CN112763427A - 一种耦合遥感氮素信息的作物生长与施肥诊断模拟方法 - Google Patents
一种耦合遥感氮素信息的作物生长与施肥诊断模拟方法 Download PDFInfo
- Publication number
- CN112763427A CN112763427A CN202011548958.6A CN202011548958A CN112763427A CN 112763427 A CN112763427 A CN 112763427A CN 202011548958 A CN202011548958 A CN 202011548958A CN 112763427 A CN112763427 A CN 112763427A
- Authority
- CN
- China
- Prior art keywords
- nitrogen
- crop
- model
- nitrogen content
- leaf
- 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.)
- Granted
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
- 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
- G01N2021/1793—Remote sensing
- G01N2021/1797—Remote sensing in landscape, e.g. crops
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)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明属于遥感农业监测技术领域,涉及耦合遥感氮素信息的作物生长与施肥诊断模拟方法。首先要先构建作物生育期内冠层氮含量的时序平滑曲线,而后采用Savitzky‑Golay滤波器对时序曲线进行滤波平滑;基于氮素垂直分布模型,再将遥感反演的冠层氮素总量降尺度至叶片氮含量;耦合叶片氮含量至叶片光合作用机理模型,在作物模型中,光合生产力模拟模块大多采用Farquhar光合作用机理模型;计算得出当前作物生长条件下临界氮素含量,进而利用式2计算氮素营养指数:本方法提出了遥感冠层氮含量与光合作用模型的耦合途径,从而在模型中体现了土壤原始肥力与农户施肥对作物生长的实际效用,避免了上述数据在区域尺度获取困难的计算瓶颈,提高了模型精度,应用环境友好。
Description
技术领域:
本发明属于遥感农业监测技术领域,具体涉及一种耦合遥感氮素信息的作物生长与施肥诊断模拟方法。
背景技术:
氮素是影响作物光合作用和生产力的重要元素。氮素含量控制着作物体内光合有关蛋白和叶绿素的数量。氮素营养匮乏将显著降低作物的光合同化速率,进而导致作物的减产和品质下降;而氮肥过施则会造成氮素淋失和地下水污染等系列环境问题。因此,准确模拟作物氮素营养状况及其对光合作用的约束作用,对于准确估计作物生产力、农户精准施肥至关重要。
遥感作物模型是大面积监测作物生长状况的重要工具。在传统模型中,氮肥施用量和土壤肥力是用来模拟圈层氮素循环和作物氮素营养的重要数据源,是模型的必需输入数据。然而在大区域作物监测中,获取不同田块农民施肥量和土壤营养状况十分困难,这极大阻碍了作物模型在区域尺度的应用和作物生产力的实时监测。为解决这一问题,本项发明拟寻求设计提供一种耦合遥感氮素信息的作物生长与施肥诊断模拟方法,能够将卫星遥感反演的冠层氮含量与叶片光合作用模型耦合,并利用氮素垂直分布剖面模型实现冠层至叶片的氮素含量转换,以表示土壤肥力和农户施肥对作物光合能力的综合效用,进而实现对作物生产力的精确估算。同时,基于当前冠层氮含量与作物生物量,模拟计算得出当前作物氮素营养状况,对比标准氮素营养指数,判断是否需要追肥或存在氮肥过施状况。
发明内容:
本发明的目的在于克服现有技术存在的区域施肥与土壤肥力数据获取困难、作物模型中氮素营养对光合作用限制作用模糊的问题,等问题,设计提供一种耦合遥感氮素信息的作物生长与施肥诊断模拟方法,该方法通过模拟作物冠层剖面的氮含量分布,得到各层叶片的氮素含量及其对叶片光合作用的影响效用。
为了实现上述目的,本发明涉及的耦合遥感氮素信息的作物生长与施肥诊断模拟方法具体实施步骤按照如下方式进行:
S1、构建作物生育期内冠层氮含量的时序平滑曲线,检索作物生育期内过境的Sentinel-2十米级卫星影像,利用人工神经网络反演作物冠层氮素含量,而后采用Savitzky-Golay滤波器(S-G滤波器) 对时序曲线进行滤波平滑;
S2、基于氮素垂直分布模型,将遥感反演的冠层氮素总量降尺度至叶片氮含量,依照氮素垂直分布模型,利用反演冠层含氮总量和定积分,得出冠层顶部和内部各层叶氮含量分布;
S3、耦合叶片氮含量至叶片光合作用机理模型,在作物模型中,光合生产力模拟模块大多采用Farquhar光合作用机理模型,其中,叶片光合速率主要受光限制和酶限制,25℃时叶片的最大光合羧化速率是计算酶限光合速率的重要参数,主要受Rubisco酶活性限制,而氮是组成Rubisco酶的重要元素,因此,基于叶氮含量、光合作用羧化酶Rubisco,羧化酶周转速率与叶片最大羧化速率之间的机理关系如公式1所示,耦合叶氮含量至作物模型的叶片光合作用模块;
式中,是25℃时第l层叶片的最大光合羧化速率,单位为μmol CO2 m-2s-1,是Farquhar光合作用模型中的重要生化参数; LNC(l)为步骤S2中计算得到的第l层叶片氮含量,mN为氮的摩尔质量(0.014kg mol-1),FLNR是分配到Rubisco酶的叶氮比例,常数 6.25(kgRubisco kgN -1)将千克氮含量转化为Rubisco蛋白含量,8/550 将千克Rubisco的催化位点转化为摩尔;是25℃时的Rubisco 酶转化速率,以mol CO2 molsite -1s-1为单位;
S4、驱动光合作用模型,模拟作物光合生产力和生物量;利用步骤S3中得到的驱动Farquhar模型中的光合作用暗反应,模拟得到每日作物的光合初级生产力,进而通过计算呼吸作用和器官间分配系数,得到每日近实时的作物地上生物量;
S5、计算氮素营养指数,诊断氮素营养状况及施肥需求;临界氮浓度稀释曲线是作物临界氮浓度(作物获得最大干物质所需要的最小氮浓度)与作物植株干物质的幂函数关系,基于临界氮浓度与实际氮浓度获得的氮营养指数被广泛地应用到作物氮素营养诊断中,利用步骤S4中得到的作物生物量(干物质),和临界氮浓度稀释曲线,能够计算得出当前作物生长条件下临界氮素含量,进而利用式2计算氮素营养指数:
式中,NNI为氮素营养指数,Nact为作物冠层实际氮含量,由卫星遥感数据反演获得,Nc为作物冠层标准氮含量,由当前作物生物量计算得到;NNI>1表示氮素供应过剩,NNI<1表示氮素供应不足, NNI在1左右表示最佳氮素营养状态。
本发明与现有技术相比,取得的有益效果如下:
(1)本发明方法基于卫星遥感反演数据,通过构建 Savitzky-Golay滤波器,可得到作物生育期内近实时冠层氮含量高质量时序平滑数据集。
(2)本方法提出了遥感冠层氮含量与光合作用模型的耦合途径,从而在模型中体现了土壤原始肥力与农户施肥对作物生长的实际效用,避免了上述数据在区域尺度获取困难的计算瓶颈,提高了模型精度,应用环境友好。
(3)本方法基于遥感反演氮含量和模型模拟生物量可以计算得出作物每日的氮素营养状况(氮素不足/标准营养/氮素过量),从而对农户是否需要施加肥料进行科学诊断。
附图说明:
图1为本发明涉及的算法流程示意图。
具体实施方式:
实施例1:
为对本发明方法的流程及效用有更进一步的了解与认识,通过多个农田生态系统试验站的实例配合附图对本发明进行更详细的实施说明,说明如下:
S1、获取卫星反演冠层氮含量:
基于农田经纬坐标位置和田块shaplefile文件,检索作物生育期内过境的Sentinel-2卫星影像(5天时间分辨率,多光谱20m空间分辨率)。采用欧空局SMAP工具箱中的神经网络反演算法,求取农田作物叶面积指数和冠层平均叶片叶绿素含量。通过叶片叶绿素与氮含量线性关系(式3),乘以叶面积指数(式4),得到作物冠层含氮总量。
CNC=LNCmean×LAI (4)
式中,LNCmean为冠层平均叶氮含量,Chl为叶绿素含量,LAI为叶面积指数,CNC为冠层含氮总量。
由于受云及大气状况的影响,原始获取的冠层含氮总量时间序列数据可能会受到这些噪声影响。因此,本实施例构建Savitzky-Golay 滤波器,对时间序列数据进行最小二次平滑。其中,本实施例中SG 滤波器中参数设置为3次样条平滑,滑动窗口大小设定为11;
S2、计算冠层内部叶氮垂直分布:
由于氮素垂直分布模型普遍假设氮素含量在冠层中呈指数下降分布,在第l层冠层中的叶片拥有相同叶氮含量,因此可计算得到冠层顶部和内部各层叶氮含量分布:
其中LNC(l)为第l层叶片氮含量,LNC0为第0层(即最顶层)叶片氮含量,CNC为冠层氮素总量,kn为衰减系数,LAI为叶面积指数;
S3、输入叶氮含量,驱动作物模型:
在通过式1将叶氮含量与光合作用紧密耦合,从而在作物模型中体现氮素营养对光合生产力的影响效用。运转模型中光合作用、呼吸作用、碳分配模块,最终得到作物生物量结果;
S4、计算氮素营养指数,诊断氮素营养和施肥需求:
基于作物模型模拟得到的作物生物量,综合多年农田实验得到的不同作物临界氮浓度稀释曲线,计算得出作物当前的临界氮含量,进而与实际冠层氮含量作比,即可得到当日作物的氮素营养指数。通过比较氮素营养指数与1的关系,诊断是否需要追施肥料。
表1作物临界氮稀释曲线参数配置
注:Nc为临界氮浓度,DM为作物干物质(在本模型中等同于计算得到的作物生物量)。
Claims (1)
1.一种耦合遥感氮素信息的作物生长与施肥诊断模拟方法,其特征在于具体实施步骤按照如下方式进行:
S1、构建作物生育期内冠层氮含量的时序平滑曲线,检索作物生育期内过境的Sentinel-2十米级卫星影像,利用人工神经网络反演作物冠层氮素含量,而后采用S-G滤波器对时序曲线进行滤波平滑;
S2、基于氮素垂直分布模型,将遥感反演的冠层氮素总量降尺度至叶片氮含量,依照氮素垂直分布模型,利用反演冠层含氮总量和定积分,得出冠层顶部和内部各层叶氮含量分布;
S3、耦合叶片氮含量至叶片光合作用机理模型,在作物模型中,光合生产力模拟模块大多采用Farquhar光合作用机理模型,其中,叶片光合速率主要受光限制和酶限制,25℃时叶片的最大光合羧化速率是计算酶限光合速率的重要参数,主要受Rubisco酶活性限制,而氮是组成Rubisco酶的重要元素,因此,基于叶氮含量、光合作用羧化酶Rubisco,羧化酶周转速率与叶片最大羧化速率之间的机理关系如公式1所示,耦合叶氮含量至作物模型的叶片光合作用模块;
式中,是25℃时第l层叶片的最大光合羧化速率,单位为μmol CO2m-2s-1,是Farquhar光合作用模型中的重要生化参数;LNC(l)为步骤S2中计算得到的第l层叶片氮含量,mN为氮的摩尔质量,FLNR是分配到Rubisco酶的叶氮比例,常数6.25,将千克氮含量转化为Rubisco蛋白含量,8/550将千克Rubisco的催化位点转化为摩尔;是25℃时的Rubisco酶转化速率,以mol CO2molsite -1s-1为单位;
S4、驱动光合作用模型,模拟作物光合生产力和生物量;利用步骤S3中得到的驱动Farquhar模型中的光合作用暗反应,模拟得到每日作物的光合初级生产力,进而通过计算呼吸作用和器官间分配系数,得到每日近实时的作物地上生物量;
S5、计算氮素营养指数,诊断氮素营养状况及施肥需求;临界氮浓度稀释曲线是作物临界氮浓度与作物植株干物质的幂函数关系,基于临界氮浓度与实际氮浓度获得的氮营养指数被广泛地应用到作物氮素营养诊断中,利用步骤S4中得到的作物生物量,和临界氮浓度稀释曲线,能够计算得出当前作物生长条件下临界氮素含量,进而利用式2计算氮素营养指数:
式中,NNI为氮素营养指数,Nact为作物冠层实际氮含量,由卫星遥感数据反演获得,Nc为作物冠层标准氮含量,由当前作物生物量计算得到;NNI>1表示氮素供应过剩,NNI<1表示氮素供应不足,NNI在接近1时表示最佳氮素营养状态。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011548958.6A CN112763427B (zh) | 2020-12-24 | 2020-12-24 | 一种耦合遥感氮素信息的作物生长与施肥诊断模拟方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011548958.6A CN112763427B (zh) | 2020-12-24 | 2020-12-24 | 一种耦合遥感氮素信息的作物生长与施肥诊断模拟方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN112763427A true CN112763427A (zh) | 2021-05-07 |
CN112763427B CN112763427B (zh) | 2022-05-17 |
Family
ID=75694034
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202011548958.6A Active CN112763427B (zh) | 2020-12-24 | 2020-12-24 | 一种耦合遥感氮素信息的作物生长与施肥诊断模拟方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112763427B (zh) |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
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 |
CN113570251A (zh) * | 2021-07-29 | 2021-10-29 | 福州大学 | 基于生长前后期氮素输出累积指数的土豆制图方法 |
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 |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103335953A (zh) * | 2013-06-04 | 2013-10-02 | 中国科学院遥感与数字地球研究所 | 一种个体与群体特征相结合的农作物长势遥感评价方法 |
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 |
CN106525731A (zh) * | 2016-09-27 | 2017-03-22 | 北京农业信息技术研究中心 | 基于遥感与农学知识的冠层叶氮垂直分布探测方法及装置 |
CN107505271A (zh) * | 2017-07-13 | 2017-12-22 | 北京农业信息技术研究中心 | 基于氮素组分辐射传输模型的植株氮素估算方法和系统 |
CN109673454A (zh) * | 2019-02-11 | 2019-04-26 | 石河子大学 | 一种滴灌棉花氮素营养诊断模型的构建方法和应用 |
US20200025741A1 (en) * | 2018-07-20 | 2020-01-23 | Regents Of The University Of Minnesota | Method to predict crop nitrogen status using remote sensing |
-
2020
- 2020-12-24 CN CN202011548958.6A patent/CN112763427B/zh active Active
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103335953A (zh) * | 2013-06-04 | 2013-10-02 | 中国科学院遥感与数字地球研究所 | 一种个体与群体特征相结合的农作物长势遥感评价方法 |
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 |
CN106525731A (zh) * | 2016-09-27 | 2017-03-22 | 北京农业信息技术研究中心 | 基于遥感与农学知识的冠层叶氮垂直分布探测方法及装置 |
CN107505271A (zh) * | 2017-07-13 | 2017-12-22 | 北京农业信息技术研究中心 | 基于氮素组分辐射传输模型的植株氮素估算方法和系统 |
US20200025741A1 (en) * | 2018-07-20 | 2020-01-23 | Regents Of The University Of Minnesota | Method to predict crop nitrogen status using remote sensing |
CN109673454A (zh) * | 2019-02-11 | 2019-04-26 | 石河子大学 | 一种滴灌棉花氮素营养诊断模型的构建方法和应用 |
Non-Patent Citations (2)
Title |
---|
张佳华等: ""遥感信息结合光合特性研究作物光合产量估测模型"", 《自然资源学报》 * |
李永梅等: "作物氮素高光谱遥感监测研究", 《宁夏农林科技》 * |
Cited By (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
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 |
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 |
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 |
CN113570251A (zh) * | 2021-07-29 | 2021-10-29 | 福州大学 | 基于生长前后期氮素输出累积指数的土豆制图方法 |
CN113570251B (zh) * | 2021-07-29 | 2023-08-11 | 福州大学 | 基于生长前后期氮素输出累积指数的土豆制图方法 |
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 |
Also Published As
Publication number | Publication date |
---|---|
CN112763427B (zh) | 2022-05-17 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN112763427B (zh) | 一种耦合遥感氮素信息的作物生长与施肥诊断模拟方法 | |
CN101470421B (zh) | 一种基于人工智能技术的植物生长室及其控制系统 | |
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 | |
CN108256181B (zh) | 融合效率约束的设施二氧化碳目标值的优化调控模型的构建与应用 | |
CN204576316U (zh) | 一种大棚智能控制系统 | |
CN113439520A (zh) | 一种农作物灌溉施肥智慧决策方法及系统 | |
Kherif et al. | Understanding the response of wheat-chickpea intercropping to nitrogen fertilization using agro-ecological competitive indices under contrasting pedoclimatic conditions | |
CN110069032B (zh) | 一种基于小波神经网络的茄子温室环境智能检测系统 | |
CN112052988B (zh) | 耦合多目标优化和集合同化的作物产量估测方法及应用 | |
CN115413462B (zh) | 一种水稻氮肥施用量的确定方法 | |
Wang et al. | Digital image processing technology under backpropagation neural network and K-Means Clustering algorithm on nitrogen utilization rate of Chinese cabbages | |
Wen et al. | Application of ARIMA and SVM mixed model in agricultural management under the background of intellectual agriculture | |
CN113009108B (zh) | 一种基于水热条件预测土壤有机碳含量的预测方法 | |
Jin et al. | Research on the rice fertiliser decision-making method based on UAV remote sensing data assimilation | |
CN117893346A (zh) | 一种基于物联网的ai智慧农业采收管理系统及其应用 | |
CN114066033A (zh) | 一种智慧农业优化方法和系统 | |
Carrasquilla-Batista et al. | IoT applications: On the path of Costa Rica's commitment to becoming carbon-neutral | |
CN116595333A (zh) | 土壤-气候智慧型的水稻目标产量与氮肥用量确定方法 | |
Zhang et al. | Artificial intelligence in soil management: The new frontier of smart agriculture | |
Yu et al. | Crop photosynthetic performance monitoring based on a combined system of measured and modelled chloroplast electron transport rate in greenhouse tomato | |
CN115017798A (zh) | 基于深度学习的土壤耕作层水分温度预测方法 | |
CN113408666A (zh) | 一种用于景观的温室绿植栽培方法 | |
Buklagin et al. | Digitalization of crop production: development trends | |
CN109840653B (zh) | 南方设施葡萄一年两熟栽培模式的能耗评估方法及系统 | |
Liu et al. | Research on Innovation Management Mode of the Collaborative Cooperation of Smart Agriculture and Science Technology in Beijing and Hebei |
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 |