被指数向量集建立所述第二氮量确定模型。
5.根据权利要求4所述的氮含量确定方法，其特征在于，所述第一类遥感影像为N张；N大于1；基于多张所述第一类遥感影像确定所述试验地块对应的第一氮量观测向量集和归一化植被指数向量集，包括：
计算每张所述第一类遥感影像在多个采样像元处的归一化植被指数；
对于第n张第一类遥感影像，将全部n张所述第一类遥感影像在相同采样像元处的大于第一阈值的归一化植被指数累加，获得多个归一化植被指数向量；n大于或等于1且小于或等于N；
将全部所述第一类遥感影像对应的多个归一化植被指数向量组成所述归一化植被指数向量集；
所述第一类遥感影像为M张；M大于1；基于所述多张所述第二类遥感影像，确定所述试验地块对应的第二氮量观测向量集和比值植被指数向量集，包括：
计算每张所述第二类遥感影像在多个采样像元处的归一化植被指数；
对于第m张所述第二类遥感影像，将全部m张所述第二类遥感影像在相同采样像元处的大于第二阈值的比值植被指数累加，获得多个比值植被指数向量；m大于或等于1且小于或等于M；
将全部所述第二类遥感影像对应的多个比值植被指数向量组成所述比值植被指数向量集。
6.根据权利要求4所述的氮含量确定方法，其特征在于，获取所述试验地块对应的所述第一类遥感影像和所述第二类遥感影像，包括：
根据预设拍摄周期对所述试验地块进行拍摄，获得每个拍摄周期内拍摄的多张待处理遥感影像；
对每个所述拍摄周期内的所述多张待处理遥感影像进行预处理，获得所述第一类遥感影像或者所述第二类遥感影像。
7.根据权利要求6所述的氮含量确定方法，其特征在于，根据预设拍摄周期对所述试验地块进行拍摄，获得每个拍摄周期内拍摄的多张待处理遥感影像，包括：
在每个所述预设拍摄周期，根据预先规划的拍摄航线在所述试验地块的预设高度范围内匀速拍摄，获得所述多张待处理遥感影像。
8.一种作业方法，其特征在于，所述方法包括：
获取目标种植地的氮含量；
当所述氮含量小于预设氮量阈值，对所述目标种植地执行氮肥补充作业；所述氮含量是根据权利要求1-7任意一项权利要求所述的氮含量确定方法获得。
9.一种氮含量确定装置，其特征在于，包括：
获取模块，用于获取目标种植地的遥感影像；
确定模块，用于基于预存的遥感影像类型与植被指数的对应关系以及植被指数与氮量确定模型的对应关系，确定所述目标种植地对应的目标植被指数和目标氮量确定模型；所述植被指数用于反映农作物不同生长时期的长势；基于所述遥感影像确定所述目标植被指数的参数值；根据所述目标植被指数的参数值和所述目标氮量确定模型，确定所述目标种植地的氮含量。
10.一种作业装置，其特征在于，包括：
获取模块，用于获取模块获取目标种植地的氮含量；
作业模块，用于当所述氮含量小于预设氮量阈值，对所述目标种植地执行氮肥补充作业；所述氮含量是根据权利要求1-7任意一项权利要求所述的氮含量确定方法获得。
11.一种电子设备，其特征在于，包括处理器和存储器，所述存储器存储有能够被所述处理器执行的计算机程序，所述处理器可执行所述计算机程序以实现权利要求1-7任意任一项所述的氮含量确定方法或者实现权利要求8所述的作业方法。
12.一种存储介质，其上存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现权利要求1-7任意任一项所述的氮含量确定方法或者实现权利要求8所述的作业方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202011634626.XA CN112632796A (zh) | 2020-12-31 | 2020-12-31 | 氮含量确定方法、作业方法、装置、电子设备及存储介质 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202011634626.XA CN112632796A (zh) | 2020-12-31 | 2020-12-31 | 氮含量确定方法、作业方法、装置、电子设备及存储介质 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN112632796A true CN112632796A (zh) | 2021-04-09 |
Family
ID=75290373
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202011634626.XA Pending CN112632796A (zh) | 2020-12-31 | 2020-12-31 | 氮含量确定方法、作业方法、装置、电子设备及存储介质 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN112632796A (zh) |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN116297243A (zh) * | 2023-02-28 | 2023-06-23 | 北京市农林科学院信息技术研究中心 | 烤烟氮肥追施量估计方法、装置、电子设备及存储介质 |
| CN117035471A (zh) * | 2023-10-10 | 2023-11-10 | 中科领讯(北京)科技有限公司 | 一种基于多植被指数图像的施肥决策方法及系统 |
Citations (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN102156128A (zh) * | 2010-04-17 | 2011-08-17 | 江苏省农业科学院 | 一种冬小麦籽粒蛋白质含量遥感监测预报方法 |
| CN102175618A (zh) * | 2011-01-31 | 2011-09-07 | 南京农业大学 | 一种稻麦叶片氮含量光谱监测模型建模方法 |
| CN106501816A (zh) * | 2016-10-31 | 2017-03-15 | 塔里木大学 | 一种枣树冠层氮含量的卫星遥感监测方法 |
| CN106650604A (zh) * | 2016-10-21 | 2017-05-10 | 河北工程大学 | 一种基于植被指数思想的地物信息遥感提取方法 |
| CN108169141A (zh) * | 2017-11-28 | 2018-06-15 | 华南农业大学 | 一种基于高光谱图像的茶树lai及氮含量估算方法 |
| CN109902567A (zh) * | 2019-01-22 | 2019-06-18 | 深圳大学 | 一种快速评估植被健康状况的数据处理方法及系统 |
| CN110634077A (zh) * | 2019-07-29 | 2019-12-31 | 中国地质大学（武汉） | 一种基于混合植被指数计算植被指数的方法 |
| CN111582554A (zh) * | 2020-04-17 | 2020-08-25 | 北京农业信息技术研究中心 | 一种农作物长势预测方法及系统 |
-
2020
- 2020-12-31 CN CN202011634626.XA patent/CN112632796A/zh active Pending
Patent Citations (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN102156128A (zh) * | 2010-04-17 | 2011-08-17 | 江苏省农业科学院 | 一种冬小麦籽粒蛋白质含量遥感监测预报方法 |
| CN102175618A (zh) * | 2011-01-31 | 2011-09-07 | 南京农业大学 | 一种稻麦叶片氮含量光谱监测模型建模方法 |
| CN106650604A (zh) * | 2016-10-21 | 2017-05-10 | 河北工程大学 | 一种基于植被指数思想的地物信息遥感提取方法 |
| CN106501816A (zh) * | 2016-10-31 | 2017-03-15 | 塔里木大学 | 一种枣树冠层氮含量的卫星遥感监测方法 |
| CN108169141A (zh) * | 2017-11-28 | 2018-06-15 | 华南农业大学 | 一种基于高光谱图像的茶树lai及氮含量估算方法 |
| CN109902567A (zh) * | 2019-01-22 | 2019-06-18 | 深圳大学 | 一种快速评估植被健康状况的数据处理方法及系统 |
| CN110634077A (zh) * | 2019-07-29 | 2019-12-31 | 中国地质大学（武汉） | 一种基于混合植被指数计算植被指数的方法 |
| CN111582554A (zh) * | 2020-04-17 | 2020-08-25 | 北京农业信息技术研究中心 | 一种农作物长势预测方法及系统 |
Non-Patent Citations (4)
| Title |
|---|
| 吴黎编著: "《MODIS遥感信息处理方法及应用》", 30 June 2017 * |
| 尚艳等: "关中地区小麦冠层光谱与氮素的定量关系", 《西北农林科技大学学报(自然科学版)》 * |
| 邱政超: "基于遥感影像的黑土区农田精准管理分区研究", 《中国优秀博硕士学位论文全文数据库(硕士)基础科学辑》 * |
| 高中灵等: "基于时间序列NDVI相似性分析的棉花估产", 《农业工程学报》 * |
Cited By (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN116297243A (zh) * | 2023-02-28 | 2023-06-23 | 北京市农林科学院信息技术研究中心 | 烤烟氮肥追施量估计方法、装置、电子设备及存储介质 |
| CN116297243B (zh) * | 2023-02-28 | 2024-02-02 | 北京市农林科学院信息技术研究中心 | 烤烟氮肥追施量估计方法、装置、电子设备及存储介质 |
| CN117035471A (zh) * | 2023-10-10 | 2023-11-10 | 中科领讯(北京)科技有限公司 | 一种基于多植被指数图像的施肥决策方法及系统 |
| CN117035471B (zh) * | 2023-10-10 | 2023-12-22 | 中科领讯(北京)科技有限公司 | 一种基于多植被指数图像的施肥决策方法及系统 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Zheng et al. | Improved estimation of rice aboveground biomass combining textural and spectral analysis of UAV imagery | |
| Yue et al. | Estimate of winter-wheat above-ground biomass based on UAV ultrahigh-ground-resolution image textures and vegetation indices | |
| Ali et al. | Crop yield prediction using multi sensors remote sensing | |
| CN110796001B (zh) | 一种卫星影像覆膜农田识别与提取方法及系统 | |
| Devia et al. | High-throughput biomass estimation in rice crops using UAV multispectral imagery | |
| Guo et al. | Integrating spectral and textural information for identifying the tasseling date of summer maize using UAV based RGB images | |
| Zaman et al. | Estimation of wild blueberry fruit yield using digital color photography | |
| CN111209871B (zh) | 一种基于光学卫星影像的油菜种植地块遥感自动识别方法 | |
| CN114740180A (zh) | 基于多源遥感数据的土壤有机碳估算方法及装置 | |
| CN114821362A (zh) | 一种基于多源数据的水稻种植面积提取方法 | |
| Qiao et al. | Estimating maize LAI by exploring deep features of vegetation index map from UAV multispectral images | |
| Warren et al. | Agricultural applications of high-resolution digital multispectral imagery | |
| KR20200020209A (ko) | 포장 단위별 다분광 영상 히스토그램 패턴 분석을 통한 작물 생육 모니터링 장치 | |
| Bai et al. | A fast and robust method for plant count in sunflower and maize at different seedling stages using high-resolution UAV RGB imagery | |
| CN112632796A (zh) | 氮含量确定方法、作业方法、装置、电子设备及存储介质 | |
| CN112836725A (zh) | 基于时序遥感数据的弱监督lstm循环神经网络稻田识别方法 | |
| 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 | |
| CN113223040A (zh) | 基于遥感的香蕉估产方法、装置、电子设备和存储介质 | |
| CN115060202A (zh) | 一种基于无人机机载多光谱仪的绿潮藻面积监测方法 | |
| CN114821360A (zh) | 作物叶面积指数智能化提取方法、装置及电子设备 | |
| Liu et al. | Maize height estimation using combined unmanned aerial vehicle oblique photography and LIDAR canopy dynamic characteristics | |
| Wang et al. | Improved estimation of SPAD values in walnut leaves by combining spectral, texture, and structural information from UAV-based multispectral image | |
| Liu et al. | Rice leaf chlorophyll content estimation with different crop coverages based on Sentinel-2 | |
| Niu et al. | Estimating maize plant height using a crop surface model constructed from UAV RGB images | |
| CN114663761A (zh) | 作物长势确定方法、装置、设备和存储介质 |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| PB01 | Publication | ||
| PB01 | Publication | ||
| CB02 | Change of applicant information |
Address after: 510000 Block C, 115 Gaopu Road, Tianhe District, Guangzhou City, Guangdong Province Applicant after: XAG Co., Ltd. Address before: 510000 Block C, 115 Gaopu Road, Tianhe District, Guangzhou City, Guangdong Province Applicant before: Guangzhou Xaircraft Technology Co.,Ltd. |
|
| CB02 | Change of applicant information | ||
| 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: 20210409 |