CN112906477A - 一种基于无人机光谱数据的灌溉处方图反演方法 - Google Patents
一种基于无人机光谱数据的灌溉处方图反演方法 Download PDFInfo
- Publication number
- CN112906477A CN112906477A CN202110078410.8A CN202110078410A CN112906477A CN 112906477 A CN112906477 A CN 112906477A CN 202110078410 A CN202110078410 A CN 202110078410A CN 112906477 A CN112906477 A CN 112906477A
- Authority
- CN
- China
- Prior art keywords
- irrigation
- data
- field
- water
- canopy
- 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
- 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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
- G06V20/40—Scenes; Scene-specific elements in video content
- G06V20/41—Higher-level, semantic clustering, classification or understanding of video scenes, e.g. detection, labelling or Markovian modelling of sport events or news items
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02A—TECHNOLOGIES FOR ADAPTATION TO CLIMATE CHANGE
- Y02A40/00—Adaptation technologies in agriculture, forestry, livestock or agroalimentary production
- Y02A40/10—Adaptation technologies in agriculture, forestry, livestock or agroalimentary production in agriculture
- Y02A40/22—Improving land use; Improving water use or availability; Controlling erosion
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Multimedia (AREA)
- Theoretical Computer Science (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Computational Linguistics (AREA)
- Software Systems (AREA)
- Image Processing (AREA)
Abstract
本发明涉及一种基于无人机光谱数据的灌溉处方图反演方法,包括以下步骤:(1)遥感数据采集;(2)遥感影像作物信息提取;(3)田间蒸散发时空分布估算;(4)田间数据采集:无人机飞行日同步田间取样,获得土壤根系吸水层有效可利用土壤水分含量和田间持水量;(5)通过历史气象灌溉资料、实时热红外、多光谱高分辨率遥感影像数据、地面传感器的墒情信息数据,结合不同的灌溉技术反演的灌溉处方图。本发明中无人机携带光谱感知系统,获取田间热红外、多光谱、可见光影像,通过植被提取,计算作物冠层水分亏缺,结合田间蒸散发空间分布开展灌溉处方图反演,为精准灌溉提供数据信息支撑。
Description
技术领域
本发明涉及一种基于无人机光谱数据的灌溉处方图反演方法,属于农业灌溉领域。
背景技术
作物灌溉处方图是实现变量灌溉灌溉、精准灌溉、智慧灌溉的必要条件,当前灌溉朝着精准灌溉、智慧灌溉的方向发展,而在灌溉技术方面往往很难去获得田间作物精准灌溉处方图。随着近期变量灌溉、精准灌溉技术的发展,灌溉处方图的逐步凸显其灌溉决策的重要性。当前USDA ARS隋瑞秀研究员开展的变量灌溉的研究,利用土壤电导率反演灌溉处方图,指导大型喷灌机开展变量灌溉。此外,美国Chavez团队通过无人机携带光谱相机的方式开展农田水分管理,利用热红外获取冠层温度信息,反演冠层CWSI及冠层蒸散发分布图,进一步反演水分亏缺指导田间水分管理。此外,在喷灌机安装热红外系统获取田间冠层热红外数据,进而获取利用CWSI获取水分亏缺进行变量精准灌溉。目前反演灌溉处方图的方法主要是通过获取土壤电导率空间分布图方式进行,在土壤水分反演精度上还有待提高。研究表明植被指数可以有效揭示作物长势,一定程度上可以反演水肥信息,其在高光谱应用方面已取得一定进展。但是在可见光和多光谱应用上,水肥精准反演尚处于探讨阶段,缺乏足够的数据支撑不同水肥处理条件下,利用无人机高分辨率遥感数据衡量土壤水肥信息指数变化。
发明内容
本发明提供了一种基于无人机光谱数据的灌溉处方图反演方法,解决了精准灌溉信息无法精准有效、快速获取的问题,为实现精准灌溉、智慧灌溉、精准高效现代化农业提供了技术与方法支撑。
为解决上述技术问题,本发明采用的技术方案为:
一种基于无人机光谱数据的灌溉处方图反演方法,包括以下步骤:
(1)遥感数据采集:利用安装了多光谱相机的无人机获取农田作物遥感影像,经拼接处理后得到农田作物的整体时空分布光谱影像数据;
(2)遥感影像作物信息提取:对得到的整体光谱影像进行影像提取作物冠层数据信息和作物水分亏缺数据;
(3)田间蒸散发估算:采用根据能量平衡原理根据田间冠层辐射温度计算田间蒸散发,或通过其原理开发的相关模型估算田间蒸散发量;
(4)田间数据采集:无人机飞行日同步田间取样,获得土壤根系吸水层有效可利用土壤水分含量和田间持水量;
(5)通过历史气象灌溉资料、实时热红外、多光谱高分辨率遥感影像数据、地面传感器的墒情信息数据,结合不同的灌溉技术反演的灌溉处方图,反演过程目标限制:灌溉水量最少,满足作物正常生理生长需求,灌溉上限达到土壤田间持水量,灌溉周期根据历史气象资料估算灌溉次数或根据作物冠层蒸散发与土壤中有效可利用水分含量的关系确定,进行灌溉量公式为:
IT=f(CWSIr,ET,SWC,θc) (1)
式中:IT一次灌水定额,CWSIr作为冠层相对水分亏缺指数,ET利用QWaterModel获取的作物冠层ET,SWC土壤根系吸水层有效可利用土壤水分含量,θc田间持水量;
鉴于公式1,第一步需要先判断灌溉周期,判断灌溉周期的原理基于周期内的蒸散发总量与土壤中有效可利用水分之间的关系,确定最优灌溉周期,为此,判断周期的公式为:
其中α为作物根系有效吸水深度系数,根据公式(2)先确定灌溉周期T,确定灌溉周期T后,开展第二步判断田间需灌水定额:
当其中α作物根系有效吸水深度系数,介于0~1,此时,ET应为区域内正常生理生长情境下的ET,非每个空间分布点上冠层ET,因为灌溉后冠层ET在空间分布上很多会达到正常生理生长状态,故此时的净灌溉量I为:
I=0 (3)
I=α*CWSIr×SWC (4)
综上,IT公式如下:
IT=I/μ (5)
式中:μ为灌溉效率,灌溉效率要考虑灌溉方式、植株株高、叶面积等冠层截留等影响。
优选地:所述的无人机上安装热红外相机和多光谱相机。
优选地:所述的土壤数据中采用烘干法测土壤水分含量,并利用双环刀法确定田间持水量。
优选地:所述的提取作物冠层数据信息采用超绿指数ExG指数掩膜提取的冠层数据信息。
优选地:所述的田间蒸散发估算采用根据能量平衡原理开发的QWaterModel估算田间蒸散发量。
本发明的有益效果:
本发明中无人机携带光谱感知系统,获取田间热红外、多光谱、可见光影像,通过植被提取,计算冠层水分亏缺信息,结合田间蒸散发空间分布开展灌溉处方图反演,为精准灌溉提供数据信息支撑。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案,下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图仅仅是本发明的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动性的前提下,还可以根据这些附图获得其他的附图。
图1为冬小麦生育期降水与灌溉量图;
图2为灌溉试验处理正射影图像及对应小区布置
图3为作物冠层影像数据提取方法;
图4为QWaterModel界面;
图5为不同时期冠层温度空间分布图;
图6为不同时期相对作物水分亏缺指数空间分布图;
图7为三个灌溉水平处理下CWSI趋势图;
图8为QwaterModel计算采集数据时段内ETh空间分布图;
图9为三个灌溉水平处理下不同时期的ETh图;
图10为QWaterModel计算一天的ET空间分布图;
图11为三个灌溉水平处理下不同时期的ETday图;
图12为三个灌溉处理下不同时期灌溉处方图;
图13为三个灌溉水平不同时期平均灌水定额图;
图14为试验小区灌溉单元灌溉处方图空间分布图;
图15为大田作物冠层ET空间分布图;
图16为大田尺度灌溉处方图;
图17为像素栅格直方图。
具体实施方式
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,所描述的实施例仅仅是本发明一部分实施例,而不是全部的实施例。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。
一种基于无人机光谱数据的灌溉处方图反演方法,包括以下步骤:
一、试验地点及布置
试验地位于中国农业科学院新乡综合试验基地,基地内有安装通量塔及气象站,通量塔高45m,监测收集不同风层的气象数据。试验占地面积共3.33hm2,供试作物为冬小麦,采用大型平移式喷灌机灌溉,三跨加尾端共计165m,喷头采用Nelson R3000,设置240mm(IT1)、190mm(IT2)、145mm(IT3)3个灌溉处理。通过更换喷嘴和控制喷灌机行走速率实现喷灌机的变量喷洒。根据试验处理的需求使用了3种不同大小的喷嘴实现不同灌溉处理,具体处理及喷嘴见表1。试验期间降水量与不同灌溉处理灌溉明细见图1。其他肥料参考当地及相关文献资料统一施肥,底肥复合肥50kg/亩,拔节期追施尿素一次15kg/亩。
表1不同灌溉水平对应喷嘴型号和流量
灌溉处理 | IT<sub>1</sub> | IT<sub>2</sub> | IT<sub>3</sub> |
喷嘴型号 | 24 | 22 | 19 |
单喷头流量(m喷头流) | 0.9 | 0.7 | 0.5 |
冬小麦全生育期内降雨与灌溉见图1,小麦在播种前1周内降水35mm,播种后到收获期总降水量131mm;其中2020年1月6日出现单日最大降雨量25mm。生育期内利用大型平移式喷灌机灌溉6次,3个灌溉处理全生育期分别灌溉240mm(IT1)、190mm(IT2)、145mm(IT3)。第1次灌溉3个处理没有差异,在12月19日第2次灌溉时,三个灌溉处理出现差异。具体灌溉处理及小区分布见图2。
二、田间数据的采集
小麦株高数据的采集结合无人机及灌溉试验同步开展,具体测量日期见表2,田间数据株高采用1m钢尺现场非破坏直接测量。株高的差异处理通过30个种植品种、3个不同灌溉定额处理体现。采集土壤数据,得到土壤根系吸水层有效可利用土壤水分含量和田间持水量。土壤颗粒组成见表2,采用USDA分类分析土壤为砂壤土,取灌前灌后土样采用烘干法测土壤水分含量(2019年3月16日和4月29日),并利用双环刀法确定田间持水量28%,考虑凋萎系数以及作物根系对水分吸收难易程度,土壤中1m深作物根系有效可利用水分为120mm。
表2取样1m深土壤平均颗粒组成
三、遥感数据的采集
采用安装了Rededge MX多光谱相机(五波段)大疆M210四旋翼无人机获取遥感影像,波段信息及波长范围见表4。数据采集包括无人机遥感影像和田间取样,根据不同的生育期和灌溉水平开展,飞行日期同步开展田间数据采样。此外,根据田间灌溉及取样质量情况,在飞行日期前后增加了田间取样的次数,主要日期见表3。飞行数据为多光谱影像,地面同步开展了地面人工分区随机取样测量株高。
Rededge MX多光谱相机五波段分别为蓝、绿、红、近红、红边,其中近红外波段光谱带宽40mm;蓝绿光谱带宽20mm;红和红边光谱带宽为10mm。
表3无人机飞行采集日期
飞行日期 | 田间取样日期 | 生育期 |
20200307 | 20200307 | 拔节期 |
20200315 | 20200314 | 拔节期 |
20200320 | 20200320 | 拔节期 |
20200403 | 20200403 | 拔节期 |
20200414 | 20200415 | 抽穗期 |
20200423 | 20200423 | 抽穗期 |
20200430 | 20200430 | 开花期 |
20200510 | 乳熟期 | |
20200528 | 成熟期 |
表4 Rededge MX多光谱相机光谱波段
通道数 | 通道名称 | 中心波长/nm | 光谱带宽FWHM/nm |
1 | Blue | 475 | 20 |
2 | Green | 560 | 20 |
3 | Red | 668 | 10 |
4 | Near IR | 840 | 40 |
5 | Red Edge | 717 | 10 |
无人机遥感数据的采集,规划二维航线的模式飞行,航线的规划采用大疆GSP地面站的二维正射影规划航线,航线的航向重叠率85%,旁向重叠率80%。飞行高度40m。相机拍照模式为相机垂直地面等时间间隔拍照。
五、数据分析处理方法
无人机遥感获得的光谱影像经处理拼接后得到大田整体的光谱影像,因大田尺度存在田间路等不同的地面地物,第一步要提取出需要灌溉的作物。由于无人机遥感影像获取的田间影像分辨率比较高,基本都是厘米级上下,完全可以识别出田间地物信息。为此,针对无人机遥感影像的作物信息提取方法目前常用的有:监督分类、非监督分类、决策树分类等。其中监督分类和非监督分类是根据是否需要事先确定训练样本对计算机分类器进行训练和监督分类;决策树分类是根据自定义的分类规则从原始影像中分离并掩膜每一种目标作为一个类型。本章中主要采用决策树分类方法,即基于专家知识,通过遥感影像数据及其他辅助空间数据,由人工经验总结利用相应的数学方法归纳分类,获得相应的地物分类。
RGB影像提取作物方法,采用公式ExG=2G-B-R专家知识确定作物指数阈值。确定作物后在ENVI中采用掩膜的方式提取作物冠层热红外影像。第二种方法采用多光谱NDVI二值分离法剔除非作物冠层影像。两种指数掩膜提取的效果见图3所示,仅从下面无人机30米飞行高度拍摄的RGB影像数据提取结果对比看,ExG指数掩膜提取的冠层数据信息优于NDVI掩膜,本发明采用ExG指数掩膜提取的冠层数据信息。
基于QWaterModel的蒸散发的估算
田间蒸散发(ET)是指土壤蒸发和植株散发,目前,在农田灌溉方面估算ET常用的方法有涡度相关或大尺度的能量平衡等方法。而对大部分能量平衡方
法大都需要陆地表面温度(LST)作为一个重要的输入参数,而无人机携带的热红外传感器可以高效的获取大田表面温度,可以作为计算田间蒸散发的一个精准高效的参数。为此,本章采用根据能量平衡原理开发的QWaterModel估算田间蒸散发。
QWaterModel模型原理:利用温度推导大气湍流运输的能量平衡方法(DerivingAtmosphere Turbulent Useful To Dummies Using Temperature DATTUTDUT),模型算法只需要输入表面温度数据,不需要其他的辅助数据,模型的原理及其详细的过程可以参考(Timmermans et al.,2015),文献中对模型原理步骤及其推算公式等介绍的比较详细全面。
QWaterModel基于QGIS3平台开发,QGIS是免费开源的平台,非常适合空间数据输入运算。模型界面见图4(et al.,2020),界面分四个部分,图中A区定义数据输入、输出、时间栏;数据要求输入矢量文件,图像格式TIFF,输入时间为世界标准时间。B区域定义模型参数,需要输入最低、最高温度及其百分位,短波辐射率,净辐射,地面热通量,大气透射率,大气辐射率,表面辐射率。区域C人工定义当地参数:经度、纬度、海拔。区域D定义蒸散发参数:时间尺度,空气温度。
六、灌溉处方图反演方法
灌溉处方图的反演主要通过历史气象灌溉资料、实时热红外、多光谱高分辨率遥感影像数据、地面传感器的墒情信息数据,结合不同的灌溉技术反演的灌溉处方图。反演过程目标限制:灌溉水量最少,满足作物正常生理生长需求,灌溉上限达到土壤田间持水量,灌溉周期根据历史气象资料估算灌溉次数或根据作物冠层蒸散发与土壤中有效可利用水分含量的关系确定。其中热红外和多光谱影像中数据提取作物水分亏缺指数及作物ET,多光谱影像中考虑株高、叶面积等对喷灌等冠层截留的影响。
进行灌溉量公式为:
IT=f(CWSIr,ET,SWC,θc) (1)
式中:IT一次灌水定额,CWSIr作为冠层相对水分亏缺指数,ET利用QWaterModel获取的作物冠层ET,SWC土壤根系吸水层有效可利用土壤水分含量,θc田间持水量;
鉴于公式1,第一步需要先判断灌溉周期,判断灌溉周期的原理基于周期内的蒸散发总量与土壤中有效可利用水分之间的关系,确定最优灌溉周期,为此,判断周期的公式为:
其中α为作物根系有效吸水深度系数,根据公式(2)先确定灌溉周期T,确定灌溉周期T后,开展第二步判断田间需灌水定额:
当其中α作物根系有效吸水深度系数,介于0~1,此时,ET应为区域内正常生理生长情境下的ET,非每个空间分布点上冠层ET,因为灌溉后冠层ET在空间分布上很多会达到正常生理生长状态,故此时的净灌溉量I为:
I=0 (3)
I=α*CWSIr×SWC (4)
综上,IT公式如下:
IT=I/μ (5)
式中:μ为灌溉效率,灌溉效率要考虑灌溉方式、植株株高、叶面积等冠层截留等影响。
七、结果:
1、冠层温度及CWSI时空分布
图5显示不同时期采集的热红外影像转换成冠层温度的空间分布,从冠层的空间分布看,随着冬小麦生育期的发展及不同灌溉处理的影响,三个灌溉水平处理条件下在4月3日采集的数据影像中体现出了灌溉处理的差异。4月7~9日间进行了一次不同灌溉处理,4月14日采集的热红外影像显示的三个灌溉水平处理下和4月3日的冠层温度空间分布在IT2的处理上存在明显的不同,说明4月7~9日的灌溉对IT2处理下的冬小麦生理生长产生了积极的影响,IT3灌溉量不足致使IT3灌溉处理区域内干旱不断累积,此灌溉处理区域内的冠层温度明显高于另外两个灌溉水平处理区域内的冠层温度。后面日期灌溉直接导致了三个灌溉水平处理下冠层温度差异。
三个灌溉水平处理下不同时期的CWSI空间分布见图6所示,因为作物水分亏缺指数与冠层温度呈显著相关关系,故作物水分亏缺指数的时空分布趋势与冠层温度一致。三个灌溉处理下CWSI趋势见图7,灌溉前后数据采集日期的CWSI对比发现,IT1灌溉处理下由于前面几个小区因喷灌机行走喷洒覆盖受限,IT1灌溉区域内一部分小区未灌溉,在温度和CWSI的空间分布图上可以明显的看出未灌溉的小区和其他小区有显著的差异,这一部分小区的CWSI值对整个IT1处理下的均值产生了影响,反应在其标准差上偏大。IT2处理下,灌溉前后CWSI值对比差异明显,如4月3日与4月15日中间有一次灌溉过程,4月15日采集的影像获取的CWSI的值比4月3日的值平均偏小。而从IT3上看,几次灌溉过程对CWSI上体现的不是很显著,因为IT3的灌溉水量没有缓解IT3处理下小区的旱情,只是在一定程度上减缓了CWSI的持续升高。另外IT2、IT3的CWSI值在4月15日~5月10日间,基本在持续升高,即使中间有两次灌溉过程,都未致使CWSI下降,说明此时期内冬小麦生理生长旺盛,需水量比较大,两次灌溉都无法满足其正常的生理生长需求。
2、蒸散发时空分布
从各个时期的数据三个灌溉水平处理下ETh的分布及趋势图8和9看,IT1灌溉处理ETh(采集时间段内1小时蒸散发量)在3月7日开始数据采集时段内值为0.58mm/h,直到4月30日达到0.96mm/h,中间4月14日的数据出现了异常,分析原因发现是当天采集数据的时间点以及当天的天气情况导致的,并不影响冬小麦全生育期内的ET趋势。IT2灌溉水平处理下,3月7日ETh为0.59mm/h、3月20日ETh为0.84mm/h,包括IT3灌溉处理下3月7日ETh为0.58mm/h、3月20日ETh为0.82mm/h,比IT1灌溉处理下的3月7日ETh为0.58mm/h、3月20日ETh为0.76mm/h值大,结合图10-5ETh的时空分布分析看,3月份的灌溉IT1如前述中提到最北边的几个小区由于喷灌机的平移式行走喷洒没有覆盖到,致使IT1处理下北部几个小区出现了干旱胁迫,对此时段内的冬小麦ETh产生了影响,亦致使IT1处理下的ETh均值偏小。另外从3月20日前的数据看,此3月20日前三个灌溉水平处理下冬小麦生理生长基本一致,为后面的三个灌溉水平处理提供了可靠的前期数据基础。此外,由于大型平移式喷灌机变量喷洒运行参数的控制出现了行走上的误差,致使4月23日之前的IT3的灌溉处理下北部几个小区灌溉量比设计的偏大很多,出现了4月23日ET的空间分布与灌溉处理不一致的情况。
图10和11分别为三个灌溉水平处理下不同时期的ETh、ETday,从图中可以看出ET在IT1和IT2两个灌溉处理下,ET的随着生育期的发展总体呈现逐渐增高,到了5月份又开始下降的趋势。三个灌溉水平处理下,IT1灌溉水量大,总体每个时期的ET值较IT2、IT3大,这也体现了三个灌溉水平都未达到充分灌溉的条件下,灌溉量越大越接近充分灌溉,小麦的生理生长越好。IT3灌溉处理下ET在全生育期趋势与前两个灌溉水平处理下不同,在4月份之前还呈现逐渐增高的趋势,到4月份几次采集数据计算ET结果显示出现下降趋势,说明4月份IT3灌溉处理下冬小麦生理生长受到了限制,水分亏缺严重的制约了冬小麦的生理生长。从三个灌溉水平处理下的ET均值可以间接反映出三个处理下60个小区的灌溉均匀性差异,或者是三个灌溉水平处理下60个小区间生理生长特点均匀性差异,IT2处理区域下60个小区灌溉均匀性或冬小麦生理生长均匀性明显的好于其他两个灌溉处理。
3、试验处理下灌溉处方图
通过前面灌溉处方图反演方法,利用空间分布数据反演的灌溉处方图空间分布见图12所示,3月20日之前的灌溉处方图显示三个处理下灌水定额都在15mm以下,这一时期内灌溉需求不大,反映在作物水分亏缺指数上是这一时段内水分亏缺不严重,没有影响到冬小麦的正常生理生长。从各个时期的灌溉处方图分析发现,三个灌溉处理下,通过采集数据日期的数据分析看,由于设定的灌溉处方图反演上限是灌溉达到田间持水量(即土壤根系有效吸水层达到最大有效可利用土壤含水量),这就导致了田间土壤都未达到水分充足的条件,意味着本文中的三个灌溉处理都存在着一定的水分亏缺,只是不同的区域水分亏缺程度不同。
各个时期内灌水定额空间分布图发现,随着冬小麦的生理生长进入旺盛期,小麦的蒸散发在不断增大,导致每个时期采集的冠层影像反演的灌溉处方图灌水定额在逐渐增大。从4月3日灌水定额空间分布最大在42mm,4月14日最大47mm,4月23日最大58mm,4月23日最大70mm,不同时期灌水定额空间分布也体现了冬小麦的生理生长特征,需水量在不断的增多。
三个灌溉水平不同时期平均灌水定额趋势分布见图13所示,均值趋势分布体现三个灌溉水平处理下在3月20日之前所需的灌水定额尚未体现出不同灌溉处理处理的差异,IT1区域内由于前述的喷灌机覆盖没有灌溉均匀,体现了IT1处理下灌水定额波动比其他两个灌溉水平处理强烈。体现三个灌溉处理差异的是在4月3日采集影像中反演的灌溉处方图上,可以显著的体现出灌溉量的多少导致的不同处理区域内所需灌水定额的不同,所需灌水定额与实际灌溉水量呈反比。4月7日~9日间的一次不同灌溉处理过程,导致了4月14日的采集影像反演的灌溉处方图空间变异性与4月3日不同,IT2灌溉处理下灌溉比较均匀,空间变异波动小。4月20日左右的一次不同灌溉处理过程,致使4月23日采集影像反演的灌溉处方图空间变异出现了变化,较4月14日发生了很大的空间变异。4月30的灌溉处方图与本试验处理吻合很好,文中反演的8个采集数据日期的灌溉处方图很好的体现了不同灌溉处理处理下的所需灌溉情况,根据不同的灌溉方式,把每个处理下以试验小区为灌溉单元反演的灌溉处方图见图14。
4、大田灌溉处方图反演
图15为大田尺度下的利用冠层温度导入QWaterModel中获取的大田作物冠层蒸散发空间分布图,大田反演过程比较复杂的冠层提取,尺度越大,下垫面情况越复杂,提取冠层信息难度就越大。本文提取冠层信息是利用上文中ExG指数分类提取作物冠层信息,此大田中有田间小路、试验处理间隔、大型平移式喷灌机、以及裸露的土壤、供水管道、水泥路等,种植是作物主要是冬小麦、豌豆。
利用灌溉处方图反演的大田尺度灌溉处方图16及像素栅格直方图17,从像素栅格直方图中分辨灌溉处方图的像素值分布情况,根据实际情况需筛选掉少数极值,此后根据灌溉方式控制分区尺度,进一步转换尺度到灌溉控制尺度能灌溉处方图,如图14中以灌溉处理试验小区为灌溉单位的灌溉处方图。
本发明中冠层温度、CWSI、ET时空分布图,很好的反映了三个灌溉水平处理下的灌溉量的不同对冬小麦的生理生长产生的影响,除去小部分试验小区因为大型平移式喷灌机的行走导致的喷洒未覆盖外,整体上反映了不同灌溉处理分布变化。此外,本发明中中灌溉后的冠层温度、CWSI、ET时空分布图可以评价灌溉效果,如灌溉量、作物吸收利用水分的空间分布等情况。
本发明中通过输入作物冠层温度利用QWaterModel计算的ET空间分布,可以很好的体现作物冠层生理生长活动的空间变异特征,在没有充足的气象数据资料的情况下,通过无人机感知系统获取作物冠层温度影像数据,可以利用QWaterModel反演作物冠层的蒸散发空间分布。
不同灌溉处理试验中,3月20日之前所需的灌水定额尚未体现出不同灌溉处理的差异,4月日后灌溉处方图与能体现出试验中灌溉处理的空间变异;冬小麦旺长期每一次不同灌溉处理过程,会导致采集影像反演的灌溉处方图空间变异发生变化,本发明试验中IT2灌溉处理下灌溉比较均匀,空间变异波动小。
本发明中采用的反演灌溉处方图的原理模型主要考虑了土壤中有效可利用水量,以土壤中作物有效根系吸水层内的田间持水量为灌溉上限,利用作物冠层ETmax判定灌溉周期,需要进一步考虑判定是否需要灌溉的临界作物冠层ET,更合理的反演灌溉处方图。本发明中反演方法可以给现代精准灌溉提供精准灌溉信息感知的提供借鉴。
以上所述仅为本发明的较佳实施例而已,并不用以限制本发明,凡在本发明的精神和原则之内,所作的任何修改、等同替换、改进等,均应包含在本发明的保护范围之内。
Claims (5)
1.一种基于无人机光谱数据的灌溉处方图反演方法,其特征在于,包括以下步骤:
(1)遥感数据采集:利用安装了多光谱相机的无人机获取农田作物遥感影像,经处理拼接后得到农田作物的整体光谱影像;
(2)遥感影像作物信息提取:对得到的整体光谱影像进行影像提取作物冠层数据信息和作物水分亏缺指数;
(3)田间蒸散发估算:采用根据能量平衡原理根据田间冠层辐射温度计算田间蒸散发,或通过其原理开发的相关模型估算田间蒸散发量;
(4)田间数据采集:无人机飞行日同步田间取样,获得土壤根系吸水层有效可利用土壤水分含量和田间持水量;
(5)通过历史气象灌溉资料、实时热红外、多光谱高分辨率遥感影像数据、地面传感器的墒情信息数据,结合不同的灌溉技术反演的灌溉处方图,反演过程目标限制:满足作物正常生理生长需求,灌溉上限达到土壤田间持水量,灌溉水量最少,灌溉周期根据历史气象资料估算灌溉次数或根据作物冠层蒸散发与土壤中有效可利用水分含量的关系确定,进行灌溉量公式为:
IT=f(CWSIr,ET,SWC,θc) (1)
式中:IT一次灌水定额,CWSIr作为冠层相对水分亏缺指数,ET利用QWaterModel获取的作物冠层ET,SWC土壤根系吸水层有效可利用土壤水分含量,θc田间持水量;
鉴于公式1,第一步需要先判断灌溉周期,判断灌溉周期的原理基于周期内的蒸散发总量与土壤中有效可利用水分之间的关系,确定最优灌溉周期,为此,判断周期的公式为:
其中α为作物根系有效吸水深度系数,根据公式(2)先确定灌溉周期T,确定灌溉周期T后,开展第二步判断田间需灌水定额:
当其中α作物根系有效吸水深度系数,介于0~1,此时,ET应为区域内正常生理生长情境下的ET,非每个空间分布点上冠层ET,因为灌溉后冠层ET在空间分布上很多会达到正常生理生长状态,故此时的净灌溉量I为:
I=0 (3)
I=α*CWSIr×SWC (4)
综上,IT公式如下:
IT=I/μ (5)
式中:μ为灌溉效率,灌溉效率要考虑灌溉方式、植株株高、叶面积等冠层截留等影响。
2.根据权利要求1所述的一种基于无人机光谱数据的灌溉处方图反演方法,其特征在于:所述的无人机上安装热红外相机和多光谱相机。
3.根据权利要求1所述的一种基于无人机光谱数据的灌溉处方图反演方法,其特征在于:所述的土壤数据中采用烘干法测土壤水分含量,并利用双环刀法确定田间持水量。
4.根据权利要求1所述的一种基于无人机光谱数据的灌溉处方图反演方法,其特征在于:所述的提取作物冠层数据信息采用超绿指数ExG指数掩膜提取的冠层数据信息。
5.根据权利要求1所述的一种基于无人机光谱数据的灌溉处方图反演方法,其特征在于:所述的田间蒸散发估算采用根据能量平衡原理根据田间冠层辐射温度计算田间蒸散发,或通过其原理开发的相关模型(QWATERMODEL)估算田间蒸散发量。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110078410.8A CN112906477B (zh) | 2021-01-21 | 2021-01-21 | 一种基于无人机光谱数据的灌溉处方图反演方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110078410.8A CN112906477B (zh) | 2021-01-21 | 2021-01-21 | 一种基于无人机光谱数据的灌溉处方图反演方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN112906477A true CN112906477A (zh) | 2021-06-04 |
CN112906477B CN112906477B (zh) | 2022-09-02 |
Family
ID=76117380
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110078410.8A Active CN112906477B (zh) | 2021-01-21 | 2021-01-21 | 一种基于无人机光谱数据的灌溉处方图反演方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112906477B (zh) |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113837666A (zh) * | 2021-11-23 | 2021-12-24 | 长江水利委员会长江科学院 | 一种基于改进cmi指数的农业干旱评估方法 |
CN115797797A (zh) * | 2023-02-09 | 2023-03-14 | 水利部交通运输部国家能源局南京水利科学研究院 | 一种蒸散发塔基遥感监测方法系统及存储介质 |
CN115861827A (zh) * | 2023-02-28 | 2023-03-28 | 北京市农林科学院智能装备技术研究中心 | 作物水肥胁迫的决策方法、装置及手机终端 |
CN116210571A (zh) * | 2023-03-06 | 2023-06-06 | 广州市林业和园林科学研究院 | 一种立体绿化遥感智能灌溉方法及系统 |
Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20100032493A1 (en) * | 2008-08-06 | 2010-02-11 | Kevin Abts | Precision variable rate irrigation system |
US20120290140A1 (en) * | 2011-05-13 | 2012-11-15 | Groeneveld David P | Method and System to Control Irrigation Across Large Geographic Areas Using Remote Sensing, Weather and Field Level Data |
CN103413035A (zh) * | 2013-07-30 | 2013-11-27 | 中国科学院遥感与数字地球研究所 | 一种农田净灌溉用水模型及灌溉用水量估算方法 |
CN104123444A (zh) * | 2014-07-10 | 2014-10-29 | 中国水利水电科学研究院 | 基于区域墒情监测和遥感数据的实时灌溉预报系统及方法 |
CN105527657A (zh) * | 2016-01-14 | 2016-04-27 | 河海大学 | 基于无人机红外热图像采集的大面积农田作物水分状态监测方法及系统 |
CN108446999A (zh) * | 2018-04-17 | 2018-08-24 | 中国水利水电科学研究院 | 基于冠气温差和遥感信息进行灌区不同作物et估算方法 |
CN108876005A (zh) * | 2018-05-07 | 2018-11-23 | 中国农业科学院农田灌溉研究所 | 基于天气信息的冬小麦灌溉预报方法 |
CN111316802A (zh) * | 2020-02-20 | 2020-06-23 | 中国农业大学 | 基于大型喷灌机的作物水肥监测方法、装置、设备及介质 |
CN112182882A (zh) * | 2020-09-28 | 2021-01-05 | 河海大学 | 一种顾及物侯信息的植被冠层蒸腾反演算法 |
-
2021
- 2021-01-21 CN CN202110078410.8A patent/CN112906477B/zh active Active
Patent Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20100032493A1 (en) * | 2008-08-06 | 2010-02-11 | Kevin Abts | Precision variable rate irrigation system |
US20120290140A1 (en) * | 2011-05-13 | 2012-11-15 | Groeneveld David P | Method and System to Control Irrigation Across Large Geographic Areas Using Remote Sensing, Weather and Field Level Data |
CN103413035A (zh) * | 2013-07-30 | 2013-11-27 | 中国科学院遥感与数字地球研究所 | 一种农田净灌溉用水模型及灌溉用水量估算方法 |
CN104123444A (zh) * | 2014-07-10 | 2014-10-29 | 中国水利水电科学研究院 | 基于区域墒情监测和遥感数据的实时灌溉预报系统及方法 |
CN105527657A (zh) * | 2016-01-14 | 2016-04-27 | 河海大学 | 基于无人机红外热图像采集的大面积农田作物水分状态监测方法及系统 |
CN108446999A (zh) * | 2018-04-17 | 2018-08-24 | 中国水利水电科学研究院 | 基于冠气温差和遥感信息进行灌区不同作物et估算方法 |
CN108876005A (zh) * | 2018-05-07 | 2018-11-23 | 中国农业科学院农田灌溉研究所 | 基于天气信息的冬小麦灌溉预报方法 |
CN111316802A (zh) * | 2020-02-20 | 2020-06-23 | 中国农业大学 | 基于大型喷灌机的作物水肥监测方法、装置、设备及介质 |
CN112182882A (zh) * | 2020-09-28 | 2021-01-05 | 河海大学 | 一种顾及物侯信息的植被冠层蒸腾反演算法 |
Non-Patent Citations (2)
Title |
---|
YANGREN W。等: "Research on crop dynamic irrigation lower limit under limited water supply I -Method", 《2016 FIFTH INTERNATIONAL CONFERENCE ON AGRO-GEOINFORMATICS (AGRO-GEOINFORMATICS)》 * |
陈震 等: "基于无人机影像的作物土壤水分亏缺反演方法", 《中国农业信息》 * |
Cited By (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113837666A (zh) * | 2021-11-23 | 2021-12-24 | 长江水利委员会长江科学院 | 一种基于改进cmi指数的农业干旱评估方法 |
CN113837666B (zh) * | 2021-11-23 | 2022-02-11 | 长江水利委员会长江科学院 | 一种基于改进作物水分指数的农业干旱评估方法 |
CN115797797A (zh) * | 2023-02-09 | 2023-03-14 | 水利部交通运输部国家能源局南京水利科学研究院 | 一种蒸散发塔基遥感监测方法系统及存储介质 |
CN115861827A (zh) * | 2023-02-28 | 2023-03-28 | 北京市农林科学院智能装备技术研究中心 | 作物水肥胁迫的决策方法、装置及手机终端 |
CN116210571A (zh) * | 2023-03-06 | 2023-06-06 | 广州市林业和园林科学研究院 | 一种立体绿化遥感智能灌溉方法及系统 |
CN116210571B (zh) * | 2023-03-06 | 2023-10-20 | 广州市林业和园林科学研究院 | 一种立体绿化遥感智能灌溉方法及系统 |
Also Published As
Publication number | Publication date |
---|---|
CN112906477B (zh) | 2022-09-02 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN112906477B (zh) | 一种基于无人机光谱数据的灌溉处方图反演方法 | |
CN110222475B (zh) | 一种基于无人机多光谱遥感反演冬小麦植株含水率的方法 | |
Liu et al. | Estimating crop stresses, aboveground dry biomass and yield of corn using multi-temporal optical data combined with a radiation use efficiency model | |
Duan et al. | Remote estimation of grain yield based on UAV data in different rice cultivars under contrasting climatic zone | |
CN106372592B (zh) | 一种基于冬小麦面积指数的冬小麦种植面积计算方法 | |
Courault et al. | Combined use of FORMOSAT-2 images with a crop model for biomass and water monitoring of permanent grassland in Mediterranean region | |
CN106845808A (zh) | 基于遥感数据反演的灌区稻田智能灌排决策方法和系统 | |
CN111316802B (zh) | 基于大型喷灌机的作物水肥监测方法、装置、设备及介质 | |
Ortega-Salazar et al. | Performance of the METRIC model for mapping energy balance components and actual evapotranspiration over a superintensive drip-irrigated olive orchard | |
CN116602106A (zh) | 一种基于无人机的水稻田内变量施肥方法 | |
Schneider | Assimilating remote sensing data into a land-surface process model | |
Hao et al. | Estimation of crop evapotranspiration from MODIS data by combining random forest and trapezoidal models | |
Pieri et al. | Estimation of actual evapotranspiration in fragmented Mediterranean areas by the spatio-temporal fusion of NDVI data | |
Zhang et al. | Evaluating maize evapotranspiration using high-resolution UAV-based imagery and FAO-56 dual crop coefficient approach | |
Ramírez-Cuesta et al. | Determining grapevine water use under different sustainable agronomic practices using METRIC-UAV surface energy balance model | |
Iqbal et al. | Using remote sensing and soil physical properties for predicting the spatial distribution of cotton lint yield | |
Reyes-Gonzalez | Using remote sensing to estimate crop water use to improve irrigation water management | |
CN116124774A (zh) | 一种基于无人机光谱多源数据预测冠层氮含量方法 | |
Nafarin et al. | Relationship between normalized difference vegetation index (NDVI) and Rice growth phases in Danda Jaya swamp irrigation area regency Barito Kuala | |
CN116297243B (zh) | 烤烟氮肥追施量估计方法、装置、电子设备及存储介质 | |
Panahi et al. | Comparing water requirements of urban landscape plants in an arid environment: An application of the WUCOLS method in the National Botanical Garden of Iran | |
Maitra et al. | Application of Remote Sensing & Geographic Information Systems for Agriculture-A Review | |
Rouault et al. | Using high spatial resolution satellite imagery for improved agricultural management of Mediterranean orchards | |
CN116579446B (zh) | 一种利用表型特征估算高精度小麦籽粒产量的方法 | |
do Vale Sant’Ana et al. | Crop coefficient for coffee as a function of leaf area index. |
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 |