CN112903600A - 一种基于固定翼无人机多光谱影像的水稻氮肥推荐方法 - Google Patents

Abstract

本发明基于固定翼无人机影像光谱数据，提出一种基于固定翼无人机多光谱影像的水稻氮肥推荐方法，用于水稻追肥关键生育期氮肥施用量推荐。通过水稻田间试验，构建水稻植株氮积累量监测模型，并拟合无人机时序光谱动态曲线。利用上述模型和曲线构建充足指数氮肥推荐算法，并通过独立试验对该算法进行验证。本发明充分考虑了无人机平台的光谱数据特性，通过敏感植被指数筛选、最优曲线拟合的方法能够精准、无损地监测水稻关键生育期的氮素营养状况，最后通过充足指数算法结合监测结果与无人机光谱特征给出准确的氮肥推荐量。本发明将为水稻精确氮素管理提供优化途径，为区域尺度的精准农业管理和决策提供重要理论基础与技术支撑。

Description

一种基于固定翼无人机多光谱影像的水稻氮肥推荐方法

技术领域

本发明属于作物氮肥精确调控领域，尤其是一种基于固定翼无人机多光谱影像的水稻氮肥推荐方法。

背景技术

中国是世界上主要的水稻生产和消费大国，水稻的稳定生产对保障我国粮食安全和粮食市场稳定具有重要意义。氮素是限制水稻产量的重要营养元素之一。因此，为了保证高产，农民往往会施用过量的氮肥，造成肥料浪费和环境污染。为了改善这一状况，农学家们致力于针对不同作物开发有针对性的氮肥推荐方法。

作物氮肥调控的第一步是实时诊断作物氮素营养状况。传统的氮素营养诊断方法主要包括叶片颜色诊断和化学诊断，这些方法已被农学家们广泛运用并不断发展，具有较高的技术成熟度。近年来随着传感器技术日益更新，研究人员尝试利用叶绿素仪、多光谱或高光谱传感器来诊断作物氮素状况。这些设备能够便捷、无损、快速地获取作物生长信息，避免了主观判断产生的误差，同时也克服了破坏性取样带来的耗时、费力的缺点。目前主流的遥感传感器搭载平台包括了地面、机载和卫星平台。现有的氮肥调控研究大多基于地面手持传感器平台，而基于机载和卫星平台的研究主要集中在作物生长监测领域。随着集约化农业的不断发展，手持平台由于扫描面积小，难以满足大规模农作物生产管理的需求。卫星平台虽然具有观测面积大的优点，但有限的时空分辨率使得在高监测频率下难以获取作物实时生长信息。近年来无人机平台快速发展，可以有效获得高精度、高灵活性、大覆盖面积的遥感数据。到目前为止，研究人员已经成功地使用多旋翼无人机携带多光谱传感器来估算作物叶面积指数、生物量和氮素状况。然而，利用无人机平台进行作物氮肥调控的研究较少。

作物冠层光谱信息与叶绿素值具有较高的相关性，这意味着冠层光谱可以用来诊断作物的氮素状态。植被指数可以通过将多个光谱波段转换成比值或归一化的形式来突出植被信息，在植被遥感中得到了广泛的应用。Lukina等提出的氮肥优化算法(NFOA)是一种基于植被指数的氮肥推荐方法，他们使用归一化植被指数(NDVI)估计植物氮素吸收和产量潜力,并根据目标产量下的需氮量和植物当前的氮吸收量来确定追施氮肥量。随后响应指数(RI)和变异系数(CV)被引入NFOA以对该算法进行修正和改进，并成功地应用于小麦的氮素精确管理。Solari等用冠层多光谱传感器获得的植被指数代替了SI中的叶绿素仪表读数，并开发了基于SI的氮肥推荐算法，该算法能够根据作物SI值直接给出氮肥的施用量。Holland和Schepers引入了土壤施氮量、最优施氮量和作物实时施氮量等参数，进一步发展了SI算法。与NFOA相比，改进的SI算法可以根据不同的要求和情况调整输入参数，在实际应用中更加灵活。

前人基于手持式遥感平台进行作物氮素诊断和氮肥调控的研究流程已经趋于完备。部分研究缺少作物对氮素指标敏感波段反射率的筛选，不能构建具备更佳估测精度的植被指数；此外，现有的氮肥调控多基于手持平台，在实际应用时已经不具备效率优势，本发明中采用的固定翼无人机是一种相对较新的无人机平台，且具有更高的航速和更好的续航能力，在大规模农田管理方面具有巨大的潜力，需要针对该平台构建可靠的氮肥推荐方法。

发明内容

本发明所解决的技术问题在于提供一种基于固定翼无人机多光谱影像的水稻氮肥推荐方法，基于固定翼无人机多光谱影像数据，提取敏感波段反射率，构建高精度的水稻植株氮积累量监测模型和时序光谱动态曲线，同时结合充足指数氮肥推荐算法，对水稻关键生育期的氮肥施用量给出合理建议，为基于无人机的大规模农田作物氮素管理提供技术支持。

实现本发明目的的技术解决方案为：

一种基于固定翼无人机多光谱影像的水稻氮肥推荐方法，包括以下步骤：

步骤1：设置水稻田间互作试验，在水稻各关键生育期取样并于成熟期测产，获取水稻植株氮积累量和产量农学数据；

步骤2：获取水稻冠层多光谱影像数据：

采用固定翼无人机搭载多光谱相机分别在水稻各关键生育期拍摄获取水稻冠层多光谱影像数据，并随机选取70％的影像数据作为建模数据，其余30％作为模型验证数据；

步骤3：对水稻冠层多光谱影像数据进行预处理，计算得到水稻冠层多光谱影像反射率数据；

步骤4：根据水稻冠层多光谱影像反射率数据构建植被指数；

步骤4-1：圈出各试验小区的感兴趣区域ROI，提取水稻冠层多光谱影像中每个试验小区的反射率，并计算每个试验小区的平均反射率；

步骤4-2：根据试验小区的反射率计算适用于水稻植株氮积累量监测模型的植被指数；

步骤5：将植被指数与水稻植株氮积累量数据进行相关性分析，结合水稻各关键生育期，采用直线型函数、指数函数、幂函数和一元二次函数四种常用的函数模型筛选对水稻植株氮积累量最敏感的植被指数，并构建基于植被指数的植株氮积累量监测模型；

步骤6：采用模型验证数据对植株氮积累量模型进行验证，计算并比较各模型的决定系数R²和相对均方根误差RRMSE，最终确定最优植被指数和最优函数模型及其对应的植株氮积累量监测模型；

步骤7：根据步骤6筛选的最优植被指数，分析该植被指数的时序变化特征，采用最优单峰曲线对其变化规律进行时序光谱动态曲线拟合；

步骤8：根据构建的植株氮积累量监测模型和时序光谱动态曲线，采用充足指数法对推荐参数进行量化，计算得到水稻关键生育期的氮肥推荐用量。

进一步的，本发明的基于固定翼无人机多光谱影像的水稻氮肥推荐方法，步骤1中的水稻田间互作试验包括不同品种、不同施氮水平的水稻。

进一步的，本发明的基于固定翼无人机多光谱影像的水稻氮肥推荐方法，步骤1中水稻氮积累量和产量获取的步骤包括：于水稻各关键生育期，在试验小区内统计连续10穴的水稻分蘖数，计算水稻每穴的平均分蘖数，取3穴水稻植株进行室内化学试验分析获取植株氮积累量数据；成熟期于试验小区内未取样处取1㎡的水稻植株进行脱粒并计算产量。

进一步的，本发明的基于固定翼无人机多光谱影像的水稻氮肥推荐方法，步骤1、2中的关键生育期包括分蘖期、拔节期、孕穗器、抽穗期、开花期、灌浆期和成熟期。

进一步的，本发明的基于固定翼无人机多光谱影像的水稻氮肥推荐方法，步骤3中的预处理具体为：

1)噪声消除：将成像传感器置于暗室内，并设置不同的曝光时间进行拍摄，将提取出的DN值作为噪声影像，将原始影像减去噪声影像进行去噪处理；

2)光晕校正：取斑点临近像元的亮度值均值作为斑点亮度，或者采用三次立方卷积法修正斑点亮度；

3)镜头畸变校正：采用足够多的黑白棋盘图，利用最小二乘法计算镜头的内参和外参，根据剩余的点坐标求出畸变相关参数进行校正；

4)波段配准：采用SIFT特征配准方法，分别提取基准影像与待配准影像的特征并进行特征描述，然后进行特征匹配，计算得到变换模型参数后进行影像变换配准；

5)辐射定标：采用经验线性法，通过特定反射率的校正白板进行辐射校正，校正白板于每次无人机飞行前放置于拍摄区域内。

进一步的，本发明的基于固定翼无人机多光谱影像的水稻氮肥推荐方法，步骤4中构建的植被指数包括：

绿色归一化植被指数GNDVI＝(NIR-G)/(NIR+G)

归一化差分植被指数NDVI＝(NIR-R)/(NIR+R)

归一化差分红边指数NDRE＝(NIR-RE)/(NIR+RE)

比值植被指数RVI＝NIR/R

叶绿素红边指数CIRE＝(NIR/RE)-1

土壤调节植被指数SAVI＝1.5*(NIR-R)/(NIR+R+0.5)

其中，G、R、RE和NIR分别代表570nm、675nm、730nm和850nm波段处的反射率。

进一步的，本发明的基于固定翼无人机多光谱影像的水稻氮肥推荐方法，步骤6中的决定系数R²和相对均方根误差RRMSE的计算公式为：

其中，m和n分别是预测值和实测值，

和

分别是平均预测值和实测值，k是样品数目。

进一步的，本发明的基于固定翼无人机多光谱影像的水稻氮肥推荐方法，步骤8中充足指数法的指数SI定义为实测的作物待调控区的光谱指数与氮肥充足区域的光谱指数的比值，具体公式如下：

其中，NDRE_Field和NDRE_Rich分别为待调控区和氮充足区的NDRE值，从无人机多光谱影像或便携式传感器中提取获得。

进一步的，本发明的基于固定翼无人机多光谱影像的水稻氮肥推荐方法，步骤8中水稻关键生育期的氮肥施用量的计算公式如下：

其中，N_App为纯氮的推荐追施量，N_OPT为当地高产水稻的平均氮肥总施用量，N_PRE为氮肥基施用量或已施氮肥量，N_Soil为土壤供氮量，可以用N0处理下水稻成熟期植株氮积累量代替，N_Comp为待调控区相较于充足区植株的实时氮亏缺量，SI为充足指数，SI(N0)为N0处理下水稻的SI值，ΔSI为1与SI(N0)的差，m为回退系数(0<m<100)，SI_T为回退效应的起始点，一般设置为SI(N0)；

N_Comp的计算公式如下：

其中，NUE为水稻平均氮肥利用率，取40％，PNA_Reference为充足区作物的植株实时氮积累量，利用RESAVI对PNA的光谱监测模型计算获得。

本发明采用以上技术方案与现有技术相比，具有以下技术效果：

1、本发明的基于固定翼无人机多光谱影像的水稻氮肥推荐方法对光谱信息(敏感波段)进行了筛选，构建的植株氮积累监测模型产量具有更好的监测精度；

2、本发明的基于固定翼无人机多光谱影像的水稻氮肥推荐方法充分考虑到田间作物长势的差异性，能够根据遥感监测的作物氮素状况来给出变量的氮肥施用建议，相比传统方案更具灵活性和可靠性；

3、本发明的基于固定翼无人机多光谱影像的水稻氮肥推荐方法采用了固定翼无人机作为作物长势遥感监测平台，相比手持式传感器和一般的多旋翼无人机，该平台具有更高的航速和测试效率，在大规模农田管理方面具有巨大的潜力。

附图说明

图1是本发明的基于固定翼无人机多光谱影像的水稻氮肥推荐方法从不同拟合函数模型角度出发的最优水稻时序无人机光谱动态曲线的拟合结果，其中(a)是水稻移栽后N(0)处理下的NDRE随AGDD变化的动态曲线，(b)是水稻移栽后N(3)处理下的NDRE随AGDD变化的动态曲线。

图2是本发明的基于固定翼无人机多光谱影像的水稻氮肥推荐方法的流程图。

具体实施方式

下面详细描述本发明的实施方式，所述实施方式的示例在附图中示出，其中自始至终相同或类似的标号表示相同或类似的元件或具有相同或类似功能的元件。下面通过参考附图描述的实施方式是示例性的，仅用于解释本发明，而不能解释为对本发明的限制。

本发明通过实施江苏省内不同品种和不同施氮水平处理的水稻互作试验，构建了基于固定翼无人机多光谱影像的水稻氮肥推荐方法。具体的试验设计与数据采集的信息如表1所示，试验1和试验2用于充足指数算法中各参数预测模型的构建，试验3用于SI氮肥调控算法验证。

表1试验设计与数据采集的基本信息

本试验包含不同的处理，使建模数据包含更多的可能，从而提高模型的通用性。由于品种和氮肥水平的差异，数据呈现一定幅度的变化，这表示涵盖了大多数可能的情况。因此，该数据集可以为建立可靠的水稻氮肥推荐模型提供支持。

如图2所示，一种基于固定翼无人机多光谱影像的水稻氮肥推荐方法具体步骤如下：

步骤1、农学数据的获取

植株氮积累量数据：于水稻各关键生育期，在每个试验小区内统计连续10穴的水稻分蘖数，用于计算水稻每穴的平均分蘖数，取3穴水稻植株进行分样后烘干称重获取水稻生物量数据，随后将样品研磨成粉末状，并使用德国AA3连续流动分析仪测试样品氮浓度，水稻各器官的生物量与氮浓度的乘积之和即为植株氮积累量。

产量数据：成熟期于各小区未取样处取1m²的植株计算单位土地面积穗数，并取30株室内考种，计算穗粒数、千粒重和结实率。每小区收获两个1m²的水稻进行脱粒测产。

步骤2、无人机多光谱影像数据获取

本发明采用的eBeeSQ固定翼无人机是一种手抛式起飞的自动飞行器，由一对固定机翼和一个电动推进螺旋桨组成。eBeeSQ(搭载多光谱传感器)的最大续航时间约为55分钟，单块电池最大可覆盖面积约80ha(空间分辨率为8cm，旁向和航向重叠度为70％)。本发明采用eBeeSQ搭载Sequoia多光谱相机于水稻冠层上方80米高度获取多光谱影像数据(地面分辨率为8cm，旁向和航向重叠75％)，飞行速度为10m/s。eMotion Ag软件可以用来预先规划航线，并监测无人机的飞行轨迹。Sequoia相机由五个通道组成，包括一个1600万像素滚动快门的RGB相机，分辨率为4608×3456像素，以及四个150万像素全局快门的单波段相机，分辨率为1280×960像素，分别是绿光波段(波长＝550nm，带宽＝40nm)、红光波段(波长＝660nm，带宽＝40nm)、红边波段(波长＝735nm，带宽＝10nm)和近红外波段(波长＝790nm，带宽＝40nm)。辐射校正图像是在每次飞行前对地面上的标准反射板进行拍摄。ParrotSequoia相机同时还搭载一个光强传感器根据周围光线来自动调整读数，从而最大限度地减少拍摄过程中的误差。无人机的绝对位置是利用无人机内嵌GPS/IMU装置获得的位置/高度测量值记录的。分别在水稻各个关键生育时期(分蘖期、拔节期、孕穗期、开花期和灌浆期)于江苏省兴化市试验地点进行飞行测试，无人机影像保存为TIFF格式，多光谱相机根据规划航线设置为自动拍照，飞行选择在选择晴朗无云、少云无风的天气进行，时间控制在上午10点至下午2点之间。

步骤3、无人机多光谱影像的预处理

(1)噪声消除：将成像传感器置于暗室内，设置不同的曝光时间进行拍摄，将提取出的DN值作为噪声影像，而去噪过程即原始影像减去噪声影像；

(2)光晕校正：校正后的斑点亮度值取其临近像元的亮度值的均值或者用三次立方卷积法进行修正；

(3)镜头畸变校正：采用足够多的黑白棋盘图，从而利用最小二乘得出更精确的解，计算出镜头的内参和外参，根据剩余的点坐标求出畸变相关参数进行校正；

(4)波段配准：采用SIFT特征配准方法，分别提取基准影像与待配准影像的特征并进行特征描述，然后进行特征匹配，计算得到变换模型参数后进行影像变换配准；

(5)辐射定标：采用经验线性法，通过特定反射率的校正白板进行辐射校正，校正白板于每次无人机飞行前放置于拍摄区域内。

步骤4、植被指数的构建

试验所涉及的飞行试验数据的预处理、提取与分类制图等均由软件Pix4D 4.1和ENVI5.3完成。每次飞行获取四个波段的影像集，即波长分别为550nm、660nm、735nm、790nm的四个多光谱影像集。每个采样时期的四幅多光谱反射率图都是分别由四个多光谱图像集生成的。经由无人机多光谱影像数据的预处理后，计算得到了反射率数据。通过对每一个小区的总反射率进行平均，可以获得每一个小区的平均反射率。根据植被指数的公式定义，计算反射率，拟合出适用于水稻氮素营养诊断的植被指数，具体的植被指数如表2所示。

表2用于监测水稻植株氮积累量的植被指数

步骤5、植株氮积累量模型的构建与检验

利用基于固定翼无人机多光谱影像提取的植被指数与水稻关键生育期植株氮积累量数据进行相关性分析，分别采用直线型函数、指数函数、幂函数和一元二次函数四种常用的函数模型筛选对水稻植株氮积累量最敏感的植被指数，构建基于植被指数的植株氮积累量监测模型，并对模型进行验证，具体的介绍如下：

采用四种函数模型构建基于植被指数的植株氮积累量监测模型并对模型精度进行检验。四种函数模型公式如下：

y＝ax+b

y＝ae^bx

y＝ax^b

y＝ax²+bx+c

其中x为自变量值(如植被指数)，y为因变量值(如植株氮积累量)，a,b和c为系数。

标准差(SD)和变异系数(C.V.)被用来表征总试验数据的分离分散程度。C.V.越大，则所有数据包含的可能性就越多。SD和C.V.的计算如下:

其中，

是总样本的均值和k是样本的数量。

如表3所示，为水稻植株氮积累量数据的描述性统计：

表3水稻植株氮积累量(PNA)数据的描述性统计

试验利用无人机获取的水稻冠层多光谱数据与植株氮积累量构建预测模型，采用决定系数R²和相对均方根误差RRMSE两个指标来评价模型的表现，其中R²和RRMSE的具体计算公式如下：

公式中的m和n分别是预测值和实测值，

和

分别是平均预测值和实测值，k是样品数目。

模型验证的数据是采用独立数据进行验证。基于两个试验地点的数据随机选取70％作建模数据，30％作模型验证数据。

如表4所示，为不同植被指数水稻植株氮积累量回归分析的决定系数：

表4不同植被指数与水稻植株氮积累量回归分析的决定系数

由表4可知，各植被指数预测与水稻植株氮积累量存在明显的相关性，从不同的拟合函数模型来看，直线型函数的拟合效果最差(R2＝0.1497-0.4573)，而指数型(R2＝0.2493-0.5705)和幂函数型(R2＝0.2130-0.5501)的效果较好；从不同的植被指数来看，NDRE和CIRE均有较高的建模精度，其中NDRE与植株氮积累量的指数型拟合模型具有最高的模型精度，R²达到0.5705。

表5基于NDRE和CIRE的植株氮积累量(PNA)监测模型及验证RRMSE

表5展示了NDRE和CIRE两种最优植被指数所构建的植株氮积累量指数函数监测模型及验证结果，由表可知基于NDRE的植株氮积累量监测模型验证误差小于CIRE，模型验证的RRMSE为0.2201，因此采用NDRE和指数函数模型所构建的植株氮积累量(PNA)监测模型，模型公式列于表5。

步骤6、无人机时序光谱动态曲线拟合

根据水稻移栽后的当地每日气温数据，计算了水稻不同生育期的累积生长度日(AGDD)，其计算公式如下：

AGDD＝∑(Tmax+Tmin)/2-12.5℃

其中T_max和T_min分别为水稻移栽后每日的最高气温和最低气温(℃)。

由于NDRE监测植株氮积累量最为敏感，因此采用不同的单峰曲线，拟合了水稻移栽后的NDRE随AGDD变化的动态曲线，采用的四种单峰曲线如下：

曲线A f(x)＝ax³+bx²+cx+d

曲线B

曲线C f(x)＝(x^a-b)e^-cx+d

曲线D

表6展示了水稻移栽后NDRE随AGDD变化的动态曲线拟合结果，拟合数据选取N0和N3处理的数据，用于SI模型中相关参数的量化。由表可知，各曲线均有较好的拟合效果，拟合N0处理下NDRE动态曲线的R²在0.84-0.90，拟合N3处理下的NDRE动态曲线的R²在0.87-0.92；拟合精度最高的曲线为曲线D，其对N0和N3处理下NDRE动态曲线拟合的R²分别达到了0.90和0.92，同时相比其他曲线的验证RRMSE误差也最小。各拟合曲线的参数列于表6，基于曲线D的最优曲线的形状见图1。

表6水稻移栽后NDRE随AGDD变化的动态曲线拟合结果

步骤7、氮肥推荐算法的参数量化和试验验证

利用步骤5和步骤6中构建的植株氮积累量监测模型和NDRE(N0)和NDRE(N3)动态曲线，并根据追肥关键生育期实测的NDRE值，计算追肥关键生育期的PNA_reference、SI、和SI(N0)，以此对充足指数氮肥推荐算法中的参数进行量化，SI推荐算法的公式如下：

其中N_App为纯氮的推荐追施量，N_OPT为当地高产水稻的平均氮肥总施用量，N_PRE为氮肥基施用量或已施氮肥量，N_Soil为土壤供氮量，可以用N0处理下水稻成熟期植株氮积累量代替，N_Comp为待调控区相较于充足区植株的实时氮亏缺量，SI为充足指数，SI(N0)为N0氮水平处理下水稻的SI值，ΔSI为1与SI(N0)的差，m为回退系数，取值范围为0<m<100，SI_T为回退效应的起始点，一般设置为SI(N0)。N_Comp的计算公式如下：

其中NUE为水稻平均氮肥利用率，取40％，PNA_Reference为充足区作物的植株实时氮积累量，利用RESAVI对PNA的光谱监测模型计算获得。

试验3用于对本发明中构建的基于固定翼无人机影像光谱的水稻氮肥推荐方法进行验证，N0区用作空白对照，N3处理的氮肥施用量参考当地一般高产田，对N1(SI)和N2(SI)田块的促花肥和保花肥利用本发明构建的氮肥推荐方法进行变量调控。各处理的施肥量见表7，可以看出基于SI的氮肥推荐施用量低于当地一般高产田的氮肥用量。

表7不同氮肥处理条件下的氮肥施用量情况(kg N ha^-1)

表8展示了不同氮肥处理条件下的水稻产量、氮肥偏生产力(PFPN)、氮肥利用率(NUE)、氮肥农学利用率(NAE)以及去除生产成本后的产量净收益(NP)。由表可知，各施氮区的产量净收益明显高于不施氮区；氮肥变量追施田块在减少中后期氮肥施用的情况下，仍然保持了高产水平，说明当地水稻一般高产田块的氮肥用量处于过量施用状态。由于氮肥投入的减少，各项氮肥利用效率指标和产量净收益指标也明显由于优于N3处理，这也充分说明了本发明构建的氮肥推荐方法可以根据作物实时长势的遥感判断结果来进行精确、定量、有效的氮肥用量推荐，对于大田作物生产中的当季氮肥管理具有较高的实用价值。

表8不同氮肥处理条件下的水稻产量、氮肥利用效率及经济效益

以上所述仅是本发明的部分实施方式，应当指出，对于本技术领域的普通技术人员来说，在不脱离本发明原理的前提下，还可以做出若干改进，这些改进应视为本发明的保护范围。

Claims (9)

1.一种基于固定翼无人机多光谱影像的水稻氮肥推荐方法，其特征在于，包括以下步骤：

步骤1：设置水稻田间互作试验，在水稻各关键生育期取样并于成熟期测产，获取水稻植株氮积累量和产量农学数据；

步骤2：获取水稻冠层多光谱影像数据：

采用固定翼无人机搭载多光谱相机分别在水稻各关键生育期拍摄获取水稻冠层多光谱影像数据，并随机选取70％的影像数据作为建模数据，其余30％作为模型验证数据；

步骤3：对水稻冠层多光谱影像数据进行预处理，计算得到水稻冠层多光谱影像反射率数据；

步骤4：根据水稻冠层多光谱影像反射率数据构建植被指数；

步骤4-1：圈出各试验小区的感兴趣区域ROI，提取水稻冠层多光谱影像中每个试验小区的反射率，并计算每个试验小区的平均反射率；

步骤4-2：根据试验小区的反射率计算适用于水稻植株氮积累量监测模型的植被指数；

步骤5：将植被指数与水稻植株氮积累量数据进行相关性分析，结合水稻各关键生育期，采用直线型函数、指数函数、幂函数和一元二次函数四种常用的函数模型筛选对水稻植株氮积累量最敏感的植被指数，并构建基于植被指数的植株氮积累量监测模型；

步骤6：采用模型验证数据对植株氮积累量模型进行验证，计算并比较各模型的决定系数R²和相对均方根误差RRMSE，最终确定最优植被指数和最优函数模型及其对应的植株氮积累量监测模型；

步骤7：根据步骤6筛选的最优植被指数，分析该植被指数的时序变化特征，采用最优单峰曲线对其变化规律进行时序光谱动态曲线拟合，其中，最优单峰曲线根据各单峰曲线的决定系数R²确定；

步骤8：根据构建的植株氮积累量监测模型和时序光谱动态曲线，采用充足指数法对推荐参数进行量化，计算得到水稻关键生育期的氮肥推荐用量。

2.根据权利要求1所述的基于固定翼无人机多光谱影像的水稻氮肥推荐方法，其特征在于，步骤1中的水稻田间互作试验包括不同品种、不同施氮水平的水稻。

3.根据权利要求1所述的基于固定翼无人机多光谱影像的水稻氮肥推荐方法，其特征在于，步骤1中水稻氮积累量和产量获取的步骤包括：

于水稻各关键生育期，在试验小区内统计连续10穴的水稻分蘖数，计算水稻每穴的平均分蘖数，取3穴水稻植株进行室内化学试验分析获取植株氮积累量数据；

成熟期于试验小区内未取样处取1㎡的水稻植株进行脱粒并计算产量。

4.根据权利要求1所述的基于固定翼无人机多光谱影像的水稻氮肥推荐方法，其特征在于，步骤1、2中的关键生育期包括分蘖期、拔节期、孕穗器、抽穗期、开花期、灌浆期和成熟期。

5.根据权利要求5所述的基于固定翼无人机多光谱影像的水稻氮肥推荐方法，其特征在于，步骤3中的预处理具体为：

1)噪声消除：将成像传感器置于暗室内，并设置不同的曝光时间进行拍摄，将提取出的DN值作为噪声影像，将原始影像减去噪声影像进行去噪处理；

2)光晕校正：取斑点临近像元的亮度值均值作为斑点亮度，或者采用三次立方卷积法修正斑点亮度；

3)镜头畸变校正：采用足够多的黑白棋盘图，利用最小二乘法计算镜头的内参和外参，根据剩余的点坐标求出畸变相关参数进行校正；

4)波段配准：采用SIFT特征配准方法，分别提取基准影像与待配准影像的特征并进行特征描述，然后进行特征匹配，计算得到变换模型参数后进行影像变换配准；

5)辐射定标：采用经验线性法，通过特定反射率的校正白板进行辐射校正，校正白板于每次无人机飞行前放置于拍摄区域内。

6.根据权利要求1所述的基于固定翼无人机多光谱影像的水稻氮肥推荐方法，其特征在于，步骤4中构建的植被指数包括：

绿色归一化植被指数GNDVI＝(NIR-G)/(NIR+G)

归一化差分植被指数NDVI＝(NIR-R)/(NIR+R)

归一化差分红边指数NDRE＝(NIR-RE)/(NIR+RE)

比值植被指数RVI＝NIR/R

叶绿素红边指数CIRE＝(NIR/RE)-1

土壤调节植被指数SAVI＝1.5*(NIR-R)/(NIR+R+0.5)

其中，G、R、RE和NIR分别代表570nm、675nm、730nm和850nm波段处的反射率。

7.根据权利要求1所述的基于固定翼无人机多光谱影像的水稻氮肥推荐方法，其特征在于，步骤6中的决定系数R²和相对均方根误差RRMSE的计算公式为：

其中，m和n分别是预测值和实测值，

和

分别是平均预测值和实测值，k是样品数目。

8.根据权利要求1所述的基于固定翼无人机多光谱影像的水稻氮肥推荐方法，其特征在于，步骤8中充足指数法的指数SI定义为实测的作物待调控区的光谱指数与氮肥充足区域的光谱指数的比值，具体公式如下：

其中，NDRE_Field和NDRE_Rich分别为待调控区和氮充足区的NDRE值，从无人机多光谱影像或便携式传感器中提取获得。

9.根据权利要求1所述的基于固定翼无人机多光谱影像的水稻氮肥推荐方法，其特征在于，步骤8中水稻关键生育期的氮肥施用量的计算公式如下：

其中，N_App为纯氮的推荐追施量，N_OPT为当地高产水稻的平均氮肥总施用量，N_PRE为氮肥基施用量或已施氮肥量，N_Soil为土壤供氮量，可以用N0处理下水稻成熟期植株氮积累量代替，N_Comp为待调控区相较于充足区植株的实时氮亏缺量，SI为充足指数，SI(N0)为N0氮水平处理下水稻的SI值，ΔSI为1与SI(N0)的差，m为回退系数(0<m<100)，SI_T为回退效应的起始点，一般设置为SI(N0)；

N_Comp的计算公式如下：

其中，NUE为水稻平均氮肥利用率，取40％，PNA_Reference为充足区作物的植株实时氮积累量，利用RESAVI对PNA的光谱监测模型计算获得。

Images