CN112945882A

CN112945882A - 一种基于高光谱的马铃薯植株水分监测灌溉方法

Info

Publication number: CN112945882A
Application number: CN202110263084.8A
Authority: CN
Inventors: 苏亚拉其其格; 贾立国; 孟勐; 祁迷; 樊明寿; 陈玉珍
Original assignee: Inner Mongolia Agricultural University
Current assignee: Inner Mongolia Agricultural University
Priority date: 2021-03-11
Filing date: 2021-03-11
Publication date: 2021-06-11
Anticipated expiration: 2041-03-11
Also published as: CN112945882B

Abstract

本发明公开了一种基于高光谱的马铃薯植株水分监测灌溉方法，包括表征马铃薯地上部含水量的特征光谱筛选，以及基于特征光谱利用BP神经网络构建马铃薯地上部含水量的监测模型，进而建立地上部含水量与土壤含水量之间的模型推荐灌溉；该模型在不同土壤供水条件下，能够实时、快速、无损地监测出马铃薯植株水分状况，进而预估出马铃薯田土壤含水量，并通过土壤目标含水量计算出各生育时期适宜的灌水量；本发明是马铃薯分生育时期节水灌溉推荐的优化模型基础，同时也实现了马铃薯生产和水资源高效利用并重的农业绿色可持续发展。

Description

一种基于高光谱的马铃薯植株水分监测灌溉方法

技术领域

本发明涉及农作物科学灌溉技术领域，更具体的说是涉及一种基于高光谱的马铃薯植株水分监测灌溉方法。

背景技术

马铃薯，属茄科、一年生草本植物，块茎可供食用，是全球第四大重要的粮食作物，仅次于小麦、水稻和玉米；合理的水分供应是马铃薯获得高产及优质块茎的必要前提，而内蒙古地区是我国马铃薯主产区之一，但是，内蒙古马铃薯种植的区域主要分布在干旱、半干旱地区，这些区域的降水显然不能满足马铃薯整个生育期对水分的需求，这就证明灌溉措施在保障内蒙古马铃薯生产中占据中心地位。

另一方面，内蒙古马铃薯种植地区的水资源十分有限，由于不合理灌溉对水资源的开采，多数灌溉种植区域地下水位下降严重，部分种植喷灌圈集中的地区夏天频繁出现水井断水现象，已经严重影响农作物的高产优质生产和农牧民的日常生活。马铃薯在缺水条件下，块茎小、数量少，会严重影响其产量；在这样的背景下，精准灌溉对于保障马铃薯高产、优质以及水资源的高效利用显得尤为重要。

发明内容

有鉴于此，本发明的目的在于提供一种基于高光谱的马铃薯植株水分监测灌溉方法，该方法在不同土壤供水条件下，能够实时监测出马铃薯地上部含水量和土壤含水量，并通过与土壤目标含水量之间的差距进行适时、适量灌溉；本发明是马铃薯分生育时期节水灌溉推荐的优化模型基础，同时也实现了马铃薯生产和水资源高效利用并重的农业绿色可持续发展。

第一方面，本发明提供了一种基于高光谱的马铃薯植株水分监测灌溉方法，其步骤如下：

第一步：获取马铃薯冠层高光谱实测数据，既高光谱反射率，然后使用EXCEL和ORIGIN软件计算出高光谱数据的光谱指数和一阶导数；基于Matlab统计分析软件，采用连续投影算法筛选并构建由光谱反射率、光谱指数和一阶导数组成的特征高光谱数据库；

特征高光谱数据库包括：X1=R337、X2=R399、X3=R551、X4=R661、X5=R704、X6=R764、X7=R1006、X8=R10096、X9=R1126、X10=R1318、X11=R1352、X12=R1389、X13=R1415、X14=R1821，X15=Ρr、X16= EVI、X17= Mr/My、X18= NDII、X19= WBI、X20= NDρg/ρr、X21= PSRI、X22= NDWI、X23= MSI、X24= SR、X25= Msr705、X26= VOG1、X27= VOG2、X28= VOG3、X29=NDVI、X30= NDVI705、X31= Dρg，X32=D345、X33=D367、X34=D475、X35=D719、X36=D844、X37=D949、X38=D966、X39=D972、X40=D991、X41=D1007、X42=D1209、X43=D1378、X44=D1465、X45=D1831、X46=D2461；

其中，R表示该波段的反射率，D表示该波段的一阶导数；

第二步，基上述特征光谱的数据库，利用BP神经网络法构建马铃薯地上部含水量监测模型，具体为：

运用数据库采用BP神经网络法建模，同时运用验证数据集进行验证，获得精度（R-squared）较高的10个模型；

为了避免陷入局部异常值，使用整体数据集再次进行上述10个模型的二次验证，同时也得到相应的R-squared值；

通过两次验证的R-squared，确定马铃薯最佳地上部水分监测模型；

在METLAB环境下，利用最佳水分监测模型（即基于软件的一段程序）进行马铃薯地上部含水量的预测，预测过程包含划分数据集、数据归一化、模型计算、反归一化处理，即可获得相应的地上部含水量预测值，用于马铃薯植株水分状况的实时监测；

第三步：分生育时期建立马铃薯地上部含水量与马铃薯田0-60cm土壤含水量之间的模型；通过将预测的地上部含水量（X值）带入相应的公式，计算出土壤含水量的预测值（Y值）。各生育时期的反演土壤含水量模型为，苗期：Y=0.011X-78.732；块茎形成期：Y=2.745×X^20.041；块茎膨大期：Y=0.014X-103.991；淀粉积累期：Y=2.421 X²-205.212；成熟期：Y=3.006 X²-257.425；

第四步：将预估出的土壤含水量与各生育时期需要达到的目标土壤含水量进行比较，预测值若低于目标含水量则根据其差值浇入适量的水分，反之无需浇水。

优选地，第二步中马铃薯地上部水量是整株叶片和地上茎的含水量，即：

地上部含水量（%）=（LFW + SFW）-（LDW + SDW）/（LFW + SFW）

式中：LFW——叶片总鲜重（g）；

LDW——叶片总干重（g）；

SFW——地上茎总鲜重（g）；

SDW——地上茎总干重（g）。

本发明的有益效果在于以下：

本发明研究出一种基于高光谱的马铃薯植株水分监测灌溉方法；构建出植株地上部含水量与马铃薯田土壤含水量关系的模型。该方法在不同土壤供水条件下，能够实时监测出马铃薯植株含水量和土壤含水量，并通过与土壤目标含水量之间的差距进行适时、适量灌溉。本发明是马铃薯分生育时期节水灌溉推荐的优化模型基础，同时也实现了马铃薯生产和水资源高效利用并重的农业绿色可持续发展。

本发明可以根据各地区的情况，及时准确监测马铃薯植株水分状况，并根据缺水信息实施精量控制灌水，不仅对该地区马铃薯水分高效管理极具现实意义，且具有重要战略意义。

附图说明

图1为本发明的运用验证数据集进行验证结果。

图2为发明的马铃薯叶片含水量预测模型验证结果。

图3为本发明的基于高光谱的马铃薯地上部含水量预测模型。

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，下面将结合附图对本发明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。基于本发明中的实施例，本领域普通技术人员在没有做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。

目前，针对马铃薯的水分状态情况并没有一个科学、合理的方式，使得在对其进行灌溉时，无法合理调控灌溉量、灌溉时间；针对这个问题，本申请提供了一种基于高光谱的马铃薯植株水分监测灌溉方法，该方法能够及时准确监测马铃薯植株水分状况，并根据缺水信息实施精量控制灌水，具体包括如下步骤：

第一、获取马铃薯冠层高光谱实测数据，既高光谱反射率，对于高光谱实测数据的获取，使用地物波谱仪（SVC-1024i），选择天气晴朗无云层遮挡、无风或风速很小的天气，北京时间10：00–14：00之间进行马铃薯冠层高光谱反射率测定。该光谱仪的工作范围为377~2521nm。测量过程中用标准白板及时对每组目标的观测前后进行校正；然后使用EXCEL和ORIGIN软件计算出高光谱数据的光谱指数和一阶导数；基于Matlab统计分析软件，采用连续投影算法筛选并构建由光谱反射率、光谱指数和一阶导数组成的特征高光谱数据库；筛选得到的可实现反演马铃薯地上部含水量的特征高光谱指标库包括14个波段的高光谱反射率、表征植株水分状况的17个光谱指数和15个波段的光谱反射率一阶导数，共46个（表1）。本发明中所指的马铃薯地上部含水量是整株叶片和地上茎的含水量，即：

地上部含水量（%）=（LFW + SFW）-（LDW + SDW）/（LFW + SFW）

式中：LFW——叶片总鲜重（g）；

LDW——叶片总干重（g）；

SFW——地上茎总鲜重（g）；

SDW——地上茎总干重（g）。

表1 表征植株水分状况的特征高光谱数据库

其中，R表示该波段的光谱反射率，例如R337表示的是，在波段为337nm时的高光谱反射率的值；D表示该波段的一阶导数，意义同上；而指数一栏是各个波段指数的学术定义。

在此基础上，采用BP神经网络（Back Propagation Neural Network，BP）法对特征高光谱数据库和地上部含水量进行建模。

第二步：基于特征高光谱数据库的马铃薯地上部含水量监测模型

BP神经网络模型并非常规方程形式，而是以文件形式保存。建模方法如下：

（1）运用数据库采用BP神经网络法建模，同时运用验证数据集进行验证，获得精度（R-squared）较高的10个模型；

通过两次验证的R-squared，确定马铃薯地上部最佳水分监测模型；

通过上述方法构建的BP神经网络模型，获得的马铃薯最佳地上部含水量预测模型为第三个模型，其两次（验证集和整体数据集）验证的R-squared分别为0.8042、0.7573（图2）。

根据上述（第3个）模型，编写代码如图3所示。使用时将测得的特征光谱值（波段、指数、导数）整理好后带入图中 “AGWC5_DATA”运行（图3），获得相应的地上部含水量预测值，用于马铃薯植株水分状况的实时监测。

第三步：构建植株地上部含水量反演马铃薯田土壤含水量模型

基于地上部含水量的水分监测模型，进一步构建了马铃薯不同生育时期的水分管理模型，即地上部含水量与0-60cm土壤含水量之间建模（表2）。

表2 地上部含水量反演土壤含水量模型

第四步：推荐灌溉方法

首先，通过预测的马铃薯地上部含水量分别获得各个生育时期的预测土壤相对含水量；其次，将预测的土壤相对含水量与马铃薯不同生育时期的目标土壤相对含水量进行比较，低则根据土壤含水量的差值浇入适量的水分，高则无需浇水。马铃薯各生育时期的目标土壤相对含水量见表3，当土壤含水量达到该值时可完全满足马铃薯各生育时期对水分的需求。

表3 马铃薯各生育时期0-60cm土层目标土壤相对含水量（%）

最后应说明的是：以上所述实施例，仅为本发明的具体实施方式，用以说明本发明的技术方案，而非对其限制，本发明的保护范围并不局限于此，尽管参照前述实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：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，其依然可以对前述实施例所记载的技术方案进行修改或可轻易想到变化，或者对其中部分技术特征进行等同替换；而这些修改、变化或者替换，并不使相应技术方案的本质脱离本发明实施例技术方案的精神和范围，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所述以权利要求的保护范围为准。

Claims

1.一种基于高光谱的马铃薯植株水分监测灌溉方法，其特征是，包含如下步骤：

第一步：获取马铃薯冠层高光谱实测数据，既高光谱反射率，然后使用EXCEL和ORIGIN软件计算出高光谱数据的光谱指数和一阶导数；基于Matlab统计分析软件，采用连续投影算法筛选并构建由高光谱反射率、光谱指数和一阶导数组成的特征光谱数据库；

特征光谱数据库包括：X1=R337、X2=R399、X3=R551、X4=R661、X5=R704、X6=R764、X7=R1006、X8=R10096、X9=R1126、X10=R1318、X11=R1352、X12=R1389、X13=R1415、X14=R1821，X15=Ρr、X16= EVI、X17= Mr/My、X18= NDII、X19= WBI、X20= NDρg/ρr、X21= PSRI、X22=NDWI、X23= MSI、X24= SR、X25= Msr705、X26= VOG1、X27= VOG2、X28= VOG3、X29= NDVI、X30= NDVI705、X31= Dρg，X32=D345、X33=D367、X34=D475、X35=D719、X36=D844、X37=D949、X38=D966、X39=D972、X40=D991、X41=D1007、X42=D1209、X43=D1378、X44=D1465、X45=D1831、X46=D2461；

其中，R表示该波段的反射率，D表示该波段的一阶导数；

运用数据库采用BP神经网络法建模，同时运用验证数据集进行验证，获得精度较高的10个模型；

在METLAB环境下，利用最佳水分监测模型进行马铃薯地上部含水量的预测，预测过程包含划分数据集、数据归一化、模型计算、反归一化处理，即可获得相应的地上部含水量预测值，用于马铃薯植株水分状况的实时监测；

第三步：分生育时期建立马铃薯地上部含水量与马铃薯田0-60cm土壤含水量之间的模型；通过将预测的地上部含水量带入相应的公式，计算出土壤含水量的预测值。各生育时期的反演土壤含水量模型为，苗期：Y=0.011X-78.732；块茎形成期：Y=2.745×X^20.041；块茎膨大期：Y=0.014X-103.991；淀粉积累期：Y=2.421 X²-205.212；成熟期：Y=3.006 X²-257.425；

2.根据权利要求1所述的基于高光谱的马铃薯植株水分监测灌溉方法，其特征在于：第二步中马铃薯地上部水量是整株叶片和地上茎的含水量，即：

地上部含水量（%）=（LFW + SFW）-（LDW + SDW）/（LFW + SFW）

式中：LFW——叶片总鲜重（g）；

LDW——叶片总干重（g）；

SFW——地上茎总鲜重（g）；

SDW——地上茎总干重（g）。